CN116206627A - 一种变压器异音检出方法、装置、系统及存储介质 - Google Patents

一种变压器异音检出方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN116206627A
CN116206627A CN202310043730.9A CN202310043730A CN116206627A CN 116206627 A CN116206627 A CN 116206627A CN 202310043730 A CN202310043730 A CN 202310043730A CN 116206627 A CN116206627 A CN 116206627A
Authority
CN
China
Prior art keywords
posterior probability
network
target
abnormal
transformer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310043730.9A
Other languages
English (en)
Inventor
褚繁
高天
方昕
吴江照
高建清
蔡明琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Intelligent Voice Innovation Development Co ltd
Original Assignee
Hefei Intelligent Voice Innovation Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Intelligent Voice Innovation Development Co ltd filed Critical Hefei Intelligent Voice Innovation Development Co ltd
Priority to CN202310043730.9A priority Critical patent/CN116206627A/zh
Publication of CN116206627A publication Critical patent/CN116206627A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本申请涉及一种变压器异音检出方法、装置、系统和存储介质，所述方法包括：获取待测变压器的音频信息和所述待测变压器所属的电压等级，基于所述音频信息提取音频特征；将所述音频特征输入到训练好的第一网络，由所述第一网络输出多个第一后验概率，所述第一网络为电压等级多分类网络，每个所述第一后验概率为所述音频特征对应于一个电压等级的后验概率；将所述待测变压器所属的电压等级作为目标电压等级，从所述多个第一后验概率中确定与所述目标电压等级对应的第一后验概率作为第一目标后验概率；基于所述第一目标后验概率确定所述音频信息有无异常。本申请具有无需异常训练数据的效果，并且对细分场景下正异常判断更加精确。

Description

一种变压器异音检出方法、装置、系统及存储介质
技术领域
本申请涉及音频检出的技术领域，更具体地涉及一种变压器异音检出方法、装置、系统及存储介质。
背景技术
当前，我国的工业智能制造已经进入了一个高速发展的时代，工业设备的正常工作也显得越发的重要，一旦工业设备发生突发性故障，不但会给一个地区的工业制造带来巨大损失，而且会有很大的继发安全隐患，造成重大经济损失，甚至还可能导致灾难性的人员伤亡或恶劣的社会影响。在电力等能源场景中，随着高压、特高压电网建设需求增加，国家对电力系统，尤其是变压器的可靠性提出了越来越高的要求(如若发生故障，会导致经济损失，甚至引起社会大面积停工)，因此对变压器的故障和异常进行预警也越来越重要。
目前，变压器的故障可通过对故障时发出的声音进行机器识别，即异音检出技术进行检测。异音检出的具体检测原理是：变压器内部受到电、磁、机械等应力作用产生振动，形成的机械波通过固-液-气介质传递后转换为音频信号，被声学传感(即麦克风)捕获，音频信号包含大量时频域特征信息。设备异常后，声音也随之改变，结合深度学习等人工智能手段，可有效判断设备状态。
在变压器的异音检测领域，当前常用的方案主要是：以音频的声学特征，进行自编码器(Auto-Encoder，简称AE)网络的训练。训练完成后，将待测音频样本的声学特征通过网络推理，得到重构后的特征，并根据特征重构前后的残差大小判断是否为异常。残差值大认为是异常，反之则为正常。
相关技术中的异音检测的方法，虽然只需要正常类别的训练数据，标注成本小，但是依赖于训练数据的标注准确性，如果训练数据中混入少量异常数据，则模型可能错误地适应异常数据，同时训练容易过拟合，导致算法面对其他场景样本拟合效果较差，并且依赖于正常训练数据的覆盖度，如果出现正常样本空间内没覆盖到的其他正常情况数据，会导致残差增大，异常虚警增多。
基于上述的缺陷，本申请提供一种变压器异音检出方案，以解决上述问题中的至少一个。
发明内容
为了解决上述问题而提出了本申请。根据本申请一方面，提供了一种变压器异音检出方法，所述方法包括：获取待测变压器的音频信息和所述待测变压器所属的电压等级，基于所述音频信息提取音频特征；将所述音频特征输入到训练好的第一网络，由所述第一网络输出多个第一后验概率，所述第一网络为电压等级多分类网络，每个所述第一后验概率为所述音频特征对应于一个电压等级的后验概率；将所述待测变压器所属的电压等级作为目标电压等级，从所述多个第一后验概率中确定与所述目标电压等级对应的第一后验概率作为第一目标后验概率；基于所述第一目标后验概率确定所述音频信息有无异常。
在本申请的一个实施例中，在确定所述第一目标后验概率之后，所述方法还包括：将所述音频特征输入到多个训练好的第二网络，由每个所述第二网络输出一个第二后验概率，得到多个第二后验概率，从所述多个第二后验概率中选择最大值作为第二目标后验概率；其中每个所述第二网络为对应于所述第一网络中的一个电压等级的二分类网络，每个所述第二后验概率为所述音频特征在一个电压等级下是正常音频特征的后验概率；所述基于所述第一目标后验概率确定所述音频信息有无异常，包括：基于所述第一目标后验概率和所述第二目标后验概率确定所述音频信息有无异常。
在本申请的一个实施例中，所述第二网络的训练数据包括所述第一网络的训练数据和干扰类样本数据，其中，所述第一网络的训练数据包括正常类样本数据，所述干扰类样本数据是通过训练好的所述第一网络对开源集合中的数据进行筛选得到的。
在本申请的一个实施例中，所述第二网络的训练数据包括所述第一网络的训练数据和干扰类样本数据，其中，所述第一网络的训练数据包括正常类样本数据，所述干扰类样本数据是通过训练好的所述第一网络对开源集合中的数据进行筛选得到的。
在本申请的一个实施例中，所述第二网络是以所述第二网络对应的电压等级的数据作为正常类训练数据、并以其他电压等级的数据和所述干扰类样本数据作为异常类伪标签训练数据进行训练的。
在本申请的一个实施例中，通过训练好的所述第一网络对开源集合中的数据进行筛选得到所述干扰类样本数据，包括：对所述开源集合中每个待筛选数据提取特征，将所提取的特征输入到所述训练好的第一网络，当所述第一网络针对所提取的特征输出的所述第一后验概率大于第一阈值时，将所述待筛选数据作为所述干扰类样本数据。
在本申请的一个实施例中，所述基于所述第一目标后验概率和所述第二目标后验概率确定所述音频信息有无异常，包括：对所述第一目标后验概率和所述第二目标后验概率进行加权求和，得到第三目标后验概率；将所述第三目标后验概率与第二阈值进行比较；当所述第三目标后验概率大于或等于所述第二阈值时，确定所述音频信息无异常，反之则确定所述音频信息有异常。
在本申请的一个实施例中，所述基于所述第一目标后验概率确定所述音频信息有无异常，包括：将所述第一目标后验概率与第一阈值进行比较；当所述第一目标后验概率大于或等于所述第一阈值时，确定所述音频信息无异常，反之则确定所述音频信息有异常。
在本申请的一个实施例中，所述音频特征为滤波器组特征。
根据本申请的另一方面，提供了一种变压器异音检出装置，所述装置包括：音频获取模块，用于获取待测变压器的音频信息和所述待测变压器所属的电压等级，基于所述音频信息提取音频特征；检出模块，用于将所述音频特征输入到训练好的第一网络，由所述第一网络输出多个第一后验概率，所述第一网络为电压等级多分类网络，每个所述第一后验概率为所述音频特征对应于一个电压等级的后验概率；匹配模块，用于将所述待测变压器所属的电压等级作为目标电压等级，从所述多个第一后验概率中确定与所述目标电压等级对应的第一后验概率作为第一目标后验概率；评判模块，用于根据所述第一目标后验概率确定所述音频信息有无异常。
根据本申请的又一方面，提供了一种变压器异音检出系统，所述系统包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行上述的变压器异音检出的方法。
根据本申请的又一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时，执行上述的变压器异音检出的方法。
基于本申请实施例的变压器异音检出的方法、装置和系统，通过第一网络得到待检测音频的第一后验概率，并最终得到对应电压等级的第一目标后验概率，通过第一目标后验概率来判断待检测音频的正异常，本方法无需异常训练数据，不会过度依赖训练数据的标注准确性，也不容易出现训练过拟合以及依赖正常训练数据覆盖度等问题，且对变压器的电压等级等设备属性和应用场景进行了细分，因此对细分场景下正异常判断更加精确。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出了相关技术中变压器异音检出的流程示意图。
图2示出了本申请实施例中变压器异音检出方法的流程图。
图3示出了本申请实施例中第二网络检出第二目标后验概率的流程示意图。
图4示出了本申请实施例中变压器异音检出装置的结构框图。
图5示出了本申请实施例中变压器异音检出系统的结构框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本申请的保护范围之内。
如图1所示，为相关技术中基于AE网络的待检测音频训练过程，AE又称自编码器，是一类在半监督学习和非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。AE可作为强大的特征提取器，适用于深度神经网络的预训练，此外它还可以随机生成与训练数据类似的数据，以此来高效率的表达原数据的重要信息，因此通常被看作是生成模型。
自编码器分成两个部分，第一个部分是编码器(Encoder)，一般是多层网络，将输入的数据压缩成为一个向量，变成低维度，而该向量就称之为瓶颈(Code)。第二个部分是解码器(Decoder)，输入瓶颈，输出数据，称之为重建输入数据。损失函数就是让重建数据和原数据距离最小即可。自编码器的编码器和解码器可以用很多种神经网络组件搭建而成，最经典的组件就是多层感知器(Multi-Layer Perceptron，简称MLP)，也有使用卷积神经网络(Convolutional Neural Networks，简称CNN)，长短期记忆神经网络(Long Short-TermMemory，简称LSTM)和变压器(transformer)来实现的。目标函数可以用以下的公式来描述：
Minimize||fD(fE(x))-X||2
其中，fD和fE分别是解码器和编码器。将待测音频样本的声学特征通过网络推理，得到重构后的特征，并根据特征重构前后的残差大小判断是否为异常，残差E计算公式如下所示：
Figure BDA0004051581530000051
其中，M代表声学特征的帧数，N代表声学特征的维度，Xmn代表输入声学特征的第m帧第n维，X'mn代表输出的重构特征的第m帧第n维。残差值大认为是异常，反之则为正常。如图1所示，在训练之后，经过声学特征提取的音频数据通过AE网络模型，通过推理得到重构后的声学特征，再计算重构残差值，通过残差值和阈值的对比来进行异常的判断，得到检出结果。
上述方法存在有过度依赖训练数据的标注准确性、训练容易过拟合以及依赖正常训练数据覆盖度等问题，基于上述问题，提出本申请。
如图2所示，本申请提供了一种变压器异音检出方法，包括：
S21、获取待测变压器的音频信息和待测变压器所属的电压等级，基于音频信息提取音频特征。
S22、将音频特征输入到训练好的第一网络，由第一网络输出多个第一后验概率，第一网络为电压等级多分类网络，每个第一后验概率为音频特征对应于一个电压等级的后验概率。
S23、将待测变压器所属的电压等级作为目标电压等级，从多个第一后验概率中确定与目标电压等级对应的第一后验概率作为第一目标后验概率。
S24、基于第一目标后验概率确定音频信息有无异常。
基于本申请实施例的变压器异音检出的方法，通过第一网络得到待检测音频的第一后验概率，并最终得到对应电压等级的第一目标后验概率，通过第一目标后验概率来判断待检测音频的正异常，本方法无需异常训练数据，不会过度依赖训练数据的标注准确性，且对变压器的电压等级等设备属性和应用场景进行了细分，因此对细分场景下正异常判断更加精确。
示例性地，对于第一网络，需要获取其训练数据，在获取训练数据时采用的方式为：从正常运行的变压器外壳外5cm处用麦克风采集音频，并记录所采集的变压器所属电压等级，其中电压等级可以为：110KV、220KV、500KV、800KV、1000KV。对于采集到的音频，提取音频的滤波器组(filterbank)特征，因为滤波器组特征相较于梅尔频率倒谱系数(Mel-frequency cepstral coefficients，简称MFCC)多了DCT(离散预先变换)，可以认为是对音频信息的损变。示例性地，对于待检测的音频信息，在步骤S11中进行特征提取时，提取的音频特征也是滤波器组特征。
在获取了第一网络的训练数据之后，对第一网络进行训练。示例性地，通过上述处理后的训练数据，有监督的训练电压等级的分类网络，所用网络结构为深度残差网络(resnet34)，其中训练所用损失函数为交叉熵损失(CE Loss)。经过训练之后，将音频特征输入到训练好的第一网络，由第一网络输出多个第一后验概率，第一网络为电压等级多分类网络，每个第一后验概率为音频特征对应于一个电压等级的后验概率。示例性地，电压等级的分类网络为5分类网络，第一网络中基于5个电压等级分为5个电压节点，每个第一后验概率为音频特征对应于5个电压节点之一的后验概率。在划分电压节点之后，从多个第一后验概率中确定与目标电压等级(电压节点)对应的第一后验概率，因此得到的第一目标后验概率Score1。在得到了第一目标后验概率Score1之后，基于第一目标后验概率可以确定音频信息有无异常。示例性地，将Score1与第一阈值thresh1进行比较，当Score1大于或等于thresh1时，确定音频信息无异常，反之则确定音频信息有异常。
示例性地，本方法还包括，在确定第一目标后验概率Score1之后，将音频特征输入到多个训练好的第二网络，由每个第二网络输出一个第二后验概率，得到多个第二后验概率，从多个第二后验概率中选择最大值作为第二目标后验概率Score2。其中每个第二网络为对应于第一网络中的一个电压等级的二分类网络，每个第二后验概率Score2为音频特征在一个电压等级下是正常音频特征的后验概率。
对于第二网络，其训练数据包括了第一网络的训练数据和干扰类样本数据，上述内容介绍了第一网络的训练数据的获取，第一网络的训练数据包括正常类样本数据。而干扰类样本数据是通过训练好的第一网络对开源集合中的数据进行筛选得到的。示例性地，对于干扰类样本数据，通过训练好的第一网络对开源集合中的数据进行筛选得到干扰类样本数据，包括：对开源集合中每个待筛选数据提取特征，将所提取的特征输入到训练好的第一网络，当第一网络针对所提取的特征输出的第一后验概率大于第一阈值时，将待筛选数据作为干扰类样本数据。干扰类样本数据得到的第一后验概率大于第一阈值，属于更加容易被混淆混变压器正常音的难例干扰样本。
在得到了干扰类样本数据之后，以第二网络对应的电压等级的数据作为第二网络的正常类训练数据、并以其他电压等级的数据和干扰类样本数据作为异常类伪标签训练数据对第二网络进行训练。第二网络所用网络结构同样为深度残差网络(resnet34)。通过正常类训练数据和异常类伪标签训练数据得到正异常二分类模型来组成第二网络，同时，又基于每一个电压等级得到对应的正异常二分类模型，示例性地，电压等级为5个，将这5个正异常二分类模型对应的5个第二网络进行组合，可以得到第二网络组。
示例性地，如图3所示，为通过第二网络进行检出的示意图。图3中示出了多个第二网络，其中第二网络包括110KV、220KV、500KV、800KV、1000KV这5个不同的电压节点对应的正异常二分类模型。将不同电压节点对应的正异常二分类模型分别求取其正常类节点后验概率以得到5个第二后验概率，最后再取这5个第二后验概率中的最大值作为第二目标后验概率Score2。
示例性地，在根据第一目标后验概率Score1确定音频信息有无异常时，还需要考虑第二目标后验概率Score2，也即基于第一目标后验概率Score1和第二目标后验概率Score1确定音频信息有无异常。具体为：在得到第一目标后验概率Score1和第二目标后验概率Score2之后，将第一目标后验概率Score1以及第二目标后验概率Score2进行加权求和以得到最终的第三目标后验概率Score3，求取Score3的过程如下所示：
Score3＝a*Score1+b*Score2
其中，上式中的a和b均为常数，并且a+b＝1。在得到了第三目标后验概率Score3之后，将第三目标后验概率Score3和预设的第二阈值thresh2进行比较，若第三目标后验概率Score3大于或等于第二阈值thresh2时，确定音频信息无异常，反之则确定音频信息有异常。在得到了音频信息有异常的反馈之后，可以实现待检测的变压器异音检出。
基于本申请实施例的变压异音检出方法，通过训练后的第一网络选取对应电压等级的后验概率，间接地实现正异常的判断。并且以第一网络筛选开源集合得到干扰样本，根据第一网络训练的数据和干扰样本得到训练后的第二网络，再通过第一网络得到的第一目标后验概率Score1和第二目标后验概率Score2得到第三目标后验概率Score3，通过Score3再对音频特征进行评判，将Score3和第二阈值进行对比，判断音频信息是否有异常，实现了变压器异音的检出。相较于相关技术中的检出方法，该方案无需异常训练数据，且对变压器的设备属性和应用场景进行了细分，因此对细分场景下正异常判断更加精确。
此外，基于本申请实施例的变压异音检出方法采用了包含干扰类样本在内的数据训练的第二网络，基于第一网络采用间接判断正异常方案，而第二网络训练时采用了第一网络无法识别的干扰类样本，两者进行得分融合，形成了很好的互补。采用上述联合判决策略，效果进一步提升，且提升了整体系统的鲁棒性和泛化性，在变压器异音检测任务上鲁棒性更好。
本申请实施例还提供了一种变压器异音检出装置，如图4所示，变压器异音检出装置40包括：音频获取模块41、检出模块42、匹配模块43和评判模块44。变压器异音检出装置40可以用于执行前文所述的变压器异音检出方法，前文已经详细描述了变压器异音检出方法的具体操作，此处为了简洁，不再赘述具体细节，仅描述一些主要的操作。
其中音频获取模块41用于获取待测变压器的音频信息和待测变压器所属的电压等级，基于音频信息提取音频特征。检出模块42用于将音频特征输入到训练好的第一网络，由第一网络输出多个第一后验概率，第一网络为电压等级多分类网络，每个第一后验概率为音频特征对应于一个电压等级的后验概率。匹配模块43用于将待测变压器所属的电压等级作为目标电压等级，从多个第一后验概率中确定与目标电压等级对应的第一后验概率作为第一目标后验概率。评判模块44用于根据第一目标后验概率确定音频信息有无异常。
在本申请的实施例中，检出模块42还可以用于：在确定第一目标后验概率之后，将音频特征输入到多个训练好的第二网络，由每个第二网络输出一个第二后验概率，得到多个第二后验概率，其中每个第二网络为对应于第一网络中的一个电压等级的二分类网络，每个第二后验概率为音频特征在一个电压等级下是正常音频特征的后验概率；匹配模块43还可以用于从多个第二后验概率中选择最大值作为第二目标后验概率；评判模块44还可以用于基于第一目标后验概率和第二目标后验概率确定音频信息有无异常。
在本申请的实施例中，第二网络的训练数据包括第一网络的训练数据和干扰类样本数据，其中，第一网络的训练数据包括正常类样本数据，干扰类样本数据是通过训练好的第一网络对开源集合中的数据进行筛选得到的。
在本申请的实施例中，第二网络是以第二网络对应的电压等级的数据作为正常类训练数据、并以其他电压等级的数据和干扰类样本数据作为异常类伪标签训练数据进行训练的。
在本申请的实施例中，通过训练好的第一网络对开源集合中的数据进行筛选得到干扰类样本数据，包括：对开源集合中每个待筛选数据提取特征，将所提取的特征输入到训练好的第一网络，当第一网络针对所提取的特征输出的第一后验概率大于第一阈值时，将待筛选数据作为干扰类样本数据。
在本申请的实施例中，评判模块44基于第一目标后验概率和第二目标后验概率确定音频信息有无异常，可以包括：对第一目标后验概率和第二目标后验概率进行加权求和，得到第三目标后验概率；将第三目标后验概率与第二阈值进行比较；当第三目标后验概率大于或等于第二阈值时，确定音频信息无异常，反之则确定音频信息有异常。
在本申请的实施例中，评判模块44基于第一目标后验概率确定音频信息有无异常，可以包括：将第一目标后验概率与第一阈值进行比较；当第一目标后验概率大于或等于第一阈值时，确定音频信息无异常，反之则确定音频信息有异常。
在本申请的实施例中，音频特征为滤波器组特征。
基于本申请实施例的变压器异音检出的装置，通过第一网络得到待检测音频的第一后验概率，并最终得到对应电压等级的第一目标后验概率，通过第一目标后验概率来判断待检测音频的正异常。本方法无需异常训练数据，不会过度依赖训练数据的标注准确性，且对变压器的电压等级等设备属性和应用场景进行了细分，因此对细分场景下正异常判断更加精确。此外，基于本申请实施例的变压异音检出装置采用了包含干扰类样本在内的数据训练的第二网络，基于第一网络采用间接判断正异常方案，而第二网络训练时采用了第一网络无法识别的干扰类样本，两者进行得分融合，形成了很好的互补。采用上述联合判决策略，效果进一步提升，且提升了整体系统的鲁棒性和泛化性，在变压器异音检测任务上鲁棒性更好。
如图5所示，本申请实施例还提供了一种变压器异音检出系统，变压器异音检出系统50包括存储器51和处理器52，存储器51上存储有由处理器52运行的计算机程序，计算机程序在被处理器运行时，使得处理器52执行上述的变压器异音检出的方法。变压器异音检出系统50可以用于执行前文所述的变压器异音检出方法，前文已经详细描述了变压器异音检出方法的具体操作，此处为了简洁，不再赘述。
本申请实施例还提供了一种存储介质，存储介质上存储有计算机程序，计算机程序在运行时，执行上述的变压器异音检出的方法。
本申请实施例公开的一种变压异音检出方法、装置、系统和存储介质，通过训练后的第一网络选取对应电压等级的后验概率，间接地实现正异常的判断。并且以第一网络筛选开源集合得到干扰样本，根据第一网络训练的数据和干扰样本得到训练后的第二网络，再通过第一网络得到的第一目标后验概率Score1和第二目标后验概率Score2得到第三目标后验概率Score3，通过Score3再对音频特征进行评判，将Score3和第二阈值进行对比，判断音频信息是否有异常，实现了变压器异音的检出。相较于相关技术中的检出方法，该方案无需异常训练数据，且对变压器的设备属性和应用场景进行了细分，因此对细分场景下正异常判断更加精确。并且避免了相关技术中过度依赖训练数据的标注准确性、训练容易过拟合以及依赖正常训练数据覆盖度等问题。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其他的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本申请的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请的具体实施方式或对具体实施方式的说明，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种变压器异音检出方法，其特征在于，所述方法包括：
获取待测变压器的音频信息和所述待测变压器所属的电压等级，基于所述音频信息提取音频特征；
将所述音频特征输入到训练好的第一网络，由所述第一网络输出多个第一后验概率，所述第一网络为电压等级多分类网络，每个所述第一后验概率为所述音频特征对应于一个电压等级的后验概率；
将所述待测变压器所属的电压等级作为目标电压等级，从所述多个第一后验概率中确定与所述目标电压等级对应的第一后验概率作为第一目标后验概率；
基于所述第一目标后验概率确定所述音频信息有无异常。
2.根据权利要求1所述的方法，其特征在于，在确定所述第一目标后验概率之后，所述方法还包括：将所述音频特征输入到多个训练好的第二网络，由每个所述第二网络输出一个第二后验概率，得到多个第二后验概率，从所述多个第二后验概率中选择最大值作为第二目标后验概率；其中每个所述第二网络为对应于所述第一网络中的一个电压等级的二分类网络，每个所述第二后验概率为所述音频特征在一个电压等级下是正常音频特征的后验概率；
所述基于所述第一目标后验概率确定所述音频信息有无异常，包括：基于所述第一目标后验概率和所述第二目标后验概率确定所述音频信息有无异常。
3.根据权利要求2所述的方法，其特征在于，所述第二网络的训练数据包括所述第一网络的训练数据和干扰类样本数据，其中，所述第一网络的训练数据包括正常类样本数据，所述干扰类样本数据是通过训练好的所述第一网络对开源集合中的数据进行筛选得到的。
4.根据权利要求3所述的方法，其特征在于，所述第二网络是以所述第二网络对应的电压等级的数据作为正常类训练数据、并以其他电压等级的数据和所述干扰类样本数据作为异常类伪标签训练数据进行训练的。
5.根据权利要求1所述的方法，其特征在于，通过训练好的所述第一网络对开源集合中的数据进行筛选得到所述干扰类样本数据，包括：
对所述开源集合中每个待筛选数据提取特征，将所提取的特征输入到所述训练好的第一网络，当所述第一网络针对所提取的特征输出的所述第一后验概率大于第一阈值时，将所述待筛选数据作为所述干扰类样本数据。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一目标后验概率和所述第二目标后验概率确定所述音频信息有无异常，包括：
对所述第一目标后验概率和所述第二目标后验概率进行加权求和，得到第三目标后验概率；
将所述第三目标后验概率与第二阈值进行比较；
当所述第三目标后验概率大于或等于所述第二阈值时，确定所述音频信息无异常，反之则确定所述音频信息有异常。
7.根据权利要求1中的任一项所述的方法，其特征在于，所述基于所述第一目标后验概率确定所述音频信息有无异常，包括：
将所述第一目标后验概率与第一阈值进行比较；
当所述第一目标后验概率大于或等于所述第一阈值时，确定所述音频信息无异常，反之则确定所述音频信息有异常。
8.根据权利要求1-7中的任一项所述的方法，其特征在于，所述音频特征为滤波器组特征。
9.一种变压器异音检出装置，其特征在于，所述装置包括：
音频获取模块，用于获取待测变压器的音频信息和所述待测变压器所属的电压等级，基于所述音频信息提取音频特征；
检出模块，用于将所述音频特征输入到训练好的第一网络，由所述第一网络输出多个第一后验概率，所述第一网络为电压等级多分类网络，每个所述第一后验概率为所述音频特征对应于一个电压等级的后验概率；
匹配模块，用于将所述待测变压器所属的电压等级作为目标电压等级，从所述多个第一后验概率中确定与所述目标电压等级对应的第一后验概率作为第一目标后验概率；
评判模块，用于根据所述第一目标后验概率确定所述音频信息有无异常。
10.一种变压器异音检出系统，其特征在于，所述系统包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如权利要求1-8中任一项所述的变压器异音检出的方法。
11.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时，执行如权利要求1-8中任一项所述的变压器异音检出的方法。
CN202310043730.9A 2023-01-29 2023-01-29 一种变压器异音检出方法、装置、系统及存储介质 Pending CN116206627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310043730.9A CN116206627A (zh) 2023-01-29 2023-01-29 一种变压器异音检出方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310043730.9A CN116206627A (zh) 2023-01-29 2023-01-29 一种变压器异音检出方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116206627A true CN116206627A (zh) 2023-06-02

Family

ID=86516576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310043730.9A Pending CN116206627A (zh) 2023-01-29 2023-01-29 一种变压器异音检出方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116206627A (zh)

Similar Documents

Publication Publication Date Title
US20200285900A1 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN113505655B (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
Li et al. A power system disturbance classification method robust to PMU data quality issues
Shah et al. EMD and ANN based intelligent model for bearing fault diagnosis
Ntalampiras et al. Acoustic detection of human activities in natural environments
CN111524118B (zh) 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN113884844B (zh) 一种变压器局部放电类型识别方法及系统
Yan et al. Big-data-driven based intelligent prognostics scheme in industry 4.0 environment
CN115035913B (zh) 一种声音异常检测方法
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
Hong et al. Supervised-learning-based intelligent fault diagnosis for mechanical equipment
CN114331214A (zh) 基于强化学习的域自适应轴承声纹故障诊断方法及系统
Afrasiabi et al. Two-stage deep learning-based wind turbine condition monitoring using SCADA data
Xu et al. Loop optimization noise-reduced LSTM based classifier for PD detection
Beattie et al. A robust and explainable data-driven anomaly detection approach for power electronics
CN115100592B (zh) 一种输电通道外破隐患识别方法、装置及存储介质
CN116206627A (zh) 一种变压器异音检出方法、装置、系统及存储介质
GB2625165A (en) Method and system for fault diagnosis of rolling bearing
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
CN115270887A (zh) 一种异常识别方法和装置
Zakaria et al. Optimized Artificial Neural Network for the detection of incipient faults in power transformer
Senanayaka et al. Online fault diagnosis system for electric powertrains using advanced signal processing and machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination