CN116399579A - 变压器机械故障诊断方法、装置、计算机设备及存储介质 - Google Patents

变压器机械故障诊断方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116399579A
CN116399579A CN202310670575.3A CN202310670575A CN116399579A CN 116399579 A CN116399579 A CN 116399579A CN 202310670575 A CN202310670575 A CN 202310670575A CN 116399579 A CN116399579 A CN 116399579A
Authority
CN
China
Prior art keywords
transformer
model
voiceprint
fault diagnosis
network
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
CN202310670575.3A
Other languages
English (en)
Inventor
吕学宾
李琮
刘春明
王宁
韦良
王淑颖
王云鹏
刘晓
王思源
李晓磊
王全
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.)
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Jinan Power Supply Co of State Grid Shandong Electric Power 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 Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202310670575.3A priority Critical patent/CN116399579A/zh
Publication of CN116399579A publication Critical patent/CN116399579A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明公开了一种变压器机械故障诊断方法、装置、计算机设备及存储介质，属于变压器机械故障诊断技术领域，方法包括以下步骤：采集待测变压器声纹信号；对变压器声纹信号进行预处理，形成变压器故障样本数据集；采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；建立变压器机械故障诊断模型并训练模型；利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。本发明不仅通过条件深度卷积生成式对抗网络实现了变压器故障样本数据的扩充，而且采用基于卷积神经网络和门控循环单元网络的变压器机械故障诊断模型，有效提高了故障诊断精度。

Description

变压器机械故障诊断方法、装置、计算机设备及存储介质
技术领域
本发明涉及一种变压器机械故障诊断方法、装置、计算机设备及存储介质，属于变压器机械故障诊断技术领域。
背景技术
近年来，经济和工业的发展使得我国对电力的需求不断增大，超高压大电网成为电力发展的新趋势。经过多年运行，变压器发生故障的几率不断增加，存在发生绝缘老化、部件松动等各种故障的风险。作为系统中用于电能转换的电力设备，变压器数量大，运行时间长，因而产生故障的变压器数目也较多。变压器故障不仅更换设备造成经济损失，更换设备电力中断引起的间接经济损失更为巨大。变压器是电力系统中的重要设备，确保其安全的运行十分重要。因此，对变压器运行状态进行检测与诊断，及时消除变压器的隐患，对电力系统发展具有重要意义。
研究发现，变压器故障的主要原因是绝缘被损害，绝缘老化、维修失误以及生产缺陷都会导致变压器绝缘出现悬浮电位、有气泡残留等损伤，导致绝缘的局部场强过高，产生放电现象。放电导致绝缘破环进一步增大，最终导致击穿。变压器中松动的部件或掉入变压器中的金属小部件可能会产生浮动电势，也会引起放电。一些机械故障可能会损坏变压器绝缘，甚至导致故障电流和有功功率损耗。因此，有必要在造成更大损失之前进行放电故障和机械故障的检测。
传统的变压器检测方法包括溶解气体分析、红外测温、局部放电在线监测、频率响应分析以及振动分析等。但对于内部放电及器件螺丝松动等故障仍存在检测盲区。变压器运行过程中发生故障常伴随着异响，有经验的工作人员可以凭声音判断变压器的运行状况，但传统检测方法中对于声音信号的利用比较少。这是因为与其他在线监测方法相比，声音信号所含的信息量大，处理困难。
发明内容
为了解决上述问题，本发明提出了一种变压器机械故障诊断方法、装置、计算机设备及存储介质，能够通过声音信号进行变压器机械故障诊断，有效提高故障诊断精度。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种变压器机械故障诊断方法，包括以下步骤：
采集待测变压器声纹信号；
对变压器声纹信号进行预处理，形成变压器故障样本数据集；
采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
建立变压器机械故障诊断模型并训练模型；
利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
作为本实施例一种可能的实现方式，所述变压器声纹信号包括变压器正常运行、绕组故障、套管故障和电压分接开关故障四种运行状态声纹信号。
作为本实施例一种可能的实现方式，所述对变压器声纹信号进行预处理，形成变压器故障样本数据集，包括：
将变压器声纹信号存储为WAV格式文件；
读取WAV格式文件信息，获取变压器声纹信号所对应的声道数量
Figure SMS_1
、量化位数/>
Figure SMS_2
、采样频率/>
Figure SMS_3
、采样点数/>
Figure SMS_4
、压缩类型及描述；
将读取的变压器声纹信号进行二进制数据转化，得到转化后的变压器声纹信号数组
Figure SMS_5
；
变压器声纹信号数组
Figure SMS_6
进行归一化处理：
Figure SMS_7
(1)
计算变压器声纹信号的采样时间：
Figure SMS_8
(2)
其中，
Figure SMS_9
为声纹信号时间序列长度，/>
Figure SMS_10
为采样点数，/>
Figure SMS_11
为采样频率；
声纹信号时间序列
Figure SMS_12
对应变压器声纹信号/>
Figure SMS_13
，将其输出为mat格式文件；
读取所述mat格式文件，进行拆分，形成样本数据集；
对所述样本进行时频转换，获取对应声纹信号的时频图，并添加标签形成变压器机械故障声纹信号原始数据库。
作为本实施例一种可能的实现方式，所述条件深度卷积生成式对抗网络由生成模型和判别模型组成，目标函数为：
Figure SMS_14
(3)
其中，
Figure SMS_15
和/>
Figure SMS_16
分别表示加入标签信息/>
Figure SMS_17
之后生成器和判别器得到的条件概率值；/>
Figure SMS_18
表示对/>
Figure SMS_19
的真实数据分布的期望值；/>
Figure SMS_20
表示从噪声采样/>
Figure SMS_21
的期望值。
作为本实施例一种可能的实现方式，所述采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强，包括：
确定条件深度卷积生成式对抗网络的生成模型的结构及超参数；
确定条件深度卷积生成式对抗网络的判别模型的结构和超参数；
进行网络训练并生成变压器机械故障声纹时频图；
所述进行网络训练并生成变压器机械故障声纹时频图的过程为：
预先设定条件深度卷积生成式对抗网络的迭代训练次数A以及每次迭代训练中所需样本数B，并预先设定生成模型和判别模型的超参数，其中，A和B均为正整数；
对条件深度卷积生成式对抗网络进行A次迭代训练，得到训练完成的条件深度卷积生成式对抗网络模型；
利用训练完成的条件深度卷积生成式对抗网络模型生成变压器机械故障时频图样本。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，所述判别模型采用多个卷积层提取图像特征，通过全连接层连接到生成模型；所述判别模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、全连接神经网络的层数、每层全连接神经网络的神经元个数、每层全连接神经网络的丢弃率、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入通过多个卷积层和反卷积层连接到全连接层，生成模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、反卷积神经网络的层数、每层反卷积神经网络的卷积核数量和卷积核的大小、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入为噪声数据和故障标签，判别模型的输入时频图及标签。
作为本实施例一种可能的实现方式，所述建立变压器机械故障诊断模型并训练模型，包括：
将变压器故障样本数据集划分训练集、验证集和测试集；
构建变压器机械故障诊断模型；所述变压器机械故障诊断模型由卷积神经网络以及门控循环单元网络组成，损失函数为交叉熵损失，其中，卷积神经网络用来从输入信号中提取特征，同时使用Tanh函数作为激活函数，且池化层使用最大池化进行下采样降低特征维度，将所提取得到的高层特征连接到门控循环单元网络；
输入训练集样本和标签进行变压器机械故障诊断模型训练，然后输入验证集进行测试验证。
作为本实施例一种可能的实现方式，所述门控循环单元网络是模型训练学习的主体部分，由多层门控循环单元组成，连接一层全连接层进行输出，并通过对比实验来优化卷积神经网络以及门控循环单元网络的层数。
作为本实施例一种可能的实现方式，所述Tanh函数为：
Figure SMS_22
(4)
所述门控循环单元网络的计算过程如下：
假设有
Figure SMS_23
个隐藏单元，给定时间步/>
Figure SMS_24
的小批量输入/>
Figure SMS_25
，/>
Figure SMS_26
为样本数，
输入个数为
Figure SMS_27
和上一时间步隐藏状态/>
Figure SMS_28
；
重置门
Figure SMS_29
和更新门/>
Figure SMS_30
的计算公式如下：
Figure SMS_31
(5)
Figure SMS_32
(6)
其中，
Figure SMS_33
，/>
Figure SMS_34
，/>
Figure SMS_35
和/>
Figure SMS_36
是权重参数；/>
Figure SMS_37
，/>
Figure SMS_38
是偏差参数。
作为本实施例一种可能的实现方式，所述利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断，包括：
将变压器故障样本数据集中测试集输入训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断；
或，
实时采集待测变压器声纹信号并进行数据转换处理，然后输入训练后的变压器机械故障诊断模型进行故障诊断。
作为本实施例一种可能的实现方式，所述实时采集待测变压器声纹信号并进行数据转换处理，包括：
实时采集待测变压器声纹信号；
将变压器声纹信号进行二进制数据转化为集待变压器声纹信号数组；
采用条件深度卷积生成式对抗网络对集待变压器声纹信号数组进行数据增强。
第二方面，本发明实施例提供的一种变压器机械故障诊断装置，包括：
声纹信号采集模块，用于采集待测变压器声纹信号；
声纹信号预处理模块，用于对变压器声纹信号进行预处理，形成变压器故障样本数据集；
声纹信号增强模块，用于采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
变压器机械故障诊断模型建立模块，用于建立变压器机械故障诊断模型并训练模型；
变压器故障诊断模块，用于利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
第三方面，本发明实施例提供的一种计算机设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述任意变压器机械故障诊断方法的步骤。
第四方面，本发明实施例提供的一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任意变压器机械故障诊断方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下：
本发明实施例提供的一种变压器机械故障诊断方法，包括以下步骤：采集待测变压器声纹信号；对变压器声纹信号进行预处理，形成变压器故障样本数据集；采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；建立变压器机械故障诊断模型并训练模型；利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。其中，变压器声纹信号数据增强通过条件深度卷积生成式对抗网络实现，变压器机械故障诊断模型由卷积神经网络和门控循环单元网络组成。本发明不仅通过条件深度卷积生成式对抗网络实现了变压器故障样本数据的扩充，而且采用基于卷积神经网络和门控循环单元网络的变压器机械故障诊断模型，有效提高了故障诊断精度。
针对故障样本不足和数据集不平衡的问题，本发明采用条件深度卷积生成式对抗网络对变压器声纹时频图的真实数据分布进行对抗学习，生成所需故障时频图样本，实现了故障样本的有效扩充。
本发明基于卷积神经网络和门控循环单元网络的变压器机械故障诊断模型，充分发挥卷积神经网络的特征提取的能力，通过一维卷积神经网络提取特征，提高了模型的诊断准确率，减少了运算量；利用门控循环单元网络对序列数据的处理能力，采用独特的门结构可以记忆不同数据特征的时间相关性，提取轴承故障声纹数据的事件相关特征。该模型较普通的门控循环单元网络和卷积神经网络的诊断精度有较大的提升。
附图说明
图1是根据一示例性实施例示出的一种变压器机械故障诊断方法的流程图；
图2是根据一示例性实施例示出的一种变压器机械故障诊断装置的示意图；
图3是根据一示例性实施例示出的一种变压器机械故障声纹信号数据增强的流程示意图；
图4是根据一示例性实施例示出的一种变压器机械故障诊断模型示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
近年来，随着语音识别技术的发展，声纹识别技术已被研究用于轴承、内燃机和齿轮等方面的故障诊断。声音的采集设备麦克风是非侵入性的装置，不会对变压器造成破坏，影响设备的正常运行。基于声纹的变压器故障诊断方法已成为新的研究方向，因此，本发明提供了一种变压器机械故障诊断方法。
如图1所示，本发明实施例提供的一种变压器机械故障诊断方法，包括以下步骤：
采集待测变压器声纹信号；
对变压器声纹信号进行预处理，形成变压器故障样本数据集；
采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
建立变压器机械故障诊断模型并训练模型；
利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
作为本实施例一种可能的实现方式，所述变压器声纹信号包括变压器正常运行、绕组故障、套管故障和电压分接开关故障四种运行状态声纹信号。
作为本实施例一种可能的实现方式，所述对变压器声纹信号进行预处理，形成变压器故障样本数据集，包括：
将变压器声纹信号存储为WAV格式文件；
读取WAV格式文件信息，获取变压器声纹信号所对应的声道数量
Figure SMS_39
、量化位数/>
Figure SMS_40
、采样频率/>
Figure SMS_41
、采样点数/>
Figure SMS_42
、压缩类型及描述；
将读取的变压器声纹信号进行二进制数据转化，得到转化后的变压器声纹信号数组
Figure SMS_43
；
变压器声纹信号数组
Figure SMS_44
进行归一化处理：
Figure SMS_45
(1)
计算变压器声纹信号的采样时间：
Figure SMS_46
(2)
其中，
Figure SMS_47
为声纹信号时间序列长度，/>
Figure SMS_48
为采样点数，/>
Figure SMS_49
为采样频率；
声纹信号时间序列
Figure SMS_50
对应变压器声纹信号/>
Figure SMS_51
，将其输出为mat格式文件；
读取所述mat格式文件，进行拆分，形成样本数据集；
对所述样本进行时频转换，获取对应声纹信号的时频图，并添加标签形成变压器机械故障声纹信号原始数据库。
作为本实施例一种可能的实现方式，所述条件深度卷积生成式对抗网络由生成模型和判别模型组成，目标函数为：
Figure SMS_52
(3)
其中，
Figure SMS_53
和/>
Figure SMS_54
分别表示加入标签信息/>
Figure SMS_55
之后生成器和判别器得到的条件概率值；/>
Figure SMS_56
表示对/>
Figure SMS_57
的真实数据分布的期望值；/>
Figure SMS_58
表示从噪声采样/>
Figure SMS_59
的期望值。
作为本实施例一种可能的实现方式，所述采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强，包括：
确定条件深度卷积生成式对抗网络的生成模型的结构及超参数；
确定条件深度卷积生成式对抗网络的判别模型的结构和超参数；
进行网络训练并生成变压器机械故障声纹时频图；
所述进行网络训练并生成变压器机械故障声纹时频图的过程为：
预先设定条件深度卷积生成式对抗网络的迭代训练次数A以及每次迭代训练中所需样本数B，并预先设定生成模型和判别模型的超参数，其中，A和B均为正整数；
对条件深度卷积生成式对抗网络进行A次迭代训练，得到训练完成的条件深度卷积生成式对抗网络模型；
利用训练完成的条件深度卷积生成式对抗网络模型生成变压器机械故障时频图样本。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，所述判别模型采用多个卷积层提取图像特征，通过全连接层连接到生成模型；所述判别模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、全连接神经网络的层数、每层全连接神经网络的神经元个数、每层全连接神经网络的丢弃率、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入通过多个卷积层和反卷积层连接到全连接层，生成模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、反卷积神经网络的层数、每层反卷积神经网络的卷积核数量和卷积核的大小、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入为噪声数据和故障标签，判别模型的输入时频图及标签。
作为本实施例一种可能的实现方式，所述建立变压器机械故障诊断模型并训练模型，包括：
将变压器故障样本数据集划分训练集、验证集和测试集；
构建变压器机械故障诊断模型；所述变压器机械故障诊断模型由卷积神经网络以及门控循环单元网络组成，损失函数为交叉熵损失，其中，卷积神经网络用来从输入信号中提取特征，同时使用Tanh函数作为激活函数，且池化层使用最大池化进行下采样降低特征维度，将所提取得到的高层特征连接到门控循环单元网络；
输入训练集样本和标签进行变压器机械故障诊断模型训练，然后输入验证集进行测试验证。
作为本实施例一种可能的实现方式，所述门控循环单元网络是模型训练学习的主体部分，由多层门控循环单元组成，连接一层全连接层进行输出，并通过对比实验来优化卷积神经网络以及门控循环单元网络的层数。
作为本实施例一种可能的实现方式，所述Tanh函数为：
Figure SMS_60
(4)
所述门控循环单元网络的计算过程如下：
假设有
Figure SMS_61
个隐藏单元，给定时间步/>
Figure SMS_62
的小批量输入/>
Figure SMS_63
，/>
Figure SMS_64
为样本数，
输入个数为
Figure SMS_65
和上一时间步隐藏状态/>
Figure SMS_66
；
重置门
Figure SMS_67
和更新门/>
Figure SMS_68
的计算公式如下：
Figure SMS_69
(5)
Figure SMS_70
(6)
其中，
Figure SMS_71
，/>
Figure SMS_72
，/>
Figure SMS_73
和/>
Figure SMS_74
是权重参数；/>
Figure SMS_75
，
Figure SMS_76
是偏差参数。
作为本实施例一种可能的实现方式，所述利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断，包括：
将变压器故障样本数据集中测试集输入训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断；
或，
实时采集待测变压器声纹信号并进行数据转换处理，然后输入训练后的变压器机械故障诊断模型进行故障诊断。
作为本实施例一种可能的实现方式，所述实时采集待测变压器声纹信号并进行数据转换处理，包括：
实时采集待测变压器声纹信号；
将变压器声纹信号进行二进制数据转化为集待变压器声纹信号数组；
采用条件深度卷积生成式对抗网络对集待变压器声纹信号数组进行数据增强。
如图2所示，本发明实施例提供的一种变压器机械故障诊断装置，包括：
声纹信号采集模块，用于采集待测变压器声纹信号；
声纹信号预处理模块，用于对变压器声纹信号进行预处理，形成变压器故障样本数据集；
声纹信号增强模块，用于采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
变压器机械故障诊断模型建立模块，用于建立变压器机械故障诊断模型并训练模型；
变压器故障诊断模块，用于利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
作为本实施例一种可能的实现方式，所述变压器声纹信号包括变压器正常运行、绕组故障、套管故障和电压分接开关故障四种运行状态声纹信号。
作为本实施例一种可能的实现方式，所述信号预处理模块对变压器声纹信号进行预处理，形成变压器故障样本数据集的具体过程为：
将变压器声纹信号存储为WAV格式文件；
读取WAV格式文件信息，获取变压器声纹信号所对应的声道数量
Figure SMS_77
、量化位数/>
Figure SMS_78
、采样频率/>
Figure SMS_79
、采样点数/>
Figure SMS_80
、压缩类型及描述；
将读取的变压器声纹信号进行二进制数据转化，得到转化后的变压器声纹信号数组
Figure SMS_81
；
变压器声纹信号数组
Figure SMS_82
进行归一化处理：
Figure SMS_83
(1)
计算变压器声纹信号的采样时间：
Figure SMS_84
(2)
其中，
Figure SMS_85
为声纹信号时间序列长度，/>
Figure SMS_86
为采样点数，/>
Figure SMS_87
为采样频率；
声纹信号时间序列
Figure SMS_88
对应变压器声纹信号/>
Figure SMS_89
，将其输出为mat格式文件；
读取所述mat格式文件，进行拆分，形成样本数据集；
对所述样本进行时频转换，获取对应声纹信号的时频图，并添加标签形成变压器机械故障声纹信号原始数据库。
作为本实施例一种可能的实现方式，所述条件深度卷积生成式对抗网络由生成模型和判别模型组成，目标函数为：
Figure SMS_90
(3)
其中，
Figure SMS_91
和/>
Figure SMS_92
分别表示加入标签信息/>
Figure SMS_93
之后生成器和判别器得到的条件概率值；/>
Figure SMS_94
表示对/>
Figure SMS_95
的真实数据分布的期望值；/>
Figure SMS_96
表示从噪声采样/>
Figure SMS_97
的期望值。
作为本实施例一种可能的实现方式，所述数据增强模块采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强的具体过程为：
确定条件深度卷积生成式对抗网络的生成模型的结构及超参数；
确定条件深度卷积生成式对抗网络的判别模型的结构和超参数；
进行网络训练并生成变压器机械故障声纹时频图；
所述进行网络训练并生成变压器机械故障声纹时频图的过程为：
预先设定条件深度卷积生成式对抗网络的迭代训练次数A以及每次迭代训练中所需样本数B，并预先设定生成模型和判别模型的超参数，其中，A和B均为正整数；
对条件深度卷积生成式对抗网络进行A次迭代训练，得到训练完成的条件深度卷积生成式对抗网络模型；
利用训练完成的条件深度卷积生成式对抗网络模型生成变压器机械故障时频图样本。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，所述判别模型采用多个卷积层提取图像特征，通过全连接层连接到生成模型；所述判别模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、全连接神经网络的层数、每层全连接神经网络的神经元个数、每层全连接神经网络的丢弃率、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入通过多个卷积层和反卷积层连接到全连接层，生成模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、反卷积神经网络的层数、每层反卷积神经网络的卷积核数量和卷积核的大小、优化器的初始化学习速率。
作为本实施例一种可能的实现方式，在条件深度卷积生成式对抗网络模型中，生成模型的输入为噪声数据和故障标签，判别模型的输入时频图及标签。
作为本实施例一种可能的实现方式，所述模型建立与训练模块建立变压器机械故障诊断模型并训练模型的具体过程为：
将变压器故障样本数据集划分训练集、验证集和测试集；
构建变压器机械故障诊断模型；所述变压器机械故障诊断模型由卷积神经网络以及门控循环单元网络组成，损失函数为交叉熵损失，其中，卷积神经网络用来从输入信号中提取特征，同时使用Tanh函数作为激活函数，且池化层使用最大池化进行下采样降低特征维度，将所提取得到的高层特征连接到门控循环单元网络；
输入训练集样本和标签进行变压器机械故障诊断模型训练，然后输入验证集进行测试验证。
作为本实施例一种可能的实现方式，所述门控循环单元网络是模型训练学习的主体部分，由多层门控循环单元组成，连接一层全连接层进行输出，并通过对比实验来优化卷积神经网络以及门控循环单元网络的层数。
作为本实施例一种可能的实现方式，所述Tanh函数为：
Figure SMS_98
(4)
所述门控循环单元网络的计算过程如下：
假设有
Figure SMS_99
个隐藏单元，给定时间步/>
Figure SMS_100
的小批量输入/>
Figure SMS_101
，/>
Figure SMS_102
为样本数，
输入个数为
Figure SMS_103
和上一时间步隐藏状态/>
Figure SMS_104
；
重置门
Figure SMS_105
和更新门/>
Figure SMS_106
的计算公式如下：
Figure SMS_107
(5)
Figure SMS_108
(6)
其中，
Figure SMS_109
，/>
Figure SMS_110
，/>
Figure SMS_111
和/>
Figure SMS_112
是权重参数；/>
Figure SMS_113
，
Figure SMS_114
是偏差参数。
作为本实施例一种可能的实现方式，所述故障诊断模块：
离线故障诊断模块，用于将变压器故障样本数据集中测试集输入训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断；
或，
实时故障诊断模块，用于故障诊断模块实时采集待测变压器声纹信号并进行数据转换处理，然后输入训练后的变压器机械故障诊断模型进行故障诊断。
作为本实施例一种可能的实现方式，所述实时故障诊断模块，具体用于：
实时采集待测变压器声纹信号；
将变压器声纹信号进行二进制数据转化为集待变压器声纹信号数组；
采用条件深度卷积生成式对抗网络对集待变压器声纹信号数组进行数据增强。
利用本发明所述装置进行变压器机械故障诊断的具体流程如下。
步骤1：变压器声纹信号获取
利用声纹传感器采集变压器运行中的声纹信号，涵盖变压器正常运行、绕组故障、套管故障和电压分接开关故障等四种运行状态。声纹传感器型号为CRY343，采样频率为25.6 kHz，采集时长为10分钟。
步骤2：变压器声纹信号预处理
按照如下方式对声纹信息进行预处理：
步骤2.1：利用WAV格式文件进行变压器每种故障声纹信号的无损存储。WAV作为一种标准数字音频文件，能记录各种单声道或立体声的声纹信息，保证声纹信号不失真。
步骤2.2：进行变压器WAV文件格式信息的读取，返回变压器每种故障声纹信息所对应的声道数量
Figure SMS_115
、量化位数/>
Figure SMS_116
、采样频率/>
Figure SMS_117
、采样点数/>
Figure SMS_118
、压缩类型及描述。
变压器声纹信息按帧读取为二进制，根据量化位数
Figure SMS_119
进行二进制数据转化，量化位数的单位为bytes。转化后的变压器声纹信号数组/>
Figure SMS_120
，归一化公式如下：/>
Figure SMS_121
(1)
变压器声纹数据按秒读取，采样时间计算公式如下：
Figure SMS_122
(2)
其中，
Figure SMS_123
为声纹信号时间序列长度，/>
Figure SMS_124
为采样点数，/>
Figure SMS_125
为采样频率。
步骤2.3：声纹信号时间序列
Figure SMS_126
对应变压器声纹信号/>
Figure SMS_127
，将其输出为mat格式文件，方便后续读取。
步骤2.4：读取步骤2.3输出的mat文件，进行拆分。将每种故障类型拆分为1000条样本，每个样本包含2000个数据点。对上述样本进行时频转换，获取对应声纹信号的时频图，并添加标签，最终形成变压器机械故障声纹信号原始数据库，包含4000条样本。
步骤3：变压器声纹信号数据增强
采用条件深度卷积生成式对抗网络对变压器机械故障原始数据库进行数据增强，实现变压器故障样本数据的扩充。利用条件深度卷积生成式对抗网络进行数据增强的主要流程如图3所示。条件深度卷积生成式对抗网络模型主要由生成模型和判别模型组成，目标函数为：
Figure SMS_128
(3)
其中，
Figure SMS_129
和/>
Figure SMS_130
分别表示加入标签信息/>
Figure SMS_131
之后生成器和判别器得到的条件概率值；/>
Figure SMS_132
表示对/>
Figure SMS_133
的真实数据分布的期望值；/>
Figure SMS_134
表示从噪声采样/>
Figure SMS_135
的期望值。
变压器机械故障声纹信号原始数据库共包含四种变压器机械故障类型，每种故障类型含有1000个样本，共计4000个样本。按照训练集：验证集：测试集=6：2：2比例进行划分。即，训练集有2400个样本，验证集有800个样本，测试集有800个样本。
步骤3.1：确定生成模型的结构及超参数
在条件深度卷积生成式对抗网络模型中，生成模型的输入连接到全连接层，然后通过多个卷积层和反卷积层。卷积层用来提取特征；反卷积层用来生成样本，实现数据增强。
生成模型的超参数主要包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、反卷积神经网络的层数、每层反卷积神经网络的卷积核数量和卷积核的大小、优化器的初始化学习速率等。
步骤3.2：确定判别模型的结构和超参数
在条件深度卷积生成式对抗网络模型中，判别模型采用多个卷积层提取图像特征，最后通过全连接层，用来判别生成时频图的真假。
判别模型的超参数主要包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、全连接神经网络的层数、每层全连接神经网络的神经元个数、每层全连接神经网络的丢弃率以及优化器的初始化学习速率等。
步骤3.3：网络训练及变压器机械故障声纹时频图生成
在条件深度卷积生成式对抗网络模型中，生成模型的输入为噪声数据和故障标签，判别模型的输入时频图及标签。
预先设定条件深度卷积生成式对抗网络模型的迭代训练次数A以及每次迭代训练中所需样本数B，并预先设定生成模型和判别模型的超参数。其中，A和B均为正整数。
对条件深度卷积生成式对抗网络模型进行A次迭代训练，得到训练完成的条件深度卷积生成式对抗网络模型。利用训练完成的条件深度卷积生成式对抗网络模型生成特定个数的变压器机械故障时频图样本，实现样本扩充与数据增强。
至此，变压器机械故障声纹信号数据库（含原始数据与生成数据）最终建立完成。
通过下面一个具体化实例了具体说明上述步骤3.1、步骤3.2和步骤3.3。
具体实施例中，在步骤3.1中，生成模型的输入为100维的随机噪声和1维的标签信息。经过Embedding层降维、Concatenate层特征联合以及3层反卷积层和3层不改变输出形状的卷积层，并对卷积层的输出进行批标准化处理，完成上采样过程。卷积层采用ReLU函数，最后一层卷积层采用Tanh函数。生成模型的详细参数设置如表1所示：
表1：生成模型的详细参数
Figure SMS_136
具体实施例中，在步骤3.2中，判别模型的输入为经过预处理后高度为120、宽度为180的时频图像和1维标签信息，经过Embedding层降维、Concatenate层特征联合以及3层卷积层和1层全连接层后实现下采样过程。其中，卷积层的激活函数均为LeakyReLU，并进行批标准化和Dropout处理，Dropout值为0.5。判别模型的详细设置如表2所示：
表2：判别模型的详细参数
Figure SMS_137
生成模型和判别模型的优化方法均采用Adam算法。
具体实施例中，在步骤3.3中，设定A为50，B为100。利用训练完成的条件深度卷积生成式对抗网络模型生成变压器机械故障时频图样本，每种变压器机械故障生成4000个样本。
步骤4：变压器机械故障诊断模型搭建及训练
步骤4.1：数据集划分
变压器机械故障声纹信号数据库（含原始数据与生成数据）共包含四种变压器机械故障类型，每种故障类型含有5000个样本，共计20000个样本。按照训练集：验证集：测试集=6：2：2的进行数据集划分，训练集有12000个样本，验证集有4000个样本，测试集有4000个样本。
步骤4.2：模型构建及训练
变压器机械故障诊断模型由卷积神经网络以及门控循环单元网络组成，损失函数为交叉熵损失。其中，卷积神经网络用来从输入信号中提取特征，同时使用Tanh函数作为激活函数，且池化层使用最大池化进行下采样降低特征维度，防止过拟合的同时加快计算速度。将所提取得到的高层特征连接到门控循环单元网络。门控循环单元网络是模型训练学习的主体部分，由多层门控循环单元组成，连接一层全连接层进行输出。并通过对比实验来优化卷积神经网络以及门控循环单元网络的层数。
Tanh激活函数解决了非零中心化的缺陷，其表达式为：
Figure SMS_138
(4)
门控循环单元网络引入“更新门”和“重置门”，其计算过程如下：
假设有
Figure SMS_139
个隐藏单元，给定时间步/>
Figure SMS_140
的小批量输入/>
Figure SMS_141
（/>
Figure SMS_142
为样本数），
输入个数为
Figure SMS_143
和上一时间步隐藏状态/>
Figure SMS_144
。重置门/>
Figure SMS_145
和更新门
Figure SMS_146
的计算公式如下：
Figure SMS_147
(5)/>
Figure SMS_148
(6)
其中，
Figure SMS_149
，/>
Figure SMS_152
，/>
Figure SMS_155
和/>
Figure SMS_150
是权重参数；/>
Figure SMS_154
，
Figure SMS_156
是偏差参数。/>
Figure SMS_158
为Sigmoid激活函数，可以将元素的值缩放至/>
Figure SMS_151
。因此，重置门/>
Figure SMS_153
和更新门/>
Figure SMS_157
中的每个元素的值域都是/>
Figure SMS_159
。
在训练阶段，变压器机械故障诊断模型的输入是步骤4.1中划分的训练集样本和标签，在测试阶段，输入为验证集或者测试集的样本，输出为预测标签。
在一个具体的实施例中，分别设定卷积神经网络的层数为1、2和3与门控循环单元网络的层数为2、3和4的不同组合形式。利用步骤4.1中划分的训练集进行模型的训练，并利用步骤4.1中划分的验证集测试不同组合形式的效果，测试结果如表3所示：
表3：验证集在不同组合形式下的测试结果
Figure SMS_160
因此，最后选择2层卷积神经网络+3层门控循环神经网络作为最终的变压器机械故障诊断模型，网络结构如图4所示。
步骤5：变压器机械故障诊断
步骤4完成之后，即可获得训练完成的变压器机械故障诊断模型，该模型具有对变压器机械故障声纹信号进行故障诊断的能力。将测试集数据输入训练完成的变压器机械故障诊断模型，便可以输出测试数据的故障状态。
本发明利用条件深度卷积生成式对抗网络实现了变压器故障样本数据的扩充，采用基于卷积神经网络和门控循环单元网络的变压器机械故障诊断模型有效提高了故障诊断精度。
本发明实施例提供的一种计算机设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述任意变压器机械故障诊断方法的步骤。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述变压器机械故障诊断方法。
本领域技术人员可以理解，所述计算机设备的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。
在一些实施例中，该计算机设备还可以包括触摸屏可用于显示图形用户界面（例如，应用程序的启动界面）和接收用户针对图形用户界面的操作（例如，针对应用程序的启动操作）。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用LCD(LiquidCrystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作，并生成预先设定的操作指令，例如，用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作。另外，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位、姿势，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成处理器能够处理的信息，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板，也可以采用未来发展的任何技术实现触控面板。进一步的，触控面板可覆盖显示面板，用户可以根据显示面板显示的图形用户界面，在显示面板上覆盖的触控面板上或者附近进行操作，触控面板检测到在其上或附近的操作后，传送给处理器以确定用户输入，随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外，触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
对应于上述应用程序的启动方法，本发明实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任意变压器机械故障诊断方法的步骤。
本申请实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，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，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (16)

1.一种变压器机械故障诊断方法，其特征在于，包括以下步骤：
采集待测变压器声纹信号；
对变压器声纹信号进行预处理，形成变压器故障样本数据集；
采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
建立变压器机械故障诊断模型并训练模型；
利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
2.根据权利要求1所述的变压器机械故障诊断方法，其特征在于，所述变压器声纹信号包括变压器正常运行、绕组故障、套管故障和电压分接开关故障四种运行状态声纹信号。
3.根据权利要求1所述的变压器机械故障诊断方法，其特征在于，所述对变压器声纹信号进行预处理，形成变压器故障样本数据集，包括：
将变压器声纹信号存储为WAV格式文件；
读取WAV格式文件信息，获取变压器声纹信号所对应的声道数量
Figure QLYQS_1
、量化位数/>
Figure QLYQS_2
、采样频率/>
Figure QLYQS_3
、采样点数/>
Figure QLYQS_4
、压缩类型及描述；
将读取的变压器声纹信号进行二进制数据转化，得到转化后的变压器声纹信号数组
Figure QLYQS_5
；
变压器声纹信号数组
Figure QLYQS_6
进行归一化处理：
Figure QLYQS_7
(1)
计算变压器声纹信号的采样时间：
Figure QLYQS_8
(2)
其中，
Figure QLYQS_9
为声纹信号时间序列长度，/>
Figure QLYQS_10
为采样点数，/>
Figure QLYQS_11
为采样频率；
声纹信号时间序列
Figure QLYQS_12
对应变压器声纹信号/>
Figure QLYQS_13
，将其输出为mat格式文件；
读取所述mat格式文件，进行拆分，形成样本数据集；
对所述样本进行时频转换，获取对应声纹信号的时频图，并添加标签形成变压器机械故障声纹信号原始数据库。
4.根据权利要求1所述的变压器机械故障诊断方法，其特征在于，所述条件深度卷积生成式对抗网络由生成模型和判别模型组成，目标函数为：
Figure QLYQS_14
(3)
其中，
Figure QLYQS_15
和/>
Figure QLYQS_16
分别表示加入标签信息/>
Figure QLYQS_17
之后生成器和判别器得到的条件概率值；/>
Figure QLYQS_18
表示对/>
Figure QLYQS_19
的真实数据分布的期望值；/>
Figure QLYQS_20
表示从噪声采样/>
Figure QLYQS_21
的期望值。
5.根据权利要求4所述的变压器机械故障诊断方法，其特征在于，所述采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强，包括：
确定条件深度卷积生成式对抗网络的生成模型的结构及超参数；
确定条件深度卷积生成式对抗网络的判别模型的结构和超参数；
进行网络训练并生成变压器机械故障声纹时频图；
所述进行网络训练并生成变压器机械故障声纹时频图的过程为：
预先设定条件深度卷积生成式对抗网络的迭代训练次数A以及每次迭代训练中所需样本数B，并预先设定生成模型和判别模型的超参数，其中，A和B均为正整数；
对条件深度卷积生成式对抗网络进行A次迭代训练，得到训练完成的条件深度卷积生成式对抗网络模型；
利用训练完成的条件深度卷积生成式对抗网络模型生成变压器机械故障时频图样本。
6.根据权利要求5所述的变压器机械故障诊断方法，其特征在于，在条件深度卷积生成式对抗网络模型中，所述判别模型采用多个卷积层提取图像特征，通过全连接层连接到生成模型；所述判别模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、全连接神经网络的层数、每层全连接神经网络的神经元个数、每层全连接神经网络的丢弃率、优化器的初始化学习速率。
7.根据权利要求5所述的变压器机械故障诊断方法，其特征在于，在条件深度卷积生成式对抗网络模型中，生成模型的输入通过多个卷积层和反卷积层连接到全连接层，生成模型的超参数包括卷积神经网络的层数、每层卷积神经网络层的卷积核数量和卷积核的大小、反卷积神经网络的层数、每层反卷积神经网络的卷积核数量和卷积核的大小、优化器的初始化学习速率。
8.根据权利要求5所述的变压器机械故障诊断方法，其特征在于，在条件深度卷积生成式对抗网络模型中，生成模型的输入为噪声数据和故障标签，判别模型的输入时频图及标签。
9.根据权利要求1所述的变压器机械故障诊断方法，其特征在于，所述建立变压器机械故障诊断模型并训练模型，包括：
将变压器故障样本数据集划分训练集、验证集和测试集；
构建变压器机械故障诊断模型；所述变压器机械故障诊断模型由卷积神经网络以及门控循环单元网络组成，损失函数为交叉熵损失，其中，卷积神经网络用来从输入信号中提取特征，同时使用Tanh函数作为激活函数，且池化层使用最大池化进行下采样降低特征维度，将所提取得到的高层特征连接到门控循环单元网络；
输入训练集样本和标签进行变压器机械故障诊断模型训练，然后输入验证集进行测试验证。
10.根据权利要求9所述的变压器机械故障诊断方法，其特征在于，所述门控循环单元网络是模型训练学习的主体部分，由多层门控循环单元组成，连接一层全连接层进行输出，并通过对比实验来优化卷积神经网络以及门控循环单元网络的层数。
11.根据权利要求9所述的变压器机械故障诊断方法，其特征在于，所述Tanh函数为：
Figure QLYQS_22
(4)
所述门控循环单元网络的计算过程如下：
假设有
Figure QLYQS_23
个隐藏单元，给定时间步/>
Figure QLYQS_24
的小批量输入/>
Figure QLYQS_25
，/>
Figure QLYQS_26
为样本数，
输入个数为
Figure QLYQS_27
和上一时间步隐藏状态/>
Figure QLYQS_28
；
重置门
Figure QLYQS_29
和更新门/>
Figure QLYQS_30
的计算公式如下：
Figure QLYQS_31
(5)
Figure QLYQS_32
(6)
其中，
Figure QLYQS_33
，/>
Figure QLYQS_34
，/>
Figure QLYQS_35
和/>
Figure QLYQS_36
是权重参数；/>
Figure QLYQS_37
，/>
Figure QLYQS_38
是偏差参数。
12.根据权利要求1-11任意一项所述的变压器机械故障诊断方法，其特征在于，所述利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断，包括：
将变压器故障样本数据集中测试集输入训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断；
或，
实时采集待测变压器声纹信号并进行数据转换处理，然后输入训练后的变压器机械故障诊断模型进行故障诊断。
13.根据权利要求12所述的变压器机械故障诊断方法，其特征在于，所述实时采集待测变压器声纹信号并进行数据转换处理，包括：
实时采集待测变压器声纹信号；
将变压器声纹信号进行二进制数据转化为集待变压器声纹信号数组；
采用条件深度卷积生成式对抗网络对集待变压器声纹信号数组进行数据增强。
14.一种变压器机械故障诊断装置，其特征在于，包括：
声纹信号采集模块，用于采集待测变压器声纹信号；
声纹信号预处理模块，用于对变压器声纹信号进行预处理，形成变压器故障样本数据集；
声纹信号增强模块，用于采用条件深度卷积生成式对抗网络对变压器声纹信号进行数据增强；
变压器机械故障诊断模型建立模块，用于建立变压器机械故障诊断模型并训练模型；
变压器故障诊断模块，用于利用训练后的变压器机械故障诊断模型对待测变压器声纹信号进行故障诊断。
15.一种计算机设备，其特征在于，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-13任一所述的变压器机械故障诊断方法的步骤。
16.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-13任一所述的变压器机械故障诊断方法的步骤。
CN202310670575.3A 2023-06-08 2023-06-08 变压器机械故障诊断方法、装置、计算机设备及存储介质 Pending CN116399579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310670575.3A CN116399579A (zh) 2023-06-08 2023-06-08 变压器机械故障诊断方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310670575.3A CN116399579A (zh) 2023-06-08 2023-06-08 变压器机械故障诊断方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116399579A true CN116399579A (zh) 2023-07-07

Family

ID=87014652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310670575.3A Pending CN116399579A (zh) 2023-06-08 2023-06-08 变压器机械故障诊断方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116399579A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056814A (zh) * 2023-10-11 2023-11-14 国网山东省电力公司日照供电公司 一种变压器声纹振动故障诊断方法
CN117390520A (zh) * 2023-12-08 2024-01-12 惠州市宝惠电子科技有限公司 变压器状态监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN111325095A (zh) * 2020-01-19 2020-06-23 西安科技大学 基于声波信号的设备健康状态智能检测方法和系统
CN111445147A (zh) * 2020-03-27 2020-07-24 中北大学 一种用于机械故障诊断的生成式对抗网络模型评估方法
CN112149730A (zh) * 2020-09-22 2020-12-29 中南大学 一种基于油样视觉的高速列车轴承故障预测方法
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN115728612A (zh) * 2022-12-01 2023-03-03 广州广电计量检测股份有限公司 变压器放电故障诊断方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN111325095A (zh) * 2020-01-19 2020-06-23 西安科技大学 基于声波信号的设备健康状态智能检测方法和系统
CN111445147A (zh) * 2020-03-27 2020-07-24 中北大学 一种用于机械故障诊断的生成式对抗网络模型评估方法
CN112149730A (zh) * 2020-09-22 2020-12-29 中南大学 一种基于油样视觉的高速列车轴承故障预测方法
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN115728612A (zh) * 2022-12-01 2023-03-03 广州广电计量检测股份有限公司 变压器放电故障诊断方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘权: "基于改进生成对抗网络的旋转机械故障诊断研究", 万方学术, pages 3 *
张超等: "基于 CNN－GＲU 模型的齿轮寿命预测", 机床与液压, vol. 51, no. 2, pages 11 - 17 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056814A (zh) * 2023-10-11 2023-11-14 国网山东省电力公司日照供电公司 一种变压器声纹振动故障诊断方法
CN117056814B (zh) * 2023-10-11 2024-01-05 国网山东省电力公司日照供电公司 一种变压器声纹振动故障诊断方法
CN117390520A (zh) * 2023-12-08 2024-01-12 惠州市宝惠电子科技有限公司 变压器状态监测方法及系统
CN117390520B (zh) * 2023-12-08 2024-04-16 惠州市宝惠电子科技有限公司 变压器状态监测方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. An enhanced convolutional neural network for bearing fault diagnosis based on time–frequency image
CN110534118B (zh) 基于声纹识别和神经网络的变压器/电抗器故障诊断方法
CN116399579A (zh) 变压器机械故障诊断方法、装置、计算机设备及存储介质
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110044623B (zh) 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN112885372B (zh) 电力设备故障声音智能诊断方法、系统、终端及介质
CN113252322B (zh) 一种含噪背景下的断路器机械故障诊断方法及装置
Zhang et al. An intelligent fault diagnosis method of rolling bearings based on short-time Fourier transform and convolutional neural network
Deng et al. MgNet: A fault diagnosis approach for multi-bearing system based on auxiliary bearing and multi-granularity information fusion
Zhu et al. Robust data2vec: Noise-robust speech representation learning for asr by combining regression and improved contrastive learning
CN112085111B (zh) 一种负荷辨识方法和装置
CN116434777B (zh) 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
Anvar et al. A novel application of deep transfer learning with audio pre-trained models in pump audio fault detection
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
Gao et al. A multi-scale fully convolutional network for singing melody extraction
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
Zhao et al. Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network
CN117809164A (zh) 基于多模态融合的变电站设备故障检测方法及系统
Luo et al. A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2
CN112581940A (zh) 基于边缘计算与神经网络的放电声音检测方法
CN116738204A (zh) 基于生成对抗Transformer的电力负荷数据异常检测方法
CN116561659A (zh) 窃电行为检测方法、装置及系统
CN113705405B (zh) 一种核管道故障诊断方法
CN116013371A (zh) 一种神经退行性疾病监测方法、系统、装置及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230707