CN117093854A - 变压器机械故障诊断方法、设备及存储介质 - Google Patents
变压器机械故障诊断方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117093854A CN117093854A CN202311352127.5A CN202311352127A CN117093854A CN 117093854 A CN117093854 A CN 117093854A CN 202311352127 A CN202311352127 A CN 202311352127A CN 117093854 A CN117093854 A CN 117093854A
- Authority
- CN
- China
- Prior art keywords
- transformer
- rimf
- function
- lstm
- lstm model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000000737 periodic effect Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 59
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Complex Calculations (AREA)
Abstract
本发明的一种变压器机械故障诊断方法、设备及存储介质,包括首先通过传感器对变压器运行时的振动信号进行采集;将采集的振动信号分为两组,一组为训练数据一组为测试数据;利用训练数据对周期稀疏注意力机制增强的LSTM模型进行训练,并利用测试数据对训练后的LSTM模型泛化能力进行测试并依据结果对模型进行局部微调,最终利用局部微调后的LSTM模型实现变压器机械故障的诊断与识别。本发明可以减少变电运维人员的工作量,实现智能化的故障诊断与识别,对变电设备运维数字化、智能化转型具有重要意义。
Description
技术领域
本发明涉及变压器故障诊断技术领域,具体涉及一种变压器机械故障诊断方法、设备及存储介质。
背景技术
变电站中,以变压器的运行状况直接关系到发电、供电系统的安全性和可靠性。现有的对变压器进行故障诊断的方法主要有油色谱法、低压脉冲法、短路阻抗法和频率响应分析法等方法。但以上三种方法均为离线诊断方法,需要变压器退出运行状态进行故障诊断,无法实现对变压器的带电故障诊断,大大降低了供电的可靠性。现有的基于振动的变压器绕组故障诊断方法都是通过有线速度传感器来实现对变压器绕组振动信号的获取,这种方式增加了布线的成本以及后期维修的成本,经济效益低。
发明内容
本发明提出的一种变压器机械故障诊断方法、设备及存储介质,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种变压器机械故障诊断方法,通过计算机设备执行以下步骤,
利用传感器对变压器运行产生的振动信号进行采集,将采集的振动信号随机分为训练数据集和测试数据集,利用改进变分经验模态分解(Variational empirical modedecomposition, VMD)分别处理训练数据集和测试数据集,得到对应的固有模态函数IMF(IMF:intrinsic mode function);
基于相关系数从所有的固有模态函数IMF中选出相关度在0.5以上的相关固有模态函数RIMF(RIMF: relevant intrinsic mode function);利用训练数据集得到的RIMF对周期稀疏注意力机制增强的LSTM(LSTM:Long short-term memory,长短期记忆)模型进行训练,利用测试数据集的固有模态函数RIMF对训练完成的LSTM模型进行局部微调,利用局部微调后的LSTM模型实现变压器机械故障振动。
进一步地,改进变分经验模态分解步骤包括,
设变压器原始振动信号为x(t),对原始型号添加噪声得到重构信号:
其中表示重构后的信号,E i[﹒]表示利用经验模态分解得到的高斯白噪声的第i次分量;/>表示第k次高斯白噪声;α 1为幅值系数;
利用经验模态分解对重构信号进行处理,得出第一个IMF函数与对应的残余项:
其中r1表示残余项,d1表示第一个IMF函数,M{.}表示算子,用于计算局部均值;
重复以上步骤直到分解完成。
进一步地,还包括RIMF函数计算步骤,
利用相关系数函数,计算得到的IMF函数与原始振动信号之间的相关性,其中相关系数超过0.5的认为是RIMF:
式中,s n表示d n(t) 和x(t)之间的相关系数。
进一步地,对周期稀疏注意力增强的LSTM模型进行训练与局部微调包括按照4:1的方式将原始振动信号分为训练数据集和测试数据集,然后利用训练数据集的RIMF对周期稀疏注意力增强的LSTM模型进行训练;训练完成后的LSTM模型再进一步利用测试数据集的RIMF进行验证,并根据验证结果进行局部微调,直到实现最佳的故障诊断与识别效果。
进一步地,利用局部微调后的LSTM模型实现变压器机械故障振动包括将待诊断变压器的振动信号进行处理,得出RIMF函数,利用局部微调后的周期稀疏注意力增强的LSTM模型对RIMF函数进行处理,实现待诊断变压器机械故障的诊断与识别。
进一步地,周期稀疏注意力增强的LSTM模型,用于实现基于RIMF函数的变压器机械故障诊断,包括以下步骤:
S21:构建基本LSTM单元,包括遗忘门,输入门以及存储单元:
式中W f为遗忘门的权重,b f为偏置系数,x t表示t时刻的输入值,W i和b i分别表示输入门的权重和偏置系数,表示当前参与计算的存储单元的数值,σ表示sigmoid函数:
S22:建立整体LSTM模型;根据输入的RIMF函数的维度,确定LSTM模型中包含的基本LSTM单元的数量,各基本LSTM单元依次首尾相连,即上一个基本LSTM单元的输出值为下一个基本LSTM单元的输入值;
S23:基于周期稀疏注意力机制对得到的整体LSTM模型进行增强,在各基本LSTM单元链接处加入周期稀疏注意力层,实现对输入的RIMF函数全局特征的提取。
进一步地,所述的周期稀疏注意力机制,在于利用变压器振动信号呈现典型的周期性的特点,增强整体LSTM模型对输入的RIMF函数的全局特征的学习,同时减少计算时间,具体步骤如下:
S31:对于输入RIMF函数T,假设其为具有m个采样点的n维数据,即:
T = [t 1 , t 2 , …, t n],n∈R.t n= [ ,/> , …,/>]T,m∈R
式中R表示实数域;
S32:计算注意力增强权重,对于任意信号t i,计算其与相隔C,,/>直到的数据之间的相关性si,C为变压器振动信号的周期,进而信号t i的注意力增强权重为:
S33:得出注意力增强权重矩阵;将各输入信号的注意力增强权重按照顺序排列,得出注意力增强权重矩阵:
S34:计算每个基本LSTM单元经过周期稀疏注意力增强后的输入数据;
式中x n表示各LSTM基本单元原始输入数据,表示周期稀疏注意力增强后的输入数据。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明的变压器机械故障诊断方法及系统,克服现有变压器故障诊断对人工依赖性强,需要停电实现的弊端,提供一种变压器机械故障诊断方法,减少变压器运维人员的工作量,提高变压器故障诊断的效率,降低故障诊断成本。
本发明提出的方案具有诊断精度高,对全局特征学习效果好的特征,同时其周期稀疏化的特性在确保全局特征高效学习的基础上减少了计算时间,提高了故障诊断的实时性。
本发明提出的方案可实现变压器机械故障的带电检测,避免了传统方法停电检测对社会生产生活造成的经济损失。同时,本发明采用周期稀疏注意力机制对LSTM模型性能进行优化改进,在传统LSTM模型基础上,添加了周期稀疏注意力机制强化了对输入信号全局特征的学习能力,提高了对输入信号关键特征的提取效果。此外,根据输入变压器振动信号具有明显周期性的特性,对所添加注意力机制进行周期稀疏化处理,在确保对全局特征高效学习的基础上,减少了计算时间,提高了故障诊断的实时性。
附图说明
图1为本发明变压器机械故障诊断方法的整体框图;
图2为本发明的基本LSTM单元结构;
图3为本发明的整体LSTM模型结构;
图4为本发明的周期稀疏注意力机制示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本实施例的一种变压器机械故障诊断方法,利用传感器对变压器运行产生的振动信号进行采集,将采集的振动信号随机分为训练数据集和测试数据集,利用改进变分经验模态分解分别处理训练数据集和测试数据集,得到对应的固有模态函数(IMF);基于相关系数从所有的IMF中选出相关度在0.5以上的相关固有模态函数(RIMF);利用训练数据集得到的RIMF对周期稀疏注意力机制增强的LSTM模型进行训练,进一步,利用测试数据集的RIMF对训练完成的LSTM模型进行局部微调,利用局部微调后的LSTM模型实现变压器机械故障诊断。
具体步骤如下:
S1:改进变分经验模态分解。设变压器原始振动信号为x(t),对原始型号添加噪声得到重构信号:
其中表示重构后的信号,E i[﹒]表示利用经验模态分解得到的高斯白噪声的第i次分量;/>表示第k次高斯白噪声;α 1为幅值系数。
利用经验模态分解对重构信号进行处理,得出第一个IMF函数与对应的残余项:
其中r1表示残余项,d1表示第一个IMF函数,M{.}表示算子,用于计算局部均值。
重复以上步骤直到分解完成。
S2:RIMF函数计算。利用相关系数函数,计算S1中得到的IMF函数与原始振动信号之间的相关性,其中相关系数超过0.5的认为是RIMF:
式中,s n表示d n(t) 和x(t)之间的相关系数。
S3:对周期稀疏注意力增强的LSTM模型进行训练与局部微调。按照4:1的方式将原始振动信号分为训练数据集和测试数据集,然后利用训练数据集的RIMF对周期稀疏注意力增强的LSTM模型进行训练;训练完成后的LSTM模型再进一步利用测试数据集的RIMF进行验证,并根据验证结果进行局部微调,直到实现最佳的故障诊断与识别效果。
S4:变压器机械故障诊断与识别。将待诊断变压器的振动信号进行处理,得出RIMF函数,利用S3中局部微调后的周期稀疏注意力增强的LSTM模型对RIMF函数进行处理,实现待诊断变压器机械故障的诊断与识别。
所述的周期稀疏注意力增强的LSTM模型,用于实现基于RIMF函数的变压器机械故障诊断,包括以下步骤:
S21:构建基本LSTM单元,包括遗忘门,输入门以及存储单元:
式中W f为遗忘门的权重,b f为偏置系数,x t表示t时刻的输入值,W i和b i分别表示输入门的权重和偏置系数,表示当前参与计算的存储单元的数值,σ表示sigmoid函数:
S22:建立整体LSTM模型。根据输入的RIMF函数的维度,确定LSTM模型中包含的基本LSTM单元的数量,各基本LSTM单元依次首尾相连,即上一个基本LSTM单元的输出值为下一个基本LSTM单元的输入值。
S23:基于周期稀疏注意力机制对S2中得到的整体LSTM模型进行增强,在各基本LSTM单元链接处加入周期稀疏注意力层,实现对输入的RIMF函数全局特征的提取,同时其周期稀疏化特性可以有效减少计算时间。
所述的周期稀疏注意力机制,在于利用变压器振动信号呈现典型的周期性的特点,增强整体LSTM模型对输入的RIMF函数的全局特征的学习,同时减少计算时间,具体步骤如下:
S31:对于输入RIMF函数T,假设其为具有m个采样点的n维数据,即:
T = [t 1 , t 2 , …, t n],n∈R.t n= [ ,/> , …,/>]T,m∈R
式中R表示实数域。
S32:计算注意力增强权重,对于任意信号t i,计算其与相隔C,,/>直到的数据之间的相关性si,C为变压器振动信号的周期,进而信号t i的注意力增强权重为:
S33:得出注意力增强权重矩阵。将各输入信号的注意力增强权重按照顺序排列,得出注意力增强权重矩阵:
S34:计算每个基本LSTM单元经过周期稀疏注意力增强后的输入数据。
式中x n表示各LSTM基本单元原始输入数据,表示周期稀疏注意力增强后的输入数据。
以下举例说明:
参照图1,一种变压器机械故障诊断方法,包括振动信号采集,改进经验模态分解与相关度计算,基于周期稀疏注意力机制LSTM模型的故障诊断。
所述振动信号采集用于实现变压器运行时产生的振动信号获取。
所述改进经验模态分解与相关度计算用于对前述获取的变压器振动信号进行分解并计算分解得到的IMF与原始信号的相关度,最终得出RIMF函数。
所述基于周期稀疏注意力机制LSTM模型的故障诊断用于对获得的RIMF函数进行识别,确定变压器的机械故障是否存在以及存在的故障类型。
图2为本发明基于周期稀疏注意力机制LSTM模型的故障诊断中基本LSTM单元的结构图,由遗忘门,输入门和存储单元构成,具体形式如下:
式中W f为遗忘门的权重,b f为偏置系数,x t表示t时刻的输入值,W i和b i分别表示输入门的权重和偏置系数,表示当前参与计算的存储单元的数值,σ表示sigmoid函数:
图3为整体LSTM模型,由若干个基本LSTM单元依次首尾相连构成,其中基本LSTM单元的数量根据输入的RIMF函数的维度进行确定。
图4为周期稀疏注意力机制示意图,具体步骤如下:
S1:对于输入RIMF函数T,假设其为具有m个采样点的n维数据,即:
T = [t 1 , t 2 , …, t n],n∈R.t n= [ ,/> , …,/>]T,m∈R
式中R表示实数域。
S2:计算注意力增强权重,对于任意信号t i,计算其与相隔C,,/>直到的数据之间的相关性si,C为变压器振动信号的周期,进而信号t i的注意力增强权重为:
S3:得出注意力增强权重矩阵。将各输入信号的注意力增强权重按照顺序排列,得出注意力增强权重矩阵:
S4:计算每个基本LSTM单元经过周期稀疏注意力增强后的输入数据。
式中x n表示各LSTM基本单元原始输入数据,表示周期稀疏注意力增强后的输入数据。
本发明的变压器机械故障诊断方法,通过对变压器运行时产生的振动数据进行分析,实现变压器机械故障的诊断与识别,诊断精度高,计算时间少,适合于在变电站运维中大规模推广使用。
本实施例分别利用EMD(Empirical mode decomposition, EMD)和EEMD(EnsembleEmpirical mode decomposition, EEMD)分解得到相应的RIMF函数用于训练本发明提出的周期稀疏注意力增强的LSTM模型,并将诊断结果与本发明提出的方法进行对比。所有的数据平均分为两组,一组是训练数据,一组是测试数据。三种不同分解方式下的诊断结果见表1。从表1中可以看出,相比于VMD,通过EMD和EEMD分解得到的数据用于变压器机械故障诊断效果较差,主要是因为EMD和EEMD在处理复杂信号以及临频信号时容易存在模态混叠情况,导致分解的IMF信号准确度较差。
表1故障诊断结果
输入 | 训练精度 | 测试精度 |
RIMF(EMD) | 76.8% | 70.3% |
RIMF(EEMD) | 88.5% | 85.7% |
RIMF(VMD) | 100% | 99.8% |
可见,本发明实施例采用传统注意力机制增强的LSTM对变压器机械故障进行诊断,并与本发明提出的方法进行诊断精度与诊断时间的比较。通过实验结果分析可知,二者诊断精度接近,均可达到99.5%以上;而本发明提出的方法由于对注意力机制进行了周期稀疏化处理,其诊断时间下降相比于传统注意力机制增强LSTM模型下降了65%,具有显著的实时性优势。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一变压器机械故障诊断方法。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述变压器机械故障诊断方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandard Architecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:Random Access Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable Gate Array,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
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,
利用传感器对变压器运行产生的振动信号进行采集,将采集的振动信号随机分为训练数据集和测试数据集,利用改进变分经验模态分解分别处理训练数据集和测试数据集,得到对应的固有模态函数IMF;
基于相关系数从所有的固有模态函数IMF中选出相关度在0.5以上的相关固有模态函数RIMF;利用训练数据集得到的固有模态函数RIMF对周期稀疏注意力机制增强的LSTM模型进行训练,利用测试数据集的固有模态函数RIMF对训练完成的LSTM模型进行局部微调,利用局部微调后的LSTM模型实现变压器机械故障振动。
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:改进变分经验模态分解步骤包括,
设变压器原始振动信号为x(t),对原始型号添加噪声得到重构信号:
其中表示重构后的信号,E i[﹒]表示利用经验模态分解得到的高斯白噪声的第i次分量;/>表示第k次高斯白噪声;α 1为幅值系数;
利用经验模态分解对重构信号进行处理,得出第一个IMF函数与对应的残余项:
其中r1表示残余项,d1表示第一个IMF函数,M{.}表示算子,用于计算局部均值;
重复以上步骤直到分解完成。
3.根据权利要求2所述的变压器机械故障诊断方法,其特征在于:还包括固有模态函数RIMF计算步骤,
利用相关系数函数,计算得到的IMF函数与原始振动信号之间的相关性,其中相关系数超过0.5的认为是RIMF:
式中,s n表示d n(t) 和 x(t)之间的相关系数。
4.根据权利要求3所述的变压器机械故障诊断方法,其特征在于:对周期稀疏注意力增强的LSTM模型进行训练与局部微调包括按照4:1的方式将原始振动信号分为训练数据集和测试数据集,然后利用训练数据集的RIMF对周期稀疏注意力增强的LSTM模型进行训练;训练完成后的LSTM模型再进一步利用测试数据集的RIMF进行验证,并根据验证结果进行局部微调,直到实现最佳的故障诊断与识别效果。
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:利用局部微调后的LSTM模型实现变压器机械故障振动包括将待诊断变压器的振动信号进行处理,得出RIMF函数,利用局部微调后的周期稀疏注意力增强的LSTM模型对RIMF函数进行处理,实现待诊断变压器机械故障的诊断与识别。
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:周期稀疏注意力增强的LSTM模型,用于实现基于RIMF函数的变压器机械故障诊断,包括以下步骤:
S21:构建基本LSTM单元,包括遗忘门,输入门以及存储单元:
式中 W f为遗忘门的权重, b f为偏置系数, x t表示 t时刻的输入值,W i和b i分别表示输入门的权重和偏置系数,表示当前参与计算的存储单元的数值,σ表示sigmoid函数:
S22:建立整体LSTM模型;根据输入的RIMF函数的维度,确定LSTM模型中包含的基本LSTM单元的数量,各基本LSTM单元依次首尾相连,即上一个基本LSTM单元的输出值为下一个基本LSTM单元的输入值;
S23:基于周期稀疏注意力机制对得到的整体LSTM模型进行增强,在各基本LSTM单元链接处加入周期稀疏注意力层,实现对输入的RIMF函数全局特征的提取。
7.根据权利要求6所述的变压器机械故障诊断方法,其特征在于:所述的周期稀疏注意力机制,在于利用变压器振动信号呈现典型的周期性的特点,增强整体LSTM模型对输入的RIMF函数的全局特征的学习,同时减少计算时间,具体步骤如下:
S31:对于输入RIMF函数T,假设其为具有m个采样点的n维数据,即:
T = [t 1 , t 2 , …, t n], n∈R. t n = [ ,/> , …, />]T, m∈R
式中R表示实数域;
S32:计算注意力增强权重,对于任意信号t i,计算其与相隔C,, />直到/>的数据之间的相关性si,C为变压器振动信号的周期,进而信号t i的注意力增强权重为:
S33:得出注意力增强权重矩阵;将各输入信号的注意力增强权重按照顺序排列,得出注意力增强权重矩阵:
S34:计算每个基本LSTM单元经过周期稀疏注意力增强后的输入数据;
式中x n表示各LSTM基本单元原始输入数据,表示周期稀疏注意力增强后的输入数据。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352127.5A CN117093854B (zh) | 2023-10-19 | 2023-10-19 | 变压器机械故障诊断方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352127.5A CN117093854B (zh) | 2023-10-19 | 2023-10-19 | 变压器机械故障诊断方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093854A true CN117093854A (zh) | 2023-11-21 |
CN117093854B CN117093854B (zh) | 2024-02-09 |
Family
ID=88783201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352127.5A Active CN117093854B (zh) | 2023-10-19 | 2023-10-19 | 变压器机械故障诊断方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093854B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN112747921A (zh) * | 2020-12-24 | 2021-05-04 | 武汉科技大学 | 一种基于na-memd的多传感器机械故障诊断的方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN116467649A (zh) * | 2023-04-23 | 2023-07-21 | 浙江理工大学 | 一种基于eemd排列熵和ga-svm的透平膨胀机故障诊断方法及装置 |
CN116776075A (zh) * | 2023-06-15 | 2023-09-19 | 浙江大学湖州研究院 | 风机叶片健康监测系统及其监测方法 |
-
2023
- 2023-10-19 CN CN202311352127.5A patent/CN117093854B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
US20220114421A1 (en) * | 2020-01-08 | 2022-04-14 | Chongqing Unversity Of Posts And Telecommunications | Method for estimating the capacity of lithium battery based on convolution long-short-term memory neural network |
CN112747921A (zh) * | 2020-12-24 | 2021-05-04 | 武汉科技大学 | 一种基于na-memd的多传感器机械故障诊断的方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN116467649A (zh) * | 2023-04-23 | 2023-07-21 | 浙江理工大学 | 一种基于eemd排列熵和ga-svm的透平膨胀机故障诊断方法及装置 |
CN116776075A (zh) * | 2023-06-15 | 2023-09-19 | 浙江大学湖州研究院 | 风机叶片健康监测系统及其监测方法 |
Non-Patent Citations (2)
Title |
---|
TAO WANG.ET AL: ""A multiple fault diagnosis approach for transformer based on double antenna RFID sensor and PSA-optimized LSTM"", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, pages 3 * |
李亚峰等: ""融合注意力机制的LSTM期货投资策略"", 《计算机系统应用》, vol. 30, no. 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093854B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN112163472A (zh) | 一种基于多视角特征融合的滚动轴承诊断方法 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
CN117150359A (zh) | 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 | |
CN116089857A (zh) | 一种基于ceemdan-dbn的变压器故障识别方法 | |
CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
CN117093854B (zh) | 变压器机械故障诊断方法、设备及存储介质 | |
CN111874813A (zh) | 基于改进决策树算法的岸桥起重机减速器状态检测方法 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN116644361A (zh) | 一种架空输电线路故障诊断方法及计算机可读介质 | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN116184061A (zh) | 一种基于数据增强的变压器小样本故障诊断方法 | |
CN118035873B (zh) | 一种并行卷积改进三元组网络的故障诊断方法 | |
CN114894480B (zh) | 一种基于不平衡数据集的轴承故障诊断方法及装置 | |
CN117591876A (zh) | 一种断路器故障诊断方法、装置、设备及存储介质 | |
CN117194990A (zh) | 一种轴承故障诊断模型的小样本训练方法及诊断方法 | |
CN118193504A (zh) | 基于emd和gru的桥梁传感器时序缺失数据重构方法 | |
CN115587292A (zh) | 换流站选相分合闸的异常识别方法、装置和计算机设备 | |
CN116992212A (zh) | 基于深度学习的电力设备故障数据聚类清洗方法 | |
Deng et al. | Cyclic Auto-encoder: A Novel Semi-supervised Method for Rotating Component Fault Diagnosis with Low Label Rate |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |