[发明专利]一种基于深度学习的变电站设备声音故障检测及定位方法

权利要求书

1.一种基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述方法包括：

步骤1，获取变电站设备声音数据，并对所述变电站设备声音数据进行数据标注，添加数据标签，生成样本数据集，其中，所述数据标签包括故障类别以及故障位置信息；

步骤2，采用音频加噪的方式对所述样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列；

步骤3，针对所述多通道语谱图序列，基于所述卷积神经网络编码和所述长短期记忆网络检测，构建变电站设备声音故障检测模型，其中，所述变电站设备声音故障检测模型包括特征自编码子网络SE-GhostNet和LSTM时频特征矢量序列检测子网络；

步骤4，根据所述样本数据集对所述变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，所述变电站设备声音故障检测模型用于变电站设备声音故障检测及定位。

2.如权利要求1所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，

所述特征自编码子网络SE-GhostNet用于根据所述多通道语谱图序列进行非线性映射，得到时频特征矢量序列；

所述LSTM时频特征矢量序列检测子网络用于根据所述时频特征矢量序列，对所述变电站设备声音故障进行检测及定位。

3.如权利要求1所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤4中，根据所述样本数据集对所述变电站设备声音故障检测模型进行训练，其特征在于，具体包括：

步骤41，将所述样本数据集中的变电站设备声音数据进行数据预处理，得到多通道语谱图序列，进行多次卷积操作，提取所述变电站设备声音数据的抽象特征，记作特征图C_m；

步骤42，将所述特征图C_m输入至SE-卷积模块中，利用通道间注意力机制，计算所述特征图C_m对应的各通道全局特征W_sq，并对所述各通道全局特征W_sq进行激励操作，并根据所述各通道间的非线性关系，计算对应的输出特征图C_m+1；

步骤43，将所述输出特征图C_m+1输入至所述变电站设备声音故障检测模型中的多层全连接网络，计算所述变电站设备声音数据的时频特征矢量序列；

步骤44，将所述时频特征矢量序列输入至所述变电站设备声音故障检测模型中的时频特征矢量序列检测子网络，通过遗忘门机制、输入门机制和输出门机制，计算所述变电站设备声音数据的故障检测及定位的预测结果，并与所述变电站设备声音数据的所述数据标签进行对比，以完成所述变电站设备声音故障检测模型的训练。

4.如权利要求3所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤42中，计算所述全局特征W_sq的计算公式为：

式中，F_sq是挤压操作，h、w、c分别为所述的输入特征图C_m的高、宽和通道维度，W_sq为挤压后得到的全局特征。

5.如权利要求3所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤42中，所述激励操作的计算公式为：

W_ex＝F_ex(W_sq,W_c)＝σ(W₂ReLU(W₁W_sq))

式中，F_ex为激励操作，以获取各通道间的非线性关系，W_sq为所述全局特征，W_c为激励系数矩阵，σ为Sigmoid函数实现的门机制，W₁为降维矩阵，W₂为恢复矩阵。