[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

说明书

本申请公开了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，包括：获取变电站设备声音数据，并对变电站设备声音数据进行数据标注，生成样本数据集；采用音频加噪的方式对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；针对多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型；根据样本数据集对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，对变电站设备声音进行故障检测及定位。通过本申请中的技术方案，克服现有变电站设备声音故障检测技术中检测效率低以及算法鲁棒性差等问题。

技术领域

本申请涉及故障检测的技术领域，具体而言，涉及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。

背景技术

变电站是我国电网建设的重要基础设施，内部工作设备众多，部分电力设备会出现被击穿和异常放电等故障。异常声音是变电站设备故障最明显的标志，同时基于声音可快速确定故障类型及位置。但是，由于变电站内各设备具有不同的声压级和频率特性，所以变电站会形成一个多噪声源的混响声场，给基于声音的变电站设备故障检测及定位带来很大的难度。

目前，传统的变电站设备声音故障检测方法都分为两阶段，即首先利用人工提取有效特征，对采集到的声音信号进行分类，之后再对异常声源进行定位。采用此类算法检测设备故障，不仅耗时，而且此类算法的泛化及鲁棒性能差，不利于提供准确的故障检测及故障定位。

发明内容

本申请的目的在于：克服现有变电站设备声音故障检测技术中检测效率低以及算法鲁棒性差等问题。

本申请第一方面的技术方案是：提供了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，该方法包括：步骤1，获取变电站设备声音数据，并对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，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，针对多通道语谱图序列，基于卷积神经网络编码和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，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，根据样本数据集对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，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。

上述任一项技术方案中，进一步地，特征自编码子网络SE-GhostNet用于根据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；LSTM时频特征矢量序列检测子网络用于根据时频特征矢量序列，对变电站设备声音故障进行检测及定位。

上述任一项技术方案中，进一步地，步骤4中，根据样本数据集对变电站设备声音故障检测模型进行训练，具体包括：步骤41，将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，计算特征图C_m对应的各通道全局特征W_sq，并对各通道全局特征W_sq进行激励操作，并根据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，将输出特征图C_m+1输入至变电站设备声音故障检测模型中的多层全连接网络，计算变电站设备声音数据的时频特征矢量序列；步骤44，将时频特征矢量序列输入至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，计算变电站设备声音数据的故障检测及定位的预测结果，并与变电站设备声音数据的数据标签进行对比，以完成变电站设备声音故障检测模型的训练。