[发明专利]一种基于声信号及深度学习技术的变压器故障检测方法

权利要求书

1.一种基于声信号及深度学习技术的变压器故障检测方法，其特征在于，包括以下步骤：

11)电力变压器声音数据的采集获取：通过声纹采集传感器实地采集获取变压器声音数据，经过标注分为“正常”和“故障”两类，并将其定义为训练样本集；

12)训练样本集内声信号的预处理：运用分段、分帧、声音加窗和自适应滤波法的预处理方法对所采集的电力变压器声音数据进行去噪预处理；再通过切割、加噪、调音处理对声信号进行数据增强；

13)声信号数据的声音特征提取：通过采用梅拉尔倒谱系数对预处理后的电力变压器声音数据进行声音特征提取，提取出MFCC系数；

14)构建变压器故障检测模型：基于双门控卷积网络模型和变压器声信号的特点构建变压器故障检测模型；

15)变压器故障检测模型的训练：将提取到的MFCC系数输入变压器故障检测模型进行训练；

16)待检测变压器声信号数据的获取及预处理：获取待检测变压器声信号数据，并进行去噪预处理，对去噪预处理后的待检测变压器声信号数据提取MFCC系数；

17)待检测变压器故障检测结果的获得：将MFCC系数输入训练后的变压器故障检测模型，得到变压器故障检测的结果；

所述训练样本集内声信号的预处理包括以下步骤：

21)对采集的电力变压器声音数据s(t)进行分段操作：

对获得的电力变压器声音数据进行分段，

切分成s(t)＝{s₁(t),s₂(t),...,s_q(t),...s_r(t)}，计算声纹数据的总长度L，其计算公式如下：

L＝time×fS_Sample＝r×r_L，

其中，fs_sample为该声音的采样频率,time是采样时间，r为分段数量，r_L为分段长度；

22)对已经分段的变压器声音数据s_q(t)进行分帧处理：

将变压器声纹帧长设为500ms，进行分帧处理为

s_q(t)＝{s_q1(t),s_q2(t),...,s_qp(t),...s_qLength(t)}，

其中，每一帧长度设定为500ms，每一段分为Length帧；

23)对分帧后变压器声音加窗处理：

对分帧数据进行端点平滑的加窗处理，使用Hamming窗对帧进行加窗处理，Hamming窗的函数w(t)表示如下：

其中M为帧长，t为时间；

针对每一帧得到时域信号f_qp(t)，其表达式如下：

f_qp(t)＝s_qp(t)*w(n)，

其中，f_qp(t)是第q段信号的第p帧的时域信号，w(n)为加窗函数，s_qp(t)为第q段信号的第p帧的信号值；24)对加窗处理后的声音使用自适应滤波器进行去噪处理：

对f_qp(t)进行采样得到X_i(n)数字信号序列，并设置滤波器初值如下：

其中，W(k)为最优的权系数，μ为收敛因子，λ为相关矩阵的最大特征值；

计算滤波器输出的实际输出估计值：

y(k)＝W^T(k)Xi(n)，

其中，y(k)是实际输出估计值，W^T(k)为最优权系数的转置，X_i(n)为输入信号序列；

e(k)是误差信号，为计算误差：

e(k)＝d(k)-y(k)，

其中，d(k)是期望输出值，更新k+1时刻滤波器系数：

W(k+1)＝W(k)+μe(k)X(k)，

其中，W(k+1)是k+1时刻的最优权系数，W(k)为k时刻的最优权系数，e(k)为k时刻的误差，X(k)为k时刻的输入序列；

使用最陡下降法不断迭代求解，使得误差信号最小，得到自适应滤波去噪后的输出y(k)；

25)对自适应滤波去噪的输出y(k)通过切割、加噪、调音处理对声信号进行数据增强；

所述构建变压器故障检测模型包括以下步骤：

41)基于双门控卷积神经网络设定变压器故障检测模型，其包括两个卷积门控层、两个池化层、一个全连接层和一个输出层；

42)设定卷积门控层：卷积门控层通过对输入数据与卷积核的卷积操作来提取特征，得到特征图，特征图的深度取决于设定的卷积核的数量；

假设输入为X∈R^A×B，其中A与B分别代表输入数据的长与宽，卷积操作定义为：

其中：代表第l层卷积层的第j个特征平面图，代表第l-1层卷积层的第i个平面特征图，M代表平面特征图的个数，代表卷积核，代表偏置，和的具体参数通过训练优化来确定，f代表激励层函数，激励函数为sigmoid函数，其表达式如下：

门控的输出表示为：其中：h(X)表示GatedCNN的输出，W和V表示不同的卷积核，b和c表示不同的偏置，表示矩阵的元素对应相乘，σ表示sigmoid门控函数，X表示上一层的输出；

43)设计池化层：采用最大池化或平均池化方法来设定池化层；

44)搭建全连接层和采用softmax分类器作为输出层进行最后分类输出。