一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法技术

本发明专利技术公开了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，涉及电力变压器故障声纹诊断技术领域，包括以下步骤：S1：建立采样分析平台，对发生不同故障的电力变压器采集声纹信号；S2：使用采集到的声纹信号绘制语谱图，生成语谱图集合；S3：用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充，扩充后形成故障样本集合，故障样本集合分为两类，故障训练集合与故障测试集合；S4：将故障训练集合输入到卷积神经网络中，对卷积神经网络进行训练，建立故障模型；S5：将故障测试集合输入到训练后的卷积神经网络中进行检验，测试对电力变压器声纹信号的诊断与分类能力。本发明专利技术采用上述方法，增加了训练样本数量，提高了诊断的正确率。断的正确率。断的正确率。

【技术实现步骤摘要】
一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法


[0001]本专利技术涉及电力变压器故障声纹诊断
，尤其是涉及一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法。

技术介绍

[0002]电力变压器是电力系统的关键元件，其振动与噪声影响着电力系统的运行，受变电站环境和人为因素的影响，运行过程中经常发生局部放电、短路冲击等不同类型的故障。这不仅会影响正常的社会用电需求，还会造成不可估量的损失。有必要对电力变压器的运行状态进行实时监测和诊断。
[0003]目前，电力变压器的故障检测方法有多种诊断方法，但是现有方法在收集故障特征时需要与电力变压器外壳进行接触测量，操作复杂而困难。选择声纹信号采集过程具有非接触、简单、快捷且不影响变压器的正常工作的优点，使得基于声纹信号的研究方向逐渐成为热点。但是基于声纹信号的深度学习算法需要提供大量的学习样本来提高模型的训练精度，对于短路冲击等低概率故障缺乏足够的样本进行实验研究。当故障样本不平衡时，很容易出现过拟合事件，影响模型的诊断准确度，因此，提供了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法。

技术实现思路

[0004]本专利技术的目的是提供一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，为了解决常规工况下电力变压器各种故障样本不平衡而引起的分类效果不佳与出现的过拟合问题，提供一种数据增强算法，可以有效扩充样本数量，增强模型的泛化能力，具有更佳的分类性能。
[0005]为实现上述目的，本专利技术提供了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，包括以下步骤：
[0006]S1：建立采样分析平台，对发生不同故障的电力变压器采集声纹信号；
[0007]S2：使用采集到的声纹信号绘制语谱图，生成语谱图集合；
[0008]S3：用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充，扩充后形成故障样本集合，故障样本集合分为两类，故障训练集合与故障测试集合；
[0009]S4：将故障训练集合输入到卷积神经网络中，对卷积神经网络进行训练，建立故障模型；
[0010]S5：将故障测试集合输入到训练后的卷积神经网络中进行检验，测试对电力变压器声纹信号的诊断与分类能力。
[0011]优选的，所述步骤S1中，所述采样分析平台包括声学传感器和与所述声学传感器连接的数据采集装置，所述数据采集装置连接分析计算机，所述声学传感器的频率响应范围10Hz～20kHz，采样频率16000Hz。
[0012]优选的，所述步骤S2中，绘制语谱图的具体方法如下：对采集到的故障声纹信号通过分帧、加窗和离散傅里叶变换来绘制语谱图，统一帧长设置为0.25s，重叠率设为50％，窗函数选择海明窗，其公式表示如下：
[0013][0014]上式中，N表示海明窗的长度。
[0015]优选的，所述步骤S3中，扩充的过程具体如下：
[0016]S31：从语谱图集合中随机选取四张图像，将其随机拼接在一起形成一张新的合成图像；
[0017]S32：在新的合成图像中随机生成区域进行裁剪，裁剪完成产生一张新图像；
[0018]S33：产生的新图像进行翻转，加噪，缩放操作，得到新的语谱图，将新产生的语谱图输入故障样本集合中。
[0019]优选的，所述步骤S3中，故障样本集合分为两类，90％的故障训练集合与10％的故障测试集合；
[0020]优选的，所述步骤S4中的训练过程如下：
[0021]卷积网络运算的公式如下：
[0022][0023]上式中，与分别代表第e层网络的输出与输入特征，Mj表示输入特征的集合，f(
·
)表示激活函数，表示卷积核的权重矩阵，表示卷积操作中的偏置项，最大池化层的公式如下：
[0024][0025]上式中，P
ij
表示池化操作中最大输出值，U
ij
表示池化区域，a
k
表示卷积操作的输出矩阵，池化层后连接全连接层，全连接层中进行了随机失活。
[0026]优选的，所述步骤S5中，检验方法是使用准确率曲线进行检验
[0027]因此，本专利技术采用一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，具有以下有益效果：
[0028](1)在本专利技术中，电力变压器的运行环境复杂，容易发生各种故障，但由于一些故障的概率很低，样本很少，因此有必要在样本不足的情况下对故障集合进行增强和扩展，从而更好的训练诊断模型，使诊断模型具有良好的泛化性能，通过Mosaic数据增强的数据集可以提高学习模型的鲁棒性。
[0029](2)在本专利技术中，语谱图中容易区分频率声纹信号的频率变化，通过观察共振峰可以更好的识别声音，并有利于后续深度学习算法的特征提取。
[0030](3)在本专利技术中，在使用卷积神经网络进行分类诊断时，通过混合数据增强的电力变压器的语谱图具有良好的效果。它提高了模型的泛化能力，诊断准确率高达96％，与其他
类似的深度学习算法相比，它对电力变压器故障声纹信号具有良好的诊断性能。
[0031]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0032]图1为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的生成语谱图的流程图；
[0033]图2为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中检测正常变压器的语谱图；
[0034]图3为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中短路冲击的语谱图；
[0035]图4为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中局部放电的语谱图；
[0036]图5为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中直流偏磁的语谱图；
[0037]图6为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中正常的语谱图；
[0038]图7为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中短路冲击的语谱图；
[0039]图8为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中局部放电的语谱图；
[0040]图9为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中直流偏磁的语谱图；
[0041]图10为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中诊断效果图；
[0042]图11为本专利技术一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中不同模型诊断效果的对比图。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，其特征在于：包括以下步骤：S1：建立采样分析平台，对发生不同故障的电力变压器采集声纹信号；S2：使用采集到的声纹信号绘制语谱图，生成语谱图集合；S3：用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充，扩充后形成故障样本集合，故障样本集合分为两类，故障训练集合与故障测试集合；S4：将故障训练集合输入到卷积神经网络中，对卷积神经网络进行训练，建立故障模型；S5：将故障测试集合输入到训练后的卷积神经网络中进行检验，测试对电力变压器声纹信号的诊断与分类能力。2.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，其特征在于：所述步骤S1中，所述采样分析平台包括声学传感器和与所述声学传感器连接的数据采集装置，所述数据采集装置连接分析计算机，所述声学传感器的频率响应范围10Hz～20kHz，采样频率16000Hz。3.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法，其特征在于：所述步骤S2中，绘制语谱图的具体方法如下：对采集到的故障声纹信号通过分帧、加窗和离散傅里叶变换来绘制语谱图，统一帧长设置为0.25s，重叠率设为50％，窗函数选择海明窗，其公式表示如下：上式中，N表示海明窗的长度。4.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方...

【专利技术属性】
技术研发人员：王建新，赵志山，牛铮，朱军，沈清坤，刘振华，吴寒江，史鑫，张加涛，李冬，李心，宋武超，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：