[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

说明书

本发明涉及一种基于声信号及深度学习技术的变压器故障检测方法，与现有技术相比解决了难以应用声纹信号对变压器故障进行准确检测的缺陷。本发明包括以下步骤：电力变压器声音数据的采集获取；训练样本集内声信号的预处理；声信号数据的声音特征提取；构建变压器故障检测模型；变压器故障检测模型的训练；待检测变压器声信号数据的获取及预处理；待检测变压器故障检测结果的获得。本发明能够基于声纹信号进行变压器的故障检测。

技术领域

本发明涉及变压器故障检测技术领域，具体来说是一种基于声信号及深度学习技术的变压器故障检测方法。

背景技术

电网中的变压器具有使用量大、使用种类和规格繁多的特点，并且使用时间较长，这导致变压器在电网系统中发生故障的频率过高。根据统计，每200台运行时间超过4年的变压器就有大约5台变压器发生故障。因此，变压器的故障排除和检修成为电网稳定工作的一个重要程序。

针对变压器故障排除，传统的处理方法是需要人工前往待排除地点，并依靠人工经验，根据变压器发出的声音来诊断该变压器是否有故障。该方式不仅需要耗费大量的时间与精力，而且会受到人为因素的干扰，有可能故障诊断错误。

近年来，深度学习发展日新月异，该处理信号的方式具有高效性的特点。若能采用深度学习方式对变压器声音进行处理，其将会自动化分析变压器发出声音的特征，并对特征进行归类，即可快捷地诊断出有故障的变压器，能够大大降低了人工成本且能更快维护电网的稳定。

现有技术中，虽存在一些声纹检测方法，其多是利用混合高斯模型和隐马尔可夫模型作为有效的声学模型来进行声纹检测，而在深度学习兴起之后，包括卷积神经网络、自编码器、递归神经网络(Recurrent Neural Network,RNN)等，越来越多的深度学习网络应用在声音检测领域。从声音检测的准确率和精确度等指标来看，基于深度学习的声纹检测方法远比传统声学模型的声纹检测方法要好得多，但现有技术中基于深度学习的声纹检测方法多采用振动数据，尚无利用音频数据来进行故障检测。

因此，如何将深度学习技术更好地应用于变压器声纹故障检测已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中难以应用声纹信号对变压器故障进行准确检测的缺陷，提供一种基于声信号及深度学习技术的变压器故障检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于声信号及深度学习技术的变压器故障检测方法，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：