本申請(qǐng)涉及電力設(shè)備狀態(tài)檢測(cè)，具體涉及一種基于缺陷類別不平衡的設(shè)備故障聲源類型診斷方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、用聲學(xué)成像定位儀對(duì)電力設(shè)備的故障聲源進(jìn)行定位和診斷，聲學(xué)成像定位儀作為一種非接觸式無(wú)損檢測(cè)技術(shù)，具有檢測(cè)靈敏度高、檢測(cè)距離遠(yuǎn)、操作便捷安全、能對(duì)故障點(diǎn)進(jìn)行精準(zhǔn)定位等優(yōu)點(diǎn)，近些年逐漸在電力局放檢測(cè)中得到廣泛應(yīng)用。

2、但是目前市面上大多數(shù)聲學(xué)成像定位儀都不具備電力設(shè)備故障聲源診斷功能或者診斷效果不理想。電力設(shè)備作為電力系統(tǒng)的核心組成部分，其運(yùn)行狀態(tài)直接關(guān)系到整個(gè)電網(wǎng)的安全與穩(wěn)定。然而，電力設(shè)備的狀態(tài)檢測(cè)面臨著諸多挑戰(zhàn)，包括但不限于：高電壓、強(qiáng)電磁環(huán)境：電力設(shè)備通常運(yùn)行在高電壓、強(qiáng)電磁環(huán)境中，這對(duì)檢測(cè)設(shè)備的抗干擾能力和安全性提出了極高要求。多樣化設(shè)備類型：電力系統(tǒng)包含變壓器、開(kāi)關(guān)設(shè)備、電纜、母線等多種類型的設(shè)備，每種設(shè)備都有其獨(dú)特的故障模式和檢測(cè)難點(diǎn)。復(fù)雜工作環(huán)境：電力設(shè)備往往安裝在封閉或難以接近的空間內(nèi)，如變電站、地下電纜走廊等，增加了檢測(cè)的難度和成本。

3、因此，針對(duì)電力設(shè)備故障聲源的診斷，現(xiàn)有技術(shù)主要存在以下局限性：(1)數(shù)據(jù)獲取困難：由于電力設(shè)備的特殊性和安全要求，難以在不影響設(shè)備正常運(yùn)行的情況下獲取足夠的故障樣本數(shù)據(jù)。(2)算法適應(yīng)性不足：傳統(tǒng)的診斷算法往往基于理想的假設(shè)和充足的數(shù)據(jù)支持，難以適應(yīng)電力設(shè)備故障樣本稀缺且類別不平衡的實(shí)際情況。(3)缺乏智能化診斷：現(xiàn)有的診斷方法大多依賴于人工分析和判斷，缺乏智能化的自動(dòng)診斷能力，難以滿足電力系統(tǒng)對(duì)高效、準(zhǔn)確診斷的需求。

4、鑒于此，本申請(qǐng)?zhí)岢隽艘环N基于缺陷類別不平衡條件下的電力設(shè)備故障聲源類型診斷方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，能夠有效提升對(duì)電力設(shè)備故障聲源的診斷準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有缺陷樣本存在類別不平衡現(xiàn)象，神經(jīng)網(wǎng)絡(luò)提取特征的能力會(huì)極大地受到數(shù)據(jù)分布偏置的影響等問(wèn)題，本申請(qǐng)?zhí)峁┮环N設(shè)備故障聲源類型診斷方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，以解決上述技術(shù)缺陷問(wèn)題。

2、根據(jù)本申請(qǐng)的第一個(gè)方面提出了一種設(shè)備故障聲源類型診斷方法，該方法包括以下步驟：

3、s1、采集電力設(shè)備故障聲源的原始聲音信號(hào)；

4、s2、對(duì)所述原始聲音信號(hào)進(jìn)行時(shí)域數(shù)據(jù)增擴(kuò)處理，獲得時(shí)域增擴(kuò)數(shù)據(jù)；

5、s3、將所述時(shí)域增擴(kuò)數(shù)據(jù)輸入至特征編碼器中，提取出關(guān)鍵特征，并且所述特征編碼器將所述關(guān)鍵特征映射至高維空間，獲得高維特征；

6、s4、通過(guò)投影頭將獲得的所述高維特征映射回低維空間，得到低維特征；

7、s5、通過(guò)預(yù)測(cè)頭將所述低維特征進(jìn)行分類預(yù)測(cè)，最終獲得聲源類型診斷結(jié)果。

8、通過(guò)上述技術(shù)方案，本申請(qǐng)結(jié)合數(shù)據(jù)增強(qiáng)與自監(jiān)督對(duì)比學(xué)習(xí)，能夠解決電力檢測(cè)數(shù)據(jù)缺陷類型識(shí)別中缺陷類別不平衡的問(wèn)題，能夠提高特征提取網(wǎng)絡(luò)的魯棒性和準(zhǔn)確性。

9、優(yōu)選的，所述時(shí)域數(shù)據(jù)增擴(kuò)處理的方法包括：時(shí)間幅值的偏移翻轉(zhuǎn)方法、高斯噪聲抖動(dòng)方法、幅值縮放方法以及數(shù)據(jù)時(shí)間軸隨機(jī)替換方法。

10、通過(guò)上述技術(shù)方案，結(jié)合多種時(shí)域數(shù)據(jù)增擴(kuò)方式，能夠有效解決缺陷類型識(shí)別中數(shù)據(jù)類別不平衡的問(wèn)題。

11、優(yōu)選的，在步驟s2中，所述信號(hào)時(shí)間幅值的偏移翻轉(zhuǎn)具體包括以下內(nèi)容：

12、通過(guò)將所述原始聲音信號(hào)在時(shí)間軸上向前或向后移動(dòng)預(yù)設(shè)量，并循環(huán)填充或截?cái)嗳笔У牟糠郑?/p>

13、對(duì)所述原始聲音信號(hào)添加一個(gè)隨機(jī)大小的直流分量，使所述原始聲音信號(hào)整體在垂直方向上移動(dòng)；

14、將所述原始聲音信號(hào)對(duì)應(yīng)的信號(hào)圖像進(jìn)行水平翻轉(zhuǎn)和/或上下翻轉(zhuǎn)，獲得時(shí)域增擴(kuò)數(shù)據(jù)。

15、進(jìn)一步優(yōu)選的，在步驟s2中，

16、所述高斯噪聲抖動(dòng)方法包括：通過(guò)向所述原始聲音信號(hào)中添加服從高斯分布的隨機(jī)噪聲，獲得所述時(shí)域增擴(kuò)數(shù)據(jù)；

17、所述幅值縮放方法包括：通過(guò)將所述原始聲音信號(hào)乘以一個(gè)服從正態(tài)分布的隨機(jī)因子，獲得所述時(shí)域增擴(kuò)數(shù)據(jù)；

18、所述數(shù)據(jù)時(shí)間軸隨機(jī)替換方法包括：對(duì)所述原始聲音信號(hào)的時(shí)間軸進(jìn)行隨機(jī)替換，打亂原有的時(shí)間順序，獲得所述時(shí)域增擴(kuò)數(shù)據(jù)。

19、優(yōu)選的，在步驟s1中，采集電力設(shè)備故障聲源的原始聲音信號(hào)，具體包括：采集沿面放電或懸浮放電或低頻放電等任意一種放電聲學(xué)數(shù)據(jù)。

20、優(yōu)選的，在步驟s3中，所述特征編碼器包括第一特征編碼器和第二特征編碼器，將經(jīng)過(guò)兩種不同時(shí)域數(shù)據(jù)增擴(kuò)處理方法獲得的兩種時(shí)域增擴(kuò)數(shù)據(jù)分別輸入至所述第一特征編碼器和所述第二特征編碼器中，所述第一特征編碼器和所述第二特征編碼器之間通過(guò)權(quán)重共享優(yōu)化獲得的所述關(guān)鍵特征。

21、優(yōu)選的，所述投影頭包括第一投影頭和第二投影頭，所述第一投影頭和第二投影頭之間通過(guò)權(quán)重共享優(yōu)化輸出，得到低維特征。

22、優(yōu)選的，所述預(yù)測(cè)頭還包括分類器，所述分類器由一個(gè)全連接層構(gòu)成，所述分類器的參數(shù)使用交叉熵?fù)p失函數(shù)進(jìn)行優(yōu)化；所述分類器用于輸出所述聲源類型診斷結(jié)果中每個(gè)類別的預(yù)測(cè)概率或置信度。

23、通過(guò)上述技術(shù)方案，在分類學(xué)習(xí)階段，利用預(yù)訓(xùn)練好的特征編碼器對(duì)帶有標(biāo)簽的數(shù)據(jù)進(jìn)行微調(diào)，并結(jié)合全連接層構(gòu)成的分類器，通過(guò)優(yōu)化分類損失，能夠?qū)崿F(xiàn)對(duì)電力設(shè)備數(shù)據(jù)類型(例如：高壓開(kāi)關(guān)柜放電類型)的準(zhǔn)確分類。

24、第二方面，本申請(qǐng)?zhí)峁┝艘环N設(shè)備故障聲源類型診斷系統(tǒng)，該系統(tǒng)包括：

25、信號(hào)采集模塊，配置于采集電力設(shè)備故障聲源的原始聲音信號(hào)；

26、信號(hào)采集模塊，用于采集電力設(shè)備故障聲源的原始聲音信號(hào)；

27、時(shí)域數(shù)據(jù)增擴(kuò)模塊，用于對(duì)所述原始聲音信號(hào)進(jìn)行時(shí)域數(shù)據(jù)增擴(kuò)處理，獲得時(shí)域增擴(kuò)數(shù)據(jù)；

28、特征提取模塊，用于將所述時(shí)域增擴(kuò)數(shù)據(jù)中提取出關(guān)鍵特征；并且所述特征提取模塊將所述關(guān)鍵特征映射至高維空間，獲得高維特征；

29、特征映射模塊，用于將所述高維特征映射回低維空間；

30、第三方面，本申請(qǐng)?zhí)峁┝艘环N終端設(shè)備，包括處理器、存儲(chǔ)器以及存儲(chǔ)在存儲(chǔ)器內(nèi)的計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行以實(shí)現(xiàn)如上述任意一項(xiàng)的設(shè)備故障聲源類型診斷方法。

31、第四方面，本申請(qǐng)?zhí)峁┝艘环N計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，在計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)施如上述任意一項(xiàng)的設(shè)備故障聲源類型診斷方法。

32、與現(xiàn)有技術(shù)相比，本發(fā)明的有益成果在于：

33、提高特征提取的魯棒性：通過(guò)表示學(xué)習(xí)階段的無(wú)監(jiān)督自監(jiān)督對(duì)比學(xué)習(xí)，結(jié)合多種時(shí)域數(shù)據(jù)增擴(kuò)方式，有效解決了缺陷類型識(shí)別中數(shù)據(jù)類別不平衡的問(wèn)題，使得特征提取網(wǎng)絡(luò)能夠?qū)W習(xí)到更加魯棒和泛化的特征表示。

34、提升分類準(zhǔn)確性：在分類學(xué)習(xí)階段，利用預(yù)訓(xùn)練好的特征編碼器對(duì)帶有標(biāo)簽的數(shù)據(jù)進(jìn)行微調(diào)，并結(jié)合全連接層構(gòu)成的分類器，通過(guò)優(yōu)化分類損失，實(shí)現(xiàn)了對(duì)電力設(shè)備數(shù)據(jù)類型的準(zhǔn)確分類

技術(shù)特征：

1.一種設(shè)備故障聲源類型診斷方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，在步驟s2中，所述信號(hào)時(shí)間幅值的偏移翻轉(zhuǎn)具體包括以下內(nèi)容：

3.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，在步驟s2中，所述高斯噪聲抖動(dòng)方法包括：通過(guò)向所述原始聲音信號(hào)中添加服從高斯分布的隨機(jī)噪聲，獲得所述時(shí)域增擴(kuò)數(shù)據(jù)；

4.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，所述原始聲音信號(hào)包括：采集沿面放電或懸浮放電或低頻放電等任意一種放電聲學(xué)數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，在步驟s3中，所述特征編碼器包括第一特征編碼器和第二特征編碼器，將經(jīng)過(guò)兩種不同時(shí)域數(shù)據(jù)增擴(kuò)處理方法獲得的兩種時(shí)域增擴(kuò)數(shù)據(jù)分別輸入至所述第一特征編碼器和所述第二特征編碼器中，所述第一特征編碼器和所述第二特征編碼器之間通過(guò)權(quán)重共享優(yōu)化獲得的所述關(guān)鍵特征。

6.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，在步驟s4中，所述投影頭包括第一投影頭和第二投影頭，所述第一投影頭和第二投影頭之間通過(guò)權(quán)重共享優(yōu)化輸出，得到低維特征。

7.根據(jù)權(quán)利要求1所述的設(shè)備故障聲源類型診斷方法，其特征在于，所述預(yù)測(cè)頭還包括分類器，所述分類器由一個(gè)全連接層構(gòu)成，所述分類器的參數(shù)使用交叉熵?fù)p失函數(shù)進(jìn)行優(yōu)化；所述分類器用于輸出所述聲源類型診斷結(jié)果中每個(gè)類別的預(yù)測(cè)概率或置信度。

8.一種設(shè)備故障聲源類型診斷系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.一種終端設(shè)備，其特征在于，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器內(nèi)的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)如權(quán)利要求1至8中任意一項(xiàng)所述的設(shè)備故障聲源類型診斷方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，在所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)施如權(quán)利要求1至8中任意一項(xiàng)所述的設(shè)備故障聲源類型診斷方法。

技術(shù)總結(jié)
本發(fā)明提供了一種設(shè)備故障聲源類型診斷方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，包括：采集電力設(shè)備故障聲源的原始聲音信號(hào)；對(duì)原始聲音信號(hào)進(jìn)行時(shí)域數(shù)據(jù)增擴(kuò)處理，獲得時(shí)域增擴(kuò)數(shù)據(jù)，其中時(shí)域數(shù)據(jù)增擴(kuò)處理的方法包括：信號(hào)時(shí)間幅值的偏移翻轉(zhuǎn)、高斯噪聲抖動(dòng)、幅值縮放以及數(shù)據(jù)時(shí)間軸隨機(jī)替換；將時(shí)域增擴(kuò)數(shù)據(jù)輸入至特征編碼器中，提取出關(guān)鍵特征，并且特征編碼器將關(guān)鍵特征映射至高維空間，獲得高維特征；通過(guò)投影頭將獲得的高維特征映射回低維空間；通過(guò)預(yù)測(cè)頭將投影頭的輸出進(jìn)行分類預(yù)測(cè)，最終獲得聲源類型診斷結(jié)果。本發(fā)明結(jié)合數(shù)據(jù)增強(qiáng)與自監(jiān)督對(duì)比學(xué)習(xí)，能夠解決電力檢測(cè)數(shù)據(jù)缺陷類型識(shí)別中缺陷類別不平衡的問(wèn)題，提高特征提取網(wǎng)絡(luò)的魯棒性和準(zhǔn)確性。

技術(shù)研發(fā)人員：趙生虎,李論,涂海彬,楊玉磊,凌智祥
受保護(hù)的技術(shù)使用者：江西大唐國(guó)際撫州發(fā)電有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6