【技术实现步骤摘要】
一种基于改进小波包和深度学习的变压器声音异常检测方法
本专利技术涉及计算机
，具体涉及一种基于改进小波包和深度学习的变压器声音异常检测方法。
技术介绍
变压器在运行过程中，受交流电流的影响，在铁芯中会产生周期性变化的交变磁通，进一步引起铁芯发出均匀的“嗡嗡”声。“嗡嗡”声的大小与安装在变压器上的电压和电流成正比，正常运行中的“嗡嗡”声是均匀的。如果变压器发生异常，将产生不正常的声音。通过检测变压器声音，能够进行变压器故障的诊断。在变压器运行过程中，受现场噪音及其他变压器的干扰，采集的变压器音频信号中包含非常多的噪声。并且声音识别需要人为主观判断，不同评价者可能产生不同的诊断结果，且个人经验无法建立统一的评价标准。并且长期重复听音工作容易引起人员疲劳，出现误判。现有技术中常选择几个经验参数作为异音监测系统的特征，选择特征较少，容易导致系统准确率低。没有将特征参数结合在一起综合评估，若每个特征都建立一个学习模型，容易造成模型过多，不利于异音判断。常用的阈值去噪方法为软阈值和硬阈值两种，硬阈值由于函数不连续，易导致有...
【技术保护点】
1.一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，/n包括以下步骤：/nA)采集N个变压器在不同运行状态下的音频信号；/nB)对步骤A)中采集的每个音频信号进行小波包变换，得到P个分量信号，采用改进样本熵确定样本熵的阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号；/nC)对每个重构后的音频信号进行短时傅里叶变换，生成特征图像；/nD)按照变压器运行状态将提取的特征图像分类；/nE)建立卷积神经网络模型，并使用步骤D)中分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测。/n
【技术特征摘要】
1.一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，
包括以下步骤：
A)采集N个变压器在不同运行状态下的音频信号；
B)对步骤A)中采集的每个音频信号进行小波包变换，得到P个分量信号，采用改进样本熵确定样本熵的阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号；
C)对每个重构后的音频信号进行短时傅里叶变换，生成特征图像；
D)按照变压器运行状态将提取的特征图像分类；
E)建立卷积神经网络模型，并使用步骤D)中分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测。
2.根据权利要求1所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，
步骤B)中，
其中，e表示样本熵。
3.根据权利要求2所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，
步骤B)中，样本熵e的计算方法包括：
B11)记每个分量信号X的数据长度为L，X＝{x1，x2，...，xL}，每个音频信号的分量信号按序号组成向量序列Xmi＝{xi，xi+1，...，xi+m-1}，其中1≤i≤L-m+1,可组成的向量序列共(L-m+1)组，m为人工设定的维数；
B12)计算Xmi与Xmj之间的距离dmij，距离计算式为：
dmij＝max(xm(i+k)-xm(j+k))，k∈[0，m-1]
B13)统计Xmi与Xmj之间的距离dmij小于预设阈值r的个数，记为Bi，
定义：
B14)增加向量序列的维数至m+1，统计Xm+1，i与Xm+1，j之间的距离dm+1，ij不大于预设阈值r的个数，记为Ai，
定义：
B15)计算样本熵e，
4.根据权利要求3所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，
每个分量信号X的样本熵的阈值
5.根据权利要求1或2或3或4所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，
步骤C)中，对音频信号进行短时傅里叶变换并生成特征图像的方法包括：
C1)设置进行傅里叶变换的帧长nfft，和相邻两...
【专利技术属性】
技术研发人员：杨皓杰，杨雨，李倩，程胜，孙丰诚，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。