一种基于双注意力机制的变压器故障诊断方法技术

本发明专利技术提出了一种基于双注意力机制的变压器故障诊断方法，用以解决传统机器学习方法故障预测准确率低和速度慢问题

【技术实现步骤摘要】
一种基于双注意力机制的变压器故障诊断方法


[0001]本专利技术涉及故障诊断的
，尤其涉及一种基于双注意力机制的变压器故障诊断方法
。

技术介绍

[0002]变压器作为旋转机械的关键部件，因其长时间工作在重负载
、
高旋转的环境下，极易发生故障而影响设备正常运行，从而造成不必要的经济损失，为了保证旋转机械正常运行，对变压器进行早期故障诊断是有必要的
。
然而变压器中类似轴承等早期损伤通常特征微小且难以察觉，因此对变压器故障诊断步骤
、
故障特征提取方法的研究成为国内外热点
。
[0003]随着人工智能技术的引入，变压器故障诊断的可靠性和自动化程度大大提高
。
传统机器学习方法对于预测准确率具有一定的效果，但是对于大样本分类计算量大，耗时久
。
为此故障诊断也从传统方法转向深度学习方法，深度学习的方法能够直接处理原始数据，越来越多的研究人员用深度学习的方法来进行分类
。
现有的深度学习方法虽然能直接处理原始数据，但是忽略了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双注意力机制的变压器故障诊断方法，其特征在于，其步骤如下：步骤一：用经验模态分解将原始故障信号进行分解，通过对本证模态函数集分量的选取消除表示非线性和非平稳信号的杂散谐波，得到不同频段的
IMF
分量；步骤二：根据力学的重心计算方法类似得出信号重心的计算方法筛选出与原始故障信号相关性较强的
IMF
分量进行信号重构，对重构之后的信号序列用注意力卷积神经网络进行空间特征提取；步骤三：在长短期记忆递归神经网络的隐藏层增加时间特征注意力机制提取时序特征，按照对本时刻的影响将不同历史时刻的时序特征赋予不同的时间注意力权值，得到综合时序信息特征，应用全连接层对变压器状态进行分类
。2.
根据权利要求1所述的基于双注意力机制的变压器故障诊断方法，其特征在于，所述步骤一中原始故障信号
x(t)
经过经验模态分解之后的结果为：式中，第
i
个
IMF
i
(t)
分量包含了原始故障信号
x(t)
不同频段的频率成分；残余信号分量
R
n
(t)
代表原始故障信号
x(t)
序列的中心趋势
。3.
根据权利要求2所述的基于双注意力机制的变压器故障诊断方法，其特征在于，所述经验模态分解的方法为：
(1)
确定原始故障信号
x(t)
的所有极大值点
、
极小值点，采用三次样条插值法拟合所得到的极大值点和极小值点分别形成上包络线
y
up
(t)
和下包络线
y
low
(t)
，计算极大值与极小值的的平均包络线：
(2)
原始故障信号
x(t)
减去平均包络线
avg1(t)
，求得第一个去掉低频的新信号：
h1(t)
＝
x(t)
‑
avg1(t)
；其中，
h1(t)
是原始故障信号与平均包络线的差值信号；
(3)
判断差值信号
h1(t)
是否满足
IMF
条件，如果满足，则差值信号
h1(t)
为原故障信号
x(t)
的第一阶
IMF
分量；否则将差值信号
h1(t)
视为新的待分解信号，循环执行步骤
(1)
和
(2)
直到得到符合
IMF
条件的第1个分量记为
IMF1(t)
；
(4)
从原始故障信号
x(t)
中分离出包含高频信号成分的第1个
IMF
分量，得到信号序列：
R1(t)
＝
x(t)
‑
IMF1(t)
；其中，
R1(t)
是对原始故障信号
x(t)
的序列除掉高频信号成分留下的信号序列；
(5)
将信号序列
R1(t)
作为新的原始信号序列，重复步骤
(1)
‑
(4)
，得到原始故障信号
x(t)
的第2个
IMF
分量，其包含着较第一阶
IMF
分量
IMF1(t)
低的频率成分；重复执行上述操作，分别得到
IMF
分量
IMF1(t)、IMF2(t)、IMF3(t)、
…
、IMF
n
(t)
，直到残余分量信号
R
n
(t)
是一个单调函数或者很小
。4.
根据权利要求1‑3中任意一项所述的基于双注意力机制的变压器故障诊断方法，其特征在于，所述信号重构的方法为：利用相关系数
γ
先筛选出与原始信号序列相关性较强的
IMF
分量进行信号重构；将
IMF
函数按顺序相加并添加残余函数，形成重构的原始故障信号
。5.
根据权利要求4所述的基于双注意力机制的变压器故障诊断方法，其特征在于，计算
给定信号序列重心作为相关系数：其中，
X
＝
(x1,x2,
…
,x
i
,
…
,x
n

【专利技术属性】
技术研发人员：吴青娥，曹书源，陈虎，周林涛，鲁迎波，钱晓亮，宗涛，郭根，万国梁，姜轶博，王文静，余遥，吴楠鹏，韩一帆，李鹏飞，黄澳，常帅帅，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：