本申請涉及計算機，特別涉及一種變壓器故障檢測方法、裝置、介質(zhì)和設(shè)備。
背景技術(shù)：
1、一般的，變壓器故障聲紋信號是一種非線性的時間序列，傳統(tǒng)的時域特征提取方法，如均值、均方根、峭度和偏斜度等，和頻域特征提取方法如功率譜、包絡(luò)譜分析和快速傅里葉變換等，難以分析此類非線性信號。
2、現(xiàn)有技術(shù)中，變壓器故障聲紋檢測方法其本質(zhì)是一個多分類問題，一般需要一個多分類機器學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)聲紋特征與故障標(biāo)簽之間的內(nèi)在關(guān)聯(lián)規(guī)則，再通過測試數(shù)據(jù)測試多分類機器學(xué)習(xí)算法學(xué)習(xí)內(nèi)在規(guī)則的效果，最終使多分類器有能力對變壓器故障聲紋信號作出智能診斷。從現(xiàn)有的技術(shù)路徑來看，一類是使用靜態(tài)數(shù)據(jù)驅(qū)動的監(jiān)督型經(jīng)典機器學(xué)習(xí)算法，如決策樹、集成學(xué)習(xí)、支持向量機等。因為變壓器故障聲紋信號是一種非線性的時間序列信息，上述方法破壞了蘊含在時間序列中的潛在規(guī)則，致使只學(xué)習(xí)了前層的數(shù)據(jù)關(guān)聯(lián)規(guī)則，而忽視了序列上下文的語義信息。另一類方法發(fā)現(xiàn)了上述問題，所以采用循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)來學(xué)習(xí)聲紋信號時序特征，但是rnn受其自身算法結(jié)構(gòu)的制約，對于長序列數(shù)據(jù)學(xué)習(xí)效果很差，記憶性短暫。并且rnn在訓(xùn)練過程中容易產(chǎn)生梯度消失與梯度爆炸。
3、綜上，現(xiàn)有的變壓器故障檢測方法對變壓器的聲紋信號的分析利用較差，故障檢測精度較低。
技術(shù)實現(xiàn)思路
1、基于此，有必要針對上述技術(shù)問題，提供一種變壓器故障檢測方法、裝置、介質(zhì)和設(shè)備。
2、本說明書采用下述技術(shù)方案：
3、本說明書提供了一種變壓器故障檢測方法，包括：
4、獲取變壓器的歷史聲紋數(shù)據(jù)作為樣本數(shù)據(jù)，并標(biāo)注樣本數(shù)據(jù)對應(yīng)的真實故障類型；
5、將樣本數(shù)據(jù)按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵；
6、將樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵輸入transformer模型的編碼器，得到預(yù)測故障類型；并以最小化真實故障類型和預(yù)測故障類型之間的偏差為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練，得到故障檢測模型；
7、提取待檢測變壓器的聲紋數(shù)據(jù)的復(fù)合多尺度散布熵，并將其輸入故障檢測模型，通過故障檢測模型提取待檢測變壓器的聲紋數(shù)據(jù)的復(fù)合多尺度散布熵的故障特征，并根據(jù)故障特征確定待檢測變壓器的故障類型。
8、可選地，所述將樣本數(shù)據(jù)按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵，具體包括：
9、對樣本數(shù)據(jù)進(jìn)行濾波以消除背景噪聲，對濾波后的樣本數(shù)據(jù)進(jìn)行歸一化處理，得到預(yù)處理后的樣本數(shù)據(jù)；
10、通過下式根據(jù)預(yù)處理后的樣本數(shù)據(jù)生成多個不同時域尺度下的多個粗?；蛄校?/p>
11、
12、針對每個不同時域尺度，確定該時域尺度下各粗?；蛄械纳⒉检?，并確定各粗?；蛄械纳⒉检鼐?；
13、將不同時域尺度下各粗粒化序列的散布熵均值，作為樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵；
14、其中，為時域尺度τ對應(yīng)的第k個粗?；蛄兄械趈項元素，x為預(yù)處理后的樣本數(shù)據(jù)序列，τmax為預(yù)設(shè)的最大時域尺度，n為預(yù)處理后的樣本數(shù)據(jù)序列中的元素個數(shù)。
15、可選地，所述并以最小化真實故障類型和預(yù)測故障類型之間的偏差為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練，具體包括：
16、根據(jù)交叉熵?fù)p失函數(shù)確定真實故障類型和預(yù)測故障類型之間的偏差損失；
17、以最小化各樣本數(shù)據(jù)的總偏差損失為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練。
18、可選地，所述真實故障類型包括：繞組變形、鐵芯松動、附件松動、諧波電流、直流偏磁、風(fēng)機老化、鐵芯松動、重載、風(fēng)機異響和局部放電中的一種或多種。
19、本說明書提供了一種變壓器故障檢測裝置，包括：
20、獲取模塊，用于獲取變壓器的歷史聲紋數(shù)據(jù)作為樣本數(shù)據(jù)，并標(biāo)注樣本數(shù)據(jù)對應(yīng)的真實故障類型；
21、提取模塊，用于將樣本數(shù)據(jù)按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵；
22、訓(xùn)練模塊，用于將樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵輸入transformer模型的編碼器，得到預(yù)測故障類型；并以最小化真實故障類型和預(yù)測故障類型之間的偏差為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練，得到故障檢測模型；
23、檢測模塊，用于提取待檢測變壓器的聲紋數(shù)據(jù)的復(fù)合多尺度散布熵，并將其輸入故障檢測模型，通過故障檢測模型提取待檢測變壓器的聲紋數(shù)據(jù)的復(fù)合多尺度散布熵的故障特征，并根據(jù)故障特征確定待檢測變壓器的故障類型。
24、本說明書提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述變壓器故障檢測方法。
25、本說明書提供了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述變壓器故障檢測方法。
26、本說明書采用的上述至少一個技術(shù)方案能夠達(dá)到以下有益效果：
27、先獲取變壓器的歷史聲紋數(shù)據(jù)作為樣本數(shù)據(jù)，并標(biāo)注各樣本數(shù)據(jù)的故障類型，然后提取各樣本數(shù)據(jù)的復(fù)合多尺度散布熵，將其輸入至transformer模型的編碼器，得到預(yù)測故障類型，并以最小化真實故障類型和預(yù)測故障類型之間的偏差為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練，得到故障檢測模型，最后對于待檢測變壓器的聲紋數(shù)據(jù)，提取其對應(yīng)的復(fù)合多尺度散布熵，并將其輸入故障檢測模型進(jìn)行故障特征提取，以確定待檢測變壓器的故障類型。本發(fā)明采用復(fù)合多尺度散布熵來體現(xiàn)變壓器的聲紋數(shù)據(jù)的時域特征，通過粗?；c時移融合了變壓器的聲紋數(shù)據(jù)多時域尺度、幅值間關(guān)系等特征，便于更加全面地從中提取到故障特征，提高了故障檢測的準(zhǔn)確率。
1.一種變壓器故障檢測方法，其特征在于，包括：
2.如權(quán)利要求1所述的方法，其特征在于，所述將樣本數(shù)據(jù)按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數(shù)據(jù)對應(yīng)的復(fù)合多尺度散布熵，具體包括：
3.如權(quán)利要求1所述的方法，其特征在于，所述并以最小化真實故障類型和預(yù)測故障類型之間的偏差為優(yōu)化目標(biāo)，對transformer模型的編碼器進(jìn)行訓(xùn)練，具體包括：
4.如權(quán)利要求1所述的方法，其特征在于，所述真實故障類型包括：繞組變形、鐵芯松動、附件松動、諧波電流、直流偏磁、風(fēng)機老化、鐵芯松動、重載、風(fēng)機異響和局部放電中的一種或多種。
5.一種變壓器故障檢測裝置，其特征在于，包括：
6.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述權(quán)利要求1～4任一項所述的方法。
7.一種計算機設(shè)備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述權(quán)利要求1～4任一所述的方法。