基于图谱信息融合的卷积神经网络的变压器故障诊断系统的制作方法

1.本发明涉及变压器故障诊断领域，特别是涉及基于图谱信息融合的卷积神经网络的变压器故障诊断系统。


背景技术：

2.电力变压器是电力系统中的关键设备，其可靠性直接影响电力系统的运行安全。电力变压器故障主要有绕组变形、铁芯松动、分接头故障、油纸绝缘老化等。其中绕组变形约占总故障的15％，铁芯松动约占总故障的45％。绕组变形会使振动进一步加剧，导致匝间绝缘性能劣化，若不能及时检修，在下次短路电流冲击下，绕组变形将进一步增加，最终在不太大的短路电流和过电压作用下，会出现严重损坏；铁芯松动时会使空载损耗增加，铁芯过热，导致铁芯绝缘层老化脱落甚至铁芯烧毁事故。因此，电力变压器绕组和铁芯故障的早期识别对于保障电力系统的安全运行具有重要意义。
3.从目前的研究来看，在变压器设备故障诊断领域中，利用信号处理和深度学习模型进行故障诊断有着较广的应用。针对信号处理技术而言，环境中的噪声干扰、故障信号的微弱特征等因素都会带来很大的干扰；对深度学习技术而言，训练样本特征差异和模型的泛化性能不足等问题也进一步限制了模型的应用。
4.国内涉及变压器故障诊断的专利有“一种基于深度森林模型的变压器故障诊断方法”(202010621042.2)，该专利首先以变压器油中溶解气体分析数据的无编码比值作为深度森林模型的特征参量，然后构建深度森林模型df，深度森林模型df通过多粒度扫描对变压器故障的多维数据提取更多特征信息，再经过级联森林的训练达到诊断识别变压器的故障类型的效果最优，但该专利未考虑模型的泛化性问题。国家发明专利“一种基于振动频谱矩阵的变压器铁心松散缺陷诊断方法”(201910468382.3)，该专利首先将振动信号转换为频域信号，而后通过频率信号构成频率行矩阵，接着利用频谱图中的幅值信号形成幅值列矩阵，将两矩阵相乘以得到第二铁心系数，接着计算第二铁心系数相对于第一铁心系数的变化率作为判断铁心松散程度的判定因子，最终将判定因子与预设的缺陷阈值进行对比，实现对铁心是否松散的判断，但该专利仅能够对变压器铁芯故障进行判断，不够全面。


技术实现要素：

5.为解决上述问题，本发明在信息图谱及其融合算法和cnn模型的基础上，提出了基于图谱信息融合的卷积神经网络的变压器故障诊断系统。鉴于信息图谱中含有丰富的频段信息，本发明利用快速谱峭图、平方包络信息谱和平方包络谱信息谱提取故障信号所含的频域信息，而后提出平方近邻加权算法对三种信息图进行融合以获得信息融合图谱，从而增强了模型输入的图像特征；另外，针对传统cnn模型容易过拟合和泛化性不足的问题，本专利提出了改进的cnn模型，其中提出了leu激活函数，同时提出了动态dropout层和解决样本不平衡、稀疏性的损失函数，提高了模型的泛化性。为达此目的，本发明提供基于图谱信息融合的卷积神经网络的变压器故障诊断系统，具体步骤如下，其特征在于：
6.步骤1，信息图谱获取：采集变压器不同故障状态的振动信号，并计算对应的快速谱峭图、平方包络信息谱和平方包络谱信息谱，其中pcb加速度传感器选用608a11，数据采集卡选用ni9234；
7.步骤2，卷积特征提取：利用卷积算法对信息图谱进行特征提取以获得特征图；
8.步骤3，特征信息融合：利用提出的平方近邻加权算法对步骤2的特征图进行信息融合以获得信息融合图谱；
9.步骤4，改进的cnn模型训练：确定得到的信息融合图谱对应的标签，接着作为样本训练改进的cnn模型并使其收敛；
10.步骤5，模型在线监测：将步骤1～步骤4得到的诊断模型安装于上位机程序中，实时处理信号采集系统上传的振动信号，若检测到故障则通过信息交互系统发出警报。
11.进一步，步骤1中计算快速谱峭图、平方包络信息谱和平方包络谱信息谱的过程可表示如下：
12.假设采集到长度为l的离散时域振动信号x(n)(n＝1,2,...,l)，则快速谱峭图中对应的谱峭度k
y
(f)的定义为：
[0013][0014]
式中，{
·
}表示数学期望，|
·
|表示绝对值，h(n,f)表示信号x(n)在频率f处的复包络。
[0015]
对平方包络信息谱而言，其在时域中的谱负熵的定义为：
[0016][0017]
式中，se
x
(n；f,δf)表示x(n)在频带范围[f
‑
δf/2,f+δf/2]内的平方包络。
[0018]
对平方包络谱信息谱而言，其在频域中的谱负熵的定义为：
[0019][0020]
式中，ses
x
(α；f,δf)表示x(n)在频带范围[f
‑
δf/2,f+δf/2]内的平方包络谱，α为循环频率。
[0021]
进一步，步骤2中利用卷积算法对信息图谱进行特征提取的具体描述为：
[0022]
利用fullpadding方式的卷积核对信息图谱进行处理，其中卷积核的规格为3
×3×
3，移动步长strides设置为1；
[0023]
进一步，步骤3中利用提出的平方近邻加权算法对特征图进行信息融合的具体步骤为：
[0024]
步骤3.1，确定快速谱峭图、平方包络信息谱和平方包络谱信息谱在第i行第j列位置上的值和并计算平均值即
[0025]
步骤3.2，计算和至的距离平方d
p
(p＝1,2,3)，并确定对应的近邻权重系数计算公式为：
[0026][0027]
步骤3.3，计算信息融合后对应像素点的值if
ij
，其表达式为：
[0028][0029]
进一步，步骤4中对改进的cnn模型进行训练的具体步骤为：
[0030]
步骤4.1，利用卷积层和leu激活函数依次对信息融合图谱进行特征提取以获得特征图，其中leu激活函数的定义为：
[0031][0032]
步骤4.2，利用max pooling池化对特征图进行池化处理，实现特征图的降维；
[0033]
步骤4.3，接着利用提出的动态dropout层进行特征图的稀疏化处理，动态的dropout层在每一次模型训练过程中会以随机概率将特征图中的某些像素点置0，随机概率的表达式为：
[0034]
rp＝e
‑
m
[0035]
式中，m是稀疏化系数，且满足均匀分布，即m～u[1,10]。
[0036]
步骤4.4，继续步骤4.1～步骤4.3所述的卷积
‑
leu激活函数
‑
池化
‑
dropout算法流程对特征图进行进一步的处理，得到最后的特征图；
[0037]
步骤4.5，以flatten形式将步骤4.4得到的特征图展开，并连接两层全连接层，而后通过softmax逻辑回归实现对图像的分类识别，其中激活函数仍选用leu；
[0038]
步骤4.6，重复步骤4.1～步骤4.5，直至损失函数收敛或者迭代达到既定次数100，其中的损失函数l
icnn
设计为：
[0039]
l
icnn
＝l
fl
+l
re
+l
sp
[0040]
式中，l
fl
为focal loss损失函数，l
re
为正则惩罚损失，l
sp
为dropout层稀疏项损失，具体的表达式分别如下：
[0041][0042][0043]
式中，μ表示平衡系数，γ为调节系数，p
t
为模型的预测概率，p为模型的输出概率，y为模型的逻辑输出。
[0044][0045]
式中，λ表示正则化系数，w
i
为卷积核权重系数，数量为n。
[0046][0047]
式中，s表示dropout层神经元个数，ρ为稀疏性参数，为第j个dropout层神经元的平均活跃度。
[0048]
本发明基于图谱信息融合的卷积神经网络的变压器故障诊断系统，有益效果：本发明的技术效果在于：
[0049]
1.本发明利用快速谱峭图、平方包络信息谱和平方包络谱信息谱提取故障信号所含的频域信息，而后提出平方近邻加权算法对三种信息图进行融合以获得信息融合图谱，从而增强了模型输入的图像特征；
[0050]
2.针对传统cnn模型容易过拟合和泛化性不足的问题，本专利提出了改进的cnn模型，其中提出了leu激活函数以解决传统的sigmoid激活函数在反向传播时容易出现梯度消失的问题，同时提出了动态dropout层和解决样本不平衡、稀疏性的损失函数，提高了模型的泛化性，实现了对变压器故障准确有效的诊断。
附图说明
[0051]
图1为本发明的流程图；
[0052]
图2为发明所用的图谱信息融合的卷积神经网络的网络结构图；
[0053]
图3为在线诊断系统的示意图。
具体实施方式
[0054]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0055]
本发明提出了基于图谱信息融合的卷积神经网络的变压器故障诊断系统，旨在实现对变压器故障准确有效的诊断，提高输电能力。图1为本发明的流程图，下面结合流程图对本发明的步骤作详细介绍。
[0056]
步骤1，信息图谱获取：采集变压器不同故障状态的振动信号，并计算对应的快速谱峭图、平方包络信息谱和平方包络谱信息谱，其中pcb加速度传感器选用608a11，数据采集卡选用ni9234；
[0057]
步骤1中计算快速谱峭图、平方包络信息谱和平方包络谱信息谱的过程可表示如下：
[0058]
假设采集到长度为l的离散时域振动信号x(n)(n＝1,2,...,l)，则快速谱峭图中对应的谱峭度k
y
(f)的定义为：
[0059][0060]
式中，{
·
}表示数学期望，|
·
|表示绝对值，h(n,f)表示信号x(n)在频率f处的复
包络。
[0061]
对平方包络信息谱而言，其在时域中的谱负熵的定义为：
[0062][0063]
式中，se
x
(n；f,δf)表示x(n)在频带范围[f
‑
δf/2,f+δf/2]内的平方包络。
[0064]
对平方包络谱信息谱而言，其在频域中的谱负熵的定义为：
[0065][0066]
式中，ses
x
(α；f,δf)表示x(n)在频带范围[f
‑
δf/2,f+δf/2]内的平方包络谱，α为循环频率。
[0067]
步骤2，卷积特征提取：利用卷积算法对信息图谱进行特征提取以获得特征图；
[0068]
步骤2中利用卷积算法对信息图谱进行特征提取的具体描述为：
[0069]
利用full padding方式的卷积核对信息图谱进行处理，其中卷积核的规格为3
×3×
3，移动步长strides设置为1；
[0070]
步骤3，特征信息融合：利用提出的平方近邻加权算法对步骤2的特征图进行信息融合以获得信息融合图谱；
[0071]
步骤3中利用提出的平方近邻加权算法对特征图进行信息融合的具体步骤为：
[0072]
步骤3.1，确定快速谱峭图、平方包络信息谱和平方包络谱信息谱在第i行第j列位置上的值和并计算平均值即
[0073]
步骤3.2，计算和至的距离平方d
p
(p＝1,2,3)，并确定对应的近邻权重系数计算公式为：
[0074][0075]
步骤3.3，计算信息融合后对应像素点的值if
ij
，其表达式为：
[0076][0077]
步骤4，改进的cnn模型训练：确定得到的信息融合图谱对应的标签，接着作为样本训练改进的cnn模型并使其收敛；
[0078]
步骤4中对改进的cnn模型进行训练的具体步骤为：
[0079]
步骤4.1，利用卷积层和leu激活函数依次对信息融合图谱进行特征提取以获得特征图，其中leu激活函数的定义为：
[0080][0081]
步骤4.2，利用max pooling池化对特征图进行池化处理，实现特征图的降维；
[0082]
步骤4.3，接着利用提出的动态dropout层进行特征图的稀疏化处理，动态的dropout层在每一次模型训练过程中会以随机概率将特征图中的某些像素点置0，随机概率的表达式为：
[0083]
rp＝e
‑
m
[0084]
式中，m是稀疏化系数，且满足均匀分布，即m～u[1,10]。
[0085]
步骤4.4，继续步骤4.1～步骤4.3所述的卷积
‑
leu激活函数
‑
池化
‑
dropout算法流程对特征图进行进一步的处理，得到最后的特征图；
[0086]
步骤4.5，以flatten形式将步骤4.4得到的特征图展开，并连接两层全连接层，而后通过softmax逻辑回归实现对图像的分类识别，其中激活函数仍选用leu；
[0087]
步骤4.6，重复步骤4.1～步骤4.5，直至损失函数收敛或者迭代达到既定次数100，其中的损失函数l
icnn
设计为：
[0088]
l
icnn
＝l
fl
+l
re
+l
sp
[0089]
式中，l
fl
为focal loss损失函数，l
re
为正则惩罚损失，l
sp
为dropout层稀疏项损失，具体的表达式分别如下：
[0090][0091][0092]
式中，μ表示平衡系数，γ为调节系数，p
t
为模型的预测概率，p为模型的输出概率，y为模型的逻辑输出。
[0093][0094]
式中，λ表示正则化系数，w
i
为卷积核权重系数，数量为n。
[0095][0096]
式中，s表示dropout层神经元个数，ρ为稀疏性参数，为第j个dropout层神经元的平均活跃度。
[0097]
步骤5，模型在线监测：将步骤1～步骤4得到的诊断模型安装于上位机程序中，实时处理信号采集系统上传的振动信号，若检测到故障则通过信息交互系统发出警报。
[0098]
图2为发明所用的图谱信息融合的卷积神经网络的网络结构图。该结构图可分为两大模块，分别是：信息融合模块和改进的cnn模块。对信息融合模块来说，利用快速谱峭图、平方包络信息谱和平方包络谱信息谱提取故障信号所含的频域信息，而后提出平方近邻加权算法对三种信息图进行融合以获得信息融合图谱，而后以信息融合图谱作为训练样
本训练改进的cnn模型，这增强了cnn模型输入的图像特征。对改进的cnn模块来说，本专利考虑到传统cnn模型容易过拟合和泛化性不足的问题，提出了改进的cnn模型，其中提出了leu激活函数以解决传统的sigmoid激活函数在反向传播时容易出现梯度消失的问题，同时提出了动态dropout层和结合样本不平衡、稀疏性的损失函数，提高了模型的泛化性，实现了对变压器故障的准确有效的诊断。总的来说，通过传感器及其采集系统对变压器振动信号的采集，依次经过算法融合和cnn不同层次的特征提取，最终实现对信号中是否含有故障信息的判断，保障了变压器的安全和提高了输电能力。
[0099]
图3为在线诊断系统的示意图，可以看出：608a11
‑
pcb加速度传感器安装于各变压器上，而后ni9234数据采集卡通过信号调理电路对传感器采集的信号进行转换，并上传至数据采集系统中；接着服务器调用图谱信息融合的卷积神经网络对上传的数据进行分类识别，若发现故障，则通过报警器发出报警信息，反之继续监测。整个系统保障了变压器工作的安全性，同时提高了变压器的输电能力。
[0100]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。