本发明属于变压器故障诊断，涉及一种基于因果推理的变压器声纹故障诊断域适应方法及系统。
背景技术：
1、确保电力系统的安全可靠运行对电力系统的有效运行和维护至关重要。因此，加强电力设备的状态监测和故障诊断至关重要。随着人们对智能电力系统的需求日益增长，声纹检测技术在电力设备监测与诊断领域得到了广泛的认可。该技术检测精度高，定位方便，是无损检测的典范。
2、为了实现变压器声纹故障的智能诊断，研究人员探索了基于机器学习和深度学习的声纹故障诊断方法。这些研究的重点是提取更好的声纹信号表示特征，利用声纹信号表示特征对不同的模型进行训练，以利用训练后的模型进行故障诊断。然而，在实际工业场景中，故障诊断必须考虑故障样本不足和特征漂移等问题。由于故障样本的缺乏，很难从单一来源获得用于模型训练的大量故障样本。为了解决故障样本不足的问题，现有技术中是通过采集多源数据，但不同源数据的特征之间的域漂移会对故障诊断模型的准确性产生负面影响。
技术实现思路
1、为了解决上述问题，本发明采用域自适应技术，该技术旨在通过减少或消除源领域数据与目标领域数据之间的差异来实现领域之间的知识转换，从而减少数据差异带来的模型不稳定性，提高故障诊断的准确性和通用性，实现多源声纹故障诊断。本发明基于因果推理技术和域适应技术，提出了一种基于因果推理的变压器故障诊断域适应方法，相比较传统深度学习故障诊断方法而言，本发明可以降低多源数据间的差异对模型训练的影响，并提高模型的诊断精度。
2、本发明通过下述技术方案来实现。基于因果推理的变压器声纹故障诊断域适应方法，包括：
3、采集多源声纹信号，形成声纹数据集；
4、对声纹数据集中部分声纹信号标注标签，形成标注数据集，将标注数据集作为源域数据，使用源域数据训练特征提取网络和分类器模块，得到预训练模型，特征提取网络提取得到源域数据的特征；
5、将声纹数据集中无标注的声纹信号作为目标域数据，将目标域数据的声纹信号输入预训练模型以得到目标域数据的特征和伪标签；
6、根据目标域数据的伪标签信息和源域数据的标签信息构建约束函数，将目标域数据中声纹信号的特征和源域数据中声纹信号的特征划分为多个类；将每个类作为一个待对齐的特征集合，按类别实现源域数据和目标域数据的特征的对齐，得到对齐的特征集合；
7、将对齐的特征集合中的特征输入域适应模块中进行特征重构，根据重构损失优化域适应模块和特征提取网络的参数；
8、将对齐的特征输入预训练模型中的分类器模块进行分类以输出电力设备故障分类诊断结果。
9、进一步优选，采集多源声纹信号，形成声纹数据集，包括对各声纹信号进行数据预处理后形成声纹数据集，其中，对声纹信号进行数据预处理包括：针对采集到的声纹信号进行离散化采样，针对离散化采样后的声纹信号进行归一化处理得到数据信号，通过快速傅里叶变换将数据信号表示成频谱；将所述频谱转化为梅尔频谱；将所述梅尔频谱通过梅尔滤波器组得到梅尔谱图，并将梅尔谱图的图像大小缩放至预设尺度，将各预设尺度的梅尔谱图形成声纹数据集。
10、进一步优选，源域数据其中，分别代表源域数据中第1,2,…,ns个声纹信号，分别代表第1,2,…,ns个声纹信号的标签，其中ns表示源域数据的数据量；目标域数据分别代表目标域数据中第1,2,…,nt个声纹信号，其中nt表示目标域数据的数据量，目标域数据的伪标签信息分别代表目标域数据中第1,2,…,nt个声纹信号的伪标签。
11、进一步优选，特征提取网络的损失函数lf定义为：
12、lf＝lal+lsim-lrep
13、其中，lal，lsim和lrep分别为总体分布对齐损失、类内相似损失和类间相斥损失；
14、
15、
16、其中，wf为随机线性投影矩阵，为wf的转置，和分别表示源域数据和目标域数据中属于第k类的样本的数量，为经过特征提取网络得到的源域数据的第i个特征，表示经过特征提取网络得到的目标域数据的第j个特征；k是数据的总类别数量。
17、进一步优选，域适应模块包括是源域域适应模块和目标域域适应模块，源域域适应模块用于将所有对齐的特征在源域进行重构，目标域域适应模块用于将所有对齐的特征在目标域进行重构，域适应模块总体损失ldd＝ls+lt的具体定义如下：
18、
19、其中，ls和lt分别是域适应模块在源域数据和目标域数据中的重构损失，d＝s表示特征送入的是源域域适应模块，d＝t表示特征送入的是目标域域适应模块，代表源域数据中第i个声纹数据，为目标域数据中第i个声纹数据，为源域中的第k类特征中心，为目标域中的第k类特征中心，ck表示属于第k类的特征的集合。
20、本发明还提供一种基于因果推理的变压器声纹故障诊断域适应系统，该系统运行变压器声纹故障诊断域适应模型，变压器声纹故障诊断域适应模型包括：
21、预处理模块，用于对实际采集的声纹信号进行数据预处理，形成声纹数据集；
22、特征提取网络，用于提取声纹信号的特征；
23、特征对齐网络模块，用于对源域数据和目标域数据进行整体特征对齐，并根据目标域数据的伪标签信息和源域数据的标签信息，将目标域数据中声纹信号的特征和源域数据中声纹信号的特征划分为多个类；将每个类作为一个待对齐的特征集合，按类别实现源域数据和目标域数据的特征的对齐；
24、域适应模块，包括是源域域适应模块和目标域域适应模块，源域域适应模块用于将对齐的特征在源域进行重构，目标域域适应模块用于将对齐的特征在目标域进行重构；
25、分类器模块：用于获取声纹信号的伪标签和并对对齐特征进行分类并输出电力设备故障分类诊断结果。
26、本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述实施例中的基于因果推理的变压器声纹故障诊断域适应方法。
27、本发明还提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行基于因果推理的变压器声纹故障诊断域适应方法。
28、本发明针对模型特征对齐能力不足的问题，提出基于伪标签信息的相似度约束，用于约束特征提取网络的损失，实现多源特征对齐，通过确定域适应模块在源域数据和目标域数据中的重构损失，以因果表示学习的方式的提高对齐特征表达能力，进一步解决传统深度学习模型因单一来源故障样本稀缺，多源数据难以利用的问题，实现电力设备故障跨域诊断。
1.基于因果推理的变压器声纹故障诊断域适应方法，其特征在于，包括：
2.根据权利要求1所述的基于因果推理的变压器声纹故障诊断域适应方法，其特征在于，采集多源声纹信号，形成声纹数据集，包括对各声纹信号进行数据预处理后形成声纹数据集，其中，对声纹信号进行数据预处理包括：针对采集到的声纹信号进行离散化采样，针对离散化采样后的声纹信号进行归一化处理得到数据信号，通过快速傅里叶变换将数据信号表示成频谱；将所述频谱转化为梅尔频谱；将所述梅尔频谱通过梅尔滤波器组得到梅尔谱图，并将梅尔谱图的图像大小缩放至预设尺度，将各预设尺度的梅尔谱图形成声纹数据集。
3.根据权利要求1所述的基于因果推理的变压器声纹故障诊断域适应方法，其特征在于，源域数据其中，代表源域数据中第ns个声纹信号，代表源域数据中第ns个声纹信号的标签，其中ns表示源域数据的数据量；
4.根据权利要求3所述的基于因果推理的变压器声纹故障诊断域适应方法，其特征在于，特征提取网络的损失函数为lf为：
5.根据权利要求4所述的基于因果推理的变压器声纹故障诊断域适应方法，其特征在于，域适应模块包括是源域域适应模块和目标域域适应模块，源域域适应模块用于将所有对齐的特征在源域进行重构，目标域域适应模块用于将所有对齐的特征在目标域进行重构，域适应模块的总体损失ldd＝ls+lt的具体定义如下：
6.一种基于因果推理的变压器声纹故障诊断域适应系统，其特征在于，该系统运行变压器声纹故障诊断域适应模型，变压器声纹故障诊断域适应模型包括：
7.根据权利要求6所述的一种基于因果推理的变压器声纹故障诊断域适应系统，其特征在于，
8.根据权利要求7所述的一种基于因果推理的变压器声纹故障诊断域适应系统，其特征在于，域适应模块总体损失ldd＝ls+lt的具体定义如下：
9.一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令执行权利要求1-8任意一项所述的基于因果推理的变压器声纹故障诊断域适应方法。
10.一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-8任意一项所述的基于因果推理的变压器声纹故障诊断域适应方法。