本发明属于变压器故障诊断，具体涉及一种基于声纹分析和两级conformer网络的变压器故障诊断方法。
背景技术：
1、变压器作为电力系统中的重要设备，其稳定运行对于保障电力供应的安全至关重要。然而，由于变压器长时间运行会受到多种因素的影响(如环境噪声、设备老化等)，导致故障发生的可能性增加。传统的故障检测方法多依赖于温度、压力、电流等物理量的监测，但这些方法在故障早期或微小故障检测方面存在较大的局限性，尤其在复杂环境下，背景噪声会对检测结果产生显著影响，导致故障诊断不准确。
2、近年来，基于声学分析的故障诊断方法逐渐得到广泛应用。声学信号具有较高的时变特性，可以提供设备运行状态的动态信息。然而，由于工业环境中噪声的多样性和复杂性，传统的声学分析方法在处理复杂信号时难以有效区分正常运行与故障状态，尤其是在设备运行噪声频谱与故障信号频谱重叠的情况下。
3、为了克服上述缺陷，近年来，深度学习技术逐渐应用于故障诊断领域。通过深度神经网络的学习，能够从大量音频数据中提取复杂的特征，具有较强的分类能力。然而，深度学习方法对训练数据的质量要求较高，且在背景噪声较大或数据质量较差的环境下，仍然面临较高的误报率。
4、因此，如何在复杂的工业环境下，准确、快速地检测到变压器等设备的故障，且尽量减少背景噪声的干扰，成为当前研究的一个重要课题。现有的技术在这一方面存在一定的不足，亟需一种新的方法在保证低误报率的情况下来提高故障诊断的准确性。
技术实现思路
1、为了克服现有技术的不足，本发明提供了一种基于声纹分析和两级conformer网络的变压器故障诊断方法，该方法结合声学特征初筛、深度模型检测与自适应门限优化，实现对异常声音的智能识别与分类。通过声纹传感器采集音频，利用多特征门限筛选异常信号，再经预训练conformer网络完成二分类检测与多类别故障识别。最后，采用动态阈值补偿策略自适应优化诊断流程，以降低系统的误报率。为增强模型对工况变化与异常样本稀缺问题的适应性，采用基于特征相似性引导与条件鉴别约束的数据增强方法，并结合动态采样比例与领域对齐正则的训练策略优化模型表现。该方法识别精度高、误报率低，适用于变压器等工业设备的智能预测性维护。
2、本发明解决其技术问题所采用的技术方案如下：
3、步骤1：时域分析算法进行异常声音初步筛选；
4、步骤1-1：设定声压级、主频、频带能量比、平稳度四个声学特征参数的预设门限阈值，并初始化过门限次数n和预测累计时长t；
5、步骤1-2：通过声纹传感器采集变压器运行过程中持续产生的声音信号，首先计算当前1秒声音信号的声压级、主频、频带能量比、平稳度四个特征值参数，当检测到有n个参数超出设定门限时，过门限次数n+n，预测累计时长t+1；
6、步骤1-3：当预测累计时长t等于模型预测时长时，判断过门限次数是否大于阈值，若大于则判定为疑似异常信号，则返回声音数据并进入深度学习异常检测阶段；否则判定为正常信号，过门限次数n和预测累计时长t清零；
7、步骤2：深度学习决策算法进行异常检测；
8、步骤2-1：提取步骤1初步筛选的疑似异常信号的对数梅尔谱，并对对数梅尔谱进行标准化处理；
9、步骤2-2：将对数梅尔谱送入训练好的采用基于conformer网络的二分类深度学习模型，计算网络输出经过sigmoid后属于正常还是异常的概率；若信号为异常，并返回对数梅尔谱，开始执行深度学习决策算法的异常精准识别阶段；若为正常信号，过门限次数n和预测累计时长t清零；
10、步骤3：深度学习决策算法进行精确识别；
11、接收到步骤2-2异常信号的对数梅尔谱，采用六分类conformer网络，计算网络通过softmax后输出的对应异常类别的概率，输出概率最大的值对应的标签即为故障类别，故障类别分别为夹件松动、局部放电、冷却器异响、短路冲击、重过载和直流偏磁；
12、步骤4：自适应阈值动态补偿策略调整声压级、主频、频带能量比、平稳度四个声学特征参数的门限阈值，该策略分为基于特征值频繁超限的动态补偿和基于误报率的门限自适应调整策略；
13、步骤4-1：基于特征值频繁超限的动态补偿，统计一个时间窗口内各特征参数的超限次数，设定特征超限计数器；若某特征的超限次数超过总检测次数的设定比例，但该特征未导致深度学习模型判定为异常，则提高该特征的阈值；
14、步骤4-2：基于误报率的门限自适应调整，统计一个时间窗口内过时域检测门限的音频数量减去过深度学习检测门限的音频数量与总检测次数的比值，若该比值大于设定的误报率，则提高四个特征的阈值。
15、优选地，所述步骤1中声压级tspl、主频tfreq、频带能量比tser、平稳度tstab四个声学特征的计算方式如下：
16、(1)计算声压级：声压级是通过快速傅里叶变换fft计算得到的频谱数据，并结合麦克风校准函数计算得出；对时域信号进行快速傅里叶变换：
17、
18、其中，x(n)是原始信号，n为fft的长度，x(f)是计算出的频域信号；n表示离散时间索引；
19、针对fft计算出的频谱x(f)，进行频率加权，以修正测量误差；设麦克风校准函数为coeftnterp(f)，则加权后的信号的声压级计算公式如下：
20、
21、(2)计算主频：主频是信号中能量最大的频率成分，计算过程通过搜索最大频率分量实现；计算公式如下：
22、
23、其中，x(f)是信号的fft结果；
24、(3)计算频带能量比：频带能量比用于计算特定频带[fa,fb]内的能量占比；计算公式如下：
25、
26、(4)计算平稳度：平稳度用于评估信号的时变特性，首先将将时域信号x(n)进行分帧，帧移为nhop：
27、xk(n)＝x(n+k·nhop)
28、其中k是帧索引，xk(n)表示第k帧的信号，则相邻帧的变化量是：
29、
30、其中，xk-1(n)表示第k-1帧的信号；
31、取最大值作为平稳度指标：
32、
33、四个声学特征阈值的初始值计算方式如下：
34、t'spl＝tspl·(1+△fgrade+△fload)
35、t'stab＝tstab·(1+△fgrade+△fload)
36、t'freq＝tfreq·(1+△fgrade)
37、t'stab＝tstab·(1+△fload)
38、其中，fgrade为变压器等级修正因子，根据变压器额定电压进行设定；fload为负载率修正因子，负载率越高，声音信号强度越高。
39、优选地，所述步骤2-1具体为：
40、log-mel频谱的计算公式如下：
41、
42、其中，s(fi)为短时傅里叶变换后的频谱强度，hm(fi)为mel滤波器的加权函数；
43、对log-mel谱进行均值-方差标准化，确保不同变压器环境下特征值分布一致，避免因数据尺度不同导致的分类性能下降；
44、标准化处理如下：
45、
46、其中，x为原始log-mel谱数据，μ为x样本的均值，σ为x样本的标准差。
47、优选地，所述步骤2-2具体为：
48、步骤2-2-1：对原始变压器音频数据进行标准化预处理，并提取其时间域表示。将异常样本与正常样本按照设备运行条件进行初步分类，每个样本均附带其对应的运行条件标识；
49、针对每一个异常样本，基于其原始音频特征即log-mel谱与正常样本进行特征相似性计算，优先选择与该异常样本运行条件接近，且特征向量余弦相似度高于设定阈值的若干正常样本作为候选增强对；
50、采用可学习的加权线性插值方式构造增强样本，融合公式如下：
51、xnew＝α·x(μ1,μ2,μ3)+(1-α)·x(v1,v2,v3)
52、其中α为权重系数，非固定设定，而是由余弦相似度约束条件向量动态预测生成，以适应不同运行状态下的混合偏好；x(v1,v2,v3)、x(μ1,μ2,μ3)分别表示异常样本的原始时域音频信号，μ1,μ2,μ3和v1,v2,v3表示机器不同的运行条件；
53、引入一个轻量级的条件域鉴别器；该模块以增强样本为输入，输出其所归属条件域的置信度；若置信度低于阈值，则该样本被丢弃或重新生成，以提升数据质量并维持类别区分能力；
54、步骤2-2-2：模型训练策略；
55、在每一训练迭代中，定义批次大小为w，系统使用两个独立的数据加载器d1和d2，分别加载来自正常运行条件域与异常运行条件域的样本；
56、采样比例β不是预设常数，而是由一个动态采样调度模块决定；该模块基于前一轮训练中模型对各领域样本的损失梯度分布，结合当前领域类别的不平衡度，动态调整β的取值，使得采样过程中异常样本与正常样本的数量比例适应当前训练阶段的需要；
57、在每次加载w个样本时：
58、从d1加载的正常域样本中选取w×β个；
59、从d2加载的异常域样本中选取w×(1-β)个；
60、选取后的两组数据在batch内进行随机混合打乱后送入模型；
61、在训练过程中引入最大均值差异mmd损失项，以度量并最小化不同领域特征分布之间的均值差异；具体mmd损失公式如下：
62、
63、其中，x和y分别为正常域样本特征集合与异常域样本特征集合，φ(.)是特征映射函数；
64、在每一批次训练中，除正常的分类损失lce以外，还附加mmd正则损失lmmd，整体优化目标为：
65、ltolal＝lce+λlmmd
66、其中λ是用于平衡分类与领域对齐损失的重要系数；
67、步骤2-2-3：将标准化的log-mel谱送入构建好的conformer网络，网络输出通过sigmoid函数，得到该特征的归一化输出异常概率；异常概率计算公式如下：
68、pabnormal＝sigmoid(w·conformer(xnorm)+b)
69、其中，w为全连接层的权重矩阵；b为偏置项；xnorm表示标准化的log-mel谱；
70、
71、优选地，所述步骤3具体为：
72、将步骤2-2标准化的log-mel谱送入构建好的conformer网络，通过softmax函数计算故障类别的概率分布。计算公式如下：
73、pclass＝softmax(w'·conformer(xnorm)+b')
74、选择softmax输出最大概率对应的类别作为最终判定结果：
75、classfault＝argmaxpclass。
76、优选地，所述基于特征值频繁超限的动态补偿具体为：
77、统计各特征参数的超限次数，设定特征超限计数器；在1小时共3600次的检测窗口w内，若某特征的超限次数ne超过总检测次数的设定比例pth，但该特征未导致深度学习模型判定为异常，则提高该特征的门限，以减少无意义的误报；
78、设某特征值的当前门限为tcur，调整比例为△t，则新门限tnew的计算方式如下：
79、tnew＝tcur+△t
80、其中△t计算方式：
81、
82、其中，ke为调整系数，用于控制补偿幅度，ne为特征值超限次数，w为检测窗口大小，pth为预设的超限比例阈值，tcur为当前特征门限值；
83、具体实施方案如下：
84、
85、优选地，所述基于误报率的门限自适应调整具体为：
86、统计7天内过时域检测门限的音频数量减去过深度学习检测门限的音频数量与总检测次数的比值，若该比值大于0.1％，则提高四个特征的阈值；误报率far计算公式如下：
87、
88、其中，nd为时域门限检测出的报警次数，na为深度学习模型最终判定为异常的次数，nt为总检测次数；
89、总检测次数设定为7天内的检测次数，以10秒为一个检测单位，每分钟检测6次；计算公式如下：
90、nt＝7天*24时*60分*6次
91、具体实施方案如下：
92、
93、其中kf为调整系数，farth为误报率阈值。
94、本发明的有益效果如下：
95、本发明通过多阶段融合策略实现了高效、精准的变压器故障智能诊断，与传统方法相比具有显著的误报率低和准确率高的技术优势。首先，利用声学特征构建的时域门限决策机制能在保证实时性的前提下有效过滤非故障干扰信号，提高初筛准确率。其次，引入的预训练conformer模型通过在大量真实多样的工业音频环境中预训练，模型能够学习到更通用的音频特征表达，从而在下游特定设备的异常检测任务中具有更强的泛化能力与鲁棒性。进一步地，本发明创新性地提出结合特征引导的数据增强机制与动态领域调度的训练策略，通过特征相似性选择与条件鉴别约束机制生成更具代表性的异常增强样本，并在训练过程中引入领域对比正则约束与动态批采样比例，实现模型对多运行条件间特征分布差异的自适应学习，显著缓解异常样本稀缺、类别不平衡及工况变化带来的建模难题，提升模型的泛化能力与跨域适应性。