本发明涉及电力设备状态监测，具体为一种多通道声学成像与特征增强的变压器故障诊断方法及装置。
背景技术：
1、变压器作为电力系统的核心枢纽设备，其运行状态直接关系到电网的安全性与可靠性。随着智能电网与状态检修体系的快速发展，非侵入式、在线式的故障监测技术成为研究热点。其中，基于声学信号的诊断方法因其部署灵活、信息维度丰富而备受关注。变压器在正常运行及发生故障时，其振动会通过壳体辐射出特征鲜明的声波，这些声波蕴含着铁芯磁致伸缩、绕组电磁力、局部放电等关键状态信息，为故障识别与预警提供了感知途径。
2、现有的声学故障诊断技术主要围绕单麦克风采集与后端智能算法展开，在实际变电站复杂声场环境中暴露出三大瓶颈，具体的：
3、第一、抗干扰能力先天不足：单点采集模式无法区分声源方向，导致变压器本体的故障声纹与冷却风扇、环境风声及其他设备噪声在信号层面完全混杂，信噪比急剧恶化，特征提取困难；
4、第二、缺乏空间定位能力：诊断结果仅能判断是否存在故障，无法判断故障发生位置；
5、第三、特征工程依赖专家经验：现有方法多依赖于人工设计的频域特征，其有效性严重依赖于对特定变压器型号和噪声背景的先验知识，流程繁琐、泛化能力差，难以实现大规模标准化应用。尽管有研究尝试引入麦克风通道，但多采用通用的声源定位算法，未针对变压器声纹的频谱集中性与空间稀疏性进行优化，计算资源消耗大且在高噪声场景下定位精度不佳。
6、综上所述，现有声学诊断技术受限于单点采集的物理瓶颈和通用的信号处理模式，在抗干扰、可定位性、自适应特征学习三个核心维度上面临严峻挑战。因此，迫切需要发展一种能够深度融合声源空间信息与频谱特性、并针对变压器声学指纹进行专门化设计的诊断新方法，为变压器运维提供更可靠、更具操作性的技术支撑。
技术实现思路
1、本发明的目的就是为了弥补现有技术的不足，提供了一种多通道声学成像与特征增强的变压器故障诊断方法及装置，它能够通过引入声纹导向的波束形成与roi声纹反向重建，构建了一套从物理层面实现噪声分离的信号预处理流程，利用变压器故障声源在空间上的局部性和频谱上的谐波特性，作为先验知识来引导阵列信号处理，通过频带加权策略将计算资源聚焦于工频倍频及典型故障频带，同时利用谐波一致性权重在成像环节直接强化具备变压器典型频谱特征声源的贡献，从根源上抑制了不具备此类特征的环境宽带噪声的干扰，roi声纹反向重建以成像结果为指导，将处理目标从整个声场收缩到一个或多个高声强疑似区域，通过精确计算时延并对roi内多通道信号进行相位对齐与相干叠加，使故障信号与非目标方向噪声实现空间分离，确保在复杂干扰环境中仍能精准捕捉故障声纹的时域与频域特征，为后续诊断提供高保真的信号基础。
2、本发明为解决上述技术问题，提供如下技术方案：第一方面，一种多通道声学成像与特征增强的变压器故障诊断方法，具体包括如下步骤：
3、以麦克风阵列同步采集变压器运行过程中的音频信号，形成多通道音频信号；
4、确定主频带，融合频带加权及权重一致性策略，对多通道音频信号进行加权处理，形成加权多通道音频信号；
5、对加权多通道音频信号进行波束形成处理，生成二维声强分布图；
6、识别二维声强分布图中的目标声强区域，提取目标声强区域对应的多通道音频信号片段；
7、对多通道音频信号片段进行时延补偿与加权叠加，生成重建音频信号；
8、对重建音频信号进行时频转换及刻度转换，生成声谱图，将二维声强分布图与声谱图进行对齐及通道拼接，生成空间及频谱联合特征图；
9、将空间及频谱联合特征图输入至预训练的卷积神经网络模型，通过卷积神经网络模型推理，输出变压器的故障类型和故障位置信息。
10、进一步地，确定主频带，融合频带加权及权重一致性策略，对多通道音频信号进行加权处理，形成加权多通道音频信号，具体包括：
11、基于变压器声纹特征数据库，将基础频带和故障频带确定为主频带；
12、对多通道音频信号进行各个通道方向的频谱分析，在主频带范围内检测工频倍频结构；
13、基于工频倍频结构检测结果，对各个通道方向设置权重，给出第一权重、第二权重；
14、根据第一权重、第二权重，对多通道音频信号进行加权，形成加权多通道音频信号。
15、进一步地，按预设增强倍率对第一方向设置第一权重，按预设抑制比例对第二方向设置第二权重，其中，第一方向为检测到工频倍频结构的方向，第二方向为未检测到工频倍频结构的方向；
16、基于工频倍频结构检测结果，对各个通道方向设置权重，具体表示为：
17、
18、其中，为通道方向的权重，为基准权重，为通道方向的检测指示函数，为增强倍率，为抑制比例。
19、进一步地，对加权多通道音频信号进行波束形成处理，生成二维声强分布图，具体包括：
20、基于预先构建的变压器声纹模板，计算各个通道方向的音频信号点的声纹匹配度，生成声纹导向向量；
21、将声纹导向矢量与通道方向权重进行点乘融合，给出复合权重矩阵；
22、通过复合权重矩阵对波束形成输出信息进行加权，经空间投影后，形成二维声强分布图，其中，波束形成输出信息为对多通道音频信号进行相对延迟、信号对齐及声压计算的结果数据。
23、进一步地，识别二维声强分布图中的目标声强区域，具体包括：
24、基于额定声强阈值，从二维声强图中筛选出所有满足的目标坐标点；
25、将空间位置上相邻的目标坐标点聚合，形成连通域，将每个连通域确定为一个候选目标区域；
26、从所有候选目标区域中选取声强平均值最大的区域，作为目标声强区域。
27、进一步地，对多通道音频信号片段进行时延补偿与加权叠加，生成重建多通道音频信号，具体包括：
28、根据目标声强区域的几何中心空间坐标，计算声波从几何中心空间坐标传播到各通道的时延向量；
29、对各通道的原始音频信号进行时延补偿，得到对齐信号；
30、将各通道的对齐信号进行加权叠加，得到重建音频信号，具体表示为：
31、
32、其中，y(t)为重建音频信号，m为通道数，为第个通道的加权系数，为第i个通道的对齐信号，t为时间变量。
33、进一步地，对重建音频信号进行时频转换及刻度转换，生成声谱图，具体包括：
34、采用短时傅里叶变换，选用汉宁窗作为窗函数，通过滑动窗口对重建音频信号进行分段处理；
35、以每段重建音频信号经傅里叶变换后得到对应时间段的频域信息，形成时频矩阵；
36、采用梅尔刻度转换方式，通过预设的梅尔滤波器组对时频矩阵进行滤波处理，将线性频率轴映射为梅尔频率轴，生成声谱图。
37、进一步地，将二维声强图与声谱图进行对齐及通道拼接，生成空间及频谱联合特征图，具体包括：
38、以二维声强图的空间坐标系为基准，每个像素对应唯一的物理空间坐标，调整声谱图纵向像素数与二维声强图的高度像素数一致，通过零填充方式扩展声谱图的横向维度，使其宽度像素数与二维声强图的宽度像素数一致，得到与二维声强图尺寸相同的标准化声谱图；
39、采用维度叠加方式，将二维声强图作为第一个通道，将标准化声谱图作为第二个通道，二维声强图为单通道的空间特征图，标准化声谱图为单通道的频谱特征图，将两张单通道图按照通道维度进行叠加，形成通道数为2的空间及频谱联合特征图。
40、进一步地，卷积神经网络模型包括分类分支和回归分支，分类分支用于输出不同故障类型的概率，回归分支用于输出故障在声像图坐标系中的位置坐标；
41、分类分支包括卷积模块、时频交叉模块、编码模块、融合模块以及输出模块；
42、卷积模块提取空间及频谱联合特征图中不同频带下的时频特征，并融合，给出融合张量；
43、时频交叉模块包括时间注意力分支、频率注意力分支及交叉分支，对融合特征张量进行处理，给出时频张量；
44、编码模块对时频张量进行编码，给出第一时频序列；
45、融合模块对第一时频序列进行通道权重重标定，给出第二时频序列；
46、输出模块对第二时频序列进行池化处理，结合softmax激活函数，给出不同故障类型的概率。
47、第二方面，一种多通道声学成像与特征增强的变压器故障识别装置，具体包括：
48、采集单元，用于以麦克风阵列同步采集变压器运行过程中的音频信号，形成多通道音频信号；
49、音频信号处理单元，用于确定主频带，融合频带加权及权重一致性策略，对多通道音频信号进行加权处理，形成加权多通道音频信号；对加权多通道音频信号进行波束形成处理，生成二维声强分布图；识别二维声强分布图中的目标声强区域，提取目标声强区域对应的多通道音频信号片段；对多通道音频信号片段进行时延补偿与加权叠加，生成重建多通道音频信号；对重建多通道音频信号进行时频转换及刻度转换，生成声谱图，将二维声强分布图与声谱图进行对齐及通道拼接，生成空间及频谱联合特征图；
50、故障识别单元，用于将空间及频谱联合特征图输入至预训练的卷积神经网络模型，通过卷积神经网络模型推理，输出变压器的故障类型和故障位置信息
51、本发明提供的一种多通道声学成像与特征增强的变压器故障诊断方法，至少包括如下有益效果：
52、一、本发明通过引入声纹导向的波束形成与roi声纹反向重建，构建了一套从物理层面实现噪声分离的信号预处理流程，利用变压器故障声源在空间上的局部性和频谱上的谐波特性，作为先验知识来引导阵列信号处理，通过频带加权策略将计算资源聚焦于工频倍频及典型故障频带，同时利用谐波一致性权重在成像环节直接强化具备变压器典型频谱特征声源的贡献，从根源上抑制了不具备此类特征的环境宽带噪声的干扰，roi声纹反向重建以成像结果为指导，将处理目标从整个声场收缩到一个或多个高声强疑似区域，通过精确计算时延并对roi内多通道信号进行相位对齐与相干叠加，使故障信号与非目标方向噪声实现空间分离，确保在复杂干扰环境中仍能精准捕捉故障声纹的时域与频域特征，为后续诊断提供高保真的信号基础
53、二、本发明依托声像图与声谱图的多模态融合设计，实现空间-频谱特征的深度协同，声像图承载声源空间分布信息，精准锁定故障的物理位置范围；声谱图承载信号频率能量变化，清晰呈现故障的特征频谱规律，通过统一空间坐标系的像素级对齐，确保同一物理位置的空间特征与频谱特征一一对应，再经通道拼接形成联合特征图，使诊断模型同时获取故障的位置信息与特征规律，实现故障类型与发生位置的同步识别，为运维人员提供明确的检修指向。