基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法

专利主权项内容

1.一种基于特征聚类结合生成式学习的电力变压器声纹信号故障无监督检测方法，其特征在于，包括以下步骤：S1、在变压器放置声纹信号传感器，通过声纹信号传感器实地记录每一个变压器的声纹信号，使用读出电路将信号采集并提取出来，得到样本集M；S2、对所述样本集M进行预处理，采用滑动窗口，以一定的步长对每一个传感器提取的声纹信号进行切片，得到训练样本集M’；S3、构建带噪自动编码器神经网络DAE，所述DAE由编码器和解码器组成，将样本集M’作为DAE的输入和输出对DAE进行训练，得到训练后的DAE模型，将编码器部分提取出来，输出提取特征序列样本集X’，作为提取出来训练后的DAE的瓶颈层向量；S4、设计DBSCAN聚类模型对提取特征序列样本集X’进行聚类，得到待训练样本X；S5、构建VAE模型，待训练样本X作为VAE模型的输入和输出，对VAE进行训练，得到训练后的VAE模型；S6、将训练后的DAE模型的编码器部分和训练后的VAE模型连接在一起，DAE模型的编码器的输出作为VAE的输入，组成训练后的D-Vae模型；将待测的声纹信号输入训练后的D-Vae模型，输出生成序列样本；S7、将所述生成序列样本和训练好的DAE模型的编码器输出的真实特征样本进行比较，计算异常分数，得到异常分数集R；S8、使用3-sigma法则排除异常分数集R中的异常点，并在2～4个周期时间后提取出新的待测声纹信号，并输入训练后的D-Vae模型，得到新的异常分数集，使用3-sigma法则排除异常点，使得故障声纹信号尽可能全部检测出来，当变压器运行的过程中存在新的故障也可以及时的进行检测，得到较低的误报率和漏报率。