变压器机械故障诊断方法、设备及存储介质

专利主权项内容

1.一种变压器机械故障诊断方法，其特征在于，包括以下步骤，利用传感器对变压器运行产生的振动信号进行采集，将采集的振动信号随机分为训练数据集和测试数据集，利用改进变分经验模态分解分别处理训练数据集和测试数据集，得到对应的固有模态函数IMF；基于相关系数从所有的固有模态函数IMF中选出相关度在0.5以上的相关固有模态函数RIMF；利用训练数据集得到的固有模态函数RIMF对周期稀疏注意力机制增强的LSTM模型进行训练，利用测试数据集的固有模态函数RIMF对训练完成的LSTM模型进行局部微调，利用局部微调后的LSTM模型实现变压器机械故障振动；改进变分经验模态分解步骤包括，设变压器原始振动信号为，对原始型号添加噪声得到重构信号：x(t)其中表示重构后的信号，[﹒]表示利用经验模态分解得到的高斯白噪声的第i次分量；/>表示第k次高斯白噪声；为幅值系数；Eiα1利用经验模态分解对重构信号进行处理，得出第一个IMF函数与对应的残余项：其中r表示残余项，d表示第一个IMF函数，{.}表示算子，用于计算局部均值；11M重复以上步骤直到分解完成；还包括固有模态函数RIMF计算步骤，利用相关系数函数，计算得到的IMF函数与原始振动信号之间的相关性，其中相关系数超过0.5的认为是RIMF : 式中，表示(t) 和 ()之间的相关系数；sndnxt周期稀疏注意力增强的LSTM模型，用于实现基于RIMF函数的变压器机械故障诊断，包括以下步骤：S21：构建基本LSTM单元，包括遗忘门，输入门以及存储单元：式中 为遗忘门的权重, 为偏置系数, 表示 时刻的输入值，和分别表示输入门的权重和偏置系数，表示当前参与计算的存储单元的数值，表示sigmoid函数 : WfbfxttWibiσS22：建立整体LSTM模型；根据输入的RIMF函数的维度，确定LSTM模型中包含的基本LSTM单元的数量，各基本LSTM单元依次首尾相连，即上一个基本LSTM单元的输出值为下一个基本LSTM单元的输入值；S23：基于周期稀疏注意力机制对得到的整体LSTM模型进行增强，在各基本LSTM单元链接处加入周期稀疏注意力层，实现对输入的RIMF函数全局特征的提取；所述的周期稀疏注意力机制，在于利用变压器振动信号呈现典型的周期性的特点，增强整体LSTM模型对输入的RIMF函数的全局特征的学习，同时减少计算时间，具体步骤如下：S31：对于输入RIMF函数T，假设其为具有m个采样点的n维数据，即：T = [], ∈R. = [/>/>], ∈Rt1, t2, …, tnntn , , …, Tm式中R表示实数域；S32：计算注意力增强权重，对于任意信号，计算其与相隔C，, />直到/>的数据之间的相关性s，C为变压器振动信号的周期，进而信号的注意力增强权重为：tiitiS33：得出注意力增强权重矩阵；将各输入信号的注意力增强权重按照顺序排列，得出注意力增强权重矩阵：S34：计算每个基本LSTM单元经过周期稀疏注意力增强后的输入数据；式中表示各LSTM基本单元原始输入数据，表示周期稀疏注意力增强后的输入数据；xn对周期稀疏注意力增强的LSTM模型进行训练与局部微调包括按照4 : 1的方式将原始振动信号分为训练数据集和测试数据集，然后利用训练数据集的RIMF对周期稀疏注意力增强的LSTM模型进行训练；训练完成后的LSTM模型再进一步利用测试数据集的RIMF进行验证，并根据验证结果进行局部微调，直到实现最佳的故障诊断与识别效果；利用局部微调后的LSTM模型实现变压器机械故障振动包括将待诊断变压器的振动信号进行处理，得出RIMF函数，利用局部微调后的周期稀疏注意力增强的LSTM模型对RIMF函数进行处理，实现待诊断变压器机械故障的诊断与识别。