一种基于改进DSC-DenseNet的变压器声纹图谱识别方法及系统与流程

本发明涉及电力设备监测，尤其涉及一种基于改进dsc-densenet的变压器声纹图谱识别方法及系统。

背景技术：

1、在快速发展的中国，电力供应至关重要。随着城市化和工业化的推进，变压器广泛应用于多个场景，但伴随的是环境噪声问题。为解决此问题，尽管已尝试一些噪声控制技术，但它们并不理想，且当前的变压器监测和故障诊断技术效率低下。

2、为解决这些问题，众多学者和研究机构积极开展变压器噪声控制技术的研究。其中，一些切实有效的技术路径包括：对变压器的内部结构进行细致优化、选用更先进的硅钢片材料以及改良现有的制造工艺和流程。这些技术都旨在从源头上减少变压器在运行时产生的振动和噪声。

3、值得强调的是，由变压器产生的振动和噪声不仅直接关系到周围居民的生活质量，更是衡量电力系统健康状况的重要参数。因为当变压器处于非正常工作状态或存在故障缺陷时，其内部结构组件往往会出现微小的形变或位移，从而导致振动信号与声纹信号的显著变化。这些信号变化可以被视为电力设备状态的关键指示参数。通过对这些信号数据的深度分析与挖掘，可以精确地识别变压器的运行缺陷，并及时捕获潜在的故障征兆。这为电力行业提供了更加高效、准确的设备状态监控方案，确保了变压器的正常运行，从而保障了社区居民的生活品质。

4、然而，针对变压器声纹信号的深度学习识别技术相较于其他电力设备明显还处于初步阶段。针对变压器声纹信号的独特性质和特征深度学习在此领域的研究仍具有巨大的潜力和空间有待于学者和工程师们进行更为深入的探索与实践。

技术实现思路

1、有鉴于此，本发明提出一种基于改进dsc-densenet的变压器声纹图谱识别方法及系统，以解决现有技术中存在的变压器声纹图谱识别准确度有待提高的问题。

2、本发明具体的技术方案如下：

3、一种基于改进dsc-densenet的变压器声纹图谱识别方法，包括步骤：

4、步骤1，搭建采集环境，采集变压器铁芯的振动声音信号；

5、步骤2，对采集到的原始声纹信号进行预处理，将mel滤波非线性处理用在变压器铁芯声纹的提取中；

6、步骤3，构建基于改进的dsc-densenet架构的图像分类网络模型，引入dynamicsnake convolution模块、swish激活函数、搭建denseblock模块以及搭建transition层模块；

7、步骤4，训练和验证所述模型。

8、进一步地，步骤1包括：

9、步骤1.1，选择变压器空载状态进行信号采集；步骤1.2，使用非接触式激光振动测试仪进行测量；步骤1.3，使用激励电源设备进行测试并采集数据。

10、进一步地，步骤2包括：步骤2.1，对采集到的原始声纹信号进行预处理；步骤2.2，将mel滤波非线性处理用在变压器铁芯声纹的提取中；步骤2.3，对经过mel滤波非线性处理后的声纹信号进行频域特征提取；步骤2.4，对特征进行放大和降权处理；步骤2.5，将处理后的特征构建成mel时频谱图；步骤2.6，对数据预处理效果进行评估；步骤2.7，将构建的mel时频谱图用于构建图像分类网络的数据集。

11、进一步地，步骤3包括：步骤3.1，搭建dynamic snake convolution模块；步骤3.2，搭建denseblock模块；步骤3.3，优化激活函数为swish激活函数；步骤3.4，搭建transition层模块。

12、进一步地，swish激活函数为：

13、

14、进一步地，步骤4中，在训练阶段，使用大型的、带标签的变压器mel声纹图谱图像数据集来训练所述模型，通过反向传播算法和优化器来反复调整网络的权重，直到达到最佳的分类效果。

15、进一步地，步骤4中，在验证阶段，使用独立的验证数据集来评估训练好的模型：将验证图像输入训练好的网络中，网络会对图像进行分类并输出分类结果；然后，将网络的输出与验证数据集的真实标签进行比较，以此计算模型的精确度。

16、进一步地，搭建transition层模块所采用的操作序列：首先是一个1x1的卷积操作；接下来是2x2的平均池化操作；最后通过批量归一化、修正线性单元、1x1卷积、2x2平均池化搭建transition层模块。

17、一种基于改进dsc-densenet的变压器声纹图谱识别系统，应用上述任一项所述的变压器声纹图谱识别方法，包括：

18、数据采集模块：用于采集变压器的振动声音信号；

19、数据预处理模块：对采集到的原始声纹信号进行预处理；

20、构建基于改进的dsc-densenet架构的图像分类网络模型，包括：denseblock模块，通过组合多个dense层来增强网络的学习能力；dynamic snake convolution模块，通过引入蛇形卷积结构，使得网络能够更好地学习和捕捉图像中的特征；swish激活函数，使用swish激活函数来优化网络的非线性表达能力；transition层模块，通过1x1卷积、2x2平均池化和批量归一化等操作，实现特征的降维和融合，以增强网络的表达能力。

21、训练和验证模块：使用带标签的变压器mel声纹图谱图像数据集来训练模型，并通过反向传播算法和优化器来调整网络的权重，同时，使用独立的验证数据集来评估模型的性能，包括计算模型的精确度等指标。

22、存储和传输模块：用于存储和传输训练好的模型、数据集和其他相关资源，以支持系统的运行和扩展。

23、本发明的有益效果在于：

24、(1)针对变压器声纹信号的特性，本发明采用了mel滤波非线性处理对原始声纹信息进行预处理，生成mel时频谱图，实现了对原始声纹数据的大幅度压缩和有效降维，为后续深度学习模式识别的应用奠定了基础；

25、(2)基于改进dsc-densenet的图像分类网络，本发明将dynamic snakeconvolution(动态蛇形卷积)引入densenet，使得网络对于细小脆弱的局部信息与复杂多变的全局形态有了更好的提取，提高了在复杂场景下的变压器声纹图谱识别准确度；

26、(3)依托dsc-densenet的技术基础，本发明成功构建了一个集成了mel时频谱技术的cnn变压器铁芯声纹模式识别模型，这一模型继承了深度学习神经网络在图像处理中的优势，同时将声纹信号的特征融合进去，实现了声纹与图像技术的完美结合。

技术特征：

1.一种基于改进dsc-densenet的变压器声纹图谱识别方法，其特征在于，包括步骤：

2.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，所述步骤1包括：步骤1.1，选择变压器空载状态进行信号采集；步骤1.2，使用非接触式激光振动测试仪进行测量；步骤1.3，使用激励电源设备进行测试并采集数据。

3.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，所述步骤2包括：步骤2.1，对采集到的原始声纹信号进行预处理；步骤2.2，将mel滤波非线性处理用在变压器铁芯声纹的提取中；步骤2.3，对经过mel滤波非线性处理后的声纹信号进行频域特征提取；步骤2.4，对特征进行放大和降权处理；步骤2.5，将处理后的特征构建成mel时频谱图；步骤2.6，对数据预处理效果进行评估；步骤2.7，将构建的mel时频谱图用于构建图像分类网络的数据集。

4.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，所述步骤3包括：步骤3.1，搭建dynamic snake convolution模块；步骤3.2，搭建denseblock模块；步骤3.3，优化激活函数为swish激活函数；步骤3.4，搭建transition层模块。

5.根据权利要求4所述的变压器声纹图谱识别方法，其特征在于，所述swish激活函数为：

6.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，所述步骤4中，在训练阶段，使用大型的、带标签的变压器mel声纹图谱图像数据集来训练所述模型，通过反向传播算法和优化器来反复调整网络的权重，直到达到最佳的分类效果。

7.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，所述步骤4中，在验证阶段，使用独立的验证数据集来评估训练好的模型：将验证图像输入训练好的网络中，网络会对图像进行分类并输出分类结果；然后，将网络的输出与验证数据集的真实标签进行比较，以此计算模型的精确度。

8.根据权利要求1所述的变压器声纹图谱识别方法，其特征在于，搭建transition层模块所采用的操作序列：首先是一个1x1的卷积操作；接下来是2x2的平均池化操作；最后通过批量归一化、修正线性单元、1x1卷积、2x2平均池化搭建transition层模块。

9.一种基于改进dsc-densenet的变压器声纹图谱识别系统，应用如权利要求1-8任一项所述的变压器声纹图谱识别方法，其特征在于，包括：

技术总结本发明公开了一种基于改进DSC‑DenseNet的变压器声纹图谱识别方法及系统，该方法包括：搭建采集环境，采集变压器铁芯的振动声音信号；对采集到的原始声纹信号进行预处理，将Mel滤波非线性处理用在变压器铁芯声纹的提取中；构建基于改进的DSC‑DenseNet架构的图像分类网络。本申请通过Mel时频谱分析技术对声纹数据进行了预处理，强化了低频和中低频部分的能量特征，同时准确描述了变压器铁芯在运行状态下的平稳声波信号特性；构建了基于改进DSC‑DenseNet架构的图像分类网络模型，该模型具有更高的精度和特异性，尤其在捕捉铁芯声纹的细微特征上取得了革命性进步。技术研发人员：彭家琦,冶海平,方保民,芈书亮,蒲寅,马育林,刘军,李永胜,艾斌,张红强,李云,马宁,何海宁,马志彬,朱明慧,马世旭,张进,朵向阳,央青卓玛,王伟,丁猛受保护的技术使用者：国网青海省电力公司海东供电公司技术研发日：技术公布日：2024/3/24