[發明專利]一種基于振動信號的換流變壓器多尺度融合特征提取方法

在審

• 申請號: 202110931285.0
• 申請日: 2021-08-13
• 公開（公告）號: CN113537402A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 張占龍;肖睿;郝越峰;鄧軍;楊渝;劉雪莉
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：該方法包括以下步驟：

S1：換流變壓器振動信號采集；

S2：多特征圖譜構建；

S3：將多特征圖譜輸入至多尺度進行特征提取。

2.根據權利要求1所述的一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：所述S2包括：

S21：時域特征圖譜構建

S22：頻域特征圖譜構建

S23：時頻能量特征圖譜構建。

3.根據權利要求2所述的一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：所述S21具體為：

設振動序列是X＝{x₁,x₂,...,x_n}，首先按照振動幅值將振動序列分為Q個子空間，每一個x_i都被映射在一個子空間q_i之中；建立一個Q×Q的轉移概率矩陣W，w_ij代表子空間j中的元素被子空間i中的元素跟隨的概率，即在t時刻的x位于子空間j的條件下，t+1時刻的x位于子空間i中的概率，數學表達式如式(1)所示：

w_ij＝P(x_t+1＝q_j|x_t＝q_i) (1)

得到矩陣W＝(w_ij)_1≤i,j≤Q，根據概率論原理知0＜w_ij＜1且

為保留序列時間相關性，定義馬爾科夫變遷場矩陣M如式(2)所示：

m_ij表示轉移概率矩陣W中對應時間序列x_i和x_j所屬子空間的元素之和，M矩陣的本質是計算了振動序列沿時間戳的多跨度轉移概率；一維振動序列的時間依賴性隨著M矩陣的主對角線得到保留；將M矩陣中的元素對應灰度值匹配到彩色空間中的一點形成時域特征圖譜。

4.根據權利要求3所述的一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：所述S22具體為：

選取采樣頻率f_s得到n點離散序列{x_n}，然后用復正弦序列乘以信號進行數字化平移，根據頻移原理，原ω_k處譜線移至頻率軸原點處，用低通濾波器濾掉高頻分量得到{g_n}，再在{g_n}細化倍數的間隔處重新采樣，重新排序后得到序列{z_n}，{z_n}如式(3)，再計算幅值，得到精細的頻率幅值序列{f_n}，{f_n}如式(4)；

{z_n}＝{a₁+jb₁,a₂+jb₂,...,a_n+jb_n} (3)

最后，計算{f_n}的馬爾科夫變遷場矩陣，并進行偽彩色處理，得到頻域特征圖譜。

5.根據權利要求4所述的一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：所述S23具體為：

小波基函數選取Morlet小波，Morlet小波在時域和頻域上都具有很好的局部化，適用于振動信號的時頻分析；Morlet小波定義如式(5)所示；其縮放運算如公式(6)所示，其中b為時移因子，a為尺度因子；

給定振動序列的連續小波變換如式(7)和式(8)所示；其中，cofes為連續小波系數，其絕對值的平方被定義為信號的尺度圖，表示能量分布隨位移和尺度的變化；

6.根據權利要求5所述的一種基于振動信號的換流變壓器多尺度融合特征提取方法，其特征在于：所述S3具體為：

S31：信息融合；

分別使用最大池化和平均池化對輸入張量在空間維度上壓縮至1×1，得到兩個不同的空間背景描述和使用兩個共享的1×1卷積核組成的MLP模塊對和進行計算后相加再經過Sigmoid激活函數后得到Channel Attention map：M_c(F)∈R^c×1×1；設輸入張量維度為C×M×N，則Channel Attention map維度為C×1×1；整個操作本質上是對輸入張量的每個通道上的矩陣乘以一個1×1的權值矩陣，從而使得重要的通道上的矩陣信息得到突出；計算過程如式(9)所示：

其中σ表示經過Sigmoid激活函數操作，W_i表示1×1卷積操作，W₀后使用了Relu作為激活函數；

在通道維度上使用最大池化和平均池化得到兩個不同的特征描述和然后通過torch.cat指令將兩個特征進行張量拼接，最后通過7×7卷積操作接Sigmoid激活函數生成空間注意力權重矩陣M_s(F)∈R^1×M×N；設輸入張量維度為C×M×N，則spatial attemtion map維度為1×M×N；整個操作本質上是對所有通道上的矩陣乘以M×N的權值矩陣，矩陣上的重要區域信息得到突出，計算過程如式(10)所示：

S32：多層次特征提取；

根據時域、頻域和能量特征圖譜，利用卷積層和最大池化層對這三個特征進行并行預處理，降低張量維數，減少計算量，然后用torch.cat命令拼接三個特征張量，將拼接后的張量輸入網絡進行融合處理；

在后處理模塊中，通過Kaiming初始化方法對卷積層權重進行處理，防止層激活輸出在網絡前向傳遞過程中出現梯度爆炸或消失，并利用兩個信息融合模塊對輸入拼接張量進行融合，每一層的輸出均經過歸一化和Relu激活函數處理，以加快網絡訓練的收斂速度，全連接層使用dropout操作來防止過擬合。