基于纠缠伪类对比学习的变压器无监督声音异常检测方法与流程

摘要: 本发明涉及电力设备声学检测,具体为基于纠缠伪类对比学习的变压器无监督声音异常检测方法。背景技术:1、异常声音检测通过采集设备运行声音、提取特征并分析模式,判断设...
基于纠缠伪类对比学习的变压器无监督声音异常检测方法与流程

本发明涉及电力设备声学检测,具体为基于纠缠伪类对比学习的变压器无监督声音异常检测方法。

背景技术:

1、异常声音检测通过采集设备运行声音、提取特征并分析模式,判断设备状态是否异常,属于电力设备声学检测技术领域。电力变压器是电网核心设备,基于声音的非接触式检测能够为其运行状态评估和故障预警提供有效手段。

2、传统变压器故障诊断方法主要包括频率响应分析、短路阻抗测试、溶解气体分析和振动分析等。基于声音的非接触式监测方法具有无需停电、部署灵活、不影响设备正常运行等优点,随着深度学习技术发展逐渐成为主流;由于变压器故障属于小概率事件,异常样本难以收集,无监督方法成为必然选择,现有方法主要分为重构类和自监督分类类,其中自监督分类方法利用正常样本的元数据构造伪标签进行训练。

3、然而,频率响应分析和短路阻抗测试需停电进行,溶解气体分析仅适用于油浸式变压器且周期长,振动分析安装维护成本高;同时,实际数据集中不同子集标注标准往往不一致,将异质标注统一作为伪标签训练时会产生语义不一致的纠缠伪类,导致硬标签分类决策边界过置信,严重影响异常检测性能;此外,变压器异常声音多含12khz以上高频分量,现有方法多针对16khz采样率设计,难以捕捉高频异常信息,且通用扰动负样本无法针对性强化高频异常识别能力,致使检测准确率不足、误报率偏高。

技术实现思路

1、本发明提供基于纠缠伪类对比学习的变压器无监督声音异常检测方法,解决变压器声音异常检测中异质标注导致的伪类纠缠及高频异常信息丢失问题,提升异常检测准确率。

2、为实现上述目的,本发明提供了如下的技术方案:

3、本发明基于纠缠伪类对比学习的变压器无监督声音异常检测方法,包括:

4、s1:采集电力变压器正常运行状态下的声音信号作为正常样本,提取log-mel频谱特征,并利用etgramnet生成与所述log-mel频谱特征帧对齐的时域特征etgram,将所述log-mel频谱特征与etgram沿通道维度融合,得到时频融合特征;

5、s2:构建双分支混合学习框架,以mobilefacenet骨干网络作为共享特征提取器,所述mobilefacenet骨干网络输出的特征分别输入分类分支和对比分支;

6、s3:对分类分支进行训练,预训练卷积自编码器,将所述正常样本与所述卷积自编码器的重构样本进行mixup混合生成软标签样本,采用软标签交叉熵损失训练分类分支;

7、s4:对对比分支进行训练,通过所述卷积自编码器生成锚点样本和正样本,利用频带替换方法将一个正常样本的源频带内容替换至另一正常样本的目标频带以构造难负样本,基于锚点样本、正样本和难负样本采用三元组损失训练对比分支;

8、s5:采用混合损失函数对所述分类分支和所述对比分支进行联合训练,得到训练完成的特征提取模型;

9、s6:将训练集正常样本输入所述训练完成的特征提取模型构建正常特征库,对测试样本提取特征后计算其与所述正常特征库的距离作为异常分数,当异常分数超过预设阈值时判定为声音异常。

10、作为本发明的一种优选技术方案,在s1中,所述提取log-mel频谱特征的具体步骤包括:

11、对所述声音信号进行分帧加窗处理,采用汉明窗作为窗函数,对每帧信号进行快速傅里叶变换得到线性频谱,再通过mel滤波器组将所述线性频谱映射到mel频率尺度,取对数得到log-mel频谱特征。

12、作为本发明的一种优选技术方案,在s1中,所述etgramnet的具体结构包括:

13、依次连接的一维卷积层、三个串联的se-res2block和1×1卷积层;

14、所述一维卷积层的卷积核大小等于所述log-mel频谱特征的窗长,步长等于所述log-mel频谱特征的帧移;

15、三个所述se-res2block采用跨层残差累加结构,将三个所述se-res2block的输出进行通道级拼接,再通过所述1×1卷积层将特征维度映射为与所述log-mel频谱特征相同的频点维度。

16、作为本发明的一种优选技术方案,所述se-res2block的具体结构包括:

17、依次连接的第一1×1卷积层、res2膨胀卷积层、第二1×1卷积层、线性挤压-激励通道注意力模块,以及连接所述se-res2block输入与所述线性挤压-激励通道注意力模块输出的残差连接支路;

18、所述线性挤压-激励通道注意力模块通过全局平均池化将特征压缩为通道维度向量,再通过两个线性层生成通道权重,将所述通道权重与输入特征进行逐通道相乘。

19、作为本发明的一种优选技术方案,在s2中,所述双分支混合学习框架的具体结构包括:

20、所述mobilefacenet骨干网络去除原有分类层,保留全局平均池化层,输出特征向量;

21、所述分类分支通过线性分类器将所述特征向量映射为伪类预测结果;

22、所述对比分支通过两层mlp投影头将所述特征向量映射为嵌入向量,并对所述嵌入向量进行l2归一化。

23、作为本发明的一种优选技术方案,在s3中,所述mixup混合生成软标签样本的具体步骤包括:

24、将原始样本和所述卷积自编码器的重构样本共同作为输入池;

25、在每个训练批次中随机选取两个样本按混合系数进行线性插值,同时对两个样本的伪标签按所述混合系数进行线性插值,得到软标签样本及对应软标签;

26、所述混合系数服从beta分布。

27、作为本发明的一种优选技术方案,在s4中,所述通过所述卷积自编码器生成锚点样本和正样本的具体步骤包括:

28、将所述log-mel频谱特征输入所述卷积自编码器进行重构,以重构结果作为锚点样本;

29、将所述log-mel频谱特征经所述卷积自编码器编码得到潜在表示,对所述潜在表示叠加高斯噪声后经解码器重构,得到正样本。

30、作为本发明的一种优选技术方案,在s4中,所述构造难负样本的具体步骤包括:

31、从所述正常样本中选取目标样本,对所述目标样本设置目标频带二值掩码;

32、从所述正常样本中另选取一个正常样本,将其源频带内容复制至所述目标样本的目标频带位置;

33、保留所述目标样本非目标频带的原始内容,得到难负样本。

34、作为本发明的一种优选技术方案,在s5中,所述混合损失函数的具体构成包括:

35、以所述分类分支的软标签交叉熵损失与所述对比分支的三元组损失的加权求和作为混合损失函数;

36、所述三元组损失基于锚点样本、正样本和难负样本的归一化嵌入向量构建,计算正样本与锚点样本的距离和难负样本与锚点样本的距离之差,加入间隔参数后取正值部分在批次内求均值。

37、作为本发明的一种优选技术方案,在s6中,所述计算其与所述正常特征库的距离作为异常分数的具体步骤包括:

38、采用k近邻算法计算测试样本的归一化嵌入向量与所述正常特征库中所有样本的归一化嵌入向量之间的余弦距离,取最小余弦距离作为所述异常分数;

39、将训练集所有正常样本异常分数的95%分位数设定为所述预设阈值。

40、本发明的有益效果是:

41、1.本发明将卷积自编码器生成的重构样本与原始样本共同进行mixup混合生成软标签,训练分类分支学习更平滑的决策边界。该方式有效缓解了异质标注导致的伪类纠缠问题,避免了传统硬标签分类决策边界过置信的缺陷。

42、2.本发明通过频带替换方法将正常样本的源频带内容复制至目标频带,构造出与变压器真实异常模式高度相似的难负样本。结合三元组损失训练对比分支,增强了模型对变压器高频异常信息的捕捉与判别能力。

43、3.本发明通过混合损失函数联合训练分类分支与对比分支,使伪类语义学习与嵌入空间几何正则化形成互补约束。两个分支的协同作用提升了模型在异质标注和高频异常场景下的异常检测准确率,并降低了误报率。