基于生成式大模型的GIS设备故障声学数据增强方法、系统与流程

本技术属于人工智能，涉及一种基于生成式大模型的gis设备故障声学数据增强方法、系统。

背景技术：

1、气体绝缘开关设备（gas insulated switchgear，gis）广泛应用于各电压等级的变电站，承担着电力系统中关键的开断、隔离与保护功能。gis设备结构封闭、气体介质密封性强，一旦发生气体泄漏、局部放电、内部放电、机械故障等异常，将直接影响系统安全性与供电可靠性。因此，如何持续监测gis设备运行状态、及时识别潜在故障，一直是电力行业的重点研究方向。

2、近年来，随着传感器技术、人工智能和声学分析技术的快速发展，基于声学识别的电力设备故障检测方法逐渐受到关注。声学信号具有非接触、实时性强、可穿透封闭腔体等优势，可用于识别gis设备的典型异常，包括：局部放电（pd）声学特征：包括脉冲型、尖峰型、高频噪声型放电；机械类故障声学特征：如分接开关不良啮合、机构松动、机械卡滞；气体泄漏声学特征：包括 sf6微量泄漏、阀门微渗漏等高频宽带噪声。

3、然而在实际应用中，基于声学的gis故障识别仍面临以下主要困难：

4、现场可采集的故障声学数据极度稀缺，gis设备多处于高可靠性运行状态，典型故障出现概率较低，且故障多呈瞬态特征，导致：大部分运行单位难以采集到真实的故障声学；多数场站声学数据库规模不足、样本不均衡；某些重要故障（如局放前兆、微量泄漏）几乎没有可公开数据集。所以，数据稀缺是制约声学诊断算法性能的核心瓶颈。

5、故障声学的多样性和复杂工况难以模拟，不同gis型号、安装方式、腔体结构、运行压力等均会影响声学特性，导致：同一种故障的声学在不同场站差异巨大；噪声环境复杂（风噪、电磁噪声、设备背景噪声）；时变性强，难以用简单叠加、滤波等传统手段扩充数据。而传统的声学信号增强方法入：随机噪声叠加、速度扰动、频谱偏移等，难以覆盖真实工况的复杂性。

6、声学与局放、振动等多模态特征耦合，现有数据难以成体系，gis的故障往往伴随声学、局放、振动、温升等多模态变化，但现有公开数据集多为：单模态声学数据，缺乏局放同步记录；信号缺乏统一格式、标注不规范；无法满足大模型、多模态融合训练需要。这导致智能诊断模型难以提取跨模态关联特征。

7、现有的声学生成或数据增强技术不适用于电力行业场景，虽然近年来生成式人工智能（generative ai）在图像、语音、语音转换等领域快速发展，如gan、vae、diffusion、flow模型等，但现有模型针对的是语音或音乐，并非gis声学，无法直接学习放电尖峰、高频随机噪声、宽带泄漏噪声等特有结构，更无法模拟gis腔体响应、气体介质吸收特性等物理机制。因此，现有生成技术难以直接用于gis故障声学的高保真生成。

8、现场数据隐私性高、难以共享，电力行业属于关键基础设施领域，数据共享受到限制，使得公共数据集极少，行业内缺乏统一的“gis声学标准数据集”，算法研究缺乏可通用的基础数据。这进一步加剧了模型训练的困难。

9、当前故障诊断模型的泛化能力不足，由于训练样本不足、数据场景覆盖有限，现有声学诊断模型普遍存在：迁移到不同场站后性能明显下降；面对新噪声、新设备类型时识别能力弱；难以支持边缘端的实时部署。这严重制约了基于声学的 gis 故障诊断方法在工程现场的推广应用。

技术实现思路

1、本技术提供一种基于生成式大模型的gis设备故障声学数据增强方法、系统，用于解决现有技术在gis声学故障诊断领域存在数据稀缺、样本不均衡的问题。

2、第一方面，本技术提供一种基于生成式大模型的gis设备故障声学数据增强方法，所述方法包括：获取目标设备的多模态数据；所述多模态数据至少包括声学信号、局部放电信号、振动信号以及工况信息；基于所述多模态数据进行特征提取和融合，获取统一特征表示；基于所述统一特征表示对初始声学基础模型进行多模态自监督训练，获取声学基础模型；基于所述声学基础模型、声学数据生成网络、预设随机噪声、预设控制条件构建带条件输入的故障声学生成模型；所述预设控制条件至少包括所述目标设备的故障类型条件、故障等级条件、工况条件和设备结构条件；基于所述故障声学生成模型和所述预设控制条件生成对应目标设备的故障声学样本，具体包括：基于所述统一特征表示利用所述故障声学生成模型进行噪声扩散处理，获取加噪声学样本；基于所述故障类型条件、所述故障等级条件、所述工况条件和所述设备结构条件分别进行编码并拼接，获取统一条件控制向量；基于所述统一条件控制向量、所述加噪声学样本和所述统一特征表示利用所述故障声学生成模型进行反向去噪处理，生成对应的故障声学样本特征，并对所述故障声学样本特征进行声学重建，生成对应所述目标设备的故障声学样本；基于所述故障声学样本和所述多模态数据的真实声学数据进行质量评价，获取目标设备的故障声学增强样本。

3、在第一方面的一种实现方式中，基于所述多模态数据进行特征提取和融合，获取统一特征表示包括：基于所述多模态数据进行预处理，获取预处理后的多模态数据；基于所述预处理后的多模态数据进行特征提取，获取多模态特征；所述多模态特征至少包括声学特征、局部放电特征和振动特征；基于所述声学特征、所述局部放电特征和所述振动特征利用基于时间戳的多模态对齐函数进行特征融合，获取统一特征表示。

4、在第一方面的一种实现方式中，基于所述多模态数据进行预处理，获取预处理后的多模态数据包括：基于所述声学信号进行降噪、归一化和时频变换处理，获取预处理后的声学信号；基于所述局部放电信号进行脉冲序列检测与包络分析，获取预处理后的局部放电信号；基于所述振动信号进行经验模态分解与包络分析；获取预处理后的振动信号。

5、在第一方面的一种实现方式中，所述多模态自监督训练包括mask学习任务、对比学习任务和多模态对齐学习任务，基于所述统一特征表示对初始声学基础模型进行多模态自监督训练，获取声学基础模型包括：基于所述统一特征表示输入初始声学基础模型进行mask学习，对所述统一特征表示的被遮蔽区域进行内容预测与重建，以学习声学内部结构；基于所述统一特征表示输入初始声学基础模型进行对比学习，针对所述统一特征表示通过构建同一时刻不同模态之间的正样本对，以及同一模态不同增强视图之间的负样本对，以学习跨模态关联关系和故障语义一致性的表征能力；基于所述统一特征表示输入初始声学基础模型进行多模态对齐学习，通过约束同一语义内容在不同模态下的特征表示在共享语义空间中对齐，以学习跨模态的共享高层语义信息；基于所述mask学习任务、所述对比学习任务和所述多模态对齐学习任务进行联合优化，利用各自的损失函数共同更新初始声学基础模型，获取声学基础模型。

6、在第一方面的一种实现方式中，所述故障声学生成模型包括输入编码模块、条件嵌入模块、噪声扩散模块、反向去噪生成模块，输出重建模块，其中输入编码模块，用于将真实采集的故障声学样本转换为适于模型处理的统一特征表示；条件嵌入模块，用于对预设控制条件进行编码和拼接，形成统一条件控制向量；噪声扩散模块，用于对所述统一特征表示逐步加入预设随机噪声，以构成由清晰样本到随机噪声的加噪声学样本；反向去噪生成模块，用于在预设控制条件的控制下，对所述加噪声学样本进行反向去噪处理，生成对应的故障声学样本特征；输出重建模块，用于将所述反向去噪生成模块生成的故障声学样本特征进行声学重建，生成故障声学样本并输出。

7、在第一方面的一种实现方式中，基于所述故障声学生成模型和所述预设控制条件生成对应目标设备的故障声学样本还包括：基于所述故障类型条件、所述故障等级条件、所述工况条件和所述设备结构条件分别进行编码，获取编码后的条件向量；所述编码后的条件向量包括故障类型条件向量、故障等级条件向量、工况条件向量和设备结构条件向量；基于所述故障类型条件向量、所述故障等级条件向量、所述工况条件向量和所述设备结构条件向量进行拼接，获取统一条件控制向量；基于所述统一条件控制向量、预设随机噪声和所述统一特征表示利用所述故障声学生成模型进行声学样本生成处理，获取目标设备的故障声学样本。

8、在第一方面的一种实现方式中，基于所述故障声学样本和所述多模态数据的真实声学数据进行质量评价，获取目标设备的故障声学增强样本包括：基于所述故障声学样本和所述多模态数据的真实声学数据分别进行特征提取，获取对应的时频特征；所述时频特征包括mel频谱、stft频谱图及谱熵特征；基于各所述mel频谱、stft频谱图及谱熵特征进行计算，获取对应的相似度；所述相似度包括mel频谱距离、频谱结构相似度及谱熵差值；基于所述故障声学样本的局放脉冲序列进行特征比对，获取局放脉冲分布一致性；将所述故障声学样本输入判别网络进行真实性判断，获取真实性评分；基于所述mel频谱距离、所述频谱结构相似度、所述谱熵差值、所述局放脉冲分布一致性和所述真实性评分按预设权重进行加权融合，获取综合质量评分；若所述综合质量评分大于等于预设阈值，则判定当前故障声学样本为高质量声学增强样本，作为目标设备的故障声学增强样本；若所述综合质量评分小于预设阈值，则判定当前故障声学样本为低质量声学增强样本，不作为目标设备的故障声学增强样本。

9、第二方面，本技术提供一种基于生成式大模型的声学数据增强系统，所述系统包括：多模态数据采集模块，被配置为获取目标设备的多模态数据；所述多模态数据至少包括声学信号、局部放电信号、振动信号以及工况信息；预处理与特征融合模块，被配置为基于所述多模态数据进行特征提取和融合，获取统一特征表示；声学基础模型训练模块，被配置为基于所述统一特征表示对初始声学基础模型进行联合自监督训练，获取声学基础模型；模型构建模块，被配置为基于所述声学基础模型、声学数据生成网络、预设随机噪声、预设控制条件构建带条件输入的故障声学生成模型；所述预设控制条件至少包括所述目标设备的故障类型条件、故障等级条件、工况条件和设备结构条件；样本生成模块，被配置为基于所述故障声学生成模型和所述预设控制条件生成对应目标设备的故障声学样本，具体包括：基于所述统一特征表示利用所述故障声学生成模型进行噪声扩散处理，获取加噪声学样本；基于所述故障类型条件、所述故障等级条件、所述工况条件和所述设备结构条件分别进行编码并拼接，获取统一条件控制向量；基于所述统一条件控制向量、所述加噪声学样本和所述统一特征表示利用所述故障声学生成模型进行反向去噪处理，生成对应的故障声学样本特征，并对所述故障声学样本特征进行声学重建，生成对应所述目标设备的故障声学样本；质量评价模块，被配置为基于所述故障声学样本和所述多模态数据的真实声学数据进行质量评价，获取目标设备的故障声学增强样本。

10、第三方面，本技术提供一种电子设备，所述电子设备包括：存储器，用于存储计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行上述所述的基于生成式大模型的gis设备故障声学数据增强方法。

11、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于生成式大模型的gis设备故障声学数据增强方法。

12、如上所述，本技术所述的基于生成式大模型的gis设备故障声学数据增强方法、系统，具有以下有益效果：

13、本技术提出了一种基于生成式大模型的gis设备故障声学数据增强方法，能够自动生成高保真、高多样性的典型故障声学样本，包括局部放电、机械异响、气体泄漏等多类型、多强度、多场景、多设备结构下的模拟声学，数据量可扩充数百倍，从而为智能诊断算法提供充足训练样本，提升智能诊断模型的泛化能力和鲁棒性，大幅缓解gis故障数据稀缺问题，解决了现有技术中长期存在的“缺数据”问题。

14、本技术利用生成数据训练的模型不仅能够解决现场数据稀缺导致模型训练效果不佳的问题，还能够模拟变电站复杂背景噪声、设备老化导致的声学漂移、不同gis型号结构差异带来的声学响应变化，使得合成数据能够提升对复杂真实工况场景的覆盖能力，显著提高诊断模型面对多源场景的适应能力；本技术利用生成数据训练的模型可适应多种场站噪声环境和设备差异，使模型能在不同地区、不同变电站、不同gis型号间迁移，并提升模型跨场景迁移能力。

15、本技术提出的声学生成模型能够与局放、振动、温升等多模态数据进行对齐与联合建模，为构建“声学+局放+振动”多模态智能诊断体系提供数据基础，从而促进基于大模型的设备状态评估技术在电力行业的落地应用；本技术实现了gis声学的“物理约束+生成式ai”耦合建模，提出的故障声学生成模型能够提高生成样本真实度与可解释性，使合成数据可用于技术验证、模型训练、测试评估等多种工程场景。

16、本技术可利用声学、局放及振动等多模态信息对生成声学样本（即故障声学样本）进行约束与评价，为构建多模态诊断体系提供高质量训练样本；同时可生成“轻量化特征”数据，为边缘侧诊断模型提供更丰富的样本，提高边缘设备在复杂场景下的可靠性。