变压器的故障诊断方法、装置和变压器的故障诊断系统与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统。


背景技术：

2.振动监测是变压器运行状态监测的常用手段之一，对变压器绕组和铁心异常状态监测具有良好的反应。通常变压器振动监测在变压器箱体表面布设多个振动传感器，振动传感器的采样频率为数千赫兹。以3200hz采样，布设6个三分量振动传感器为例，每秒钟采集57600个数据，每个采样数据以4字节编码，数据采集速率为每秒约230k字节，每天产生约20g字节数据。如果长年连续采集，监测系统数据通讯和存储面临很大的压力。因此目前常用的振动监测系统通常是每隔数分钟或数十分钟采集几秒的数据。这种监测方式不是真正的实时在线监测，会错失大量突发性或者间歇性的异常状态的检出。传统振动分析方法通常采用计算一小段振动波形数据的均值、均方根值(强度)、方差、偏度、峭度、峰峰值等检测指标，然后根据预设的每种指标阈值范围来检测异常，最后使用频谱分析方法由专家分析诊断或定位可能的故障类型。因此，基于传统振动分析的监测系统在完成计算常用的统计量和或者进行目标频段的频谱分析之后，最终只保留部分在传统分析中有用的指标，而原始数据被丢弃；即使保留原始数据，通常也只保留最近几个星期或者几个月的数据，更长时间的历史数据将被新采集的数据覆盖。由于传统振动分析方法的分析指标由专家人工制作，从物理机制分析中得到、物理意义明确、使用简易因此在机器故障诊断中发挥了重要作用。随着大数据和人工智能技术的发展，另一种完全由数据驱动的机器故障诊断方法得到了大量的研究，这些方法往往由原始数据出发，通过神经网络提取振动波形中的故障特征，因此必须要有原始数据或者蕴含原始数据相同特征的数据形式。
3.为了缓解监测系统数据通讯和存储的压力，现有技术采用间隔采集传输一小段数据的方法导致检测无法全时覆盖，存在漏检，或者，只保留传统的振动分析指标数据，导致最新的人工智能建模技术只能使用已有的指标特征进行简单的统计分类，而无法通过更先进的建模技术从数据中自动提取能更好实现故障诊断的数据特征。
4.在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。


技术实现要素：

5.本技术的主要目的在于提供一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统，以解决现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
6.根据本发明实施例的一个方面，提供了一种变压器的故障诊断方法，包括：获取变压器的振动数据，所述振动数据为对所述变压器进行振动监测采集的数据；将所述振动数
据输入振动特征提取模型，得到振动特征向量，所述振动特征提取模型用于对所述振动数据组成的向量进行降维；将所述振动特征向量发送至故障诊断平台；控制所述故障诊断平台将所述振动特征向量输入振动数据重建模型，得到重建数据，所述振动数据重建模型用于对所述振动数据组成的向量进行升维，所述重建数据的数据与所述振动数据的数据一一对应；控制所述故障诊断平台分析所述重建数据得到故障诊断结果。
7.可选地，所述振动特征提取模型和所述振动数据重建模型组成神经网络，所述神经网络的训练过程包括：将历史振动数据输入所述神经网络进行训练，得到训练重建数据，所述训练重建数据的数据与所述历史振动数据的数据一一对应；计算所有第一数据和对应的第二数据的差值的平方和，得到目标参数，所述第一数据为所述训练重建函数的数据，所述第二数据为所述历史振动数据的数据；在所述目标参数小于预定阈值的情况下，所述神经网络训练完成。
8.可选地，所述神经网络的输入层和输出层的节点数为一帧所述振动数据的数量，一帧所述振动数据的数量为帧长与所述振动数据的采样率的乘积。
9.可选地，所述预定阈值为所有所述第一数据的平方和与0.000001的乘积。
10.可选地，所述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，所述输入层、所述第一隐藏层、所述第二隐藏层、所述第三隐藏层构成所述振动特征提取模型，所述第三隐藏层、所述第四隐藏层、所述第五隐藏层和所述输出层构成所述振动数据重建模型。
11.根据本发明实施例的另一方面，还提供了一种变压器的故障诊断装置，包括：获取单元，用于获取变压器的振动数据，所述振动数据为对所述变压器进行振动监测采集的数据；第一处理单元，用于将所述振动数据输入振动特征提取模型，得到振动特征向量，所述振动特征提取模型用于对所述振动数据组成的向量进行降维；发送单元，用于将所述振动特征向量发送至故障诊断平台；第二处理单元，用于控制所述故障诊断平台将所述振动特征向量输入振动数据重建模型，得到重建数据，所述振动数据重建模型用于对所述振动数据组成的向量进行升维，所述重建数据的数据与所述振动数据的数据一一对应；分析单元，用于控制所述故障诊断平台分析所述重建数据得到故障诊断结果。
12.根据本发明实施例的再一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。
13.根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
14.根据本发明实施例的再一方面，还提供了一种变压器的故障诊断系统，包括：采集器，用于对所述变压器进行振动监测采集振动数据，将所述振动数据输入振动特征提取模型，得到振动特征向量，并发送所述振动特征向量，所述振动特征提取模型用于对所述振动数据组成的向量进行降维；故障诊断平台，用于接收所述振动特征向量，将所述振动特征向量输入振动数据重建模型，得到重建数据，对所述重建数据进行分析得到故障诊断结果，所述振动数据重建模型用于对所述振动数据组成的向量进行升维，所述重建数据的数据与所述振动数据的数据一一对应。
15.可选地，所述采集器具有边缘计算功能。
16.在本发明实施例中，上述变压器的故障诊断方法中，首先，获取变压器的振动数
据，上述振动数据为对上述变压器进行振动监测采集的数据；然后，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；之后，将上述振动特征向量发送至故障诊断平台；之后，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；最后，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。该方法通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了根据本技术的一种实施例的变压器的故障诊断方法的流程图；
19.图2示出了根据本技术的一种实施例的变压器的故障诊断装置的示意图。
具体实施方式
20.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
21.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
22.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
24.正如背景技术中所说的，现有技术中振动数据的部分数据特征丢失导致故障诊断
不准确，为了解决上述问题，本技术的一种典型的实施方式中，提供了一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统。
25.根据本技术的实施例，提供了一种变压器的故障诊断方法。
26.图1是根据本技术实施例的变压器的故障诊断方法的流程图。如图1所示，该方法包括以下步骤：
27.步骤s101，获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；
28.步骤s102，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；
29.步骤s103，将上述振动特征向量发送至故障诊断平台；
30.步骤s104，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；
31.步骤s105，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。
32.上述变压器的故障诊断方法中，首先，获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；然后，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；之后，将上述振动特征向量发送至故障诊断平台；之后，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；最后，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。该方法通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
33.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
34.本技术的一种实施例中，上述振动特征提取模型和上述振动数据重建模型组成神经网络，上述神经网络的训练过程包括：将历史振动数据输入上述神经网络进行训练，得到训练重建数据，上述训练重建数据的数据与上述历史振动数据的数据一一对应；计算所有第一数据和对应的第二数据的差值的平方和，得到目标参数，上述第一数据为上述训练重建函数的数据，上述第二数据为上述历史振动数据的数据；在上述目标参数小于预定阈值的情况下，上述神经网络训练完成。具体地，将历史振动数据d
obs
输入上述神经网络进行训练，得到训练重建数据d
rec
，上述训练重建数据d
obs
的数据与上述历史振动数据d
rec
的数据一一对应，上述训练重建数据d
obs
包括a1、a2
……
an，上述历史振动数据d
rec
包括b1、b2
……
bn，目标参数c的计算公式为c＝(a1-b1)2 (a2-b2)2
……
(an-bn)2，通过大量数据样本的反复
迭代训练神经网络模型调整神经网络的连接权重使目标参数最小化，在上述目标参数小于预定阈值的情况下，上述神经网络训练完成，保证重建数据与上述振动数据相似度较高，进一步提高故障诊断的准确度。
35.本技术的一种实施例中，上述神经网络的输入层和输出层的节点数为一帧上述振动数据的数量，一帧上述振动数据的数量为帧长与上述振动数据的采样率的乘积。具体地，帧长t可以根据需要调节，取值范围可以为0.1～1，一帧上述振动数据的数量ns＝t*sr，sr为上述振动数据的采样率，以sr＝3200hz，t＝0.5为例，计算得到ns＝1600。
36.本技术的一种实施例中，上述预定阈值为所有上述第一数据的平方和与0.000001的乘积。具体地，上述训练重建数据d
obs
包括a1、a2
……
an，上述预定阈值ξ＝0.000001[(a1)2 (a2)2
……
(an)2]，当然，上述预定阈值也不限于此，可以根据实际情况进行调整。
[0037]
本技术的一种实施例中，上述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，上述输入层、上述第一隐藏层、上述第二隐藏层、上述第三隐藏层构成上述振动特征提取模型，上述第三隐藏层、上述第四隐藏层、上述第五隐藏层和上述输出层构成上述振动数据重建模型。具体地，以1600个采样点输入5层隐层为例为例，各层网络节点数为：输入层：1600个节点，第一隐藏层：512个节点，第二隐藏层：256个节点，第三隐藏层：128个节点，第四隐藏层：256个节点，第五隐藏层：512个节点，输出层：1600个节点。
[0038]
本技术实施例还提供了一种变压器的故障诊断装置，需要说明的是，本技术实施例的变压器的故障诊断装置可以用于执行本技术实施例所提供的用于变压器的故障诊断方法。以下对本技术实施例提供的变压器的故障诊断装置进行介绍。
[0039]
图2是根据本技术实施例的变压器的故障诊断装置的示意图。如图2所示，该装置包括：
[0040]
获取单元10，用于获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；
[0041]
第一处理单元20，用于将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；
[0042]
发送单元30，用于将上述振动特征向量发送至故障诊断平台；
[0043]
第二处理单元40，用于控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；
[0044]
分析单元50，用于控制上述故障诊断平台分析上述重建数据得到故障诊断结果。
[0045]
上述变压器的故障诊断装置中，获取单元获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；第一处理单元将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；发送单元将上述振动特征向量发送至故障诊断平台；第二处理单元控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；分析单元控制上述故障诊断平台分析上述重建数据得到故障诊断结果。该装置通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振
动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0046]
本技术的一种实施例中，上述振动特征提取模型和上述振动数据重建模型组成神经网络，上述装置还包括训练单元，上述训练单元包括训练模块、计算模块和确定模块，其中，上述训练模块用于将历史振动数据输入上述神经网络进行训练，得到训练重建数据，上述训练重建数据的数据与上述历史振动数据的数据一一对应；上述计算模块用于计算所有第一数据和对应的第二数据的差值的平方和，得到目标参数，上述第一数据为上述训练重建函数的数据，上述第二数据为上述历史振动数据的数据；上述确定模块用于在上述目标参数小于预定阈值的情况下，上述神经网络训练完成。具体地，将历史振动数据d
obs
输入上述神经网络进行训练，得到训练重建数据d
rec
，上述训练重建数据d
obs
的数据与上述历史振动数据d
rec
的数据一一对应，上述训练重建数据d
obs
包括a1、a2
……
an，上述历史振动数据d
rec
包括b1、b2
……
bn，目标参数c的计算公式为c＝(a1-b1)2 (a2-b2)2
……
(an-bn)2，通过大量数据样本的反复迭代训练神经网络模型调整神经网络的连接权重使目标参数最小化，在上述目标参数小于预定阈值的情况下，上述神经网络训练完成，保证重建数据与上述振动数据相似度较高，进一步提高故障诊断的准确度。
[0047]
本技术的一种实施例中，上述神经网络的输入层和输出层的节点数为一帧上述振动数据的数量，一帧上述振动数据的数量为帧长与上述振动数据的采样率的乘积。具体地，帧长t可以根据需要调节，取值范围可以为0.1～1，一帧上述振动数据的数量ns＝t*sr，sr为上述振动数据的采样率，以sr＝3200hz，t＝0.5为例，计算得到ns＝1600。
[0048]
本技术的一种实施例中，上述预定阈值为所有上述第一数据的平方和与0.000001的乘积。具体地，上述训练重建数据d
obs
包括a1、a2
……
an，上述预定阈值ξ＝0.000001[(a1)2 (a2)2
……
(an)2]，当然，上述预定阈值也不限于此，可以根据实际情况进行调整。
[0049]
本技术的一种实施例中，上述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，上述输入层、上述第一隐藏层、上述第二隐藏层、上述第三隐藏层构成上述振动特征提取模型，上述第三隐藏层、上述第四隐藏层、上述第五隐藏层和上述输出层构成上述振动数据重建模型。具体地，以1600个采样点输入5层隐层为例为例，各层网络节点数为：输入层：1600个节点，第一隐藏层：512个节点，第二隐藏层：256个节点，第三隐藏层：128个节点，第四隐藏层：256个节点，第五隐藏层：512个节点，输出层：1600个节点，上述振动特征提取模型将振动数据降维成一个128维的向量，实现了12.5倍的数据压缩，将神经网络第三隐藏层的128维的向量数据，通过上述振动数据重建模型即可重建出和振动数据高度相似的数据。
[0050]
本技术实施例还提供了一种变压器的故障诊断系统，包括：
[0051]
采集器，用于对上述变压器进行振动监测采集振动数据，将上述振动数据输入振动特征提取模型，得到振动特征向量，并发送上述振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；
[0052]
故障诊断平台，用于接收上述振动特征向量，将上述振动特征向量输入振动数据重建模型，得到重建数据，对上述重建数据进行分析得到故障诊断结果，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应。
[0053]
上述变压器的故障诊断系统中，采集器获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；将上述振动特征向量发送至故障诊断平台；故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；故障诊断平台分析上述重建数据得到故障诊断结果。该系统通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0054]
本技术的一种实施例中，上述采集器具有边缘计算功能。具体地，上述采集器具有边缘计算功能，才可以部署振动特征提取模型。
[0055]
更为具体地，振动特征提取模型部署在具有边缘计算能力的采集器端，振动传感器每采集一帧ns个采样点的振动数据，振动数据被输入部署在采集器上的振动特征提取模型，输出128维向量，然后通过通讯模块传输给故障诊断云平台，特征数据只有128维，相比振动数据1600维，通讯数据量大幅降低，故障诊断云平台接收到采集器端发送过来的128维向量的振动特征后，可以存储128维的特征数据，极大降低了存储数据量。直接使用128维的振动特征作为后续故障诊断模型的输入数据，大幅降低了云平台提取振动特征的计算压力。同时在云平台上部署了由神经网络的后四层组成的振动数据重建模型，利用该模型可以重建和振动数据具有非常相似振动特征的振动波形数据，开展后续必须基于振动数据进行的算法计算工作。
[0056]
上述变压器的故障诊断装置包括处理器和存储器，上述获取单元、第一处理单元、发送单元、第二处理单元和分析单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0057]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0058]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0059]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述方法。
[0060]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述方法。
[0061]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0062]
步骤s101，获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；
[0063]
步骤s102，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；
[0064]
步骤s103，将上述振动特征向量发送至故障诊断平台；
[0065]
步骤s104，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；
[0066]
步骤s105，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。
[0067]
本文中的设备可以是服务器、pc、pad、手机等。
[0068]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0069]
步骤s101，获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；
[0070]
步骤s102，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；
[0071]
步骤s103，将上述振动特征向量发送至故障诊断平台；
[0072]
步骤s104，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；
[0073]
步骤s105，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。
[0074]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0075]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0076]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0077]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0078]
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0079]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0080]
1)、本技术的变压器的故障诊断方法中，首先，获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；然后，将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；之后，将上述振动特征向量发送至故障诊断平台；之后，控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；最后，控制上述故障诊断平台分析上述重建数据得到故障诊断结果。该方法通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0081]
2)、本技术的变压器的故障诊断装置中，获取单元获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；第一处理单元将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；发送单元将上述振动特征向量发送至故障诊断平台；第二处理单元控制上述故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；分析单元控制上述故障诊断平台分析上述重建数据得到故障诊断结果。该装置通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0082]
3)、本技术的变压器的故障诊断系统中，采集器获取变压器的振动数据，上述振动数据为对上述变压器进行振动监测采集的数据；将上述振动数据输入振动特征提取模型，得到振动特征向量，上述振动特征提取模型用于对上述振动数据组成的向量进行降维；将
上述振动特征向量发送至故障诊断平台；故障诊断平台将上述振动特征向量输入振动数据重建模型，得到重建数据，上述振动数据重建模型用于对上述振动数据组成的向量进行升维，上述重建数据的数据与上述振动数据的数据一一对应；故障诊断平台分析上述重建数据得到故障诊断结果。该系统通过振动特征提取模型对上述振动数据组成的向量进行降维，得到振动特征向量，使得振动特征向量的维数小于振动数据组成的向量，减小了数据量，降低了发送至故障诊断平台的通讯数据量和故障诊断平台的存储数据量，后续将上述振动特征向量输入振动数据重建模型，得到重建数据，即可分析上述重建数据得到故障诊断结果，重建数据为振动数据高度相似的振动波形数据，无需为了减小通讯数据量和存储数据量丢失部分数据特征，从而提高了故障诊断的准确度，解决了现有技术中振动数据的部分数据特征丢失导致故障诊断不准确的问题。
[0083]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。