Page 127 - 《应用声学》2024年第1期
P. 127
第 43 卷 第 1 期 张寒等： 声纹信号 -图形差分场增强和多头自注意力机制的变压器工作状态辨识方法 123
性使其具有强大的计算和模式匹配能力，但也使其 (3) 模型训练：将步骤 (2) 得到的图像集合输入
内部的工作机制变得异常复杂，通常难以明晰其内 到基于多头自注意力机制的 Vision Transformer 分
部工作原理与辨别逻辑 [22] 。基于上述问题，利用实 类器中，首先进行特征提取得到特征图，其次对特征
现简单、计算高效等诸多优势的 Grad-CAM [23] 以 图的每个像素点位置进行多头注意操作，并将结果
突出分类结果的可解释性。 压缩为一个向量，接着通过全连接层进行深层感知
对于任一输入图像 x，在利用深度神经网络处 与特征组合，最后将得到的特征数据通过 SoftMax
理后，可得到预测结果y c 以及对应的分类标签c。再 激活函数层实现图像的分类辨识。
利用反向传播算法计算得到梯度张量 A k ∈ R u×v ，
其中下标 k 表示最后一个卷积层的通道数，R 表示 2 实验验证
张量的秩，上标 u 和 v 分别表示图像相邻像素之间
2.1 实验设置
的水平和垂直方向上的梯度分量。
对梯度张量 A k 进行全局平均池化操作使其沿 为验证所提方法的可行性与有效性，以一台
通道维度进行池化，进而得到一个长度为 k 的权重 型号为 SC 800/10 的干式变压器为实验对象进行
k
向量w ∈ R ，具体计算方式为 实验，实验在半消声室进行，其长宽高尺寸为
1 ∑ ∑ 13 m × 10 m × 7 m，本底噪声为18.6 dB。现场布置
w k = A k (i, j), (11)
Z 如图 4 所示，利用集成有 112 通道的声学传声器阵
i j
列进行测试，其测试优势在于同时输出多组声纹监
∑
式(11)中，Z = w k 为标准化的常数项，其作用
k 测数据，在减少测试时间和成本的同时，提升了声纹
在于保证权重向量 w 满足长度为 1；(i, j) 表示像素
监测的准确度和可靠性。采集声纹数据时，将阵列
点的位置。
采集面与变压器纵面平行放置，测试距离为1 m，采
将权重向量 w 与卷积层的特征图进行加权求
样率设置为51.2 kHz，涵盖了20 Hz∼20 kHz的可听
和，得到每个位置的激活值L Grad-CAM (i, j)：
声范围。实验模拟了干式变压器绕组松动、铁芯松
[ k ]
∑ 动以及表面放电3种典型缺陷，缺陷设置方法如图5
L Grad-CAM (i, j)=ReLU w m A m (i, j) , (12)
m=1 所示，具体缺陷设置方法如下：
式(12)中，ReLU表示激活函数。在将每个像素点位 (1) 绕组松动缺陷模拟：由文献 [24] 可知，引起
置上的激活值按照权重进行加权求和后，即可得到 变压器绕组松动的原因主要有绝缘层减少、垫块脱
一个数值，其表示输入图像中与分类结果最相关的 落、短路电流对绕组造成的冲击等。上述松动故障
区域，即Grad-CAM的可视化结果。 对绕组振动的影响皆可等效为不同预紧力对绕组
1.4 基于声纹信号 MDF 增强和多头自注意力机 振动的影响。本次实验中通过控制变压器上铁额穿
制的变压器工作状态辨识流程 心螺杆的预紧力以实现螺杆的不同程度松动，进而
模拟实际中的绕组松动缺陷。
由前文可知，MDF 方法能够更好地表征一维
时域信号的状态参量，而基于多头自注意力机制的
Transformer 分类算法则可实现特征信息的深度挖 ࣰरԫԍ٨
掘。因此，本文结合两者之间的特点，提出了一种基
于 MDF 信号增强和多头自注意力机制的变压器工
作状态辨识方法，并引入 Grad-CAM 突出模型的可
解释性。其具体实施步骤如下：
(1) 声纹信号采集：在变压器前方布置声传感
器以进行原始声纹时域信号的采集。 ܦߦ͜ਖ٨ѵ
(2) 图像映射：利用 MDF方法将采集得到的不
同工作状态下的变压器声纹信号映射为二维图像， 图 4 现场布置方案
进而建立原始二维图像集合。 Fig. 4 Site layout scheme
