Page 129 - 《应用声学》2024年第1期

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 125

f = 100 Hz，同时也出现了 f = 200 Hz、300 Hz 等 提取并表征。因此，与传统的检测方法相比，可以更
50 Hz偶数倍的谐波分量，能量主要集中在1 kHz范 好地突出表征被监测设备的实时运行状态。
围内；由图 6(b) 可知，绕组松动状态下的时域信号 综上，变压器在4种状态下的MDF图谱均存在
幅值较正常状态有所增大，在 100 Hz∼2 kHz 范围 较为明显的差异，为后续的图像分类提供了可行性。
内出现较多 100 Hz 的谐波，主频为400 Hz，频谱能
量主要集中在 1 kHz 以内；如图 6(c) 所示，铁芯松
动的频域信号分布与绕组松动极为相似，主频也为
400 Hz，频谱能量同样主要分布在 1 kHz 以内；如
图 6(d) 所示，相间放电的信号波形与前者 3 种信号
存在较大区别，由于存在放电脉冲，其时域信号波动 (a) ൤࣢࿄গ (b) ፉጸ౛ү
较大，且频谱能量呈现宽频分布的特点，在分析频段
下 (f = 0 Hz ∼ 10 kHz) 皆有分布。综合以上分析
可知，基于常规的频谱分析手段可初步实现变压器
正常与放电缺陷的辨识，而对于绕组松动与铁芯松
动此类变压器的机械缺陷而言，由于其频谱能量分
(c) ᨡᔇ౛ү (d) ᄱᫎஊႃ
布存在类似性，通常难以实现变压器绕组与铁芯缺
陷的精准辨识。 图 7 变压器 4 种状态下的 MDF 图像
2.2 状态辨识 Fig. 7 MDF images of transformer in four states

2.2.1 MDF计算结果分析 2.2.2 实验模型参数选择
引入 MDF 技术对变压器正常状态、绕组松动、 本文所有方法均在一台 CPU 为英特尔 Xeon
铁芯松动以及相间放电4 种状态下的时域声纹数据 Platinum 8157、 GPU 为 NVIDIA GeForce RTX
进行计算，图 7 为二维图像计算结果。综合考虑计 3090 配置的计算机进行运算，使用语言为 Python。
算时间与状态参量的完整性，设定 MDF 技术的步 实验采集了每组状态 500 条数据、共计 2000 条数
长 d = 1，时间窗口长度 s = 1000 (时域信号离散 据，数据集被划分为训练集、验证集、测试集，所占
点)。由图 7(a)可知，变压器在正常运行时，其MDF 比例为 8:1:1。模型的具体参数设置见表 1。模型训
图像矩阵的极值主要分布在主副对角线两侧靠近 练采用自适应学习能力强、内存需求少的 Adam 优
中心区域，能量分布较为均匀；绕组松动缺陷图谱如 化器，为避免过拟合，还在训练过程中引入正则化方
图 7(b) 所示，MDF 图像的极值区域主要集中在对 法，设置 Dropout 为0.3，选择交叉熵作为损失函数，
角线两侧的局部位置及其横纵坐标上，但相较于正 定义初始学习率为0.001，训练迭代次数设置为200。
常状态、其能量更偏向于点状聚集；如图 7(c) 所示，
铁芯松动缺陷的 MDF 图谱相较于绕组松动，点状 表 1 模型参数设置
能量聚集的特征更为明显，且呈现明显的区域分布 Table 1 Model parameter settings
特性；由图7(d) 可知，放电缺陷的 MDF图谱与前者
模块名称 设置参数
3 种状态的图谱结果完全不同，整个图谱呈现 “细长
多头注意力机制头数 12
针状” 的脉冲能量分布特性，这可能是因为在放电
每个头维度 64
过程中，放电 (局部放电或者间歇放电) 等现象会产
前馈神经网络层维度 2048
生突发性的脉冲峰，该放电信号的瞬时脉冲峰特征
编码层数 6
在 MDF 技术中被进一步表征映射为 “细长狭窄针
解码层数 6
状”分布特征。由结果可知，相较于常规的信号分析
方法，当使用 MDF 技术将一维时域数据映射为二 批尺寸 (Batch size) 决定了每次迭代训练中使
维图像时，成功提取并保留了原始声纹数据的时间 用的样本个数，较大的批尺寸可提高训练速度，但也
动态特性与非线性特性，且原始数据的也被成功的 可能导致模型不稳定。图 8 为批尺寸为 16、32、64、