Page 130 - 《应用声学》2024年第1期

126 2024 年 1 月

128 和 256 时对于训练集损失率与测试集准确率的 只有 4 个被错误分类，其分类正确率为 98%，表 2 表
影响关系。由图 8 可知，批尺寸过大 (128 和 256) 与 明所提出方法的识别精度、召回率以及 F1 值皆为
过小时(16 和32)皆会导致模型的不稳定，损失率与 98%。上述结果表明所提方法可以实现变压器状态
准确率曲线均出现了一定程度的波动，而在选择合 的有效检测，且对于机械与放电缺陷都具有较高的
适的批尺寸 (64) 后，模型在整体计算过程中较为稳 识别精度，可进一步应用于工程实践中以帮助巡检
定，并取得了良好的分类效果；同时也可以看出，不 人员便捷、及时地检测变压器的工作状态。
同批尺寸在 30 次迭代后，曲线均趋于稳定，即模型 50
达到最优。 1 49 0 1 0
40
1.2
੻ࡇࠪ˞ 16 2 0 48 2 0 30
1.0
੻ࡇࠪ˞ 32 ᄾࠄዝѿ
੻ࡇࠪ˞ 64 20
3 0 1 49 0
0.8 ੻ࡇࠪ˞ 128
੻ࡇࠪ˞ 256 10
૯ܿဋ 0.6 0.06 4 0 0 0 50
0
0.4 1 2 3 4
ᮕ฾ዝѿ
0.2 0
160 170 180 190 200 图 9 混淆矩阵示意
Fig. 9 Confusion matrix schematic
0
0 50 100 150 200
ᤖ̽൓஝ 表 2 评价参数
(a) ᝫጷᬷ૯ܿϙ
Table 2 Evaluation parameters
1.0
(单位: %)
੻ࡇࠪ˞ 16
੻ࡇࠪ˞ 32 标签
0.9 ੻ࡇࠪ˞ 64 参数 平均值
੻ࡇࠪ˞ 128 1 2 3 4
੻ࡇࠪ˞ 256 精度 100.00 97.96 94.23 100.00 98.05
૯ܿဋ 0.8 1.00 召回率 98.00 96.00 98.00 100.00 98.00
F1 值 98.99 96.97 96.08 100.00 98.01
0.99
0.7
0.98 2.3 其他模型对比结果及分析
160 170 180 190 200
2.3.1 半消声室数据分析
0.6
0 50 100 150 200
ᤖ̽൓஝ 为进一步表明所提方法的优越性，还将所提方
(b) ฾តᬷюᆸဋ 法与基于常规时频图谱数据集和多头自注意力机

图 8 不同批尺寸训练过程的损失率和准确率随迭 制的 Transformer 对比方法 1，基于 MDF 增强图谱
代次数变化趋势 和目前流行的深度学习分类模型、引入残差模块的
Fig. 8 Variation trend of loss value and accuracy 卷积神经网络 (ResNet-CNN) 的对比方法 2 进行对
with iteration times in different batch sizes train- 比分析。对比方法 1 中，除采用如图 10 所示的时频
ing process
图像作为原始数据输入外，其余步骤皆与所提方法
2.2.3 模型分类性能计算 一致；对比方法 2 中，除在对 MDF 图像分类时采取
引入混淆矩阵以定量评估所提方法的识别效 了目前流行的 ResNet-CNN 深度学习分类器外，其
果。图 9 与表 2 为利用所提方法得到的混淆矩阵计 余步骤皆与所提方法一致。对比方法 1 中，为充分
算结果，图9中横纵坐标的数字 1 ∼ 4 分别表示变压 考虑信号特征，相关参数设置如下：时间窗口长度
器的正常、绕组松动、铁芯松动及相间放电 4 种状 t = 1 s，频率显示范围为 0 Hz ∼ 10 kHz，重叠点数
态，混淆矩阵的对角线分别表示每种状态被识别正 设置为100，其时频图谱结果见图10。对比方法2 的
确的样本数。结合图 9 和表 2 可知，在 200 组数据中 网络结构及参数见表3。