Page 132 - 《应用声学》2024年第1期

128 2024 年 1 月

2.3.2 添加噪声数据分析 表 5 不同 SNR 下各方法的分类准确率
在实际现场运行环境中，采集得到的变压器声 Table 5 Classification accuracy of each
纹信号中不可避免地存在无关噪声。故本节还在 method under different SNR
原始信号上添加了不同信噪比 (Signal-noise ratio,
(单位: %)
SNR)的高斯白噪声，评估上述3种状态辨识方法的
准确率
鲁棒性。限于篇幅，仅给出铁芯松动缺陷下的不同 SNR
所提方法 对比方法 1 对比方法 2
SNR时间序列示意(图11)。
SNR = 4 dB 93.66 77.70 85.19
0.04
SNR = 8 dB 94.66 81.76 86.66
0.02 SNR = 12 dB 96.11 84.51 90.33
ࣨϙ/Pa 0

-0.02 2.4 所提方法辨识结果的可解释性分析
-0.04
0 200 400 600 800 1000 针对常规深度学习网络的黑箱特性、难以明晰
ሏஙᓬག஝
辨识结果等问题，还引入 Grad-CAM 对变压器 4 种
(a) ԔݽηՂ
状态下的 MDF 增强图像进行可解释性说明。图 12
0.04
为 4 种状态下 MDF 图像经过 Grad-Cam 算法后获
0.02
ࣨϙ/Pa 0 得的类激活图。类激活图中的光晕颜色越深，则代
-0.02 表此区域对于最终分类结果的影响越大。由图12可
-0.04 知，4 种状态下经过 Grad-Cam 算法获得的类激活
0 200 400 600 800 1000
ሏஙᓬག஝ 图分别具备较为明显的表征效果：在正常状态下，类
(b) SNR=4 dB 激活图的光晕范围较为集中，主要分布在 MDF 图
0.04
像的中心靠左位置；在绕组松动缺陷的类激活图中，
0.02 光晕区域较正常状态增大约 1 倍，在图像的中间区
ࣨϙ/Pa 0 域向外辐射；而对于铁芯松动缺陷的类激活图而言，

-0.02
-0.04
0 200 400 600 800 1000
ሏஙᓬག஝
(c) SNR=8 dB
0.04
0.02
ࣨϙ/Pa 0
-0.02
-0.04 (a) ൤࣢࿄গ (b) ፉጸ౛ү
0 200 400 600 800 1000
ሏஙᓬག஝
(d) SNR=12 dB

图 11 不同 SNR 下的时间序列示意
Fig. 11 Schematic diagram of time series under
different SNRs

表 5 为在原始信号添加不同 SNR 下的变压器
各运行状态辨识精度。由表 5 可知，随着 SNR 的下 (c) ᨡᔇ౛ү (d) ᄱᫎஊႃ
降，对于实际运行状态的分类辨识精度也随之减小，
图 12 变压器 4 种状态时 MDF 图像的 Grad-Cam
但始终保持在较高的识别精度 (> 90%)，说明所提 可视化结果
方法在噪声干扰下仍具备较优的分类性能且鲁棒 Fig. 12 Grad-Cam visualization results of MDF
性较强，始终优于其余两种对比方法。 images in four states of transformer