CN114999527A - 一种变压器异常检测模型训练和部署方法及装置 - Google Patents
一种变压器异常检测模型训练和部署方法及装置 Download PDFInfo
- Publication number
- CN114999527A CN114999527A CN202210592928.8A CN202210592928A CN114999527A CN 114999527 A CN114999527 A CN 114999527A CN 202210592928 A CN202210592928 A CN 202210592928A CN 114999527 A CN114999527 A CN 114999527A
- Authority
- CN
- China
- Prior art keywords
- transformer
- detection model
- model
- training
- abnormity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000012549 training Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 41
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种变压器异常检测模型训练和部署方法及装置,方法包括步骤:变压器异常检测模型训练;对完成训练的变压器异常检测模型进行多次迭代验证,得到对应数量的输出结果;对输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果;模型部署和在线推理,异常标注和预警统计等。本发明方法利用实时数据驱动,能够自动化迭代式地在线训练和部署变压器异常检测模型,能够极大的减少人工离线的模型训练和部署的成本,同时不断提高模型的预测精度,降低异常误报率。
Description
技术领域
本发明属于变压器检测技术领域,具体涉及一种基于数据驱动的变压器异常检测模型训练和部署方法及装置。
背景技术
传统的变电站内变压器故障检测需要定期指派运维人员去现场检查,不仅造成维护成本的高昂,而且效率低下,无法及时发现设备异常信号。随着科学技术的进步,越来越多的变电站开始利用人工智能技术来对站内的各类设备进行在线实时监测。当AI模型检测到异常声纹信号时会立刻发出警告信息,方便运维人员及时进行检修,避免由于设备故障带来的损失。
当前变电站部署的变压器异常检测模型以离线训练为主,由于每个变电站的变压器本体噪声以及环境干扰声等存在一定的差异,导致模型的泛化性较差,很难训练出一个通用的大模型来适用于所有变电站内的变压器。为了提高变电站内每个变压器预测的精度,可能需要对每个变压器训练和部署一个特定的模型。当涉及的站点和变压器设备数量较多时,会耗费极大的人力成本。
发明内容
技术目的:针对上述技术问题,本发明提出了一种能够自动化实现变压器异常声纹在线训练和部署的基于数据驱动的变压器异常检测模型训练和部署方法及装置。
技术方案:为实现上述技术目的,本发明采用了如下技术方案:
一种变压器异常检测模型训练和部署方法,用于变压器状态在线监测***,其特征在于,包括步骤:
对完成训练的变压器异常检测模型,使用测试集进行多次迭代验证,得到对应数量的输出结果;
对变压器异常检测模型的输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果。
优选地,变压器异常检测模型完成验证后,进行模型部署和在线推理,即将模型参数自动加载到变压器***中,对外提供推理服务接口,对实时采集的变压器声纹数据进行在线推理,若变压器异常检测模型检测到异常信号,发出预警信息,存储预警数据。
优选地,完成模型部署和在线推理后,由人工定期对预警数据进行人工异常校正,确定变压器异常检测模型推断的异常是否是真实的异常,以及异常的类别是否属实,如果预警数据与真实情况不符,即进行人工标注类别,同时将标注后的数据更新到声纹数据库,用于后续变压器异常检测模型的迭代训练。
优选地,还包括预警数据定期统计步骤,即在预设一个周期内自动统计变压器异常检测模型的误报率,当误报率达到预设的指标时,自动触发自动化训练任务,基于上一个变压器异常检测模型的模型参数进行初始化,更新参数以及训练集,进行迭代式训练;
若一个周期内误报率未达到期望目标,通过调度器重启训练服务,开启下一轮迭代训练,否则不重启。
优选地,所述变压器异常检测模型包括检测模型和分类模型,后处理的步骤包括:
将一个声纹数据切分成若干份,进行预处理,依次输入检测模型和分类模型进行推理,检测模型和分类模型分别输出一个异常分数,对两个异常分数进行加权平均,得到一个总的异常分数,将总的异常分数与预设的基准分数比较,得到预测结果;
总的异常分数通过以下公式确定:
Scoreabnormal=(w1*Scoredet+w2*Scorecls)/(w1+w2)
其中,w1和w2分别为权重系数,Scoredet为检测模型预测的异常分数,Scorecls为分类模型预测的异常分数,Scorecls=1-Confidencenormal,Confidencenormal为分类模型预测的正常类别的置信度分数。
优选地,所述综合判断策略为:计算N组预测结果的总的异常分数的方差var,以及基于经验的基准方差var',和N组分类模型预测结果中预测为异常的数量n,按下式确定最终预测结果:
y表示预测结果,若根据上述得到的最终预测结果为异常,即类别标签为abnormal,异常类别则取N组分类结果中类别数量最多的类型,否则,则为正常类别normal或者未知类别unknown。
优选地,验证变压器异常检测模型时,如果在预设最大迭代训练次数内,均未达到预设性能指标,则选取其中性能最好的一个异常检测模型,进入下一步。
优选地,训练变压器异常检测模型的步骤包括:
获取包括正常声纹数据和异常声纹数据的变压器声纹数据,作为原始数据,异常声纹数据来源于声纹数据库;
对原始数据进行预处理;
基于提取出的特征,利用音频检测和分类算法依次训练一组检测模型和分类模型,变压器异常检测模型包括特征提取模型、检测模型和分类模型,检测模型用于检测变压器声纹数据有无异常,分类模型用于识别变压器声纹数据的类型;
变压器异常检测模型训练完成后,使用测试集进行变压器异常检测模型多次迭代验证,如果性能达到预设指标,则进入下一步,否则返回对原始数据进行预处理的步骤,以及调整变压器异常检测模型超参数以及训练数据重新进行训练。
一种变压器异常检测模型训练和部署装置,用于变压器***,其特征在于,包括:
变压器异常检测模型,用于检测识别变压器声纹异常数据,并根据***更新的声纹数据库进行模型训练;
验证模块,用于对完成训练的变压器异常检测模型,使用测试集对变压器异常检测模型进行多次迭代验证,得到对应数量的输出结果;
后处理模块,对变压器异常检测模型的输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果;
模型部署和在线推理模块,用于在变压器异常检测模型完成验证后,进行模型部署和在线推理,即将模型参数自动加载到变压器***中,对外提供推理服务接口,对实时采集的变压器声纹数据进行在线推理,若变压器异常检测模型检测到异常信号,发出预警信息,存储预警数据;
异常标注模块,用于在完成模型部署和在线推理后,由人工定期对预警数据进行人工异常校正,确定变压器异常检测模型推断的异常是否是真实的异常,以及异常的类别是否属实,如果预警数据与真实情况不符,即进行人工标注类别,同时将标注后的数据更新到声纹数据库,用于后续变压器异常检测模型的迭代训练;
预警数定期统计模块,用于在预设一个周期内自动统计变压器异常检测模型的误报率,当误报率达到预设的指标时,自动触发自动化训练任务,基于上一个变压器异常检测模型的模型参数进行初始化,更新训练集,进行迭代式训练;若一个周期内误报率未达到期望目标,通过调度器重启训练服务,开启下一轮迭代训练,否则不重启。
一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现所述方法。
有益效果:由于采用了上述技术方案,本发明具有如下有益效果:
本发明提出的一种自动化模型在线训练和部署的方法,可以利用实时数据驱动,自动化的,迭代式地在线训练和部署模型,能够极大的减少人工离线的模型训练和部署的成本,同时也能不断提高模型的预测精度,降低异常误报率。
附图说明
图1是基于数据驱动的变压器异常检测模型训练和部署方法的流程图;
图2是数据预处理的流程图;
图3中降噪前的噪声声纹语谱图;
图4降噪后的噪声声纹语谱图;
图5是后处理的流程图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明。
实施例一
本实施例提供了一种变压器异常检测模型训练和部署方法,用于变压器状态在线监测***,包括步骤:
对完成训练的变压器异常检测模型,使用测试集进行多次迭代验证,得到对应数量的输出结果;
对变压器异常检测模型的输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果。
具体地,变压器异常检测模型完成验证后,进行模型部署和在线推理,即将模型参数自动加载到变压器***中,对外提供推理服务接口,对实时采集的变压器声纹数据进行在线推理,若变压器异常检测模型检测到异常信号,发出预警信息,存储预警数据。
完成模型部署和在线推理后,由人工定期对预警数据进行人工异常校正,确定变压器异常检测模型推断的异常是否是真实的异常,以及异常的类别是否属实,如果预警数据与真实情况不符,即进行人工标注类别,同时将标注后的数据更新到声纹数据库,用于后续变压器异常检测模型的迭代训练。
具体地,变压器异常检测模型包括检测模型和分类模型,后处理的步骤包括:
将一个声纹数据切分成若干份,进行预处理,依次输入检测模型和分类模型进行推理,检测模型和分类模型分别输出一个异常分数,对两个异常分数进行加权平均,得到一个总的异常分数,将总的异常分数与预设的基准分数比较,得到预测结果。
综合判断策略为:计算N组预测结果的总的异常分数的方差var,基于经验的基准方差var',和N组分类模型预测结果中预测为异常的数量n,确定最终预测结果,预测结果包括异常、正常和未知三种类别,异常类别则取N组分类结果中类别数量最多的类型。
其中,训练变压器异常检测模型的步骤包括:
获取包括正常声纹数据和异常声纹数据的变压器声纹数据,作为原始数据,异常声纹数据来源于声纹数据库;
对原始数据进行预处理;
基于提取出的特征,利用音频检测和分类算法依次训练一组检测模型和分类模型,变压器异常检测模型包括特征提取模型、检测模型和分类模型,检测模型用于检测变压器声纹数据有无异常,分类模型用于识别变压器声纹数据的类型;
变压器异常检测模型训练完成后,使用测试集进行变压器异常检测模型多次迭代验证,如果性能达到预设指标,则进入下一步,否则返回对原始数据进行预处理的步骤,以及调整变压器异常检测模型超参数以及训练数据重新进行训练。
实施例二
如图1至图5所示,本实施例提供了一种基于数据驱动的变压器异常检测模型训练和部署方法,包括以下步骤1-13:
1、获取原始数据
获取声纹传感器实时采集的变压器声纹数据,其保存格式为wav的音频文件,一般需要获取至少一个星期以上的原始声纹数据,确保模型能达到预设指标,同时具有一定的泛化性。除了正常声纹数据外,还需要获取声纹数据库中保存的异常声纹数据。
2、设置模型参数
模型参数如学习率、采样率、训练批次、迭代次数等,启动自动化模型训练部署任务。
3、数据预处理
对保存的原始声纹数据进行切割,生成若干个相同时长(一般10秒)的wav文件。然后对这些音频文件进行简单随机抽样,以8:2的比例生成训练集和测试集,以上训练和测试样本默认均为正常样本。
4、声纹数据降噪
变压器声纹数据包含环境干扰声,对模型的预测精度和泛化性有一定的影响,因此在数据预处理中需要对噪声数据进行降噪处理。常用的语音降噪分离算法有谱减法、小波分解法、维纳滤波法以及深度学习相关算法。如图3和图4所示。
5、模拟异常数据
由于真实场景中的变压器异常声纹数据较少,因此需要模拟一批异常声纹数据用于训练。将纯净的变压器异常声纹数据如过流、空载、局部放电、高压过励磁等,按照一定的信噪比(-5-20db)与正常的变压器声纹数据进行混音,来模拟一批异常声纹数据,并为每个异常数据设置好异常类别标签,作为负样本进行后续的模型训练和验证。
6、提取时频特征
一般的wav文件保存的是语音信号的时域信息,只能看到一个随时间变化的时域信号,看不到信号背后包含多少个正余弦函数,因此需要经过傅里叶变换,将时域信号转换成频域信号。然后,再基于时频信号提取log梅尔谱或MFCC系数等作为特征数据,再对这些特征利用异常检测和分类算法来训练模型。
采用的傅里叶变换公式如下:
其中频率域的函数F(w)表示为时间域的函数f(t)的积分形式。
7、模型训练
变压器异常检测模型包括检测模型和分类模型,可以利用无监督(无需标签)的神经网络模型如Autoencoder作为检测模型,和有监督(需要标签)的VGG16、Resnet等作为分类模型,基于前一步提取出的声纹特征进行模型训练,依次训练一个检测模型和一个分类模型,检测模型用于检测有无异常,分类模型用于识别声纹数据的所属类型,可以是正常类别,也可以是某种异常类别。
8、模型性能验证
检测或分类模型训练完成后,需要对该模型进行性能验证。满足性能要求才能进行后续的部署。利用训练好的模型在带标签的测试样本上进行类别预测,计算对应指标值,如检测模型计算F1 score,分类模型计算accuracy。如果性能达到预设指标(如F1 score>0.85,或者accuracy>0.9),则进入下一步,否则回到数据预处理,更新训练数据以及调整模型超参数(如学习率、最小批次、迭代次数、优化算法等)后再重新进行迭代式训练,直到满足终止条件。
最大迭代训练次数可以设为N次,如果N次没有一次达到预设指标,则选取N次中性能最好的一个模型进入下一步。
其中用F1 score来评估检测模型性能,它同时兼顾分类模型的精确率和召回率,可以看做是精确率和召回率的一种调和平均,其取值范围为0~1,值越大表明模型性能越优。模型性能评估指标的公式如下:
precision表示分类准确率,recall表示召回率。对于分类模型而言,以分类准确率 (accuracy)作为性能的衡量指标。分类准确率表示为分类正确的样本数除以所有样本数,分类准确率越高,表明模型性能越好。
9、后处理
对无监督的检测模型和有监督的分类模型的输出结果进行一个权衡,无监督算法只对正常样本进行训练,学习正常样本的特征,当新的数据与正常数据的特征差异较大时,会预测一个较大的异常分数。而有监督分类算法只能识别训练集中有限的异常类型。两类算法综合起来能够降低误报率,同时能够发现一些未知异常。如图5所示。
(1)计算异常分数及其方差
将一个声纹数据切成N份(N个10秒的音频文件),进行预处理后依次输入检测模型和分类模型进行推理。其中,检测模型会直接输出一个异常分数,分类模型会输出一个预测类别以及置信度分数,通过转换得到一个异常分数。然后再对两个异常分数进行加权平均,得到一个加权后的异常分数。
Scorecls=1-Confidencenormal
其中Confidencenormal为分类模型预测为正常类别的置信度分数,其取值范围为0~1 之间的浮点数。
Scoreabnormal=(w1*Scoredet+w2*Scorecls)/(w1+w2)
其中,w1和w2分别为权重系数,Scoredet为检测模型预测的异常分数,Scorecls为分类模型预测的异常类别的分数。
然后再计算N个异常分数Scoreabnormal的方差var。
其中u为N个Scoreabnormal的均值。
(2)计算最终的预测结果
基于N个异常分数计算的方差var后,再设置一个基于经验的基准方差var'。假设N组分类模型预测结果中预测为异常的数量n(则正常类别为N-n,0<=n<=N),则按照以下公式计算出最终的预测结果。
若最终预测结果为异常(abnormal),异常类别取N组分类预测结果中预测类别数量最多的类别(如过流、空载、局部放电等),否则,输出正常(normal)或者未知(unknown)类别。
10、模型部署和在线推理
检测和分类模型都通过性能验证后,则调度器开始自动化部署任务。调度器会将这两个模型加载到内存中,对外提供推理服务接口,对传感器实时采集传送过来的变压器声纹数据进行在线推理,输出一个预测结果。若模型将音频数据识别为异常类别时,即向后端服务发送一个预警信息。
其中,模型通过性能验证的标准为:将训练好的模型在测试集上进行性能测试,计算整体的F1 score或者分类准确率,如果模型在测试集上的性能指标高于预设的值,即认为模型通过性能验证。
其中,在线推理为:模型部署完成后,调度器会启动在线推理服务,就能定时(如每隔20秒)接收传感器端发送过来的变压器声纹数据(通常为时长60秒一个的wav文件),推理服务会调用数据预处理模块和异常检测和分类模型分别对声纹数据进行数据处理和在线推理,再将预测结果输入后处理模块,输出一个最终的预测结果,如:传感器发送的音频文件属于正常还是异常,如果属于异常,属于哪类异常类型。
11、异常标注
运维人员定期会对预警数据进行人工校正,确定模型推断的异常是否真实的异常,以及异常的类别是否属实。如果与预警结果与真实情况不符,即进行人工标注类别。同时将标注后的数据更新到声纹数据库,便于后续进行迭代训练。
12、预警数定期统计
模型部署后,在一定周期内(比如一个月)自动统计误报率。当误报率达到预设的指标时,自动触发自动化训练任务,基于上一个模型权重参数进行初始化,更新模型参数以及训练样本,进行迭代式训练。
其中,误报率计算公式为:
Rate=1-Num1/Num2
其中:Num1表示人工校验后的真实异常数,Num2表示异常预警数;
13、若一个周期内误报率未达到期望目标(如Rate>0.05),调度器会重启训练服务,开启下一轮迭代训练,否则不重启。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变压器异常检测模型训练和部署方法,用于变压器状态在线监测***,其特征在于,包括步骤:
对完成训练的变压器异常检测模型,使用测试集进行多次迭代验证,得到对应数量的输出结果;
对变压器异常检测模型的输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果。
2.根据权利要求1所述的一种变压器异常检测模型训练和部署方法,其特征在于,变压器异常检测模型完成验证后,进行模型部署和在线推理,即将模型参数自动加载到变压器***中,对外提供推理服务接口,对实时采集的变压器声纹数据进行在线推理,若变压器异常检测模型检测到异常信号,发出预警信息,存储预警数据。
3.根据权利要求2所述的一种变压器异常检测模型训练和部署方法,其特征在于,完成模型部署和在线推理后,由人工定期对预警数据进行人工异常校正,确定变压器异常检测模型推断的异常是否是真实的异常,以及异常的类别是否属实,如果预警数据与真实情况不符,即进行人工标注类别,同时将标注后的数据更新到声纹数据库,用于后续变压器异常检测模型的迭代训练。
4.根据权利要求3所述的一种变压器异常检测模型训练和部署方法,其特征在于,还包括预警数据定期统计步骤,即在预设一个周期内自动统计变压器异常检测模型的误报率,当误报率达到预设的指标时,自动触发自动化训练任务,基于上一个变压器异常检测模型的模型参数进行初始化,更新参数以及训练集,进行迭代式训练;
若一个周期内误报率未达到期望目标,通过调度器重启训练服务,开启下一轮迭代训练,否则不重启。
5.根据权利要求1所述的一种变压器异常检测模型训练和部署方法,其特征在于,所述变压器异常检测模型包括检测模型和分类模型,后处理的步骤包括:
将一个声纹数据切分成若干份,进行预处理,依次输入检测模型和分类模型进行推理,检测模型和分类模型分别输出一个异常分数,对两个异常分数进行加权平均,得到一个总的异常分数,将总的异常分数与预设的基准分数比较,得到预测结果;
总的异常分数通过以下公式确定:
Scoreabnormal=(w1*Scoredet+w2*Scorecls)/(w1+w2)
其中,w1和w2分别为权重系数,Scoredet为检测模型预测的异常分数,Scorecls为分类模型预测的异常分数,Scorecls=1-Confidencenormal,Confidencenormal为分类模型预测的正常类别的置信度分数。
7.根据权利要求1所述的一种变压器异常检测模型训练和部署方法,其特征在于:验证变压器异常检测模型时,如果在预设最大迭代训练次数内,均未达到预设性能指标,则选取其中性能最好的一个异常检测模型,进入下一步。
8.根据权利要求1所述的一种变压器异常检测模型训练和部署方法,其特征在于,训练变压器异常检测模型的步骤包括:
获取包括正常声纹数据和异常声纹数据的变压器声纹数据,作为原始数据,异常声纹数据来源于声纹数据库;
对原始数据进行预处理;
基于提取出的特征,利用音频检测和分类算法依次训练一组检测模型和分类模型,变压器异常检测模型包括特征提取模型、检测模型和分类模型,检测模型用于检测变压器声纹数据有无异常,分类模型用于识别变压器声纹数据的类型;
变压器异常检测模型训练完成后,使用测试集进行变压器异常检测模型多次迭代验证,如果性能达到预设指标,则进入下一步,否则返回对原始数据进行预处理的步骤,以及调整变压器异常检测模型超参数以及训练数据重新进行训练。
9.一种变压器异常检测模型训练和部署装置,用于变压器***,其特征在于,包括:
变压器异常检测模型,用于检测识别变压器声纹异常数据,并根据***更新的声纹数据库进行模型训练;
验证模块,用于对完成训练的变压器异常检测模型,使用测试集对变压器异常检测模型进行多次迭代验证,得到对应数量的输出结果;
后处理模块,对变压器异常检测模型的输出结果进行后处理,得到对应数量的预测结果,基于所有预测结果,利用综合判断策略,得到最终预测结果;
模型部署和在线推理模块,用于在变压器异常检测模型完成验证后,进行模型部署和在线推理,即将模型参数自动加载到变压器***中,对外提供推理服务接口,对实时采集的变压器声纹数据进行在线推理,若变压器异常检测模型检测到异常信号,发出预警信息,存储预警数据;
异常标注模块,用于在完成模型部署和在线推理后,由人工定期对预警数据进行人工异常校正,确定变压器异常检测模型推断的异常是否是真实的异常,以及异常的类别是否属实,如果预警数据与真实情况不符,即进行人工标注类别,同时将标注后的数据更新到声纹数据库,用于后续变压器异常检测模型的迭代训练;
预警数定期统计模块,用于在预设一个周期内自动统计变压器异常检测模型的误报率,当误报率达到预设的指标时,自动触发自动化训练任务,基于上一个变压器异常检测模型的模型参数进行初始化,更新训练集,进行迭代式训练;若一个周期内误报率未达到期望目标,通过调度器重启训练服务,开启下一轮迭代训练,否则不重启。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592928.8A CN114999527A (zh) | 2022-05-27 | 2022-05-27 | 一种变压器异常检测模型训练和部署方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592928.8A CN114999527A (zh) | 2022-05-27 | 2022-05-27 | 一种变压器异常检测模型训练和部署方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114999527A true CN114999527A (zh) | 2022-09-02 |
Family
ID=83029396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592928.8A Pending CN114999527A (zh) | 2022-05-27 | 2022-05-27 | 一种变压器异常检测模型训练和部署方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999527A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司(Cn) | 一种变压器声纹检测***的噪声消除方法 |
CN116819964A (zh) * | 2023-06-20 | 2023-09-29 | 小米汽车科技有限公司 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
-
2022
- 2022-05-27 CN CN202210592928.8A patent/CN114999527A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司(Cn) | 一种变压器声纹检测***的噪声消除方法 |
CN116819964A (zh) * | 2023-06-20 | 2023-09-29 | 小米汽车科技有限公司 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
CN116819964B (zh) * | 2023-06-20 | 2024-02-06 | 小米汽车科技有限公司 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3680639B1 (en) | Abnormality model learning device, method, and program | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN114999527A (zh) | 一种变压器异常检测模型训练和部署方法及装置 | |
CN110940539A (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN112885372B (zh) | 电力设备故障声音智能诊断方法、***、终端及介质 | |
CN111436944B (zh) | 一种基于智能移动终端的跌倒检测方法 | |
KR102198273B1 (ko) | 머신러닝 기반의 음성데이터 분석 방법, 장치 및 프로그램 | |
CN102623009A (zh) | 一种基于短时分析的异常情绪自动检测和提取方法和*** | |
CN112820321A (zh) | 一种抽油机远程智能音频诊断***、方法、设备及介质 | |
CN111191727A (zh) | 基于pso-kpca-lvq的燃气调压器故障诊断方法、***、终端及计算机存储介质 | |
CN115035913B (zh) | 一种声音异常检测方法 | |
US20190325862A1 (en) | Neural network for continuous speech segmentation and recognition | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和*** | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN115618205A (zh) | 一种便携式声纹故障检测***及方法 | |
CN115512688A (zh) | 异音检测方法及装置 | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和*** | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
Orozco-García et al. | A study on the recognition of patterns of infant cry for the identification of deafness in just born babies with neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |