CN117131366A - 变压器维修设备控制方法、装置、电子设备和可读介质 - Google Patents

变压器维修设备控制方法、装置、电子设备和可读介质 Download PDF

Info

Publication number
CN117131366A
CN117131366A CN202311394518.3A CN202311394518A CN117131366A CN 117131366 A CN117131366 A CN 117131366A CN 202311394518 A CN202311394518 A CN 202311394518A CN 117131366 A CN117131366 A CN 117131366A
Authority
CN
China
Prior art keywords
information set
information
linear
nonlinear
dimension
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.)
Granted
Application number
CN202311394518.3A
Other languages
English (en)
Other versions
CN117131366B (zh
Inventor
张秀丽
冯东
王成章
刘振圻
谈卉
张剑鹏
焦士杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Information and Telecommunication Co Ltd, Beijing Guodiantong Network Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202311394518.3A priority Critical patent/CN117131366B/zh
Publication of CN117131366A publication Critical patent/CN117131366A/zh
Application granted granted Critical
Publication of CN117131366B publication Critical patent/CN117131366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tone Control, Compression And Expansion, Limiting Amplitude (AREA)

Abstract

本公开的实施例公开了变压器维修设备控制方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取音频信息；对音频信息进行预处理；根据预处理音频信息集合，生成线性特征参数信息集合；根据预处理音频信息集合，生成非线性特征参数信息集合；根据线性特征参数信息集合和非线性特征参数信息集合，生成融合特征参数信息集合；根据融合特征参数信息集合，生成关键融合特征参数信息集合；根据关键融合特征参数信息集合和变压器故障预测模型，生成变压器故障预测信息；响应于确定变压器故障预测信息表征变压器有故障，控制变压器维修设备对目标变压器进行维修操作。该实施方式可以缩短电力断供时间，减少变压器维修资源的浪费。

Description

变压器维修设备控制方法、装置、电子设备和可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及变压器维修设备控制方法、装置、电子设备和可读介质。
背景技术
变压器作为一种电力设备，其运行工况直接影响工厂生产和人民生活的各个方面。目前，在对变压器进行维修操作时，通常采用的方式为：对采集的变压器音频信息进行特征提取（通常提取的特征在信噪比高的音频环境中具有较高的识别率），通过通用变压器故障预测模型（例如卷积神经网络）对提取的特征信息（全部特征信息）进行预测，以及根据预测结果对变压器进行人工维修操作。
然而，发明人发现，当采用上述方式对变压器进行维修操作时，经常会存在如下技术问题：
第一，在对变压器进行故障预测的过程中，提取的特征仅在信噪比高的音频环境中的识别率较高，导致在信噪比较低的环境中的音频信息识别准确率较低，从而导致对变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费。
第二，在对变压器进行故障预测的过程中，对全部特征信息进行故障预测，导致特征维度较高，从而导致模型预测的复杂度较高，CPU处理的复杂度较高，处理时间较长，进而导致CPU处理器资源的浪费。
第三，在对变压器进行故障预测的过程中，采用单一模式（音频信息）的预测结果作为预测结果，导致变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了变压器维修设备控制方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种变压器维修设备控制方法，该方法包括：获取目标变压器的音频信息；对上述音频信息进行预处理，以生成预处理音频信息集合；根据上述预处理音频信息集合，生成线性特征参数信息集合；根据上述预处理音频信息集合，生成非线性特征参数信息集合；根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合；根据上述融合特征参数信息集合，生成关键融合特征参数信息集合；根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，上述变压器故障预测信息包括：故障类型和故障概率；响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。
第二方面，本公开的一些实施例提供了一种变压器维修设备控制装置，装置包括：获取单元，被配置成获取目标变压器的音频信息；预处理单元，被配置成对上述音频信息进行预处理，以生成预处理音频信息集合；第一生成单元，被配置成根据上述预处理音频信息集合，生成线性特征参数信息集合；第二生成单元，被配置成根据上述预处理音频信息集合，生成非线性特征参数信息集合；第三生成单元，被配置成根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合；第四生成单元，被配置成根据上述融合特征参数信息集合，生成关键融合特征参数信息集合；第五生成单元，被配置成根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，上述变压器故障预测信息包括：故障类型和故障概率；控制单元，被配置成响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的变压器维修设备控制方法，可以缩短电力断供时间和减少变压器维修资源的浪费。具体来说导致电力断供时间较长和变压器维修资源浪费的原因在于：在对变压器进行故障预测的过程中，提取的特征仅在信噪比高的音频环境中的识别率较高，导致在信噪比较低的环境中的音频信息识别准确率较低，从而导致对变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费。基于此，本公开的一些实施例的变压器维修设备控制方法，首先，获取目标变压器的音频信息。由此，可以得到目标变压器的音频信息，从而可以用于对目标变压器进行故障识别。然后，对上述音频信息进行预处理，以生成预处理音频信息集合。由此，可以得到预处理音频信息集合，从而可以用于对音频信息进行特征提取。之后，根据上述预处理音频信息集合，生成线性特征参数信息集合。由此，可以得到线性特征参数信息集合，从而可以用于提高变压器在信噪比较高的环境中的故障识别准确率。随后，根据上述预处理音频信息集合，生成非线性特征参数信息集合。由此，可以得到非线性特征参数信息集合。从而可以用于提高变压器在信噪比较低的环境中的故障识别准确率。其次，根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合。由此，可以得到融合特征参数信息集合，从而可以削弱环境对音频信息的敏感程度，提高变压器的特征表征能力。然后，根据上述融合特征参数信息集合，生成关键融合特征参数信息集合。由此，可以得到关键融合特征参数信息集合。从而可以降低变压器特征的维度，降低信息处理的复杂度。之后，根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息。其中，上述变压器故障预测信息可以包括：故障类型和故障概率。由此，可以得到变压器故障预测信息，从而可以用于确定变压器是否有故障。最后，响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。由此，可以对有故障的变压器进行维修操作。也因为通过生成线性特征参数信息集合，可以提高在信噪比较高的音频环境中识别准确率，还因为通过生成非线性特征参数信息集合，可以提高在信噪比较低的音频环境中的故障识别准确率。同时将线性特征参数信息集合和上述非线性特征参数信息集合进行特征融合，可以从整体上提高变压器故障识别的准确率，减少变压器维修的错误率，缩短电力断供时间以及减少变压器维修资源的浪费。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的变压器维修设备控制方法的一些实施例的流程图；
图2是根据本公开的变压器维修设备控制装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的变压器维修设备控制方法的一些实施例的流程100。该变压器维修设备控制方法，包括以下步骤：
步骤101，获取目标变压器的音频信息。
在一些实施例中，变压器维修设备控制方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从相关联的音频信息采集设备获取目标变压器的音频信息。其中，上述相关联的音频信息采集设备可以为能够采集音频信息的设备。例如，上述相关联的音频信息采集设备可以为麦克风。上述目标变压器可以为任意的需要进行变压器故障预测的变压器。上述目标变压器，在此不做具体限定。上述音频信息可以为通过上述相关联的音频信息采集设备采集的音频信息。具体地，上述音频信息可以为目标变压器运行时的声音信号。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，对音频信息进行预处理，以生成预处理音频信息集合。
在一些实施例中，上述执行主体可以对上述音频信息进行预处理，以生成预处理音频信息集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述音频信息进行预处理，以生成预处理音频信息集合：
第一步，对上述音频信息进行预加重处理，得到预加重处理后的音频信息作为预加重音频信息。实践中，上述执行主体可以通过一阶高通滤波器对上述音频信息进行预加重处理，得到预加重处理后的音频信息作为预加重音频信息。由此，可以提高语音信号的高频部分，使得语音信号的频谱变得平坦。
第二步，对上述预加重音频信息进行分帧处理，得到分帧处理后的预加重音频信息作为分帧音频信息集合。实践中，上述执行主体可以以预设帧长阈值为帧长，以预设帧移阈值为帧移对上述预加重音频信息进行分帧处理，得到分帧处理后的预加重音频信息作为分帧音频信息集合。其中，上述预设帧移阈值小于上述预设帧长阈值，帧移为后一帧对前一帧的位移量。上述预设帧移阈值可以为预先设定的帧移阈值。例如上述预设帧移阈值可以为100。上述预设帧长阈值可以为预先设定的帧长阈值。例如上述预设帧长阈值可以为200。
第三步，对上述分帧音频信息集合进行加窗处理，得到加窗处理后的分帧音频信息集合作为加窗音频信息集合。实践中，上述执行主体可以将预设窗函数和上述分帧音频信息集合包括的各个分帧音频信息的乘积确定为加窗音频信息集合。其中，上述预设窗函数可以通过以下公式表示：
。
其中，表示预设帧长。这里，预设帧长可以为200。/>表示分帧音频信息集合包括的分帧音频信息中的信号序号。/>表示预设窗函数。
第四步，将上述加窗音频信息集合确定为预处理音频信息集合。
步骤103，根据预处理音频信息集合，生成线性特征参数信息集合。
在一些实施例中，根据上述预处理音频信息集合，上述执行主体可以生成线性特征参数信息集合。
在一些实施例的一些可选的实现方式中，根据上述预处理音频信息集合，上述执行主体可以通过以下步骤生成线性特征参数信息集合：
第一步，对上述预处理音频信息集合进行频域变换处理，以生成频谱信息集合。其中，上述频域变换处理可以包括但不限于：离散时间傅里叶变换、离散傅里叶变换和快速傅里叶变换。这里，上述频域变换处理可以为快速傅里叶变换。实践中，上述执行主体可以对上述预处理音频信息集合进行快速傅里叶变换处理，以生成快速傅里叶变换处理后的预处理音频信息集合作为频谱信息集合。
第二步，对于上述频谱信息集合中的每个频谱信息，将上述频谱信息的模的平方确定为功率谱信息。
第三步，根据所确定的各个功率谱信息，生成线性能量信息集合。实践中，上述执行主体可以利用梅尔滤波器对所确定的各个功率谱信息进行滤波处理，得到滤波处理后的各个功率谱信息作为线性能量信息集合。
第四步，对上述线性能量信息集合包括的各个线性能量信息进行对数变换处理，以生成对数线性能量信息集合。
第五步，对上述对数线性能量信息集合进行时域变换处理，得到时域变换处理后的对数线性能量信息集合作为线性特征参数信息集合。实践中，上述执行主体可以对上述对数线性能量信息集合进行离散余弦变换处理，得到离散余弦变换处理后的对数线性能量信息集合作为线性特征参数信息集合。
步骤104，根据预处理音频信息集合，生成非线性特征参数信息集合。
在一些实施例中，根据上述预处理音频信息集合，上述执行主体可以生成非线性特征参数信息集合。
在一些实施例的一些可选的实现方式中，根据上述预处理音频信息集合，上述执行主体可以通过以下步骤生成非线性特征参数信息集合：
第一步，根据所确定的各个功率谱信息，生成非线性能量信息集合。实践中，上述执行主体可以利用伽马通滤波器对所确定的各个功率谱信息进行滤波处理，得到滤波处理后的各个功率谱信息作为非线性能量信息集合。
第二步，对上述非线性能量信息集合包括的各个非线性能量信息进行对数变换处理，以生成对数非线性能量信息集合。
第三步，对上述对数非线性能量信息集合进行时域变换处理，得到时域变换处理后的对数非线性能量信息集合作为非线性特征参数信息集合。实践中，上述执行主体可以对上述对数非线性能量信息集合进行离散余弦变换处理，得到离散余弦变换处理后的对数非线性能量信息集合作为非线性特征参数信息集合。
步骤105，根据线性特征参数信息集合和非线性特征参数信息集合，生成融合特征参数信息集合。
在一些实施例中，根据上述线性特征参数信息集合和上述非线性特征参数信息集合，上述执行主体可以生成融合特征参数信息集合。其中，上述线性特征参数信息集合中的线性特征参数信息包括能量参数和线性特征参数集合。上述非线性特征参数信息集合中的非线性特征参数信息包括能量参数和非线性特征参数集合。这里，能量参数可以为音频信息的音量。
在一些实施例的一些可选的实现方式中，根据上述线性特征参数信息集合和上述非线性特征参数信息集合，上述执行主体可以通过以下步骤生成融合特征参数信息集合：
第一步，将上述线性特征参数信息集合包括的能量参数进行删除处理，得到删除处理后的各个线性特征参数信息作为线性参数信息集合。其中，上述线性参数信息集合中的线性参数信息与上述线性特征参数集合中的线性特征参数一一对应。
第二步，将上述非线性特征参数信息集合包括的能量参数进行删除处理，得到删除处理后的各个非线性特征参数信息作为非线性参数信息集合。上述非线性参数信息集合中的非线性参数信息与上述非线性特征参数集合中的非线性特征参数一一对应。
第三步，将上述线性参数信息集合和上述非线性参数信息集合进行组合处理，以生成融合特征参数信息集合。实践中，上述执行主体可以将上述线性参数信息集合和上述非线性参数信息集合进行串联组合处理，得到串联组合处理后的线性参数信息集合和上述非线性参数信息集合作为融合特征参数信息集合。
步骤106，根据融合特征参数信息集合，生成关键融合特征参数信息集合。
在一些实施例中，根据上述融合特征参数信息集合，上述执行主体可以生成关键融合特征参数信息集合。
在一些实施例的一些可选的实现方式中，根据上述融合特征参数信息集合，上述执行主体可以通过以下步骤生成关键融合特征参数信息集合：
第一步，将上述线性参数信息集合中特征维度相同的各个线性特征参数确定为相同维度线性特征参数组。
第二步，对于所确定的各个相同维度线性特征参数组中的每个相同维度线性特征参数组，将上述相同维度线性特征参数组包括的各个相同维度线性特征参数的均值确定为相同维度线性均值信息。
第三步，将所确定的各个相同维度线性均值信息确定为相同维度线性均值信息集合。
第四步，将上述非线性参数信息集合中特征维度相同的各个非线性特征参数确定为相同维度非线性特征参数组。
第五步，对于所确定的各个相同维度非线性特征参数组中的每个相同维度非线性特征参数组，将上述相同维度非线性特征参数组包括的各个相同维度非线性特征参数的均值确定为相同维度非线性均值信息。
第六步，将所确定的各个相同维度非线性均值信息确定为相同维度非线性均值信息集合。其中，上述相同维度非线性均值信息集合中的相同维度非线性均值信息与上述相同维度线性均值信息集合中的相同维度线性均值信息一一对应。
第七步，将上述融合特征参数信息集合中特征维度相同的各个融合特征参数确定为相同维度融合特征参数组。
第八步，将上述相同维度融合特征参数组包括的各个融合特征参数的数量确定为融合特征参数数量。
第九步，对于所确定的各个相同维度融合特征参数组中的每个相同维度融合特征参数组，将上述相同维度融合特征参数组包括的各个相同维度融合特征参数的均值确定为相同维度融合均值信息。
第十步，将所确定的各个相同维度融合均值信息确定为相同维度融合均值信息集合。其中，上述相同维度融合均值信息集合中的相同维度融合均值信息与上述相同维度非线性均值信息集合中的相同维度非线性均值信息一一对应。上述相同维度融合均值信息集合中的相同维度融合均值信息与上述相同维度线性均值信息集合中的相同维度线性均值信息一一对应。
第十一步，根据上述相同维度融合均值信息集合和上述相同维度线性均值信息集合，生成线性类间方差信息集合。实践中，首先，对于上述相同维度融合均值信息集合中的每个相同维度融合均值信息，上述执行主体可以将上述相同维度融合均值信息和上述相同维度线性均值信息集合中与上述相同维度融合均值信息对应的相同维度线性均值信息的差值的平方确定为第一线性类间方差信息。然后，可以将第一预设阈值与上述第一线性类间方差信息的乘积确定为线性类间方差信息。最后，可以将所确定的各个线性类间方差信息确定为线性类间方差信息集合。其中，上述第一预设阈值可以为预先设定的阈值。这里，上述第一预设阈值可以为1/2。
第十二步，根据上述相同维度融合均值信息集合和上述相同维度非线性均值信息集合，生成非线性类间方差信息集合。实践中，首先，对于上述相同维度融合均值信息集合中的每个相同维度融合均值信息，上述执行主体可以将上述相同维度融合均值信息与上述相同维度非线性均值信息集合中与上述相同维度融合均值信息对应的相同维度非线性均值信息的差值的平方确定为第一非线性类间方差信息。然后，可以将上述第一预设阈值与上述第一非线性类间方差信息的乘积确定为非线性类间方差信息。最后，可以将所确定的各个非线性类间方差信息确定为非线性类间方差信息集合。
第十三步，根据所确定的各个相同维度线性特征参数组和上述相同维度线性均值信息集合，生成线性类内方差信息集合。实践中，上述执行主体可以通过以下步骤生成线性类内方差信息集合：
第一步骤，对于所确定的各个相同维度线性特征参数组中的每个相同维度线性特征参数组，执行以下步骤：
第一子步骤，将上述相同维度线性均值信息集合中与上述相同维度线性特征参数组对应的相同维度线性均值信息确定为目标相同维度线性均值信息。
第二子步骤，对于上述相同维度线性特征参数组中的每个相同维度线性特征参数，将上述相同维度线性特征参数与上述目标相同维度线性均值信息的差值的平方确定为第一线性类内方差信息。
第三子步骤，将所确定的各个第一线性类内方差信息的和确定为线性类内方差信息。
第二步骤，将所确定的各个第二线性类内方差信息确定为线性类内方差信息集合。
第十四步，根据所确定的各个相同维度非线性特征参数组和上述相同维度非线性均值信息集合，生成非线性类内方差信息集合。实践中，上述执行主体可以通过以下步骤生成非线性类内方差信息集合：
第一步骤，对于所确定的各个相同维度非线性特征参数组中的每个相同维度非线性特征参数组，执行以下步骤：
第一子步骤，将上述相同维度非线性均值信息集合中与上述相同维度非线性特征参数组对应的相同维度非线性均值信息确定为第二目标相同维度非线性均值信息。
第二子步骤，对于上述相同维度非线性特征参数组中的每个相同维度非线性特征参数，将上述相同维度非线性特征参数与上述第二目标相同维度非线性均值信息的差值的平方确定为第一非线性类内方差信息。
第三子步骤，将所确定的各个第一非线性类内方差信息的和确定为非线性类内方差信息。
第二步骤，将所确定的各个非线性类内方差信息确定为非线性类内方差信息集合。
第十五步，根据上述线性类间方差信息集合和上述非线性类间方差信息集合，确定类间方差信息集合。实践中，首先，对于线性类间方差信息集合中的每个线性类间方差信息，上述执行主体可以将上述非线性类间方差信息集合中与上述线性类间方差信息对应的非线性类间方差信息确定为目标非线性类间方差信息。然后，可以将上述线性类间方差信息与上述目标非线性类间方差信息的和确定为类间方差信息。最后，可以将所确定的各个类间方差信息确定为类间方差信息集合。
第十六步，根据上述线性类内方差信息集合、上述非线性类内方差信息集合和上述融合特征参数数量，生成类内方差信息集合。实践中，首先，对于上述线性类内方差信息集合中的每个线性类内方差信息，上述执行主体可以将上述非线性类内方差信息集合中与上述线性类内方差信息对应的非线性类内方差信息确定为目标非线性类内方差信息。然后，可以将上述线性类内方差信息与上述目标非线性类内方差信息的和确定为第一类内方差信息，之后，可以将上述第一类内方差信息与上述融合特征参数数量的比值确定为类内方差信息。最后，可以将所确定的各个类内方差信息确定为类内方差信息集合。
第十七步，根据上述类间方差信息集合和上述类内方差信息集合，生成特征值信息集合。其中，上述特征值信息集合中的特征值信息表征特征值信息对应特征的贡献度。实践中，首先，对于上述类间方差信息集合中的每个类间方差信息，上述执行主体可以将上述类内方差信息集合中与上述类间方差信息对应的类内方差信息确定为目标类内方差信息。然后，可以将上述类间方差信息与上述目标类内方差信息的比值确定为特征值信息。最后，可以将所确定的各个特征值信息确定为特征值信息集合。
第十八步，将上述特征值信息集合中满足关键特征条件的各个特征值信息确定为关键特征值信息集合。其中，上述关键特征条件可以为特征值信息大于等于预设特征阈值。上述预设特征阈值可以为预先设定的阈值。例如，上述预设特征阈值可以为0.3。
第十九步，根据上述关键特征值信息集合和上述融合特征参数信息集合，确定关键融合特征参数信息集合。实践中，首先，对于上述融合特征参数信息集合中的每个融合特征参数信息，上述执行主体可以将上述融合特征参数信息中与上述关键特征值信息集合对应的各个特征参数确定为关键融合特征参数信息。然后，可以将所确定的各个关键融合特征参数信息确定为关键融合特征参数信息集合。
上述第一步至第十九步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在对变压器进行故障预测的过程中，对全部特征信息进行故障预测，导致特征维度较高，从而导致模型预测的复杂度较高，CPU处理的复杂度较高，处理时间较长，进而导致CPU处理器资源的浪费”。导致CPU处理资源浪费的因素往往如下：在对变压器进行故障预测的过程中，对全部特征信息进行故障预测，导致特征维度较高，从而导致模型预测的复杂度较高，CPU处理的复杂度较高，处理时间较长，进而导致CPU处理器资源的浪费。如果解决了上述因素，就能达到减少CPU资源浪费的效果。为了达到这一效果，首先，将上述线性参数信息集合中特征维度相同的各个线性特征参数确定为相同维度线性特征参数组。由此，可以得到信噪比较高条件下表征单一维度特征信息的相同维度线性特征参数组。然后，对于所确定的各个相同维度线性特征参数组中的每个相同维度线性特征参数组，将上述相同维度线性特征参数组包括的各个相同维度线性特征参数的均值确定为相同维度线性均值信息。将所确定的各个相同维度线性均值信息确定为相同维度线性均值信息集合。由此，可以得到表征单一维度均值信息的相同维度线性均值信息集合。之后，将上述非线性参数信息集合中特征维度相同的各个非线性特征参数确定为相同维度非线性特征参数组。由此，可以得到信噪比较低条件下表征单一维度特征信息的相同维度非线性特征参数组。随着，对于所确定的各个相同维度非线性特征参数组中的每个相同维度非线性特征参数组，将上述相同维度非线性特征参数组包括的各个相同维度非线性特征参数的均值确定为相同维度非线性均值信息。随之，将所确定的各个相同维度非线性均值信息确定为相同维度非线性均值信息集合。其中，上述相同维度非线性均值信息集合中的相同维度非线性均值信息对应上述相同维度线性均值信息集合中的相同维度线性均值信息。由此，可以得到表征单一维度均值信息相同维度非线性均值信息集合。随后，将上述融合特征参数信息集合中特征维度相同的各个融合特征参数确定为相同维度融合特征参数组。由此，可以得到各种环境条件下表征单一维度特征信息的相同维度融合特征参数组。其次，将上述相同维度融合特征参数组包括的各个融合特征参数的数量确定为融合特征参数数量。由此，可以得到表征总的特征数量的融合特征参数数量。然后，对于所确定的各个相同维度融合特征参数组中的每个相同维度融合特征参数组，将上述相同维度融合特征参数组包括的各个相同维度融合特征参数的均值确定为相同维度融合均值信息。将所确定的各个相同维度融合均值信息确定为相同维度融合均值信息集合。其中，上述相同维度融合均值信息集合中的相同维度融合均值信息对应上述相同维度非线性均值信息集合中的相同维度非线性均值信息，上述相同维度融合均值信息集合中的相同维度融合均值信息对应上述相同维度线性均值信息集合中的相同维度线性均值信息。由此，可以得到表征单一维度特征均值信息的相同维度融合均值信息集合。之后，根据上述相同维度融合均值信息集合和上述相同维度线性均值信息集合，生成线性类间方差信息集合。由此，可以得到信噪比较高条件下表征类间特征离散程度的线性类间方差信息集合。随之，根据上述相同维度融合均值信息集合和上述相同维度非线性均值信息集合，生成非线性类间方差信息集合。由此，可以得到信噪比较低条件下表征类间特征离散程度的非线性类间方差信息集合。随着，根据所确定的各个相同维度线性特征参数组和上述相同维度线性均值信息集合，生成线性类内方差信息集合。由此，可以得到信噪比较高条件下表征类内特征离散程度的线性类间方差信息集合。接着，根据所确定的各个相同维度非线性特征参数组和上述相同维度非线性均值信息集合，生成非线性类内方差信息集合。由此，可以得到信噪比较低条件下表征类内特征离散程度的非线性类间方差信息集合。再次，根据上述线性类间方差信息集合和上述非线性类间方差信息集合，确定类间方差信息集合。由此，可以得到类间方差信息集合，从而可以从类别的角度确定特征的重要性。然后，根据上述线性类内方差信息集合和上述非线性类内方差信息集合，生成类内方差信息集合。由此，可以得到类内方差信息集合，从而可以从类内距离的角度确定特征的重要性。之后，根据上述类间方差信息集合和上述类内方差信息集合，生成特征值信息集合。其中，上述特征值信息集合中的特征值信息表征特征值信息对应特征的贡献度。由此，可以得到表征特征贡献度大小的特征值信息集合。最后，将上述特征值信息集合中满足关键特征条件的各个特征值信息确定为关键特征值信息集合。根据上述关键特征值信息集合和上述融合特征参数信息集合，，确定关键融合特征参数信息集合。由此，可以得到关键融合特征参数信息集合，从而可以用于对特征进行降维处理。也因为通过生成类间方差信息集合，可以确定特征的类间距离大小，通过生成类内方差信息集合，可以确定特征的类内距离大小。还因为通过确定特征值信息集合，可以确定特征的贡献度，以及根据贡献度对特征进行筛选，可以降低特征维度，降低模型预测的复杂度，降低CPU处理的复杂度较高，缩短处理时间较长，减少CPU处理器资源的浪费。
步骤107，根据关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息。
在一些实施例中，根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，上述执行主体可以生成变压器故障预测信息。其中，上述变压器故障预测信息可以包括：故障类型和故障概率。
可选地，上述执行主体还可以执行以下步骤：
第一步，获取上述目标变压器的故障状态信息集合。其中，上述故障状态信息集合中的故障状态信息可以包括但不限于以下任意一项：变压器高电压、变压器低电压、变压器电流、上层油温和绕组温度。
第二步，对上述故障状态信息集合包括的各个故障状态信息进行归一化处理，得到归一化处理后的各个故障状态信息作为故障状态信息向量。其中，上述归一化处理可以包括但不限于：最大最小值归一化处理、零均值归一化处理、对数函数归一化处理、反正切函数归一化处理。这里，上述归一化处理可以为零均值归一化处理。实践中，上述执行主体可以对上述故障状态信息集合包括的各个故障状态信息进行零均值归一化处理，得到零均值归一化处理后的各个故障状态信息作为故障状态信息向量。
第三步，将上述故障状态信息向量输入至预先训练的变压器故障状态预测模型的嵌入层，得到低维故障状态信息向量。其中，上述变压器故障状态预测模型还包括卷积网络层、双向循环网络层、注意力机制层和分类层。其中，上述变压器故障状态预测模型可以为以故障状态信息向量为输入，以变压器故障预测结果为输出的网络模型。上述卷积网络层可以为通过卷积核将输入数据转化为高维特征向量的网络层。上述双向循环网络层可以为将具有时间顺序特征的输入数据转化为具有时间累积特征向量的网络层。上述注意力机制层可以为将输入向量转化为具有注意力权重的向量的网络层。上述分类层可以为通过Softmax多分类函数对输入数据进行分类的网络层。
第四步，将上述低维故障状态信息向量输入至上述卷积网络层，得到故障状态卷积向量。这里，上述卷积网络层可以为通过卷积核将低维故障状态信息转化为故障状态卷积向量的网络层。
第五步，将上述故障状态卷积向量输入至上述双向循环网络层，得到时间特征故障状态向量。这里，上述双向循环网络层可以为将具有时间顺序特征的故障状态卷积向量转化为具有时间累积特征的时间特征故障状态向量的网络层。
第六步，将上述时间特征故障状态向量输入至上述注意力机制层，得到更新故障状态向量。这里，上述注意力机制层可以为将时间特征故障状态向量转化为具有注意力权重的更新故障状态向量的网络层。
第七步，将上述更新故障状态向量输入至上述分类层，得到变压器故障预测结果。其中，上述变压器故障预测结果还包括：变压器故障类型和变压器故障概率。上述分类层可以为通过Softmax多分类函数对更新故障状态向量进行分类的网络层。
第八步，响应于确定上述变压器故障预测信息包括的故障类型和上述变压器故障预测结果包括的变压器故障类型相同，根据上述故障概率和上述变压器故障概率，生成变压器更新故障概率。
第九步，根据上述变压器更新故障概率和上述变压器故障类型，确定更新变压器故障预测结果。实践中，上述执行主体可以将变压器更新故障概率和上述变压器故障类型进行组合，以生成更新变压器故障预测结果。这里，组合的方式可以为拼接。
第十步，将上述更新变压器故障预测结果确定为变压器故障预测信息，以对上述变压器故障预测信息进行更新。
在一些实施例的一些可选的实现方式中，根据上述故障概率和上述变压器故障概率，上述执行主体可以通过以下步骤生成变压器更新故障概率：
第一步骤，根据预设阈值和上述故障概率，确定第一预测误差信息。其中，上述第一预测误差信息为通过目标变压器的音频信息预测得到的误差信息。上述预设阈值可以为预先设定的阈值。这里，上述预设阈值可以为1。实践中，上述执行主体可以将预设阈值与上述故障概率的差值绝对值确定为第一预测误差信息。
第二步骤，根据上述预设阈值和上述变压器故障概率，确定第二预测误差信息。其中，上述第二预测误差信息为通过目标变压器的故障状态信息集合预测得到的误差信息。实践中，上述执行主体可以将预设阈值与上述变压器故障概率的差值绝对值确定为第二预测误差信息。
第三步骤，将上述第一预测误差信息的倒数确定为第一误差倒数信息。
第四步骤，将上述第二预测误差信息的倒数确定为第二误差倒数信息；
第五步骤，将上述第一误差倒数信息和上述第二误差倒数信息的和确定为误差倒数信息。
第六步骤，将上述第一误差倒数信息与上述误差倒数信息的比值确定为第一预测权重。
第七步骤，将上述第二误差倒数信息与上述误差倒数信息的比值确定为第二预测权重。
第八步骤，根据上述故障概率和上述第一预测权重，确定第一预测概率。实践中，上述执行主体可以将上述故障概率和上述第一预测权重的乘积确定为第一预测概率。
第九步骤，根据上述变压器故障概率和上述第二预测权重，确定第二预测概率。实践中，上述执行主体可以将上述变压器故障概率和上述第二预测权重的乘积确定为第二预测概率。
第十步骤，将上述第一预测概率和上述第二预测概率的和确定为变压器更新故障概率。
上述第一步至第十步和第一步骤至第十步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“在对变压器进行故障预测的过程中，采用单一模式（音频信息）的预测结果作为预测结果，导致变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费”。导致电力断供时间较长以及变压器维修资源的浪费的因素往往如下：在对变压器进行故障预测的过程中，采用单一模式（音频信息）的预测结果作为预测结果，导致变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费。如果解决了上述因素，就能达到缩短电力断供时间以及减少变压器维修资源浪费的效果。为了达到这一效果，首先，获取上述目标变压器的故障状态信息集合。其中，上述故障状态信息集合中的故障状态信息可以包括但不限于以下任意一项：变压器高电压、变压器低电压、变压器电流、上层油温和绕组温度。由此，可以得到故障状态信息集合，从而可以用于从传感器数据信息的角度确定目标变压器的工作状态。然后，对上述故障状态信息集合包括的各个故障状态信息进行归一化处理，得到归一化处理后的各个故障状态信息作为故障状态信息向量。由此，可以得到故障状态信息向量，从而可以减弱各指标之间的量纲影响，减弱异常样本的不良影响。之后，将上述故障状态信息向量输入至预先训练的变压器故障状态预测模型的嵌入层，得到低维故障状态信息向量。其中，上述变压器故障状态预测模型还可以包括卷积网络层、双向循环网络层、注意力机制层和分类层。由此，可以得到低维故障状态信息向量，从而可以用于将高维稀疏向量转化为低维稠密向量，实现降维。随后，将上述低维故障状态信息向量输入至上述卷积网络层，得到故障状态卷积向量。由此，可以得到故障状态卷积向量，从而可以用于特征提取。随之，将上述故障状态卷积向量输入至上述双向循环网络层，得到时间特征故障状态向量。由此，可以得到具有时间累积特征的时间特征故障状态向量。随着，将上述时间特征故障状态向量输入至上述注意力机制层，得到更新故障状态向量。由此，可以得到具有注意力权重特征的更新故障状态向量。接着，将上述更新故障状态向量输入至上述分类层，得到变压器故障预测结果。其中，上述变压器故障预测结果可以包括：变压器故障类型和变压器故障概率。由此，可以得到变压器故障预测结果，从而可以用于确定目标变压器是否有故障。其次，响应于确定上述变压器故障预测信息包括的故障类型和上述变压器故障预测结果包括的变压器故障类型相同，根据上述故障概率和上述变压器故障概率，生成变压器更新故障概率。由此，可以得到变压器更新故障概率，从而可以用于从变压器的音频信号和变压器传感器数据的角度同时确定目标变压器是否有故障。然后，根据上述变压器更新故障概率和上述变压器故障类型，确定更新变压器故障预测结果。由此，可以得到表征预测结果准确率较高的更新变压器故障预测结果。之后，将上述更新变压器故障预测结果确定为变压器故障预测信息，以对上述变压器故障预测信息进行更新。随后，根据预设阈值和上述故障概率，确定第一预测误差信息，其中，上述第一预测误差信息为通过目标变压器的音频信息预测得到的误差信息。由此，可以得到第一预测误差信息，从而可以从音频信息的角度确定预测的误差。随着，根据上述预设阈值和上述变压器故障概率，确定第二预测误差信息。其中，上述第二预测误差信息为通过目标变压器的故障状态信息集合预测得到的误差信息。由此，可以得到第二预测误差信息，从而可以从传感器数据的角度确定预测的误差。随之，将上述第一预测误差信息的倒数确定为第一误差倒数信息。由此，可以得到第一误差倒数信息。接着，将上述第二预测误差信息的倒数确定为第二误差倒数信息。由此，可以得到第二误差倒数信息。再次，将上述第一误差倒数信息和上述第二误差倒数信息的和确定为误差倒数信息。由此，可以得到表征音频信号和传感器数据信息的误差倒数信息。然后，将上述第一误差倒数信息与上述误差倒数信息的比值确定为第一预测权重。由此，可以得到第一预测权重，从而可以用于确定通过音频信号确定的权重信息。之后，将上述第二误差倒数信息与上述误差倒数信息的比值确定为第二预测权重。由此，可以得到第二预测权重，从而可以用于确定通过传感器数据确定的权重信息。随后，根据上述故障概率和上述第一预测权重，确定第一预测概率。由此，可以得到表征具有权重影响的音频信号预测的第一预测概率。随之，根据上述变压器故障概率和上述第二预测权重，确定第二预测概率。由此，可以得到具有权重影响的传感器数据预测的第二预测概率。最后，将上述第一预测概率和上述第二预测概率的和确定为变压器更新故障概率。由此，可以得到变压器更新故障概率。也因为将通过音频信号预测的故障结果与通过传感器数据预测的故障结果两种预测模式相结合，可以提高变压器故障预测的准确率，还因为根据两者预测的误差信息确定各自的预测权重，可以进一步提高变压器故障预测的准确率，减少变压器维修的错误率，缩短电力断供时间以及减少变压器维修资源的浪费。
步骤108，响应于确定变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对目标变压器进行维修操作。
在一些实施例中，响应于确定上述变压器故障预测信息表征变压器有故障，上述执行主体可以控制相关联的变压器维修设备对上述目标变压器进行维修操作。其中，上述相关联的变压器维修设备可以为能够对变压器进行故障维修的设备。例如，上述相关联的变压器维修设备可以为智能机械手臂和智能机器人。上述变压器故障预测信息表征变压器有故障可以为理解为变压器故障预测信息包括的故障概率大于预设故障阈值。这里，预设故障阈值可以为预先设定的故障阈值。例如，上述预设故障阈值可以为0.75。实践中，响应于确定变压器故障预测信息表征变压器有故障，上述执行主体可以控制相关联的变压器维修设备对目标变压器进行维修操作。
可选地，上述执行主体还可以响应于确定上述变压器故障预测信息表征变压器无故障，控制相关联的声音播放设备播放变压器无故障提示信息。其中，上述相关联的声音播放设备可以为能够播放声音的设备。例如，上述相关联的声音播放设备可以包括但不限于：功放机、音箱、多媒体控制台。上述变压器无故障提示信息可以为提示变压器没有故障，可以正常使用的信息。例如，上述变压器无故障提示信息可以为“该变压器暂无故障，可以正常使用”。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的变压器维修设备控制方法，可以缩短电力断供时间和减少变压器维修资源的浪费。具体来说导致电力断供时间较长和变压器维修资源浪费的原因在于：在对变压器进行故障预测的过程中，提取的特征仅在信噪比高的音频环境中的识别率较高，导致在信噪比较低的环境中的音频信息识别准确率较低，从而导致对变压器故障预测的准确率较低，变压器维修的错误率较高，进而导致电力断供时间较长以及变压器维修资源的浪费。基于此，本公开的一些实施例的变压器维修设备控制方法，首先，获取目标变压器的音频信息。由此，可以得到目标变压器的音频信息，从而可以用于对目标变压器进行故障识别。然后，对上述音频信息进行预处理，以生成预处理音频信息集合。由此，可以得到预处理音频信息集合，从而可以用于对音频信息进行特征提取。之后，根据上述预处理音频信息集合，生成线性特征参数信息集合。由此，可以得到线性特征参数信息集合，从而可以用于提高变压器在信噪比较高的环境中的故障识别准确率。随后，根据上述预处理音频信息集合，生成非线性特征参数信息集合。由此，可以得到非线性特征参数信息集合。从而可以用于提高变压器在信噪比较低的环境中的故障识别准确率。其次，根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合。由此，可以得到融合特征参数信息集合，从而可以削弱环境对音频信息的敏感程度，提高变压器的特征表征能力。然后，根据上述融合特征参数信息集合，生成关键融合特征参数信息集合。由此，可以得到关键融合特征参数信息集合。从而可以降低变压器特征的维度，降低信息处理的复杂度。之后，根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息。其中，上述变压器故障预测信息可以包括：故障类型和故障概率。由此，可以得到变压器故障预测信息，从而可以用于确定变压器是否有故障。最后，响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。由此，可以对有故障的变压器进行维修操作。也因为通过生成线性特征参数信息集合，可以提高在信噪比较高的音频环境中识别准确率，还因为通过生成非线性特征参数信息集合，可以提高在信噪比较低的音频环境中的故障识别准确率。同时将线性特征参数信息集合和上述非线性特征参数信息集合进行特征融合，可以从整体上提高变压器故障识别的准确率，减少变压器维修的错误率，缩短电力断供时间以及减少变压器维修资源的浪费。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种变压器维修设备控制装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的变压器维修设备控制装置200包括：获取单元201、预处理单元202、第一生成单元203、第二生成单元204、第三生成单元205、第四生成单元206、第五生成单元207和控制单元208。其中，获取单元201被配置成获取目标变压器的音频信息；预处理单元202被配置成对上述音频信息进行预处理，以生成预处理音频信息集合；第一生成单元203被配置成根据上述预处理音频信息集合，生成线性特征参数信息集合；第二生成单元204被配置成根据上述预处理音频信息集合，生成非线性特征参数信息集合；第三生成单元205被配置成根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合；第四生成单元206被配置成根据上述融合特征参数信息集合，生成关键融合特征参数信息集合；第五生成单元207被配置成根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，上述变压器故障预测信息包括：故障类型和故障概率；控制单元208被配置成响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300（例如计算设备）的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标变压器的音频信息；对上述音频信息进行预处理，以生成预处理音频信息集合；根据上述预处理音频信息集合，生成线性特征参数信息集合；根据上述预处理音频信息集合，生成非线性特征参数信息集合；根据上述线性特征参数信息集合和上述非线性特征参数信息集合，生成融合特征参数信息集合；根据上述融合特征参数信息集合，生成关键融合特征参数信息集合；根据上述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，上述变压器故障预测信息包括：故障类型和故障概率；响应于确定上述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对上述目标变压器进行维修操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预处理单元、第一生成单元、第二生成单元、第三生成单元、第四生成单元、第五生成单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标变压器的音频信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种变压器维修设备控制方法，包括：
获取目标变压器的音频信息；
对所述音频信息进行预处理，以生成预处理音频信息集合；
根据所述预处理音频信息集合，生成线性特征参数信息集合；
根据所述预处理音频信息集合，生成非线性特征参数信息集合；
根据所述线性特征参数信息集合和所述非线性特征参数信息集合，生成融合特征参数信息集合；
根据所述融合特征参数信息集合，生成关键融合特征参数信息集合；
根据所述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，所述变压器故障预测信息包括：故障类型和故障概率；
响应于确定所述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对所述目标变压器进行维修操作。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述变压器故障预测信息表征变压器无故障，控制相关联的声音播放设备播放变压器无故障提示信息。
3.根据权利要求1所述的方法，其中，所述对所述音频信息进行预处理，以生成预处理音频信息集合，包括：
对所述音频信息进行预加重处理，得到预加重处理后的音频信息作为预加重音频信息；
对所述预加重音频信息进行分帧处理，得到分帧处理后的预加重音频信息作为分帧音频信息集合；
对所述分帧音频信息集合进行加窗处理，得到加窗处理后的分帧音频信息集合作为加窗音频信息集合；
将所述加窗音频信息集合确定为预处理音频信息集合。
4.根据权利要求1所述的方法，其中，所述根据所述预处理音频信息集合，生成线性特征参数信息集合，包括：
对所述预处理音频信息集合进行频域变换处理，以生成频谱信息集合；
对于所述频谱信息集合中的每个频谱信息，将所述频谱信息的模的平方确定为功率谱信息；
根据所确定的各个功率谱信息，生成线性能量信息集合；
对所述线性能量信息集合包括的各个线性能量信息进行对数变换处理，以生成对数线性能量信息集合；
对所述对数线性能量信息集合进行时域变换处理，得到时域变换处理后的对数线性能量信息集合作为线性特征参数信息集合。
5.根据权利要求4所述的方法，其中，所述根据所述预处理音频信息集合，生成非线性特征参数信息集合，包括：
根据所确定的各个功率谱信息，生成非线性能量信息集合；
对所述非线性能量信息集合包括的各个非线性能量信息进行对数变换处理，以生成对数非线性能量信息集合；
对所述对数非线性能量信息集合进行时域变换处理，得到时域变换处理后的对数非线性能量信息集合作为非线性特征参数信息集合。
6.根据权利要求1所述的方法，其中，所述线性特征参数信息集合中的线性特征参数信息包括能量参数和线性特征参数集合，所述非线性特征参数信息集合中的非线性特征参数信息包括能量参数和非线性特征参数集合；以及
所述根据所述线性特征参数信息集合和所述非线性特征参数信息集合，生成融合特征参数信息集合，包括：
将所述线性特征参数信息集合包括的能量参数进行删除处理，得到删除处理后的各个线性特征参数信息作为线性参数信息集合，其中，所述线性参数信息集合中的线性参数信息对应所述线性特征参数集合中的线性特征参数；
将所述非线性特征参数信息集合包括的能量参数进行删除处理，得到删除处理后的各个非线性特征参数信息作为非线性参数信息集合，其中，所述非线性参数信息集合中的非线性参数信息对应所述非线性特征参数集合中的非线性特征参数；
将所述线性参数信息集合和所述非线性参数信息集合进行组合处理，以生成融合特征参数信息集合。
7.根据权利要求6所述的方法，其中，所述根据所述融合特征参数信息集合，生成关键融合特征参数信息集合，包括：
将所述线性参数信息集合中特征维度相同的各个线性特征参数确定为相同维度线性特征参数组；
对于所确定的各个相同维度线性特征参数组中的每个相同维度线性特征参数组，将所述相同维度线性特征参数组包括的各个相同维度线性特征参数的均值确定为相同维度线性均值信息；
将所确定的各个相同维度线性均值信息确定为相同维度线性均值信息集合；
将所述非线性参数信息集合中特征维度相同的各个非线性特征参数确定为相同维度非线性特征参数组；
对于所确定的各个相同维度非线性特征参数组中的每个相同维度非线性特征参数组，将所述相同维度非线性特征参数组包括的各个相同维度非线性特征参数的均值确定为相同维度非线性均值信息；
将所确定的各个相同维度非线性均值信息确定为相同维度非线性均值信息集合，其中，所述相同维度非线性均值信息集合中的相同维度非线性均值信息对应所述相同维度线性均值信息集合中的相同维度线性均值信息；
将所述融合特征参数信息集合中特征维度相同的各个融合特征参数确定为相同维度融合特征参数组；
将所述相同维度融合特征参数组包括的各个融合特征参数的数量确定为融合特征参数数量；
对于所确定的各个相同维度融合特征参数组中的每个相同维度融合特征参数组，将所述相同维度融合特征参数组包括的各个相同维度融合特征参数的均值确定为相同维度融合均值信息；
将所确定的各个相同维度融合均值信息确定为相同维度融合均值信息集合，其中，所述相同维度融合均值信息集合中的相同维度融合均值信息对应所述相同维度非线性均值信息集合中的相同维度非线性均值信息，所述相同维度融合均值信息集合中的相同维度融合均值信息对应所述相同维度线性均值信息集合中的相同维度线性均值信息；
根据所述相同维度融合均值信息集合和所述相同维度线性均值信息集合，生成线性类间方差信息集合；
根据所述相同维度融合均值信息集合和所述相同维度非线性均值信息集合，生成非线性类间方差信息集合；
根据所确定的各个相同维度线性特征参数组和所述相同维度线性均值信息集合，生成线性类内方差信息集合；
根据所确定的各个相同维度非线性特征参数组和所述相同维度非线性均值信息集合，生成非线性类内方差信息集合；
根据所述线性类间方差信息集合和所述非线性类间方差信息集合，确定类间方差信息集合；
根据所述线性类内方差信息集合和所述非线性类内方差信息集合，生成类内方差信息集合；
根据所述类间方差信息集合和所述类内方差信息集合，生成特征值信息集合，其中，所述特征值信息集合中的特征值信息表征特征值信息对应特征的贡献度；
将所述特征值信息集合中满足关键特征条件的各个特征值信息确定为关键特征值信息集合；
根据所述关键特征值信息集合和所述融合特征参数信息集合，确定关键融合特征参数信息集合。
8.一种变压器维修设备控制装置，包括：
获取单元，被配置成获取目标变压器的音频信息；
预处理单元，被配置成对所述音频信息进行预处理，以生成预处理音频信息集合；
第一生成单元，被配置成根据所述预处理音频信息集合，生成线性特征参数信息集合；
第二生成单元，被配置成根据所述预处理音频信息集合，生成非线性特征参数信息集合；
第三生成单元，被配置成根据所述线性特征参数信息集合和所述非线性特征参数信息集合，生成融合特征参数信息集合；
第四生成单元，被配置成根据所述融合特征参数信息集合，生成关键融合特征参数信息集合；
第五生成单元，被配置成根据所述关键融合特征参数信息集合和预先训练的变压器故障预测模型，生成变压器故障预测信息，其中，所述变压器故障预测信息包括：故障类型和故障概率；
控制单元，被配置成响应于确定所述变压器故障预测信息表征变压器有故障，控制相关联的变压器维修设备对所述目标变压器进行维修操作。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202311394518.3A 2023-10-26 2023-10-26 变压器维修设备控制方法、装置、电子设备和可读介质 Active CN117131366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311394518.3A CN117131366B (zh) 2023-10-26 2023-10-26 变压器维修设备控制方法、装置、电子设备和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311394518.3A CN117131366B (zh) 2023-10-26 2023-10-26 变压器维修设备控制方法、装置、电子设备和可读介质

Publications (2)

Publication Number Publication Date
CN117131366A true CN117131366A (zh) 2023-11-28
CN117131366B CN117131366B (zh) 2024-02-06

Family

ID=88858529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311394518.3A Active CN117131366B (zh) 2023-10-26 2023-10-26 变压器维修设备控制方法、装置、电子设备和可读介质

Country Status (1)

Country Link
CN (1) CN117131366B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395959A (zh) * 2020-10-30 2021-02-23 天合云能源互联网技术(杭州)有限公司 基于音频特征的电力变压器故障预测与诊断方法及***
CN112446242A (zh) * 2019-08-29 2021-03-05 北京三星通信技术研究有限公司 声学场景分类方法、装置及相应设备
CN112562698A (zh) * 2020-12-02 2021-03-26 国网山西省电力公司大同供电公司 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法
US20210256991A1 (en) * 2020-02-11 2021-08-19 Purdue Research Foundation System and methods for machine anomaly detection based on sound spectrogram images and neural networks
CN115563528A (zh) * 2022-11-25 2023-01-03 四川飞宇电力股份有限公司 变压器维修设备控制方法、电子设备和介质
CN115910097A (zh) * 2022-01-27 2023-04-04 中国电力科学研究院有限公司 一种高压断路器潜伏性故障可听声信号识别方法及***
CN116778956A (zh) * 2023-05-11 2023-09-19 国网湖北省电力有限公司孝感供电公司 一种变压器声学特征提取及故障识别方法
CN116778964A (zh) * 2023-07-21 2023-09-19 东北大学 一种基于声纹识别的变电设备故障监测***及方法
CN116913258A (zh) * 2023-09-08 2023-10-20 鹿客科技(北京)股份有限公司 语音信号识别方法、装置、电子设备和计算机可读介质
CN116935894A (zh) * 2023-09-19 2023-10-24 佛山科学技术学院 一种基于时频域突变特征的微电机异音识别方法及***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446242A (zh) * 2019-08-29 2021-03-05 北京三星通信技术研究有限公司 声学场景分类方法、装置及相应设备
US20210256991A1 (en) * 2020-02-11 2021-08-19 Purdue Research Foundation System and methods for machine anomaly detection based on sound spectrogram images and neural networks
CN112395959A (zh) * 2020-10-30 2021-02-23 天合云能源互联网技术(杭州)有限公司 基于音频特征的电力变压器故障预测与诊断方法及***
CN112562698A (zh) * 2020-12-02 2021-03-26 国网山西省电力公司大同供电公司 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法
CN115910097A (zh) * 2022-01-27 2023-04-04 中国电力科学研究院有限公司 一种高压断路器潜伏性故障可听声信号识别方法及***
CN115563528A (zh) * 2022-11-25 2023-01-03 四川飞宇电力股份有限公司 变压器维修设备控制方法、电子设备和介质
CN116778956A (zh) * 2023-05-11 2023-09-19 国网湖北省电力有限公司孝感供电公司 一种变压器声学特征提取及故障识别方法
CN116778964A (zh) * 2023-07-21 2023-09-19 东北大学 一种基于声纹识别的变电设备故障监测***及方法
CN116913258A (zh) * 2023-09-08 2023-10-20 鹿客科技(北京)股份有限公司 语音信号识别方法、装置、电子设备和计算机可读介质
CN116935894A (zh) * 2023-09-19 2023-10-24 佛山科学技术学院 一种基于时频域突变特征的微电机异音识别方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张宇鹏 等: "基于混合倒谱与LSTM 网络的轴承故障诊断", 组合机床与自动化加工技术, no. 06, pages 87 - 92 *
曹文明 等: "基于音频识别的无人值守变电站设备在线监测", 湖南大学学报(自然科学版), vol. 40, no. 09, pages 48 - 55 *
耿琪深 等: "基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断", 电力自动化设备, vol. 40, no. 08, pages 191 - 196 *

Also Published As

Publication number Publication date
CN117131366B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US20240118984A1 (en) Prediction method and apparatus for faulty gpu, electronic device and storage medium
CN113392018B (zh) 流量分发方法、装置、存储介质及电子设备
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
CN116913258B (zh) 语音信号识别方法、装置、电子设备和计算机可读介质
CN111312223B (zh) 语音分割模型的训练方法、装置和电子设备
CN117131366B (zh) 变压器维修设备控制方法、装置、电子设备和可读介质
CN113435528B (zh) 对象分类的方法、装置、可读介质和电子设备
CN113610228B (zh) 神经网络模型的构建方法及装置
CN113033680B (zh) 视频分类方法、装置、可读介质及电子设备
CN115424060A (zh) 模型训练方法、图像分类方法和装置
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN111626044B (zh) 文本生成方法、装置、电子设备及计算机可读存储介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN113240107B (zh) 图像处理方法、装置和电子设备
CN116467178B (zh) 数据库检测方法、装置、电子设备和计算机可读介质
CN117857388B (zh) 交换机运行信息检测方法、装置、电子设备与计算机介质
CN116128261B (zh) 区域资源调度方法、装置、电子设备和计算机可读介质
CN116974684B (zh) 地图页面布局方法、装置、电子设备与计算机可读介质
CN117057681B (zh) 软件质量评估方法、装置、设备和存储介质
CN111582482B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115565607B (zh) 确定蛋白质信息的方法、装置、可读介质及电子设备
CN113672675B (zh) 数据检测方法、装置和电子设备
CN118197358A (zh) 音频故障识别方法、装置、电子设备和计算机可读介质
CN116312619A (zh) 语音活动检测模型生成方法、装置、介质及电子设备
CN118300280A (zh) 磁浮式安全电装置及状态检测方法

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
GR01 Patent grant
GR01 Patent grant