申请/专利权人：东北大学

申请日：2023-09-04

公开（公告）日：2023-11-21

公开（公告）号：CN117095699A

主分类号：G10L25/51

分类号：G10L25/51;G10L25/30;G10L25/03

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.08#实质审查的生效;2023.11.21#公开

摘要：本发明提供一种基于循环生成对抗网络的变压器异常声纹样本生成方法，涉及电网变压器技术领域。通过对非平行的故障和正常样本训练数据进行无监督学习，实现从电力变压器正常样本到故障样本的转换，从而实现高质量故障样本的生成；结合训练样本的时域、频域及时频域特征，对生成的故障样本进一步变换和扩充，增加样本多样性，从而提高故障检测准确率；采用自适应权重更新策略，在训练过程中动态调整生成器和判别器的损失权重，能够提高网络训练稳定性和收敛速度；提供一种可扩展的电力变压器故障样本生成框架，支持多种电力变压器故障类型的样本生成，减少人工标注样本的工作量，能够提高电力变压器故障检测的效率，具有较强的通用性和实用性。

主权项：1.一种基于循环生成对抗网络的变压器异常声纹样本生成方法，其特征在于：该方法包括以下步骤：步骤1：准备循环生成对抗网络模型的训练数据，其中包括经过预处理的正常样本和故障样本的电力变压器数据；步骤2：构建循环生成对抗网络模型；所述模型包括两个生成器G1和G2、两个判别器D1和D2，用于实现正常和故障状态下的声音特征之间的转换；第一个生成器G1将正常状态下的声音转换为故障状态下的声音，第二个生成器G2将G1生成的故障状态下的声音转换为正常状态下的声音；两个判别器分别判断两个生成器生成后的声音是否与真实目标状态相似；步骤3：模型训练与优化；使用步骤1预处理好的训练数据训练构建的循环生成对抗网络模型，在训练过程中，生成器和判别器相互博弈，以使生成器生成的数据尽可能接近真实的电力变压器故障数据，同时判别器能够准确区分真实数据和生成数据；其中使用反向传播算法来更新模型的参数，以最小化生成器和判别器的损失函数；步骤4：生成故障样本；使用训练好的模型来实现故障音频的自动化生成；步骤5：评估与后处理；对步骤4生成的故障样本进行后处理，同时将其与真实的故障样本数据进行相似性评价指标对比，验证生成的故障样本数据是否与真实故障样本相似；如果相似，则将生成的故障样本数据作为现有基于声纹识别的电网变压器故障检测模型的数据集的扩充；如果不相似，即质量不合格、与真实故障样本差距大，则人工将数据进行筛选标注，记录生成样本的故障类型，重新训练。

全文数据：

权利要求：

百度查询： 东北大学 基于循环生成对抗网络的变压器异常声纹样本生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD