本發(fā)明涉及一種抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)方法、系統(tǒng)、介質(zhì)及設(shè)備，屬于設(shè)備監(jiān)測(cè)。

背景技術(shù)：

1、當(dāng)前，抽水蓄能機(jī)組水車(chē)室的運(yùn)行狀態(tài)監(jiān)測(cè)技術(shù)主要側(cè)重于振動(dòng)信號(hào)和其他傳統(tǒng)傳感器數(shù)據(jù)的采集與分析。這些技術(shù)通過(guò)監(jiān)測(cè)設(shè)備的物理振動(dòng)、溫度、壓力等參數(shù)，來(lái)判斷設(shè)備的運(yùn)行狀態(tài)是否存在異常。這些傳統(tǒng)方法在長(zhǎng)期的應(yīng)用實(shí)踐中已經(jīng)積累了一定的經(jīng)驗(yàn)，對(duì)于某些類型的故障具有較高的識(shí)別率。然而，隨著抽水蓄能機(jī)組運(yùn)行工況的日益復(fù)雜和多樣化，這些傳統(tǒng)監(jiān)測(cè)方式逐漸暴露出了一些局限性。特別是在工況變化頻繁、故障聲學(xué)信號(hào)樣本稀缺和數(shù)據(jù)不平衡的情況下，傳統(tǒng)方法往往難以準(zhǔn)確捕捉到故障的早期跡象，從而影響了監(jiān)測(cè)的準(zhǔn)確性和及時(shí)性。

2、盡管聲學(xué)信號(hào)作為一種非接觸的監(jiān)測(cè)手段，在抽水蓄能機(jī)組水車(chē)室運(yùn)行狀態(tài)監(jiān)測(cè)中具有潛在的應(yīng)用價(jià)值，但現(xiàn)有的異常檢測(cè)方法在多工況下表現(xiàn)并不理想。一方面，由于抽水蓄能機(jī)組運(yùn)行環(huán)境的復(fù)雜性和多樣性，聲學(xué)信號(hào)往往受到多種噪聲源的干擾，導(dǎo)致信號(hào)質(zhì)量下降，增加了故障識(shí)別的難度。另一方面，現(xiàn)有的聲學(xué)異常檢測(cè)方法在應(yīng)對(duì)數(shù)據(jù)不平衡問(wèn)題時(shí)存在明顯不足。在實(shí)際應(yīng)用中，故障聲學(xué)信號(hào)往往遠(yuǎn)少于正常信號(hào)，這種數(shù)據(jù)不平衡現(xiàn)象會(huì)嚴(yán)重影響檢測(cè)模型的訓(xùn)練效果和泛化能力。因此，現(xiàn)有的聲學(xué)異常檢測(cè)方法在復(fù)雜工況下難以有效解決噪聲信號(hào)的不平衡問(wèn)題，導(dǎo)致檢測(cè)精度和適應(yīng)性受限。為了提高抽水蓄能機(jī)組水車(chē)室運(yùn)行狀態(tài)監(jiān)測(cè)的準(zhǔn)確性和及時(shí)性，急需開(kāi)發(fā)一種新的異常聲音檢測(cè)方法，以克服現(xiàn)有技術(shù)的局限性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)方法，通過(guò)引入領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal改進(jìn)vit模型，以解決現(xiàn)有技術(shù)中因工況變化頻繁、故障聲學(xué)信號(hào)樣本稀缺和數(shù)據(jù)不平衡導(dǎo)致的檢測(cè)精度和適應(yīng)性受限的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明是采用下述技術(shù)方案實(shí)現(xiàn)的：

3、第一方面，本發(fā)明提供一種抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)方法，包括：

4、獲取抽水蓄能機(jī)組運(yùn)行時(shí)的一維故障聲學(xué)信號(hào)；

5、利用梅爾頻譜算法將所述一維故障聲學(xué)信號(hào)，轉(zhuǎn)換為二維梅爾語(yǔ)譜圖；

6、引入領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal改進(jìn)vit模型；

7、將所述梅爾語(yǔ)譜圖輸入改進(jìn)后的vit模型，進(jìn)行特征提取并學(xué)習(xí)故障聲音的特征表示，輸出預(yù)測(cè)結(jié)果，包括：

8、利用自注意力機(jī)制與所述梅爾語(yǔ)譜圖進(jìn)行交互，捕捉不同工況下的故障信息，提取梅爾語(yǔ)譜圖的圖像特征；

9、基于領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal，根據(jù)源域與目標(biāo)域之間的特征相似性，將源域的數(shù)據(jù)特征和所述梅爾語(yǔ)譜圖的圖像特征進(jìn)行對(duì)齊，并對(duì)未知域的故障信息進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)結(jié)果；

10、其中，所述預(yù)測(cè)結(jié)果包括故障類型以及所屬故障類型的概率。

11、進(jìn)一步地，利用梅爾頻譜算法將所述一維故障聲學(xué)信號(hào)，轉(zhuǎn)換為二維梅爾語(yǔ)譜圖，包括：

12、對(duì)所述一維故障聲學(xué)信號(hào)進(jìn)行預(yù)處理操作，得到預(yù)處理后的聲學(xué)信號(hào)，所述預(yù)處理操作包括高頻增強(qiáng)、信號(hào)分幀和加窗；

13、對(duì)預(yù)處理后的聲學(xué)信號(hào)進(jìn)行短時(shí)傅里葉變換stft，提取每一時(shí)刻的頻譜信息，計(jì)算梅爾頻率尺度上的功率譜，生成二維梅爾語(yǔ)譜圖。

14、進(jìn)一步地，利用自注意力機(jī)制與所述梅爾語(yǔ)譜圖進(jìn)行交互，捕捉不同工況下的故障信息，提取梅爾語(yǔ)譜圖的圖像特征，包括：

15、將所述梅爾語(yǔ)譜圖劃分為固定大小的補(bǔ)丁，并對(duì)每個(gè)補(bǔ)丁進(jìn)行嵌入處理，得到補(bǔ)丁嵌入向量；

16、將所述補(bǔ)丁嵌入向量輸入到vit模型的transformer編碼器中，利用自注意力機(jī)制捕捉不同工況下的故障信息，并經(jīng)過(guò)多個(gè)transformer編碼層聚合補(bǔ)丁特征，得到梅爾語(yǔ)譜圖的圖像特征。

17、進(jìn)一步地，在得到梅爾語(yǔ)譜圖的圖像特征之后，還包括，對(duì)梅爾語(yǔ)譜圖的圖像特征進(jìn)行線性變換，應(yīng)用分類函數(shù)將梅爾語(yǔ)譜圖的圖像特征映射到分類空間中，利用領(lǐng)域提示學(xué)習(xí)模塊dpl在每個(gè)源域中引入提示向量，并與所述補(bǔ)丁嵌入向量結(jié)合，捕捉領(lǐng)域故障特征知識(shí)；

18、通過(guò)提示適配模塊pal將所述領(lǐng)域故障特征知識(shí)的源域和目標(biāo)域進(jìn)行最優(yōu)組合。

19、進(jìn)一步地，所述改進(jìn)后的vit模型的訓(xùn)練方法包括：

20、將公開(kāi)的mimii?數(shù)據(jù)集和表征抽水蓄能機(jī)組運(yùn)行狀態(tài)的原始聲音數(shù)據(jù)集經(jīng)過(guò)梅爾頻譜轉(zhuǎn)換為梅爾語(yǔ)譜圖；

21、同時(shí)按照預(yù)設(shè)的比例將公開(kāi)的mimii?數(shù)據(jù)集和表征抽水蓄能機(jī)組運(yùn)行狀態(tài)的原始聲音數(shù)據(jù)集劃分為源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集；

22、使用源域數(shù)據(jù)集對(duì)vit模型進(jìn)行訓(xùn)練，在訓(xùn)練過(guò)程中，利用改進(jìn)后的vit模型學(xué)習(xí)從梅爾語(yǔ)譜圖中提取出的聲音特征，得到訓(xùn)練好的vit模型；

23、使用目標(biāo)域數(shù)據(jù)集對(duì)訓(xùn)練好的vit模型進(jìn)行驗(yàn)證。

24、進(jìn)一步地，基于領(lǐng)域提示學(xué)習(xí)損失、適配器權(quán)重學(xué)習(xí)損失和適配器適應(yīng)性學(xué)習(xí)損失構(gòu)建損失函數(shù)，訓(xùn)練改進(jìn)后的vit模型。

25、進(jìn)一步地，所述損失函數(shù)表示為：

26、；

27、式中，表示計(jì)算損失函數(shù)得到的總損失，表示領(lǐng)域提示學(xué)習(xí)損失，表示適配器適應(yīng)性學(xué)習(xí)損失，表示適配器學(xué)習(xí)損失，表示平衡系數(shù)，用于平衡領(lǐng)域提示學(xué)習(xí)損失、適配器適應(yīng)性學(xué)習(xí)損失和適配器學(xué)習(xí)損失的權(quán)重；

28、所述領(lǐng)域提示學(xué)習(xí)損失表示為：

29、；

30、式中，表示第個(gè)源域數(shù)據(jù)；表示樣本數(shù)據(jù)，?表示輸入樣本的特征，表示輸入樣本對(duì)應(yīng)的標(biāo)簽或目標(biāo)輸出，表示樣本所屬的第個(gè)領(lǐng)域；表示交叉熵?fù)p失，用于衡量目標(biāo)域和源域之間分布差異；?表示輸入樣本的特征對(duì)于樣本所屬的領(lǐng)域標(biāo)簽，通過(guò)訓(xùn)練好的vit模型生成的輸出特征；表示分類轉(zhuǎn)換函數(shù)；

31、所述適配器適應(yīng)性學(xué)習(xí)損失表示為：

32、；

33、式中，?表示經(jīng)過(guò)適配器適應(yīng)性調(diào)整后的輸出特征；

34、所述適配器權(quán)重學(xué)習(xí)損失表示為：

35、；

36、式中，表示源域數(shù)量；表示該領(lǐng)域的適配器權(quán)重；表示樣本所屬的第個(gè)領(lǐng)域的交叉熵?fù)p失，目標(biāo)值為1，用于優(yōu)化樣本所屬的第個(gè)領(lǐng)域的適配器權(quán)重；表示樣本所屬的第個(gè)領(lǐng)域的適配器權(quán)重和樣本所屬的第領(lǐng)域的權(quán)重關(guān)系；表示除樣本所屬的第領(lǐng)域之外的交叉熵?fù)p失，目標(biāo)值為0，表示需抑制目標(biāo)值為0的領(lǐng)域的適配器權(quán)重。

37、第二方面，本發(fā)明提供一種抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)系統(tǒng)，包括：

38、故障信號(hào)獲取模塊，用于獲取抽水蓄能機(jī)組運(yùn)行時(shí)的一維故障聲學(xué)信號(hào)；

39、梅爾頻譜轉(zhuǎn)換模塊，用于利用梅爾頻譜算法將所述一維故障聲學(xué)信號(hào)，轉(zhuǎn)換為二維梅爾語(yǔ)譜圖；

40、vit模型改進(jìn)模塊，用于引入領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal改進(jìn)vit模型；

41、特征提取與表示學(xué)習(xí)模塊，用于將所述梅爾語(yǔ)譜圖輸入改進(jìn)后的vit模型，進(jìn)行特征提取并學(xué)習(xí)故障聲音的特征表示，輸出預(yù)測(cè)結(jié)果，包括：

42、利用自注意力機(jī)制與所述梅爾語(yǔ)譜圖進(jìn)行交互，捕捉不同工況下的故障信息，提取梅爾語(yǔ)譜圖的圖像特征；

43、基于領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal，根據(jù)源域與目標(biāo)域之間的特征相似性，將源域的數(shù)據(jù)特征和所述梅爾語(yǔ)譜圖的圖像特征進(jìn)行對(duì)齊，并對(duì)未知域的故障信息進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)結(jié)果；

44、其中，所述預(yù)測(cè)結(jié)果包括故障類型以及所屬故障類型的概率。

45、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如第一方面所述的抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)方法。

46、第四方面，本發(fā)明提供一種一種計(jì)算機(jī)設(shè)備，包括：

47、存儲(chǔ)器，用于存儲(chǔ)指令；

48、處理器，用于執(zhí)行所述指令，使得所述設(shè)備執(zhí)行實(shí)現(xiàn)如第一方面所述的抽水蓄能機(jī)組水車(chē)室異常聲音檢測(cè)方法的操作。

49、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果：

50、1、本發(fā)明利用梅爾頻譜算法將一維故障聲學(xué)信號(hào)轉(zhuǎn)換為二維梅爾語(yǔ)譜圖，使得故障聲音的特征在二維空間中得以更直觀地展現(xiàn)，還引入了領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal改進(jìn)vit模型，不僅能夠增強(qiáng)了vit模型對(duì)故障聲音特征的學(xué)習(xí)能力，還能根據(jù)源域與目標(biāo)域之間的特征相似性，將源域的數(shù)據(jù)特征和梅爾語(yǔ)譜圖的圖像特征進(jìn)行精準(zhǔn)對(duì)齊，極大地提高了vit模型對(duì)未知域故障信息的預(yù)測(cè)能力，能夠更準(zhǔn)確地識(shí)別出抽水蓄能機(jī)組水車(chē)室的異常聲音，并判斷其故障類型及所屬概率，解決了現(xiàn)有技術(shù)中因工況變化頻繁、故障聲學(xué)信號(hào)樣本稀缺和數(shù)據(jù)不平衡導(dǎo)致的檢測(cè)精度和適應(yīng)性受限的問(wèn)題。

51、2、本發(fā)明通過(guò)預(yù)處理一維故障聲學(xué)信號(hào)，包括高頻增強(qiáng)、信號(hào)分幀和加窗，隨后利用短時(shí)傅里葉變換stft和梅爾頻譜算法，將信號(hào)轉(zhuǎn)換為二維梅爾語(yǔ)譜圖，不僅保留了故障聲音的關(guān)鍵特征，還通過(guò)梅爾頻率尺度的應(yīng)用，增強(qiáng)了聲音信號(hào)在頻率域的表示能力，本發(fā)明還通過(guò)結(jié)合vit模型中的自注意力機(jī)制，高效地捕捉了不同工況下的故障信息，從梅爾語(yǔ)譜圖中提取出圖像特征，為后續(xù)故障類型的判斷提供強(qiáng)有力的支持。

52、3、本發(fā)明通過(guò)引入領(lǐng)域提示學(xué)習(xí)模塊dpl和提示適配模塊pal，顯著提升了vit模型在跨域場(chǎng)景下的故障預(yù)測(cè)能力。領(lǐng)域提示學(xué)習(xí)模塊dpl模塊在每個(gè)源域中引入提示向量，與補(bǔ)丁嵌入向量結(jié)合，捕捉領(lǐng)域故障特征知識(shí)，增強(qiáng)了vit模型對(duì)源域數(shù)據(jù)的理解能力，提示適配模塊pal模塊則進(jìn)一步將源域和目標(biāo)域的特征進(jìn)行最優(yōu)組合，實(shí)現(xiàn)了對(duì)未知域故障信息的準(zhǔn)確預(yù)測(cè)。這種跨域適應(yīng)性強(qiáng)的特點(diǎn)，使得本發(fā)明在面臨不同工況和故障類型時(shí)，都能保持較高的預(yù)測(cè)準(zhǔn)確性。

53、4、本發(fā)明利用mimii數(shù)據(jù)集以及獲取表征抽水蓄能機(jī)組運(yùn)行狀態(tài)的原始聲音數(shù)據(jù)集進(jìn)行模型訓(xùn)練，以及基于領(lǐng)域提示學(xué)習(xí)損失、適配器權(quán)重學(xué)習(xí)損失和適配器適應(yīng)性學(xué)習(xí)損失構(gòu)建損失函數(shù)進(jìn)行模型優(yōu)化，不僅提高了模型的泛化能力，還通過(guò)針對(duì)性的損失函數(shù)設(shè)計(jì)，使得模型在訓(xùn)練過(guò)程中能夠更好地學(xué)習(xí)領(lǐng)域知識(shí)和適配器權(quán)重，從而實(shí)現(xiàn)對(duì)故障聲音特征的精準(zhǔn)識(shí)別和預(yù)測(cè)。