[发明专利]一种基于荧光光谱的变压器故障诊断装置及方法

权利要求书

1.一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、与电源模块相连的激光器模块、激光荧光探头模块、光谱仪模块、识别模块，浸没式微型荧光探头的一端通过UV/VIS石英光纤与激光器模块相连，另一端通过UV/VIS石英光纤与光谱仪模块连接，最后将USB2000+个性化配置型光谱仪与上位机相连。

2.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述激光荧光探头模块采用浸没式微型荧光探头，探头采用直角光路系统，以使入射光和荧光在被测变压器油液中达到最佳分离。

3.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述光谱仪模块型号为美国OceanOptics公司生产的USB2000+个性化配置型光谱仪，像素为2048，工作波段为400～800nm。

4.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述激光器模块选取型号为100mW的LSR 405nm蓝紫光半导体激光器,激光入射波长设定值为405nm。

5.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述识别模块包括VS2019软件和MATLAB软件，VS2019软件用来读取和调用变压器油荧光信息，用MATLAB软件建立已知的不同状态下变压器油样本激光诱导荧光光谱的数据库。

6.基于权利要求1所述的一种基于荧光光谱的变压器故障诊断装置的识别方法，包括以下步骤：

S1：获取原始荧光光谱：采集油样，利用变压器油激发出的荧光，通过光谱仪计算出荧光强度后建立已知的变压器油激光诱导荧光光谱数据库；

S2：原始光谱数据预处理：对原始光谱曲线进行滤波处理；

S3：DAE特征波长提取：对变压器油样光谱数据进行特征提取；

S4：样本数据随机划分：将光谱数据按照一定比例随机划分成训练集和测试集；

S5：建立GMM-LDA识别模型：建立GMM-LDA相结合的识别模型，并将测试集用于模型检验与辨识；

S6：变压器故障诊断。

7.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S2中，采用中值滤波法(Median-Filter)对原始光谱曲线进行滤波处理，去除光谱信号的无用波段。

8.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S3中，使用DAE对变压器油样光谱数据进行特征提取，降低样本维数，去除预处理后光谱数据中冗余的信息，提高检测效率，其具体步骤如下：

S31：以x∈R的向量作为输入层，通过加入噪声，并以一定的概率λ随机丢弃网络中的神经元，从而得到映射后的输入层

其中x为原始信号,为带噪信号,N是由原始输入层和加入x的随机噪声的类型确定的一种分布；

S32：通过向量值函数Φ将映射到隐含层y:

其中，W为映射到隐含层网络的权重参数，b为映射到隐含层网络的偏置项；

S33：通过随机丢弃的方法来进行优化训练，隐含层中的神经元也以概率q被随机丢弃；

S34：经过随机丢弃神经元的隐含层特征向量y被反向映射，最后重构出与原始信号相同的输出层

其中，W′为映射到输出层网络的权重参数，b为映射到输出层网络的偏置项；

S35：构造一个平方重构误差函数，使映射值尽可能地接近于x，并对该函数进行最小化，得到优化后的权重和偏置等网络参数：

S36：然后由随机梯度下降法对整个网络的权重参数进行更新，求解出目标函数的最优解，最后抽取中间层y作为所需要的输出。

9.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S4中，将经提取后的光谱数据按照5:1的比例随机划分成训练集和测试集。

10.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S5中，利用高斯混合模型与线性辨别分析(GMM-LDA)相结合的最优聚类簇特征学习方法对训练集进行学习和训练，并将测试集用于模型检验与辨识，其具体步骤如下：

S51：输入数据集和初始聚类个数，有：

D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},y_i∈{C₁,C₂,...,C_k}

S52：获得D的GMM聚类模型,通过迭代更新获得GMM聚类模型参数

S53：采用LDA模型计算目标函数最小值J(W)：

S54：将当前的目标函数最小值J(W)与上一次的值进行比较,如果小于上次值,则继续增加聚类个数并返回S52,否则说明已经得到最小目标函数值(目标函数值收敛),执行S55；

S55：停止聚类并保留此时聚类个数K,此时得到的聚类个数K即为最终的最优聚类个数。