变压器状态检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及电力技术领域，特别是涉及一种变压器状态检测方法、装置、计算机设备和存储介质。

背景技术

随着电力技术的发展，以及电力变压器作为实现远距离输送及电能分配的重要电力设备，在电力系统中的广泛应用，对于电力变压器的安全性、稳定性要求日益提升。而由于变压器油箱的振动形态随着其内部机械结构件的微变而发生改变，从而由油箱表面向外辐射的噪声内也携带相应的机械故障信息，可用于确定变压器是否存在相应的机械故障。

其中，绕组作为变压器油箱内部的重要机械部件，发生机械故障的所占比例较高。由于绕组在漏磁场中因承受交变电磁力而振动，长期的振动效应使得绕组产生变形等机械缺陷，而机械状态的改变是不可逆转的，最终导致变压器抗短路能力下降。因此，传统上多利用比如低压脉冲法、频率响应分析法以及短路阻抗法等，对变压器油箱的绕组进行检测，获知绕组的机械状态，进而确定变压器是否存在相应的机械故障。

然而，目前针对变压器绕组的机械状态，所采用的比如低压脉冲法、频率响应分析法以及短路阻抗法等检测方式，需要与电力系统进行电气连接，在进行检测时，容易对整个电力系统的运行造成影响，同时由于电力系统涉及多种电力设备，容易对根据传统检测方式得到的检测结果造成较大干扰，导致针对变压器的机械故障检测结果仍然不够准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升变压器的机械故障检测结果准确性的变压器状态检测方法、装置、计算机设备和存储介质。

一种变压器状态检测方法，其特征在于，所述方法包括：

获取待检测变压器的声学图像信息；

对所述声学图像信息进行灰度处理，得到对应的待检测灰度图像；

提取所述待检测灰度图像的纹理特征值；

根据理论特征值，对所述纹理特征值进行校验，生成校验结果；

根据所述校验结果，确定所述待检测变压器的机械状态。

在其中一个实施例中，变压器的机械状态包括正常状态和故障状态；所述方法还包括：

获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息；

获取所述样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息；

对各所述第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。

在其中一个实施例中，所述故障状态包括不同松动程度的绕组松动故障状态、以及不同脱落数量的绝缘垫片脱落故障状态；所述获取所述样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息，包括：

获取所述样本变压器在不同松动程度的绕组松动故障状态下、进行多次负载电流调整后的各第二样本声学图像信息；

或获取所述样本变压器在不同脱落数量的绝缘垫片脱落故障状态下、进行多次负载电流调整后的各第二样本声学图像信息。

在其中一个实施例中，所述提取所述待检测灰度图像的纹理特征值，包括：

获取所述待检测灰度图像的中心像素点；

从所述检测灰度图像中，获取与所述中心像素点相邻的预设个数像素点的灰度值；

根据预设旋转函数，对所述预设个数像素点进行循环右移，得到与所述预设个数像素点对应的纹理特征向量；

从所述预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将所述最小纹理特征向量确定为所述待检测灰度图像的纹理特征值。

在其中一个实施例中，在所述根据理论特征值，对所述纹理特征值进行校验，生成校验结果之前，还包括：

从所述正样本训练集或所述负样本训练集中，随机确定出理论特征值。

在其中一个实施例中，所述根据理论特征值，对所述纹理特征值进行校验，生成校验结果，包括：

计算所述理论特征值与所述纹理特征值的差异程度；

根据所述差异程度和预设差异阈值，生成所述纹理特征值的校验结果。

在其中一个实施例中，所述理论特征值包括从所述正样本训练集确定出的第一理论特征值，以及从所述负样本训练集确定出的第二理论特征值；所述根据所述校验结果，确定所述待检测变压器的机械状态，包括：

当根据所述校验结果，确定所述第一理论特征值与所述纹理特征值的差异程度，大于所述预设差异阈值时，确定所述待检测变压器的机械状态为故障状态；

或当根据所述校验结果，确定所述第二理论特征值与所述纹理特征值的差异程度，小于所述预设差异阈值时，确定所述待检测变压器的机械状态为故障状态。

一种变压器状态检测装置，所述装置包括：

声学图像信息获取模块，用于获取待检测变压器的声学图像信息；

待检测灰度图像生成模块，用于对所述声学图像信息进行灰度处理，得到对应的待检测灰度图像；

纹理特征值提取模块，用于提取所述待检测灰度图像的纹理特征值；

校验结果生成模块，用于根据理论特征值，对所述纹理特征值进行校验，生成校验结果；

机械状态确定模块，用于根据所述校验结果，确定所述待检测变压器的机械状态。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待检测变压器的声学图像信息；

对所述声学图像信息进行灰度处理，得到对应的待检测灰度图像；

提取所述待检测灰度图像的纹理特征值；

根据理论特征值，对所述纹理特征值进行校验，生成校验结果；

根据所述校验结果，确定所述待检测变压器的机械状态。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待检测变压器的声学图像信息；

对所述声学图像信息进行灰度处理，得到对应的待检测灰度图像；

提取所述待检测灰度图像的纹理特征值；

根据理论特征值，对所述纹理特征值进行校验，生成校验结果；

根据所述校验结果，确定所述待检测变压器的机械状态。

上述变压器状态检测方法、装置、计算机设备和存储介质中，通过获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。通过提取待检测灰度图像的纹理特征值，并根据理论特征值，对纹理特征值进行校验，生成校验结果，进而根据校验结果，确定待检测变压器的机械状态。该方法实现了对待检测变压器的直观声学图像信息的获取，以及对相应声学信息的纹理特征值的精确校验，进而实现对待检测变压器的故障或正常状态的快速区分，提升了对变压器的机械故障检测结果的准确性。

附图说明

图1为一个实施例中变压器状态检测方法的应用环境图；

图2为一个实施例中变压器状态检测方法的流程示意图；

图3为一个实施例中变压器状态检测方法的声学成像设备示意图；

图4为一个实施例中对声学图像信息进行灰度处理，得到的待检测灰度图像的示意图；

图5为一个实施例中提取待检测灰度图像的纹理特征值的流程示意图；

图6为一个实施例中局部二值模式的旋转不变性示意图；

图7为另一个实施例中变压器状态检测方法的流程示意图；

图8为一个实施例中变压器状态检测装置的结构框图；

图9为另一个实施例中变压器状态检测装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的变压器状态检测方法，可以应用于如图1所示的应用环境中。其中，待检测变压器102与服务器104通过网络进行通信。服务器104通过获取待检测变压器102的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。进而服务器104通过提取待检测灰度图像的纹理特征值，并根据理论特征值，对纹理特征值进行校验，生成校验结果，根据校验结果，确定待检测变压器102的机械状态。其中，待检测变压器102变压器是用来变换交流电压、电流而传输交流电能的一种静止的电器设备，是根据电磁感应的原理实现电能传递的，包括但不限于电力变压器、试验变压器、仪用变压器以及特殊用途的变压器等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种变压器状态检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S202，获取待检测变压器的声学图像信息。

具体地，利用声学成像设备对待检测变压器的油箱表面进行声学信号采集，得到对应的声学图像信息。其中，获取的待检测变压器的油箱表面的声学图像信息，可体现待检测变压器的内部机械状态，而变压器绕组不同状态下，比如正常状态以及故障状态下的声学图像信息有所不同。

进一步地，采用如图3所示的声学成像设备，对待检测变压器的油箱表面进行声学信号采集，其中，声学成像设备具体是基于传声器阵列测量技术，测量一定空间内的声波到达各传声器的信号相位差异，依据相控阵原理确定声源的位置，测量声源的幅值，并以图像的方式显示声源在空间的分布，得到空间声场分布云图即声像图，并以图像的颜色和亮度代表声音的强弱。

其中，声学成像设备的阵列可包括但不限于如图3所示的S型阵列，采集前端基于如图3所示的S型阵列，对待检测变压器的油箱表面进行声学信号采集，并通过声源识别软件对所采集的声学信号进行识别处理，得到声学图像信息。

步骤S204，对声学图像信息进行灰度处理，得到对应的待检测灰度图像。

具体地，采用平均值法对声学图像信息进行灰度处理，将声学图像信息转化成灰度图像，得到对应的待检测灰度图像。

进一步地，如图4所示，提供了一种对声学图像信息进行灰度处理，得到的待检测灰度图像的示意图，参照图4可知，通过将所得到各声学图像信息转化成灰度图像，并将灰度图像压缩成像素大小为64*64的图像，其中，平均值法是将同一个像素三个通过RGB的值进行平均，将彩色图像中的三分亮度求平均值，得到一个灰度值，具体采用以下公式(1)进行计算：

其中，RGB分别代表由红、绿、蓝三种颜色，x、y表示像素点的像素数，通过红、绿、蓝这三种颜色并按照不同的比例，则可以合成出不同的颜色，若其R＝G＝B，则表示的是一种灰度颜色，只有强度信息，而没有颜色信息，对应的R＝G＝B时的值称为灰度值，图像的转化过程即称为灰度化处理。

步骤S206，提取待检测灰度图像的纹理特征值。

具体地，通过获取待检测灰度图像的中心像素点，并从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值。进而根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量，并从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，进而将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

进一步地，采用局部二值模式算子(即LBP算子，Local Binary Patterns)，进行待检测灰度图像的纹理特征向量的提取，首先将检测窗口划分为多个小区域，并对每个区域中的一个像素，将相邻的预设个数的像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。进而根据预设旋转函数，对领域内预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量。

其中，邻域内的预设个数的像素点经比较后，可产生对应预设个数的二进制模式，即得到该窗口中心像素点的LBP值。而由于一个LBP算子可产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2

步骤S208，根据理论特征值，对纹理特征值进行校验，生成校验结果。

具体地，通过计算理论特征值与纹理特征值的差异程度，并获取预设差异阈值，进而根据差异程度和预设差异阈值，生成纹理特征值的校验结果。其中，校验结果包括理论特征值与纹理特征值的差异程度，大于预设差异阈值，或者理论特征值与纹理特征值的差异程度，小于预设差异阈值。

进一步地，采用以下卡方校验对应的公式(2)实现根据理论特征值，对纹理特征值的校验：

其中，T为理论特征值，A为纹理特征值，χ

在一个实施例中，理论特征值包括从正样本训练集确定出的第一理论特征值，以及从负样本训练集确定出的第二理论特征值，通过采用上述公式(2)计算第一理论特征值和纹理特征值之间的第一差异程度，并将第一差异程度和预设差异阈值进行比对，可得到第一理论特征值与纹理特征值的差异程度，大于预设差异阈值，或者第一理论特征值与纹理特征值的差异程度，小于预设差异阈值的校验结果。

同样地，针对第二理论特征值，通过采用上述公式(2)计算第二理论特征值和纹理特征值之间的第二差异程度，并将第二差异程度和预设差异阈值进行比对，可得到第二理论特征值与纹理特征值的差异程度，大于预设差异阈值，或者第二理论特征值与纹理特征值的差异程度，小于预设差异阈值的校验结果。

步骤S210，根据校验结果，确定待检测变压器的机械状态。

具体地，针对第一理论特征值，当根据校验结果，确定第一理论特征值与纹理特征值的差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为故障状态。相反的，当根据校验结果，确定第一理论特征值与纹理特征值的差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为正常状态。

进一步地，针对第二理论特征值，当根据校验结果，确定第二理论特征值与纹理特征值的差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为正常状态。相反的，当根据校验结果，确定第二理论特征值与纹理特征值的差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为故障状态。

在一个实施例中，由于第一理论特征值是从正样本训练集所确定出的，而正样本训练集中，包括的是样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息，则当纹理特征值和第一理论特征值的差异程度大于预设差异阈值时，说明纹理特征值和第一理论特征值之间的差异较大，即纹理特征值和样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息，差异程度较大，则确定待检测变压器的机械状态为故障状态。

而当纹理特征值和第一理论特征值的差异程度小于预设差异阈值时，说明纹理特征值和第一理论特征值之间的差异较小，即纹理特征值和样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息，差异程度较小，则确定待检测变压器的机械状态为正常状态。

同样地，由于第二理论特征值是从负样本训练集所确定出的，而负样本训练集中，包括的样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息。则当纹理特征值和第二理论特征值的差异程度小于预设差异阈值时，说明纹理特征值和第二理论特征值之间的差异较小，即纹理特征值和样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息，差异程度较小，则确定待检测变压器的机械状态为故障状态。

而当纹理特征值和第二理论特征值的差异程度大于预设差异阈值时，说明纹理特征值和第二理论特征值之间的差异较大，即纹理特征值和样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息，差异程度较大，则确定待检测变压器的机械状态为正常状态。

上述变压器状态检测方法中，通过获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。通过提取待检测灰度图像的纹理特征值，并根据理论特征值，对纹理特征值进行校验，生成校验结果，进而根据校验结果，确定待检测变压器的机械状态。该方法实现了对待检测变压器的直观声学图像信息的获取，以及对相应声学信息的纹理特征值的精确校验，进而实现对待检测变压器的故障或正常状态的快速区分，提升了对变压器的机械故障检测结果的准确性。

在一个实施例中，如图5所示，提取待检测灰度图像的纹理特征值，包括以下步骤：

步骤S502，获取待检测灰度图像的中心像素点。

具体地，通过采用局部二值模式算子，即LBP算子，获取各个待检测灰度图像的中心像素点，其中，各待检测灰度图像的中心像素点属于可预先确定的像素点，即可根据待检测图像的原始大小预先确定。其中，局部二值模式算子即纹理描述算子，用于度量和提取图像局部的纹理信息。

步骤S504，从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值。

具体地，通过从待检测灰度图像中，获取与中心像素点相邻的预设个数P，比如P＝8个像素点的灰度值。

步骤S506，根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量。

具体地，利用中心像素点的灰度值与相邻的预设个数的像素点的灰度值进行比较，将中心像素点灰度值设为一个阈值，选择一个邻域按照顺时针或逆时针进行比较，若某像素大于中心像素值，则该像素点的位置被标记为1，否则为0。

其中，采用以下公式(3)表示各个像素点的对应的标记：

其中，若某像素大于中心像素值，则该像素点的位置被标记为1，否则为0。

进一步地，预设旋转函数的表达式如以下公式(4)所示：

其中，

在一个实施例中，由于采用LBP算子进行纹理特征向量提取时，邻域内的预设个数的像素点经比较后，可产生对应预设个数的二进制模式，即得到该窗口中心像素点的LBP值。而由于一个LBP算子可产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2

其中，采用以下公式(5)实现对所产生LBP算子的模式种类的降维处理：

其中，p为所采集的领域内的像素点个数，U(Gp)用于表示判断是否为等价模式，s(g

在一个实施例中，通过定义文理T为一副黑白纹理图像局部邻域内图像像素灰度的联合分布：T＝t(g

进一步地，通过将邻域内中心像素点g

T≈t(s(g

步骤S508，从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

具体地，通过从降维后的预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

本实施例中，通过获取待检测灰度图像的中心像素点，并从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值。进而根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量，并从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，进而将最小纹理特征向量确定为待检测灰度图像的纹理特征值。由于采用了旋转不变性的局部二值模式算子进行纹理特征值提取，保证了所提取到的纹理特征显示效果良好，则进一步根据纹理特征进行差异程度计算以及校验时，可避免因显示效果差导致的计算误差等，提升了根据校验结果，对待检测变压器的机械状态进行判定的准确度。

在一个实施例中，如图7所示，提供了一种变压器状态检测方法，具体包括以下步骤：

步骤S702，获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。

具体地，利用声学成像设备对待检测变压器的油箱表面进行声学信号采集，得到对应的声学图像信息，并采用平均值法对声学图像信息进行灰度处理，将声学图像信息转化成灰度图像，得到对应的待检测灰度图像。

步骤S704，提取待检测灰度图像的纹理特征值。

具体地，通过获取待检测灰度图像的中心像素点，并从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值。进而根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量，并从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，进而将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

步骤S706，获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息。

具体地，通过获取已确定为正常状态的样本变压器，并在样本变压器处于正常状态时，对样本变压器进行负载电流调整，具体包括以0.8A为步长，分别在负载电流调整为4A、4.8A、5.6A、6.4A、7.2A和8A的状态下，获取样本变压器的声学图像。而传声器与样本变压器的油箱表面的水平距离为1m，分别获取负载电流调整为4A、4.8A、5.6A、6.4A、7.2A和8A的状态下，50Hz、100Hz、200Hz和300Hz的声学图像，从而得到第一样本声学图像信息。

步骤S708，获取样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息。

具体地，样本变压器的故障状态包括不同松动程度的绕组松动故障状态、以及不同脱落数量的绝缘垫片脱落故障状态，则第二样本声学图像信息可包括：样本变压器在不同松动程度的绕组松动故障状态下、进行多次负载电流调整后的各第二样本声学图像信息，或样本变压器在不同脱落数量的绝缘垫片脱落故障状态下、进行多次负载电流调整后的各第二样本声学图像信息。

其中，针对不同松动程度的绕组松动故障状态，是通过对样本变压器设置绕组松动故障，利用扭矩扳手对固定绕组的螺杆进行松动3个档位，分别为4N·m、8N·m、12N·m，获取以0.8A为步长，分别在负载电流调整为4A、4.8A、5.6A、6.4A、7.2A和8A的状态下，50Hz、100Hz、200Hz和300Hz的声学图像，得到第二样本声学图像信息。

同样地，针对不同脱落数量的绝缘垫片脱落故障状态，则是通过以从左到右的顺序分别移除1、2、3、4个绝缘垫片，并获取在负载电流调整为4A、4.8A、5.6A、6.4A、7.2A和8A的状态下，50Hz、100Hz、200Hz和300Hz的声学图像，得到第二样本声学图像信息。

步骤S710，对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。

具体地，对各第一样本声学图像信息进行灰度化处理，得到对应的正样本训练集，对各第二样本声学图像信息进行灰度处理，生成对应的负样本训练集。其中，负样本训练集中包括不同松动程度的绕组松动故障状态下、不同脱落数量的绝缘垫片脱落故障状态下的第二样本声学图像信息。

步骤S712，从正样本训练集或负样本训练集中，随机确定出理论特征值。

具体地，理论特征值包括从正样本训练集确定出的第一理论特征值，以及从负样本训练集确定出的第二理论特征值。

步骤S714，计算理论特征值与纹理特征值的差异程度。

具体地，计算第一理论特征值和纹理特征值之间的第一差异程度，以及第二理论特征值和纹理特征值之间的第二差异程度。

步骤S716，根据差异程度和预设差异阈值，生成纹理特征值的校验结果。

具体地，通过获取预设差异阈值，并将第一差异程度和预设差异阈值进行比对，可得到第一理论特征值与纹理特征值的第一差异程度，大于预设差异阈值，或者第一理论特征值与纹理特征值的第一差异程度，小于预设差异阈值的校验结果。

同样地，将第二差异程度和预设差异阈值进行比对，可得到第二理论特征值与纹理特征值的第二差异程度，大于预设差异阈值，或者第二理论特征值与纹理特征值的第二差异程度，小于预设差异阈值的校验结果。

步骤S718，根据校验结果，确定待检测变压器的机械状态。

具体地，当根据校验结果，确定第一理论特征值与纹理特征值的第一差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为故障状态。相反的，当根据校验结果，确定第一理论特征值与纹理特征值的第一差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为正常状态。

同样地，当根据校验结果，确定第二理论特征值与纹理特征值的第二差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为正常状态。相反的，当根据校验结果，确定第二理论特征值与纹理特征值的第二差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为故障状态。

上述变压器状态检测方法中，通过获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。通过提取待检测灰度图像的纹理特征值。通过获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息，以及在故障状态下进行负载电流调整后的第二样本声学图像信息，并对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。通过从正样本训练集或负样本训练集中，随机确定出理论特征值，进而根据理论特征值，对纹理特征值进行校验，生成校验结果，进而根据校验结果，确定待检测变压器的机械状态。该方法实现了对待检测变压器的直观声学图像信息的获取，以及对相应声学信息的纹理特征值的精确校验，进而实现对待检测变压器的故障或正常状态的快速区分，提升了对变压器的机械故障检测结果的准确性。

应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种变压器状态检测装置，包括：声学图像信息获取模块802、待检测灰度图像生成模块804、纹理特征值提取模块806、校验结果生成模块808以及机械状态确定模块810，其中：

声学图像信息获取模块802，用于获取待检测变压器的声学图像信息。

待检测灰度图像生成模块804，用于对声学图像信息进行灰度处理，得到对应的待检测灰度图像。

纹理特征值提取模块806，用于提取待检测灰度图像的纹理特征值。

校验结果生成模块808，用于根据理论特征值，对纹理特征值进行校验，生成校验结果。

机械状态确定模块810，用于根据校验结果，确定待检测变压器的机械状态。

上述变压器状态检测装置中，通过获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。通过提取待检测灰度图像的纹理特征值，并根据理论特征值，对纹理特征值进行校验，生成校验结果，进而根据校验结果，确定待检测变压器的机械状态。该方法实现了对待检测变压器的直观声学图像信息的获取，以及对相应声学信息的纹理特征值的精确校验，进而实现对待检测变压器的故障或正常状态的快速区分，提升了对变压器的机械故障检测结果的准确性。

在一个实施例中，如图9所示，提供了一种变压器状态检测装置，包括：

待检测灰度图像生成模块902，用于获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。

纹理特征值提取模块904，用于提取待检测灰度图像的纹理特征值。

第一样本声学图像信息获取模块906，用于获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息。

第二样本声学图像信息获取模块908，用于获取样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息。

正/负样本训练集生成模块910，用于对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。

理论特征值确定模块912，用于从正样本训练集或负样本训练集中，随机确定出理论特征值。

差异程度计算模块914，用于计算理论特征值与纹理特征值的差异程度。

校验结果生成模块916，用于根据差异程度和预设差异阈值，生成纹理特征值的校验结果。

机械状态确定模块918，用于根据校验结果，确定待检测变压器的机械状态。

上述变压器状态检测装置中，通过获取待检测变压器的声学图像信息，并对声学图像信息进行灰度处理，得到对应的待检测灰度图像。通过提取待检测灰度图像的纹理特征值。通过获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息，以及在故障状态下进行负载电流调整后的第二样本声学图像信息，并对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。通过从正样本训练集或负样本训练集中，随机确定出理论特征值，进而根据理论特征值，对纹理特征值进行校验，生成校验结果，进而根据校验结果，确定待检测变压器的机械状态。该方法实现了对待检测变压器的直观声学图像信息的获取，以及对相应声学信息的纹理特征值的精确校验，进而实现对待检测变压器的故障或正常状态的快速区分，提升了对变压器的机械故障检测结果的准确性。

在一个实施例中，纹理特征值提取模块用于：

获取待检测灰度图像的中心像素点；从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值；根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量；从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

本实施例中，由于采用了旋转不变性的局部二值模式算子进行纹理特征值提取，保证了所提取到的纹理特征显示效果良好，则进一步根据纹理特征进行差异程度计算以及校验时，可避免因显示效果差导致的计算误差等，提升了根据校验结果，对待检测变压器的机械状态进行判定的准确度。

在一个实施例中，第二样本声学图像信息获取模块，还用于：

获取样本变压器在不同松动程度的绕组松动故障状态下、进行多次负载电流调整后的各第二样本声学图像信息；或获取样本变压器在不同脱落数量的绝缘垫片脱落故障状态下、进行多次负载电流调整后的各第二样本声学图像信息。

在一个实施例中，校验结果生成模块还用于：

计算理论特征值与纹理特征值的差异程度；根据差异程度和预设差异阈值，生成纹理特征值的校验结果。

在一个实施例中，机械状态确定模块，还用于：

当根据校验结果，确定第一理论特征值与纹理特征值的差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为故障状态；或当根据校验结果，确定第二理论特征值与纹理特征值的差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为故障状态。

关于变压器状态检测装置的具体限定可以参见上文中对于变压器状态检测方法的限定，在此不再赘述。上述变压器状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储声学图像信息、纹理特征值以及校验结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变压器状态检测方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测变压器的声学图像信息；

对声学图像信息进行灰度处理，得到对应的待检测灰度图像；

提取待检测灰度图像的纹理特征值；

根据理论特征值，对纹理特征值进行校验，生成校验结果；

根据校验结果，确定待检测变压器的机械状态。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息；

获取样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息；

对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本变压器在不同松动程度的绕组松动故障状态下、进行多次负载电流调整后的各第二样本声学图像信息；

或获取样本变压器在不同脱落数量的绝缘垫片脱落故障状态下、进行多次负载电流调整后的各第二样本声学图像信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取待检测灰度图像的中心像素点；

从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值；

根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量；

从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

从正样本训练集或负样本训练集中，随机确定出理论特征值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

计算理论特征值与纹理特征值的差异程度；

根据差异程度和预设差异阈值，生成纹理特征值的校验结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

当根据校验结果，确定第一理论特征值与纹理特征值的差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为故障状态；

或当根据校验结果，确定第二理论特征值与纹理特征值的差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为故障状态。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测变压器的声学图像信息；

对声学图像信息进行灰度处理，得到对应的待检测灰度图像；

提取待检测灰度图像的纹理特征值；

根据理论特征值，对纹理特征值进行校验，生成校验结果；

根据校验结果，确定待检测变压器的机械状态。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本变压器在正常状态下进行负载电流调整后的第一样本声学图像信息；

获取样本变压器在故障状态下进行负载电流调整后的第二样本声学图像信息；

对各第一样本声学图像信息、第二样本声学图像信息进行灰度处理，生成对应的正样本训练集、负样本训练集。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本变压器在不同松动程度的绕组松动故障状态下、进行多次负载电流调整后的各第二样本声学图像信息；

或获取样本变压器在不同脱落数量的绝缘垫片脱落故障状态下、进行多次负载电流调整后的各第二样本声学图像信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取待检测灰度图像的中心像素点；

从检测灰度图像中，获取与中心像素点相邻的预设个数像素点的灰度值；

根据预设旋转函数，对预设个数像素点进行循环右移，得到与预设个数像素点对应的纹理特征向量；

从预设个数像素点对应的纹理特征向量中，确定出最小纹理特征向量，并将最小纹理特征向量确定为待检测灰度图像的纹理特征值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

从正样本训练集或负样本训练集中，随机确定出理论特征值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

计算理论特征值与纹理特征值的差异程度；

根据差异程度和预设差异阈值，生成纹理特征值的校验结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

当根据校验结果，确定第一理论特征值与纹理特征值的差异程度，大于预设差异阈值时，确定待检测变压器的机械状态为故障状态；

或当根据校验结果，确定第二理论特征值与纹理特征值的差异程度，小于预设差异阈值时，确定待检测变压器的机械状态为故障状态。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。