CN108169639A - 基于并行长短时记忆神经网络的识别开关柜故障的方法 - Google Patents
基于并行长短时记忆神经网络的识别开关柜故障的方法 Download PDFInfo
- Publication number
- CN108169639A CN108169639A CN201711482076.2A CN201711482076A CN108169639A CN 108169639 A CN108169639 A CN 108169639A CN 201711482076 A CN201711482076 A CN 201711482076A CN 108169639 A CN108169639 A CN 108169639A
- Authority
- CN
- China
- Prior art keywords
- short
- term
- neural networks
- memory neural
- data
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于并行长短时记忆神经网络的识别开关柜故障的方法,包括:(1)可听声信号与超声波信号采集和处理;(2)将可听声信号生成的训练数据集和超声波信号生成的训练数据集放入具有并行互馈结构的LSTM网络模型中训练,得到识别模型;(3)利用传感器采集可听声数据和超声波数据,对开关柜进行在线监听;(4)将实时采集的数据放入训练好的LSTM网络模型中识别并得出预测结果,判断开关柜故障。本发明可节约运算资源,提高识别能力,提高开关柜故障判断的准确程度,从而使配电网更加高效和智能。
Description
技术领域
本发明涉及声音信号诊断设备故障技术领域,具体涉及一种基于并行长短时记忆神经网络的识别开关柜故障的方法。
背景技术
电力设备的运行与维护,一直以来是电力系统中重点关注和研究的问题,高压开关柜作为输配电过程中的主要设备之一,其安全运行,保证了电力系统运行的安全性和可靠性。受电压波动、设备老化、绝缘性气体泄露等原因的影响,开关柜设备会发生局部放电而导致绝缘破坏致使故障发生,该过程中除了电压、电流、温度、闪络等现象外,还伴有放电声现象,包括可听声信号和超声波信号。对开关柜的绝缘状况进行在线监测,可预警设备的运行状态,防止电力事故的发生,该过程通过使用先进的传感和测量技术、先进的控制方法及先进的决策支持系统技术,使得设备运行安全、可靠、经济、高效,满足电网智能化的要求。
目前开关柜局部放电检测常使用超声波检测技术和暂态对地电压TEV检测技术,但放电信号通过绝缘介质衰减严重,单一的超声波传感器难以捕捉、灵敏度差,对采集到的信号提取的特征参数有限,判别方法简单低效,而TEV检测技术对室内开关柜的局部放电检测有较好的效果,在背景干扰较大时,判断绝缘状态则存在较大难度。机器学习的快速发展为智能控制领域注入新的活力,其中深度学习的感知能力和决策能力尤为突出,通过构建复杂的网络模型分析处理从多种信号中提取的大量特征参数,为声音信号诊断设备故障提供更为准确、可靠的方法。
发明内容
本发明的目的是克服现有的开关柜故障检测所存在的问题,发明了基于并行长短时记忆神经网络的可听声及超声波信号识别开关柜故障的方法,该方法通过采集可听声信号和超声波信号、获取大量的特征参数,利用深度学习领域的长短时记忆(LSTM)神经网络训练和识别特征数据集,从而判断开关柜的工作状态,解决了现阶段声音诊断开关柜故障时信号获取单一、识别模型低效、诊断结果不理想的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种基于并行长短时记忆神经网络的识别开关柜故障的方法,包括建立识别模型和在线监听,
所述建立识别模型包括以下步骤:
步骤1-1,利用超声波传感器采集开关柜正常工作状态时的超声波信号、发生局部放电状态时的超声波信号、发生绝缘破坏状态时的超声波信号;
步骤1-2,对超声波传感器输出的电压信号进行放大、A/D转换,并采样和分帧,对样本进行数据存储及类别标志,形成训练数据集1;
步骤1-3,利用可听声传感器采集开关柜正常工作状态时的可听声信号、发生局部放电状态时的可听声信号、发生绝缘破坏状态时的可听声信号;
步骤1-4,对可听声信号进行放大,采样、A/D转换,对样本进行数据存储及类别标志;
步骤1-5,对可听声信号进行分帧和加窗,然后进行Zernike矩阵计算的Mel谱(ZMSF)参数,并结合其他辅助特征组成特征集合,对特征集合及其方差进行统计函数计算,形成训练数据集2,所述辅助特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、MFCC梅尔倒谱相关参数、共振峰相关参数、线谱对LSP参数、基音频率,所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距;
步骤1-6,搭建具有并行互馈结构的长短时记忆(LSTM)神经网络模型;
步骤1-7,将所述步骤1-2中得到的训练数据集1和所述步骤1-5中得到的训练数据集2放入所述步骤1-6的LSTM神经网络模型中训练,得出开关柜正常工作状态时、局部放电状态时、绝缘破坏故障状态时的三套训练参数,建立开关柜故障识别模型;
所述在线监听包括以下步骤:
步骤2-1,使用可听声信号采集传感器和超声波传感器在线采集信号,对超声波传感器传出的电压信号进行信号放大、A/D转换、采样和分帧形成识别数据集1;对可听声信号进行放大、采样、A/D转换,按照所述步骤1-5进行特征提取、统计函数计算,形成识别数据集2;
步骤2-2,将识别数据集1和识别数据集2放入所述步骤1-7训练好的LSTM网络模型中进行识别,以判断当前开关柜的状态。
更进一步地,所述步骤1-2中的采样频率为160KHz,采样时长为1s,帧长为30ms,每类状态采集样本数为600个;所述步骤1-4中的采样频率为48KHz,采样时长为1s,每类状态采集样本数为600个。
更进一步地,所述步骤1-5中的帧长为30ms,窗函数使用汉明窗。
更进一步地,所述步骤2-1中对超声波传感器传出的电压信号进行采样的采样频率为160KHz,采样时长为1s;所述步骤2-1中对可听声信号进行采样的采样频率为48KHz,采样时长为1s。
更进一步地,所述步骤1-5中ZMSF参数为1-10阶,所述ZMSF参数的计算方法包括:
步骤1-5-1,首先对输入的可听声信号s进行加窗分帧处理,得到分帧后的数据S(i,h),i表示帧数,h表示帧长,此处为30ms,窗函数使用汉明窗;
步骤1-5-2,对获得的每一帧数据进行短时傅立叶变换,得到S(i,k);
步骤1-5-3,计算谱线能量,即对S(i,k)取模后在算其平方值,然后将所得谱线能量通过Mel滤波器,求取Mel谱能量,对数化后即可获得能量参数E(i,k),k表示频域中的第k条谱线;
步骤1-5-4,对所获得的能量参数E(i,k)进行Zernike矩计算:
式中tuv=∑∑iukvE(i,k),u,v=0,1,2…,θ为轴x与ρ矢量在逆时针方向的夹角;p,q为正交多项式的阶数,p是非负整数,p-|q|是偶数,并且p≥|q|;
Rpq(ρ)为点(x,y)的径向多项式,形式:
Vpq(x,y)为Zernike正交多项式,形式:
Vpq(x,y)=Vpq(ρ,θ)=Rpq(ρ)ejqθ
接着对获得的参数Zpq(i,k)进行DCT变化去除相关性
m是指第m个Mel滤波器(共有M个),n是DCT后的谱线;
最后将Zpq(i,k)与ZDCT(n)组合获得最终的ZMSF特征,计算第一阶到第十阶的参数。
更进一步地,所述步骤1-1中超声波信号采集使用压电式超声波传感器。
更进一步地,所述步骤1-2的训练数据集1中,每个超声波样本30ms帧长的声音信号得到4800个数据,所述数据集1由160000×1×600个数据组成。
更进一步地,所述MFCC梅尔倒谱相关参数为1-12阶,所述线谱对LSP参数为0-7阶,每个可听声样本30ms帧长的声音信号得到36×2×19=1368个数据,所述训练数据集2由45600×1×600个数据组成。
更进一步地,所述步骤1-6的具有并行互馈结构的LSTM神经网络模型,具体由两个LSTM神经网络,并行运算的方式对超声波信号产生的数据和可听声信号产生的数据进行处理,所述两个LSTM神经网络之间设置互相反馈的控制器。
更进一步地,所述步骤2-1中的识别数据集1由160000个数据组成,所述步骤2-1中的识别数据集2由45600个数据组成。
本发明的有益效果是:
(1)本发明提高了声音信号采集的种类,较之传统的超声波检测局部放电,本发明拓宽了信息采集的渠道,对于诊断设备故障采集到更全面的声音信号,从而能更加准确的反映设备的工作状态;
(2)本发明提取新的特征优化识别效果,并且与多种类的特征参数和相应的统计函数组成大规模数据集描述采集到的可听声信号,可以更加全面和精确的反映可听声信号;
(3)本发明使用深度学习领域的长短时记忆(LSTM)神经网络模型作为训练和识别的核心算法,设计并行互馈的网络结构,同时识别可听声信号和超声波信号并设计互馈控制器统一两组数据的识别结果,较之其它的模型,识别能力更高、稳定性更强,为实时监测开关柜工作状态提供更加可靠的方法。
附图说明
图1是本发明的基于并行长短时记忆神经网络的识别开关柜故障的方法整体框图;
图2、图3、图4是开关柜工作不同状态下的声音信号波形和部分特征波形;
图5是ZMSF参数和MFCC梅尔频率倒谱系数计算流程图;
图6是多类可听声信号特征及相应的统计函数形成数据集的流程图;
图7是并行互馈的长短时记忆神经网络结构;
图8是长短时记忆(LSTM)神经网络模型的模块系统图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
本发明从可听声信号中提取新的特征ZMSF参数(1-10)阶,与其他特征类型相结合并计算对应的统计函数,来保证获取的数据高度符合采集的信号。
发明中使用并行互馈长短时记忆(LSTM)神经网络模型作为训练和识别的核心算法。并行互馈结构的长短时记忆神经网络模型的可以同时识别或者监听可听声信号和超声波信号,并且运算结果互相反馈,其中一方的运算结果通过互馈控制的方式终止或者加强另一方的运算,从而节约运算资源,提高识别效果。
如图1所示,是基于并行长短时记忆神经网络的可听声及超声波信号识别开关柜故障的方法整体框图,本发明从三个方面对现有的声音识别局部放电方法进行优化和改进。首先,本发明采集开关柜工作状态的声音信号全面,使用可听声信号和超声波信号混合的模式,其次,本发明提取新的可听声信号特征,结合其他多种类型的特征并计算相应的统计函数,得到高维数据集来反映可听声信号。最后,本发明使用深度学习领域的长短时记忆(LSTM)神经网络模型作为核心的识别算法,设计并行互馈结构的网络结构,节约运算资源,提高识别效率,使诊断结果更加准确可靠。
如图2、图3、图4所示,是开关柜工作在不同状态时的声音波形和部分特征波形,根据不同状态时声音信号特征参数的区别,搭建深度神经网络模型,从而识别声音信号反映的开关柜的工作状态。
基于并行长短时记忆神经网络的可听声及超声波信号识别开关柜故障的方法,其特征在于建立识别模型和在线监听。
建立识别模型包括以下步骤:
步骤1-1,利用超声波传感器采集开关柜正常工作状态时的超声波信号、发生局部放电状态时的超声波信号、发生绝缘破坏状态时的超声波信号。
步骤1-2,对超声波传感器输出的电压信号进行放大、A/D转换,并采样和分帧形成训练数据集1,采样频率为160KHz,采样时长为1s,帧长为30ms,每类状态采集样本数为600个,对样本进行数据存储及类别标志。
步骤1-3,利用可听声传感器采集开关柜正常工作状态时的可听声信号、发生局部放电状态时的可听声信号、发生绝缘破坏状态时的可听声信号。
步骤1-4,对可听声信号进行放大,采样、A/D转换,采样频率为48KHz,采样时长为1s,每类状态采集样本数为600个,对样本进行数据存储及类别标志。
步骤1-5,对可听声信号进行分帧和加窗,帧长为30ms,窗函数使用汉明窗,然后进行Zernike矩阵计算的Mel谱(ZMSF)参数(1-10阶),并结合其他辅助特征,有短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、MFCC梅尔倒谱相关参数(1-12阶)、共振峰相关参数、线谱对LSP参数(0-7阶)、基音频率组成特征集合。对特征集合及其方差进行统计函数计算,统计函数包括:最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距,形成可听声训练数据集2。
由开关柜故障声音的特性,求取新的特征ZMSF参数提高识别的效果,图5是ZMSF参数和MFCC梅尔频率倒谱系数计算流程图,ZMSF参数(1-10)计算方法具体的:
首先对输入的可听声信号进行加窗分帧处理,将数字化后的声音信号在时间上划分出一个个片段,进行分帧处理,并把声音信号乘以时间窗进行加窗处理,此处使用汉明窗:
窗长L=100,得到分帧后的数据S(i,h),i表示帧数,h表示帧长,此处为30ms。
对获得的每一帧数据进行短时傅立叶变换,得到傅立叶变化S(i,k)。
计算谱线能量,即对S(i,k)取模后在算其平方值,然后将所得谱线能量通过Mel滤波器,求取Mel谱能量,对数化后即可获得能量参数E(i,k)(k表示频域中的第k条谱线)。
对所获得的能量参数E(i,k)进行Zernike矩计算:
式中tuv=∑∑iukvE(i,k),u,v=0,1,2…,θ为轴x与ρ矢量在逆时针方向的夹角;p,q为正交多项式的阶数,p是非负整数,p-|q|是偶数,并且p≥|q|。
Rpq(ρ)为点(x,y)的径向多项式,形式:
(!表示阶乘,| |表示绝对值)。
Vpq(x,y)为Zernike正交多项式,形式:
Vpq(x,y)=Vpq(ρ,θ)=Rpq(ρ)ejqθ
接着对获得的参数Zpq(i,k)进行DCT变化去除相关性
m是指第m个Mel滤波器(共有M个),n是DCT后的谱线;
最后将Zpq(i,k)与ZDCT(n)组合获得最终的ZMSF特征,计算第一阶到第十阶的参数。
对经过分帧和加窗后的声音信号进行其它特征提取和计算统计函数:
统计函数有:最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、峰度、四分位数和四分位数间距。
图6所示为可听声信号形成高维数据集的过程。
步骤1-6,搭建长短时记忆(LSTM)神经网络模型,根据LSTM网络结构和模块构成,搭建用于开关柜状态识别和监听的深度神经网络模型,针对开关柜背景环境声音复杂,构建并行互馈的LSTM网络结构。
图7是并行互馈的长短时记忆神经网络结构。并行互馈的LSTM网络结构,具体两个LSTM神经网络,并行运算的方式对超声波信号产生的数据和可听声信号产生的数据进行处理,为了节约运算资源,提高识别效率,两个LSTM神经网络之间设置互相反馈的控制器,以达到可听声信号数据识别结果和超声波信号数据识别结果相互影响的目的。
互馈控制器使可听声信号数据识别结果和超声波信号数据识别结果终止或者加强另一方计算,并统一可听声信号与超声波信号训练识别的结果。
图8是长短时记忆(LSTM)神经网络模型的模块系统图。并行互馈结构的长短时记忆神经网络模型具体的由TensorFlow为框架搭建。
步骤1-7,将超声波信号形成的训练数据集1和可听声信号形成的训练数据集2放入搭建好的具有并行互馈结构的LSTM网络模型中训练,得出开关柜正常工作状态时、局部放电状态时、绝缘破坏故障状态时的三套训练参数,建立开关柜故障识别模型。
在线监听包括以下步骤:
步骤2-1,使用可听声信号采集传感器和超声波传感器在线采集信号,对超声波传感器传出的电压信号进行信号放大、A/D转换、重新采样形成识别数据集1,采样频率为160KHz,采样时长为1s,对可听声信号进行放大、采样、A/D转换,按照步骤1-5进行特征提取,形成识别数据集2,采样频率为48KHz,采样时长为1s。
步骤2-2,将识别数据集1和识别数据集2放入训练好的具有并行互馈结构的LSTM网络模型中进行识别,判断当前开关柜的状态是正常、局部放电或绝缘破坏故障。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于并行长短时记忆神经网络的识别开关柜故障的方法,包括建立识别模型和在线监听,其特征在于,
所述建立识别模型包括以下步骤:
步骤1-1,利用超声波传感器采集开关柜正常工作状态时的超声波信号、发生局部放电状态时的超声波信号、发生绝缘破坏状态时的超声波信号;
步骤1-2,对超声波传感器输出的电压信号进行放大、A/D转换,并采样和分帧,对样本进行数据存储及类别标志,形成训练数据集1;
步骤1-3,利用可听声传感器采集开关柜正常工作状态时的可听声信号、发生局部放电状态时的可听声信号、发生绝缘破坏状态时的可听声信号;
步骤1-4,对可听声信号进行放大,采样、A/D转换,对样本进行数据存储及类别标志;
步骤1-5,对可听声信号进行分帧和加窗,然后进行Zernike矩阵计算的Mel谱参数,并结合其他辅助特征组成特征集合,对特征集合及其方差进行统计函数计算,形成训练数据集2,所述辅助特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、MFCC梅尔倒谱相关参数、共振峰相关参数、线谱对LSP参数、基音频率,所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距;
步骤1-6,搭建具有并行互馈结构的长短时记忆神经网络模型;
步骤1-7,将所述步骤1-2中得到的训练数据集1和所述步骤1-5中得到的训练数据集2放入所述步骤1-6的具有并行互馈结构的长短时记忆神经网络模型中训练,得出开关柜正常工作状态时、局部放电状态时、绝缘破坏故障状态时的三套训练参数,建立开关柜故障识别模型;
所述在线监听包括以下步骤:
步骤2-1,使用可听声信号采集传感器和超声波传感器在线采集信号,对超声波传感器传出的电压信号进行信号放大、A/D转换、采样和分帧形成识别数据集1;对可听声信号进行放大、采样、A/D转换,按照所述步骤1-5进行特征提取、统计函数计算,形成识别数据集2;
步骤2-2,将识别数据集1和识别数据集2放入所述步骤1-7训练好的具有并行互馈结构的长短时记忆神经网络模型中进行识别,以判断当前开关柜的状态。
2.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-2中的采样频率为160KHz,采样时长为1s,帧长为30ms,每类状态采集样本数为600个;所述步骤1-4中的采样频率为48KHz,采样时长为1s,每类状态采集样本数为600个。
3.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-5中的帧长为30ms,窗函数使用汉明窗。
4.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤2-1中对超声波传感器传出的电压信号进行采样的采样频率为160KHz,采样时长为1s;所述步骤2-1中对可听声信号进行采样的采样频率为48KHz,采样时长为1s。
5.根据权利要求1~4中任一项所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-5中进行Zernike矩阵计算的Mel谱参数为1-10阶,所述进行Zernike矩阵计算的Mel谱参数的计算方法包括:
步骤1-5-1,首先对输入的可听声信号s进行加窗分帧处理,得到分帧后的数据S(i,h),i表示帧数,h表示帧长,此处为30ms,窗函数使用汉明窗;
步骤1-5-2,对获得的每一帧数据进行短时傅立叶变换,得到S(i,k);
步骤1-5-3,计算谱线能量,即对S(i,k)取模后在算其平方值,然后将所得谱线能量通过Mel滤波器,求取Mel谱能量,对数化后即可获得能量参数E(i,k),k表示频域中的第k条谱线;
步骤1-5-4,对所获得的能量参数E(i,k)进行Zernike矩计算:
式中tuv=∑∑iukvE(i,k),u,v=0,1,2…,θ为轴x与ρ矢量在逆时针方向的夹角;p,q为正交多项式的阶数,p是非负整数,p-|q|是偶数,并且p≥|q|;
Rpq(ρ)为点(x,y)的径向多项式,形式:
Vpq(x,y)为Zernike正交多项式,形式:
Vpq(x,y)=Vpq(ρ,θ)=Rpq(ρ)ejqθ
接着对获得的参数Zpq(i,k)进行DCT变化去除相关性
m是指第m个Mel滤波器,所述Mel滤波器共有M个,n是DCT后的谱线;
最后将Zpq(i,k)与ZDCT(n)组合获得最终的进行Zernike矩阵计算的Mel谱参数特征,计算第一阶到第十阶的参数。
6.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-1中超声波信号采集使用压电式超声波传感器。
7.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-2的训练数据集1中,每个超声波样本30ms帧长的声音信号得到4800个数据,所述数据集1由160000×1×600个数据组成。
8.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述MFCC梅尔倒谱相关参数为1-12阶,所述线谱对LSP参数为0-7阶,每个可听声样本30ms帧长的声音信号得到36×2×19=1368个数据,所述训练数据集2由45600×1×600个数据组成。
9.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤1-6的具有并行互馈结构的长短时记忆神经网络模型,具体由两个长短时记忆神经网络模型,并行运算的方式对超声波信号产生的数据和可听声信号产生的数据进行处理,所述两个长短时记忆神经网络模型之间设置互相反馈的控制器。
10.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法,其特征在于:所述步骤2-1中的识别数据集1由160000个数据组成,所述步骤2-1中的识别数据集2由45600个数据组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482076.2A CN108169639B (zh) | 2017-12-29 | 2017-12-29 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482076.2A CN108169639B (zh) | 2017-12-29 | 2017-12-29 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108169639A true CN108169639A (zh) | 2018-06-15 |
CN108169639B CN108169639B (zh) | 2020-05-19 |
Family
ID=62516661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711482076.2A Active CN108169639B (zh) | 2017-12-29 | 2017-12-29 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108169639B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
WO2020124681A1 (zh) * | 2018-12-17 | 2020-06-25 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
CN111881627A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力装置故障诊断方法和系统 |
CN112016470A (zh) * | 2020-08-28 | 2020-12-01 | 国网福建省电力有限公司电力科学研究院 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
CN112329172A (zh) * | 2020-11-05 | 2021-02-05 | 上海交通大学 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
CN112669879A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN115372764A (zh) * | 2022-07-12 | 2022-11-22 | 国网湖北省电力有限公司黄石供电公司 | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 |
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1397929A (zh) * | 2002-07-12 | 2003-02-19 | 清华大学 | 抗噪声语音识别用语音增强-特征加权-对数谱相加方法 |
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102968986A (zh) * | 2012-11-07 | 2013-03-13 | 华南理工大学 | 基于长时特征和短时特征的重叠语音与单人语音区分方法 |
CN105118502A (zh) * | 2015-07-14 | 2015-12-02 | 百度在线网络技术(北京)有限公司 | 语音识别系统的端点检测方法及系统 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
-
2017
- 2017-12-29 CN CN201711482076.2A patent/CN108169639B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1397929A (zh) * | 2002-07-12 | 2003-02-19 | 清华大学 | 抗噪声语音识别用语音增强-特征加权-对数谱相加方法 |
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102968986A (zh) * | 2012-11-07 | 2013-03-13 | 华南理工大学 | 基于长时特征和短时特征的重叠语音与单人语音区分方法 |
CN105118502A (zh) * | 2015-07-14 | 2015-12-02 | 百度在线网络技术(北京)有限公司 | 语音识别系统的端点检测方法及系统 |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794254B (zh) * | 2018-08-01 | 2022-04-15 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
CN110794254A (zh) * | 2018-08-01 | 2020-02-14 | 北京映翰通网络技术股份有限公司 | 一种基于强化学习的配电网故障预测方法及系统 |
CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
WO2020124681A1 (zh) * | 2018-12-17 | 2020-06-25 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
US11346942B2 (en) | 2018-12-17 | 2022-05-31 | Shandong University | Target positioning device and method based on plecotus auritus double-pinna bionic sonar |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
CN111881627A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力装置故障诊断方法和系统 |
CN111881627B (zh) * | 2020-08-05 | 2023-07-18 | 哈尔滨工程大学 | 一种核动力装置故障诊断方法和系统 |
CN112016470A (zh) * | 2020-08-28 | 2020-12-01 | 国网福建省电力有限公司电力科学研究院 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
CN112016470B (zh) * | 2020-08-28 | 2024-02-09 | 国网福建省电力有限公司电力科学研究院 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
CN112329172A (zh) * | 2020-11-05 | 2021-02-05 | 上海交通大学 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
CN112329172B (zh) * | 2020-11-05 | 2022-12-27 | 上海交通大学 | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 |
CN112669879A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
CN112669879B (zh) * | 2020-12-24 | 2022-06-03 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN115372764A (zh) * | 2022-07-12 | 2022-11-22 | 国网湖北省电力有限公司黄石供电公司 | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 |
CN115900816A (zh) * | 2022-10-24 | 2023-04-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于多源异构数据的高压开关柜缺陷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108169639B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108169639A (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN110534118A (zh) | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 | |
CN104167207B (zh) | 一种基于变电站巡检机器人的设备声音识别方法 | |
CN109975665B (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
CN110244204A (zh) | 一种多特征值的开关柜故障诊断方法、系统及介质 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN111814872B (zh) | 基于时域、频域自相似性的电力设备环境噪音识别方法 | |
CN112201260A (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
WO2023245990A1 (zh) | 一种多元信息融合的发电厂电气设备分类与异常检测方法 | |
CN107942210A (zh) | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 | |
CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
CN108869145A (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
Chen et al. | Fault anomaly detection of synchronous machine winding based on isolation forest and impulse frequency response analysis | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN109001602A (zh) | 基于极限学习机算法的局部放电严重程度评估方法 | |
CN112016470A (zh) | 基于声音信号和振动信号的有载分接开关故障识别方法 | |
CN109541405A (zh) | 一种电力电缆局部放电定位方法 | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
CN105842588A (zh) | 一种修正超声波局部放电检测的方法和系统 | |
CN110017894B (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |