CN110929769B - 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 - Google Patents

一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 Download PDF

Info

Publication number
CN110929769B
CN110929769B CN201911115451.9A CN201911115451A CN110929769B CN 110929769 B CN110929769 B CN 110929769B CN 201911115451 A CN201911115451 A CN 201911115451A CN 110929769 B CN110929769 B CN 110929769B
Authority
CN
China
Prior art keywords
signal
vibration
reactor
sound
neural network
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.)
Active
Application number
CN201911115451.9A
Other languages
English (en)
Other versions
CN110929769A (zh
Inventor
韩科
张轶珠
王建龙
祝晓宏
赵雪松
谢蓓敏
陶善宏
王博闻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoding Safty & Reliability Electric Power Technology Co ltd
Super High Voltage Co Of State Grid Jilin Electric Power Co ltd
Original Assignee
Baoding Safty & Reliability Electric Power Technology Co ltd
Super High Voltage Co Of State Grid Jilin Electric Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baoding Safty & Reliability Electric Power Technology Co ltd, Super High Voltage Co Of State Grid Jilin Electric Power Co ltd filed Critical Baoding Safty & Reliability Electric Power Technology Co ltd
Priority to CN201911115451.9A priority Critical patent/CN110929769B/zh
Publication of CN110929769A publication Critical patent/CN110929769A/zh
Application granted granted Critical
Publication of CN110929769B publication Critical patent/CN110929769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明属于电抗器技术领域，提出了一种基于振动和声音的电抗器机械类故障联合检测模型、方法和装置，包括采集来自电抗器的温度信号、声音信号和振动信号；根据温度信号，对声音信号、各路振动信号分别进行计算去温度相关高频相对量r计算；找出与声音信号最接近的振动信号；声音信号与最接近的振动信号分别输入到GRU深度神经网络进行计算；将GRU深度神经网络的输出层进行拼接，输入到DNN深度神经网络进行训练；调整相关的参数值，得到训练好的基于振动和声音的电抗器机械类故障联合检测模型。通过上述技术方案，解决了现有技术中电抗器机械类故障检测准确度差的问题。

Description

一种基于振动和声音的电抗器机械类故障联合检测模型、方 法及装置
技术领域
本发明属于电抗器技术领域，涉及一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置。
背景技术
现有的电抗器故障检测方法主要由电气特征量、化学特征量、光学特征量进行检测，但基于这三种特征量的电抗器的故障检测方法都存在安装困难、成本高等特点，难以对运行状态下的电抗器加装检测设备，且对于绕组变形等机械缺陷不能及时做出响应，不利于电抗器的在线监测和不停电检测。
振动量和声音量都包含大量的设备状态信息，由于电抗器的振动信号和声音信号相比具有更强的抗干扰能力，因此目前关于变压器的状态监测研究多集中在振动信号的研究，但是振动信号采集对于布点位置的要求更为严格，较小的布点偏移将导致测量结果产生很大的变化，这不利于不同型号电抗器振动数据统一化，而声音信号则能很好地解决空间敏感度过高的问题。
发明内容
本发明提出一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置，解决了现有技术中电抗器机械类故障检测准确度差的问题。
本发明的技术方案是这样实现的：
一种基于振动和声音的电抗器机械类故障联合检测模型，包括
S10：采集来自电抗器的温度信号、声音信号和振动信号，所述振动信号至少为来自电抗器不同位置的四路；
S11：根据所述温度信号，对所述声音信号、各路所述振动信号分别进行计算去温度相关高频相对量r计算，具体为：
Figure GDA0003934762400000011
记声音信号的去温度相关高频相对量为rvo、各路振动信号的去温度相关高频相对量分别为rvi1，rvi2…rvin，n≥4，当进行声音信号的去温度相关高频相对量计算时，当前信号为声音信号，当进行某一路振动信号的去温度相关高频相对量计算时，当前信号为该路振动信号，
式中，F为计算频率上限，即参与计算的当前信号频率最大值，根据实际情况确定，β为尺度常数，根据实际情况，取0～F范围内的一个正整数，T为温度信号，a为当前信号进行傅里叶分解后的正整数频率分量数组，af为当前信号在频率f处的幅值分量，a'f为归一化后的af，af的归一化公式为：
Figure GDA0003934762400000021
式中，amax和amin分别为数组a中的最大值和最小值；
S12：将rvo分别与rvi1，rvi2…rvin比较，找出与rvo差值最小的值rvik，k∈1...n，rvik对应的一路振动信号记为Svik；
S13：采用GRU深度神经网络分别对声音信号和振动信号Svik进行计算，输出到GRU深度神经网络的输出层；
S14：将GRU深度神经网络的输出层进行拼接，形成DNN深度神经网络的输入层，DNN深度神经网络的输出即为故障代码；
S15：调整步骤S10中F的值、步骤S13中GRU深度神经网络的参数值和步骤S14中DNN深度神经网络的参数值；
S16：重新执行步骤S11～S15，对GRU深度神经网络和DNN深度神经网络进行训练，直到DNN深度神经网络的输出与实际的故障类型一致，则得到训练好的电抗器机械类故障联合检测模型。
进一步，步骤S13中GRU深度神经网络包括两层隐含层，GRU深度神经网络的输出层为2～5个节点。
进一步，步骤S13中GRU深度神经网络的输出层为3个节点。
一种基于振动和声音的电抗器机械类故障联合检测方法，包括
S20：按照步骤S10～S15训练电抗器机械类故障联合检测模型；
S21：采集来自电抗器的温度信号、声音信号和振动信号，输入到电抗器机械类故障联合检测模型，所述振动信号至少为来自电抗器不同位置的四路；
S22：电抗器机械类故障联合检测模型的输出为故障代码，通过对故障代码进行解析得到故障类型。
一种基于振动和声音的电抗器机械类故障联合检测装置，包括
温度传感器，用于采集电抗器的温度信号；
声信号传感器，用于采集电抗器的声音信号；
振动传感器，所述振动传感器至少为四个，且位于电抗器的不同位置，
中央处理器，用于接收来自温度传感器的温度信号和来自信号处理单元的信号，训练电抗器机械类故障联合检测模型，并利用电抗器机械类故障联合检测模型进行故障类型的判断。
进一步，多个所述振动传感器在电抗器的同一端面上均匀分布。
进一步，还包括信号处理单元，所述声信号传感器和所述振动传感器均与所述信号处理单元的一端连接，所述信号处理单元的另一端与所述中央处理器连接。
进一步，所述信号处理单元包括
信号放大器，所述声信号传感器和所述振动传感器均与所述信号处理单元的一端连接，
采集卡，一端与所述信号放大器连接，另一端与所述中央处理器连接。
进一步，所述采集卡的采样频率为100KHz以上。
进一步，所述采集卡的采样频率为100KHz。
本发明的工作原理及有益效果为：
1、本发明提出了一种基于振动和声音的电抗器机械类故障联合检测模型，首先采集来自电抗器的温度信号、声音信号和至少四路的振动信号，电抗器在发生机械故障时其振动的中高频分量会发生增加，温度也会增加，通过分别对声音信号和振动信号分别进行去温度相关高频相对量的计算，将声音信号和振动信号转换到同一温度基准上，便于找出与声音信号最接近的振动信号；再将声音信号与最接近的振动信号分别输入到GRU深度神经网络进行计算，再将GRU深度神经网络的输出层进行拼接，形成DNN深度神经网络的输入层；通过调整相关的参数值，对GRU深度神经网络和DNN深度神经网络进行训练，直到DNN深度神经网络输出的故障代码与实际的故障类型一致。
其中，各路振动信号来自电抗器的不同位置，通过分别对声音信号和振动信号分别进行去温度相关高频相对量的计算，将声音信号和振动信号转换到同一温度基准上，便于从多路振动信号中找出与声音信号最接近的振动信号，该振动信号的位置最接近故障点的位置，从而消除振动信号的检测位置对测量结果的影响，有利于提高检测结果的准确性。
本发明将振动信号法的抗干扰优势和声音信号法的空间不敏感优势相结合，对电抗器机械类故障进行联合检测，并结合GRU深度神经网络和DNN深度神经网络训练基于振动和声音的电抗器机械类故障联合检测模型，基于振动和声音的电抗器机械类故障联合检测模型直接输出故障代码，便于电抗器机械类故障进行快速准确的检测。
2、经发明人的大量研究表明，当GRU深度神经网络包括两层隐含层，GRU深度神经网络的输出层为2～5个节点时，能够增强整体网络结构的非线性表征能力。
3、本发明还提出了一种基于振动和声音的电抗器机械类故障联合检测方法，通过训练基于振动和声音的电抗器机械类故障联合检测模型，然后将采集到的来自电抗器的温度信号、声音信号和振动信号输入到基于振动和声音的电抗器机械类故障联合检测模型中，基于振动和声音的电抗器机械类故障联合检测模型即输出故障代码，该故障代码即为故障类型的代码。本发明基于振动和声音的电抗器机械类故障联合检测装置便于快速准确的进行电抗器现场检测。
4、本发明还提出了一种基于振动和声音的电抗器机械类故障联合检测装置，其中，温度传感器用于采集电抗器的温度信号，声信号传感器用于采集电抗器的声音信号，振动传感器，用于采集电抗器的振动信号，中央处理器接收上述信号，根据上述信号训练基于振动和声音的电抗器机械类故障联合检测模型，并利用基于振动和声音的电抗器机械类故障联合检测模型进行故障类型的判断。
5、本发明中信号处理单元用于将声信号传感器和振动传感器的输出信号进行调理，转换为中央处理器能够识别的电平信号，便于中央处理器的读取。其中，信号放大器用于对声信号传感器和振动传感器的输出信号进行放大，再由采集卡按照一定的频率进行采样，将信号放大器输出的模拟信号转换为数字信号，便于中央处理器的读取。
6、采集卡的采样频率为100KHz以上，可以保证声信号得到完整还原。如果采样频率过高，会增加中央处理器的计算负担，当采样频率为100KHz时，既能满足声信号完整还原的要求，又不过多增加中央处理器的负担。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明模型建立方法流程图；
图2为本发明中GRU深度神经网络结构示意图；
图3为本发明中GRU深度神经网络的隐含层子单元结构示意图；
图4为本发明中DNN深度神经网络结构示意图；
图5为本发明检测方法流程图；
图6为本发明检测装置电路原理框图；
图7为本发明中振动传感器安装位置示意图；
图中：31-温度传感器，32-声信号传感器，33-振动传感器，34-信号处理单元，341-信号放大器，342-采集卡，35-中央处理器，4-电抗器，5-GRU深度神经网络，51-GRU深度神经网络的输入层，52-GRU深度神经网络的隐含层，53-GRU深度神经网络的输出层，6-DNN深度神经网络，61-DNN深度神经网络的输入层，611-声信号输入，612-振动信号输入，62-DNN深度神经网络的隐含层，63-DNN深度神经网络的输出层。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实施例一部分实施例，而不是全部的实施例。基于本实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本实施例保护的范围。
实施例一
如图1-图4所示，本实施例提出了一种基于振动和声音的电抗器机械类故障联合检测模型，包括
S10：采集来自电抗器4的温度信号、声音信号和振动信号，振动信号至少为来自电抗器4不同位置的四路；
S11：根据温度信号，对声音信号、各路振动信号分别进行计算去温度相关高频相对量r计算，具体为：
Figure GDA0003934762400000051
记声音信号的去温度相关高频相对量为rvo、各路振动信号的去温度相关高频相对量分别为rvi1，rvi2…rvin，n≥4，当进行声音信号的去温度相关高频相对量计算时，当前信号为声音信号，当进行某一路振动信号的去温度相关高频相对量计算时，当前信号为该路振动信号，
式1中，F为计算频率上限，即参与计算的当前信号频率最大值，根据实际情况确定，β为尺度常数，根据实际情况，取0～F范围内的一个正整数，T为温度信号，a为当前信号进行傅里叶分解后的正整数频率分量数组，af为当前信号在频率f处的幅值分量，a'f为归一化后的af，af的归一化公式为：
Figure GDA0003934762400000052
式2中，amax和amin分别为数组a中的最大值和最小值；
S12：将rvo分别与rvi1，rvi2…rvin比较，找出与rvo差值最小的值rvik，k∈1...n，rvik对应的一路振动信号记为Svik；
S13：采用GRU深度神经网络5分别对声音信号和振动信号Svik进行计算，输出到GRU深度神经网络的输出层53；
S14：将GRU深度神经网络的输出层53进行拼接，形成DNN深度神经网络的输入层61，DNN深度神经网络6的输出即为故障代码；
S15：调整步骤S10中F的值、步骤S13中GRU深度神经网络5的参数值和步骤S14中DNN深度神经网络6的参数值；
S16：重新执行步骤S11～S15，对GRU深度神经网络和DNN深度神经网络进行训练，直到DNN深度神经网络的输出与实际的故障类型一致，则得到训练好的电抗器机械类故障联合检测模型。
首先采集来自电抗器4的温度信号、声音信号和至少四路的振动信号，电抗器4在发生机械故障时其振动的中高频分量会发生增加，温度也会增加，通过分别对声音信号和振动信号分别进行去温度相关高频相对量的计算，将声音信号和振动信号转换到同一温度基准上，便于找出与声音信号最接近的振动信号；再将声音信号与最接近的振动信号分别输入到GRU深度神经网络5进行计算，再将GRU深度神经网络的输出层53进行拼接，形成DNN深度神经网络的输入层61；通过调整相关的参数值，对GRU深度神经网络5和DNN深度神经网络6进行训练，直到DNN深度神经网络6输出的故障代码与实际的故障类型一致。
其中，各路振动信号来自电抗器4的不同位置，通过分别对声音信号和振动信号分别进行去温度相关高频相对量的计算，将声音信号和振动信号转换到同一温度基准上，便于从多路振动信号中找出与声音信号最接近的振动信号，该振动信号的位置最接近故障点的位置，从而消除振动信号的检测位置对测量结果的影响，有利于提高检测结果的准确性。
本实施例将振动信号法的抗干扰优势和声音信号法的空间不敏感优势相结合，对电抗器机械类故障进行联合检测，并结合GRU深度神经网络5和DNN深度神经网络6训练基于振动和声音的电抗器机械类故障联合检测模型，基于振动和声音的电抗器机械类故障联合检测模型直接输出故障代码，便于电抗器机械类故障进行快速准确的检测。
如图2所示，为本实施例中GRU深度神经网络5的结构示意图，GRU深度神经网络的隐含层52为两层，GRU深度神经网络的输出层53节点为三个，其中X0，X1，…Xn为声信号或振动信号在不同时刻的采样值。
经发明人的大量研究表明，当GRU深度神经网络5包括两层隐含层，GRU深度神经网络的输出层53为2～5个节点时，能够增强整体网络结构的非线性表征能力。
如图4所示，为本实施例中DNN深度神经网络6的结构示意图，DNN深度神经网络6的主要功能是完成对多输入量判定结果的统一，所有层均为全连接层。图4中，DNN深度神经网络的隐含层62为一层、DNN深度神经网络的隐含层62节点个数为i，DNN深度神经网络的输出层63节点个数为j。DNN深度神经网络的输出层63节点个数等于故障类型的个数，假设故障类型为四类，则DNN深度神经网络的输出层63节点个数为四，DNN深度神经网络6输出值的每一位对应一个故障类型，如果某一时刻DNN深度神经网络6的输出值为0010，则得到此时的故障类型为第二位对应的故障类型。
实施例二
如图5所示，基于与上述实施例一相同的发明构思，本实施例提出了一种基于振动和声音的电抗器机械类故障联合检测装置，包括
S20：按照步骤S10～S15训练基于振动和声音的电抗器机械类故障联合检测模型；
S21：采集来自电抗器4的温度信号、声音信号和振动信号，输入到基于振动和声音的电抗器机械类故障联合检测模型，振动信号至少为来自电抗器4不同位置的四路；
S22：基于振动和声音的电抗器机械类故障联合检测模型的输出为故障代码，通过对故障代码进行解析得到故障类型。
通过训练基于振动和声音的电抗器机械类故障联合检测模型，然后将采集到的来自电抗器4的温度信号、声音信号和振动信号输入到基于振动和声音的电抗器机械类故障联合检测模型中，基于振动和声音的电抗器机械类故障联合检测模型即输出故障代码，该故障代码即为故障类型的代码。本实施例基于振动和声音的电抗器机械类故障联合检测装置便于快速准确的进行电抗器4现场检测。
实施例三
如图6-图7所示，基于与上述实施例一和实施例二相同的发明构思本实施例还提出了一种基于振动和声音的电抗器机械类故障联合检测装置，包括
温度传感器31，用于采集电抗器4的温度信号；
声信号传感器32，用于采集电抗器4的声音信号；
振动传感器33，振动传感器33至少为四个，且位于电抗器4的不同位置，
中央处理器35，用于接收来自温度传感器31的温度信号和来自信号处理单元34的信号，训练基于振动和声音的电抗器机械类故障联合检测模型，并利用基于振动和声音的电抗器机械类故障联合检测模型进行故障类型的判断。
其中，温度传感器31用于采集电抗器4的温度信号，声信号传感器32用于采集电抗器4的声音信号，振动传感器33，用于采集电抗器4的振动信号，中央处理器35接收上述信号，根据上述信号训练基于振动和声音的电抗器机械类故障联合检测模型，并利用基于振动和声音的电抗器机械类故障联合检测模型进行故障类型的判断。
进一步，多个振动传感器33在电抗器4的同一端面上均匀分布。
进一步，还包括信号处理单元34，声信号传感器32和振动传感器33均与信号处理单元34的一端连接，信号处理单元34的另一端与中央处理器35连接。
进一步，信号处理单元34包括
信号放大器341，声信号传感器32和振动传感器33均与信号处理单元34的一端连接，
采集卡342，一端与信号放大器341连接，另一端与中央处理器35连接。
本实施例中信号处理单元34用于将声信号传感器32和振动传感器33的输出信号进行调理，转换为中央处理器35能够识别的电平信号，便于中央处理器35的读取。其中，信号放大器341用于对声信号传感器32和振动传感器33的输出信号进行放大，再由采集卡342按照一定的频率进行采样，将信号放大器341输出的模拟信号转换为数字信号，便于中央处理器35的读取。
进一步，采集卡342的采样频率为100KHz以上。
进一步，采集卡342的采样频率为100KHz。
采集卡342的采样频率为100KHz以上，可以保证声信号得到完整还原。如果采样频率过高，会增加中央处理器35的计算负担，当采样频率为100KHz时，既能满足声信号完整还原的要求，又不过多增加中央处理器35的负担。
以上仅为本实施例的较佳实施例而已，并不用以限制本实施例，凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (4)

1.一种基于振动和声音的电抗器机械类故障联合检测模型的训练方法，其特征在于，包括
S10：采集来自电抗器(4)的温度信号、声音信号和振动信号，所述振动信号至少为来自电抗器(4)不同位置的四路；
S11：根据所述温度信号，对所述声音信号、各路所述振动信号分别进行计算去温度相关高频相对量r计算，具体为：
Figure FDA0003934762390000011
记声音信号的去温度相关高频相对量为rvo、各路振动信号的去温度相关高频相对量分别为rvi1，rvi2…rvin，n≥4，当进行声音信号的去温度相关高频相对量计算时，当前信号为声音信号，当进行某一路振动信号的去温度相关高频相对量计算时，当前信号为该路振动信号，
式(1)中，F为计算频率上限，即参与计算的当前信号频率最大值，根据实际情况确定，β为尺度常数，根据实际情况，取0～F范围内的一个正整数，T为温度信号，a为当前信号进行傅里叶分解后的正整数频率分量数组，af为当前信号在频率f处的幅值分量，a'f为归一化后的af，af的归一化公式为：
Figure FDA0003934762390000012
式(2)中，amax和amin分别为数组a中的最大值和最小值；
S12：将rvo分别与rvi1，rvi2…rvin比较，找出与rvo差值最小的值rvik，k∈1...n，rvik对应的一路振动信号记为Svik；
S13：采用GRU深度神经网络(5)分别对声音信号和振动信号Svik进行计算，输出到GRU深度神经网络的输出层(53)；
S14：将GRU深度神经网络的输出层(53)进行拼接，形成DNN深度神经网络的输入层(61)，DNN深度神经网络(6)的输出即为故障代码；
S15：调整步骤S10中F的值、步骤S13中GRU深度神经网络(5)的参数值和步骤S14中DNN深度神经网络(6)的参数值；
S16：重新执行步骤S11～S15，对GRU深度神经网络(5)和DNN深度神经网络(6)进行训练，直到DNN深度神经网络(6)的输出与实际的故障类型一致，则得到训练好的电抗器机械类故障联合检测模型。
2.根据权利要求1所述的一种基于振动和声音的电抗器机械类故障联合检测模型的训练方法，其特征在于，步骤S13中GRU深度神经网络(5)包括两层隐含层，GRU深度神经网络的输出层(53)为2～5个节点。
3.根据权利要求2所述的一种基于振动和声音的电抗器机械类故障联合检测模型的训练方法，其特征在于，步骤S13中GRU深度神经网络的输出层(53)为3个节点。
4.一种基于振动和声音的电抗器机械类故障联合检测方法，应用权利要求1～3任一项所述的基于振动和声音的电抗器机械类故障联合检测模型的训练方法训练得到的模型，其特征在于，包括
S20：按照步骤S10～S15训练电抗器机械类故障联合检测模型；
S21：采集来自电抗器(4)的温度信号、声音信号和振动信号，输入到电抗器机械类故障联合检测模型，所述振动信号至少为来自电抗器(4)不同位置的四路；
S22：电抗器机械类故障联合检测模型的输出为故障代码，通过对故障代码进行解析得到故障类型。
CN201911115451.9A 2019-11-14 2019-11-14 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 Active CN110929769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911115451.9A CN110929769B (zh) 2019-11-14 2019-11-14 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911115451.9A CN110929769B (zh) 2019-11-14 2019-11-14 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置

Publications (2)

Publication Number Publication Date
CN110929769A CN110929769A (zh) 2020-03-27
CN110929769B true CN110929769B (zh) 2023-02-10

Family

ID=69853906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911115451.9A Active CN110929769B (zh) 2019-11-14 2019-11-14 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置

Country Status (1)

Country Link
CN (1) CN110929769B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488947B (zh) * 2020-04-28 2024-02-02 深圳力维智联技术有限公司 电力系统设备的故障检测方法与装置
CN111638028B (zh) * 2020-05-20 2022-05-10 国网河北省电力有限公司电力科学研究院 一种基于振动特征的高压并联电抗器机械状态评估方法
CN112270220B (zh) * 2020-10-14 2022-02-25 西安工程大学 一种基于深度学习的缝纫手势识别方法
CN112784499A (zh) * 2021-03-05 2021-05-11 云南电网有限责任公司电力科学研究院 一种基于深度学习替代有限元分析的电抗器磁场仿真方法
CN113723496A (zh) * 2021-08-26 2021-11-30 国网陕西省电力公司电力科学研究院 一种电抗器铁心松动故障诊断方法、装置和设备
CN117571321B (zh) * 2023-11-24 2024-04-30 浙江大学 轴承故障检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断系统
CN109376242A (zh) * 2018-10-18 2019-02-22 西安工程大学 基于循环神经网络变体和卷积神经网络的文本分类算法
CN110221139A (zh) * 2019-05-05 2019-09-10 新奥数能科技有限公司 一种干式变压器的故障预测方法、装置及系统
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN110398348A (zh) * 2019-06-18 2019-11-01 清华大学 存储器、高压断路器机械故障诊断方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11467300B2 (en) * 2016-08-03 2022-10-11 Schlumberger Technology Corporation Multi-scale deep network for fault detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205129520U (zh) * 2015-11-23 2016-04-06 四川文理学院 机床主轴故障智能诊断系统
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN109376242A (zh) * 2018-10-18 2019-02-22 西安工程大学 基于循环神经网络变体和卷积神经网络的文本分类算法
CN110221139A (zh) * 2019-05-05 2019-09-10 新奥数能科技有限公司 一种干式变压器的故障预测方法、装置及系统
CN110398348A (zh) * 2019-06-18 2019-11-01 清华大学 存储器、高压断路器机械故障诊断方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Design of elevator fault diagnosis cloud system based on smart phones;Yanfeng Gao等;《2019 Chinese Control And Decision Conference (CCDC)》;20190912;第1318-1321页 *
基于声音信号的高压断路器机械故障诊断方法;杨元威等;《中国电机工程学报》;20181120;第6730-6736页 *

Also Published As

Publication number Publication date
CN110929769A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110929769B (zh) 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置
CN109142514B (zh) 一种基于脉冲涡流阵列的缺陷检测装置及方法
CN109001997B (zh) 一种防干扰的环境信息采集系统
CN215296515U (zh) 压力检测系统
CN111504859A (zh) 一种润滑油磨粒在线监测与评估的系统及方法
CN108776319B (zh) 一种光纤电流互感器数据准确性自诊断方法与系统
CN116678489B (zh) 力传感器的质量控制方法、系统、设备及介质
CN115791891A (zh) 一种基于压电阻抗技术的结构损伤识别方法及系统
CN115184768A (zh) 一种输配电智能终端故障诊断与可靠性评估方法
CN109342805B (zh) 一种高精度微安电流检测电路
CN112968931A (zh) 一种基于多传感器的农作物环境温度数据融合系统及方法
CN109670143B (zh) 一种环境激励下土木工程结构振动频域响应信号统计规律检测方法
CN108983065B (zh) 一种电压放大电路、检测电路及其电路检测方法
CN111352004A (zh) 线缆故障检测方法、装置、系统和可读存储介质
CN111982195A (zh) 一种建筑安全性能监测装置
CN116522085A (zh) 一种全自动拉索频率提取、定阶和索力识别方法与应用
CN113567916B (zh) 一种相关干涉仪测向方法、系统、设备及存储介质
CN111208346B (zh) 一种小信号电压测量装置及方法
CN110850692B (zh) 数据处理方法及装置
CN111680399A (zh) 基于恒星年时序匹配的太阳同步轨道卫星一致性分析方法
CN102546013B (zh) 一种检测信号功率的方法及设备
CN116817700B (zh) 一种卡尺质量检测方法及系统
CN116381321B (zh) 柱上开关电压信号测量装置和柱上开关断电控制方法
CN108627237A (zh) 一种基于分布式光纤传感系统的自相关分析信号处理方法
CN113406483B (zh) 一种计量芯片的抗干扰检测系统及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 202-1, 2nd floor, building 5, University Science Park, 5699 North Second Ring Road, Baoding City, Hebei Province 071000

Applicant after: BAODING SAFTY & RELIABILITY ELECTRIC POWER TECHNOLOGY CO.,LTD.

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: Super high voltage company of State Grid Jilin Electric Power Co.,Ltd.

Applicant after: STATE GRID JILIN ELECTRIC POWER SUPPLY Co.

Address before: No. 202-1, 2nd floor, building 5, University Science Park, 5699 North Second Ring Road, Baoding City, Hebei Province 071000

Applicant before: BAODING SAFTY & RELIABILITY ELECTRIC POWER TECHNOLOGY CO.,LTD.

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: MAINTENANCE COMPANY, STATE GRID JILINSHENG ELECTRIC POWER SUPPLY CO.

Applicant before: STATE GRID JILIN ELECTRIC POWER SUPPLY Co.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220914

Address after: 130000 No. 3266, Yatai street, Nanguan District, Changchun City, Jilin Province

Applicant after: Super high voltage company of State Grid Jilin Electric Power Co.,Ltd.

Applicant after: BAODING SAFTY & RELIABILITY ELECTRIC POWER TECHNOLOGY CO.,LTD.

Address before: No. 202-1, 2nd floor, building 5, University Science Park, 5699 North Second Ring Road, Baoding City, Hebei Province 071000

Applicant before: BAODING SAFTY & RELIABILITY ELECTRIC POWER TECHNOLOGY CO.,LTD.

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: Super high voltage company of State Grid Jilin Electric Power Co.,Ltd.

Applicant before: STATE GRID JILIN ELECTRIC POWER SUPPLY Co.

GR01 Patent grant
GR01 Patent grant