CN111537919A - 一种基于声纹特征的变压器故障诊断方法 - Google Patents
一种基于声纹特征的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111537919A CN111537919A CN202010407781.1A CN202010407781A CN111537919A CN 111537919 A CN111537919 A CN 111537919A CN 202010407781 A CN202010407781 A CN 202010407781A CN 111537919 A CN111537919 A CN 111537919A
- Authority
- CN
- China
- Prior art keywords
- transformer
- energy
- voiceprint
- voiceprint data
- value
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/04—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring the deformation in a solid, e.g. by vibrating string
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Protection Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及电力技术领域,提供一种基于声纹特征的变压器故障诊断方法,包括以下步骤:S1、设定待检测诊断的变压器内包括N个绕组,将3N个加速度传感器以每个绕组布设对应3个加速度传感器以二维等距分布的方式附着在变压器设备外壳;S2、采集声纹电信号,通过S1布设的多个加速度传感器阵列对变压器设备外壳输出的时域声纹信号进行采集,并通过模数转换获得时域声纹数据,根据变压器振动频率区间,采用大于变压器振动频率区间频率最大值的采样频率设定的周期进行采样;S3、对步骤S2采集的时域声纹数据进行分析来诊断变压器是否产生故障,本发明解决了现有变压器故障诊断不准确的问题。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于声纹特征的变压器故障诊断方法。
背景技术
随着电网投资规模的扩大、新能源发电行业的快速发展、城网农网的大力改造,致使变压器的需求量日益剧增,再加之新替老、低能耗替代高能耗产品等都使得整个电力行业对变压器的需求是只增不减。但是正因为投资力度大、需求量多,使得变压器的生产工期紧,给变压器生产企业带来了巨大的困难,加之近年来的原材料价格波动不一,致使很多变压器生产厂商为了盈利只能牺牲产品质量,时常看到运行不到一年的产品被下线处理。而对于大型电力变压器在运行时一旦发生事故,可能导致大面积停电事故,停电修复所需时间长,检修费用高,将造成巨大的直接和间接经济损失。在变压器各项故障中,绕组、铁芯、外围设备、有载分接开关构成变压器故障因素的四大核心因素。在变压器故障监测中实现对绕组、铁芯、外围设备、有载分接开关的状态监测与故障诊断,对及时发现变压器隐患和延长变压器寿命是十分必要。目前基于声纹特征的变压器设备故障诊断方法的相关专利和研究存在的问题是:故障类型比较单一,没有充分考虑不同的故障类型。如现有技术申请号为201711262969.6的中国专利:一种小区变压器故障预防方法,其公开了采集变压器音频、振动信息,并基于音频、振动信息进行变压器故障判断的过程。但该专利是将采集的音频、振动信息与数据库中的数据进行简单比对以诊断故障,其故障判断的准确率取决于数据库中数据的准确性,需要另外采集大量数据建立数据库,因此这种方式的准确率存在受到数据库建立和数据库中数据准确性制约的问题。申请号为201811425363.4的中国专利:一种变压器故障的声纹识别方法及系统,其公开了采集变压器声纹数据,并基于声纹数据进行变压器故障诊断的方法。但该专利仍然是将采集的声纹数据与数据库中数据进行简单比对以诊断故障,同样存在准确率受到数据库制约的问题。申请号为201811618261.4的中国专利:基于改进卷积神经网络的电力变压器在线检测系统及方法,其公开了采用卷积神经网络(即CNN网络)进行变压器故障诊断的过程,但其主要是基于变压器自身结构的机械振动数据和CNN网络来实现故障诊断的,需要在变压器现场布置大量用于检测变压器箱体机械振动的传感器,并且单一的CNN网络也存在准确性不高的问题。申请号为201810805455.9的中国专利:一种基于振动噪声及BP神经网络的变压器故障诊断方法,其公开了基于变压器的噪声声压信号,并采用BP神经网络对变压器故障进行诊断的方法。但该专利是通过BP神经网络得到声压最大频段,并找出声压最大频段对应的区域,以噪声源最大的区域作为故障区域。这种诊断方法实际上忽略了噪声较小的故障区域,因此与变压器实际故障情况不符,也存在准确性不高的问题。发明内容
因此,针对上述的问题,本发明提出一种基于声纹特征的变压器故障诊断方法,根据变压器不同故障类型对应不同声纹对变压器采集的声纹信号进行分类进而实现对变压器的多种故障进行有效诊断、故障诊断准确性高。
为解决此技术问题,本发明采取以下方案:一种基于声纹特征的变压器故障诊断方法,包括以下步骤:
S1、设定待检测诊断的变压器内包括N个绕组,将3N个加速度传感器以每个绕组布设对应3个加速度传感器以二维等距分布的方式附着在变压器设备外壳,即变压器内每个绕组分别布设3个等距分布的加速度传感器对应检测该绕组;
S2、、采集声纹电信号,通过S1布设的多个加速度传感器阵列对变压器设备外壳输出的时域声纹信号进行采集,并通过模数转换获得时域声纹数据,根据变压器振动频率区间,采用大于变压器振动频率区间频率最大值的2倍以上作为采样频率设定的周期进行采样;
S3、对步骤S2采集的时域声纹数据进行分析来诊断变压器是否产生故障,将时域声纹数据进行过零率Z计算,过零率Z由统计每个时域声纹信号采集周期内加速度传感器阵列获得的时域声纹数据穿越零电平的次数除于每个时域声纹信号采集周期内加速度传感器阵列采集数据总数计算得出,若过零率Z超过设定的初始阈值10%或超过过零率历史基准值Zbaseline的50%,则诊断变压器有载分接开关为故障状态,否则诊断变压器有载分接开关为正常状态;
将每个采集周期内采集的时域声纹数据利用傅里叶变换获得频域声纹数据,每个加速度传感器根据采样频率获得采样点数数量的时域声纹数据做傅里叶变换之后获得的频域声纹数据中的第n个数据值表示频率为(n-1)*Fs/M的频域声纹信号的幅度值,采样频率为Fs,采样点数为M,n 是满足0<n<M+1条件的自然数,计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和;然后计算该周期内频率低于100Hz的频域声纹数据值的能量值,即把傅里叶变换获得的频域声纹数据中低于100Hz的频域声纹数据值分别先进行平方再进行累加求和获得低于100Hz的频域声纹数据的能量值E<100;然后计算出频率低于100Hz的波形能量比重EL,波形能量比重EL由低于100Hz的频域声纹数据的能量值E<100除于频域声纹数据的总能量值Eall计算得出,若波形能量比重EL超过设定的初始阈值20%或超过波形能量比重历史基准值ELbaseline的50%,则诊断变压器外围设备为故障状态,否则诊断变压器外围设备为正常状态;
计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和,然后计算频率为100Hz整数倍的高次谐波声纹数据的能量值,即把傅里叶变换获得的频域声纹数据中频率为100的整数倍的频域声纹数据值分别先进行平方再进行累加求和得出高次谐波声纹数据的能量值E>100;然后计算高次谐波能量比重EH,高次谐波信能量比重EH由高次谐波声纹数据的能量值E>100除于频域声纹数据的总能量值Eall计算得出;若高次谐波能量比重EH超过设定的初始阈值20%或超过高次谐波能量比重历史基准值EHbaseline的50%,则诊断变压器绕组为松动故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后计算MD与能量分布矩阵历史基准值MDbaseline的欧氏距离,以及该欧式距离和能量分布矩阵历史基准值MDbaseline的矩阵模|MDbaseline|的比值DR;若比值DR超过设定的初始阈值10%,则诊断变压器绕组为变形故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个采集周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后对能量分布矩阵MD进行数据预处理,即先计算矩阵中所有数值的均值,再将矩阵中所有数值减去该均值;然后对预处理之后的能量分布矩阵MD计算协方差矩阵CM;然后通过奇异值分解获得协方差矩阵CM的前3个重要特征向量的维度位置向量PV,若维度位置向量PV和重要维度位置向量历史基准值PVbaseline不相等,则诊断变压器铁芯为故障状态,否则诊断变压器铁芯为正常状态;
其中所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的初始值分别为第一个周期诊断为正常状态后该正常状态下所计算出的过零率Z,波形能量比重EL、高次谐波能量比重EH,能量分布矩阵MD,重要维度位置向量PV的数据值。
进一步的,步骤S1中每个绕组所对应的三个加速度传感器分别布置在绕组的上端、绕组的下端和绕组的中部。
进一步的,步骤S3中所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline每次在当前诊断周期内为正常状态后以该正常状态下的过零率Z、波形能量比重EL、高次谐波能量比重EH、能量分布矩阵MD、重要维度位置向量PV的数据值进行更新替换为下一次诊断周期的过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的数据值。
通过采用前述技术方案,本发明的有益效果是:通过充分考虑变压器不同类型的故障所产生的声纹特征的不同,采用每个绕组用3个加速度传感器以二维等距的阵列布设对变压器设备外壳输出的时域声纹信号进行采集,实现对时域电信号进行获取,并通过模数转换获得时域声纹数据,从而根据采集的时域声纹数据进行分析诊断,若过零率Z超过设定的初始阈值10%或超过过零率历史基准值Zbaseline的50%则诊断变压器有载分接开关为故障状态,波形能量比重EL超过设定的初始阈值20%或超过波形能量比重历史基准值ELbaseline的50%,则诊断变压器外围设备为故障状态,高次谐波能量比重EH超过设定的初始阈值20%或超过高次谐波能量比重历史基准值EHbaseline的50%,则诊断变压器绕组为松动故障状态,若比值DR超过设定的初始阈值10%,则诊断变压器绕组为变形故障状态,若维度位置向量PV和重要维度位置向量历史基准值PVbaseline不相等,则诊断变压器铁芯为故障状态,根据变压器不同故障类型对应不同声纹对变压器采集的声纹信号进行分类进而实现对变压器的多种故障进行有效诊断、故障诊断准确性高,可广泛推广应用。
具体实施方式
现结合具体实施方式对本发明进一步说明。
优选的本发明的一种基于声纹特征的变压器故障诊断方法,包括以下步骤:
S1、设定待检测诊断的变压器内包括N个绕组,将3N个加速度传感器以每个绕组布设对应3个加速度传感器以二维等距分布的方式附着在变压器设备外壳,即变压器内每个绕组分别布设3个等距分布的加速度传感器对应检测该绕组,每个绕组所对应的三个加速度传感器分别布置在绕组的上端、绕组的下端和绕组的中部;
S2、采集声纹电信号,通过S1布设的多个加速度传感器阵列对变压器设备外壳输出的时域声纹信号进行采集,并通过模数转换获得时域声纹数据,根据变压器振动频率区间在0Hz到10KHz之间,采用100KHz的采样频率设定的周期进行采样,每隔3分钟采集1秒钟的时域声纹数据;
S3、对步骤S2采集的时域声纹数据进行分析来诊断变压器是否产生故障,将时域声纹数据进行过零率Z计算,过零率Z由统计每个时域声纹信号采集周期内加速度传感器阵列获得的时域声纹数据穿越零电平的次数除于每个时域声纹信号采集周期内加速度传感器阵列采集数据总数计算得出,若过零率Z超过设定的初始阈值10%或超过过零率历史基准值Zbaseline的50%,则诊断变压器有载分接开关为故障状态,否则诊断变压器有载分接开关为正常状态;
将每个采集周期内采集的时域声纹数据利用傅里叶变换获得频域声纹数据,每个加速度传感器根据采样频率获得采样点数数量的时域声纹数据做傅里叶变换之后获得的频域声纹数据中的第n个数据值表示频率为(n-1)*Fs/M的频域声纹信号的幅度值,采样频率为Fs,采样点数为M,n 是满足0<n<M+1条件的自然数,计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和;然后计算该周期内频率低于100Hz的频域声纹数据值的能量值,即把傅里叶变换获得的频域声纹数据中低于100Hz的频域声纹数据值分别先进行平方再进行累加求和获得低于100Hz的频域声纹数据的能量值E<100;然后计算出频率低于100Hz的波形能量比重EL,波形能量比重EL由低于100Hz的频域声纹数据的能量值E<100除于频域声纹数据的总能量值Eall计算得出,若波形能量比重EL超过设定的初始阈值20%或超过波形能量比重历史基准值ELbaseline的50%,则诊断变压器外围设备为故障状态,否则诊断变压器外围设备为正常状态;
计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和,然后计算频率为100Hz整数倍的高次谐波声纹数据的能量值,即把傅里叶变换获得的频域声纹数据中频率为100的整数倍的频域声纹数据值分别先进行平方再进行累加求和得出高次谐波声纹数据的能量值E>100;然后计算高次谐波能量比重EH,高次谐波信能量比重EH由高次谐波声纹数据的能量值E>100除于频域声纹数据的总能量值Eall计算得出;若高次谐波能量比重EH超过设定的初始阈值20%或超过高次谐波能量比重历史基准值EHbaseline的50%,则诊断变压器绕组为松动故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后计算MD与能量分布矩阵历史基准值MDbaseline的欧氏距离,以及该欧式距离和能量分布矩阵历史基准值MDbaseline的矩阵模|MDbaseline|的比值DR;若比值DR超过设定的初始阈值10%,则诊断变压器绕组为变形故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个采集周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后对能量分布矩阵MD进行数据预处理,即先计算矩阵中所有数值的均值,再将矩阵中所有数值减去该均值;然后对预处理之后的能量分布矩阵MD计算协方差矩阵CM;然后通过奇异值分解获得协方差矩阵CM的前3个重要特征向量的维度位置向量PV,若维度位置向量PV和重要维度位置向量历史基准值PVbaseline不相等,则诊断变压器铁芯为故障状态,否则诊断变压器铁芯为正常状态;
其中所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的初始值分别为第一个周期诊断为正常状态后该正常状态下所计算出的过零率Z,波形能量比重EL、高次谐波能量比重EH,能量分布矩阵MD,重要维度位置向量PV的数据值;并且所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline每次在当前诊断周期内为正常状态后以该正常状态下的过零率Z、波形能量比重EL、高次谐波能量比重EH、能量分布矩阵MD、重要维度位置向量PV的数据值进行更新替换为下一次诊断周期的过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的数据值。
本发明中时域声纹数据的采集是根据变压器振动频率区间范围,采用大于变压器振动频率区间频率最大值2倍以上的采样频率根据设定的周期进行采样,即设定间隔时间段内进行等时长采集获得时域声纹数据。
本发明通过充分考虑变压器不同类型的故障所产生的声纹特征的不同,采用每个绕组用3个加速度传感器以二维等距的阵列布设对变压器设备外壳输出的时域声纹信号进行采集,实现对时域电信号进行获取,并通过模数转换获得时域声纹数据,从而根据采集的时域声纹数据进行分析诊断,若过零率Z超过设定的初始阈值10%或超过过零率历史基准值Zbaseline的50%则诊断变压器有载分接开关为故障状态,波形能量比重EL超过设定的初始阈值20%或超过波形能量比重历史基准值ELbaseline的50%,则诊断变压器外围设备为故障状态,高次谐波能量比重EH超过设定的初始阈值20%或超过高次谐波能量比重历史基准值EHbaseline的50%,则诊断变压器绕组为松动故障状态,若比值DR超过设定的初始阈值10%,则诊断变压器绕组为变形故障状态,若维度位置向量PV和重要维度位置向量历史基准值PVbaseline不相等,则诊断变压器铁芯为故障状态,根据变压器不同故障类型对应不同声纹对变压器采集的声纹信号进行分类进而实现对变压器的多种故障进行有效诊断、故障诊断准确性高,可广泛推广应用。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (3)
1.一种基于声纹特征的变压器故障诊断方法,其特征在于:包括以下步骤:
S1、设定待检测诊断的变压器内包括N个绕组,将3N个加速度传感器以每个绕组布设对应3个加速度传感器以二维等距分布的方式附着在变压器设备外壳,即变压器内每个绕组分别布设3个等距分布的加速度传感器对应检测该绕组;
S2、采集声纹电信号,通过S1布设的多个加速度传感器阵列对变压器设备外壳输出的时域声纹信号进行采集,并通过模数转换获得时域声纹数据,根据变压器振动频率区间,采用大于变压器振动频率区间频率最大值的2倍以上作为采样频率设定的周期进行采样;
S3、对步骤S2采集的时域声纹数据进行分析来诊断变压器是否产生故障,将时域声纹数据进行过零率Z计算,过零率Z由统计每个时域声纹信号采集周期内加速度传感器阵列获得的时域声纹数据穿越零电平的次数除于每个时域声纹信号采集周期内加速度传感器阵列采集数据总数计算得出,若过零率Z超过设定的初始阈值10%或超过过零率历史基准值Zbaseline的50%,则诊断变压器有载分接开关为故障状态,否则诊断变压器有载分接开关为正常状态;
将每个采集周期内采集的时域声纹数据利用傅里叶变换获得频域声纹数据,每个加速度传感器根据采样频率获得采样点数数量的时域声纹数据做傅里叶变换之后获得的频域声纹数据中的第n个数据值表示频率为(n-1)*Fs/M的频域声纹信号的幅度值,采样频率为Fs,采样点数为M,n 是满足0<n<M+1条件的自然数,计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和;然后计算该周期内频率低于100Hz的频域声纹数据值的能量值,即把傅里叶变换获得的频域声纹数据中低于100Hz的频域声纹数据值分别先进行平方再进行累加求和获得低于100Hz的频域声纹数据的能量值E<100;然后计算出频率低于100Hz的波形能量比重EL,波形能量比重EL由低于100Hz的频域声纹数据的能量值E<100除于频域声纹数据的总能量值Eall计算得出,若波形能量比重EL超过设定的初始阈值20%或超过波形能量比重历史基准值ELbaseline的50%,则诊断变压器外围设备为故障状态,否则诊断变压器外围设备为正常状态;
计算频域声纹数据的总能量值Eall,频域声纹数据的总能量值Eall由每个采集周期内时域声纹数据进行傅里叶变换获得的所有频域声纹数据值分别先进行平方再进行累加求和,然后计算频率为100Hz整数倍的高次谐波声纹数据的能量值,即把傅里叶变换获得的频域声纹数据中频率为100的整数倍的频域声纹数据值分别先进行平方再进行累加求和得出高次谐波声纹数据的能量值E>100;然后计算高次谐波能量比重EH,高次谐波信能量比重EH由高次谐波声纹数据的能量值E>100除于频域声纹数据的总能量值Eall计算得出;若高次谐波能量比重EH超过设定的初始阈值20%或超过高次谐波能量比重历史基准值EHbaseline的50%,则诊断变压器绕组为松动故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后计算MD与能量分布矩阵历史基准值MDbaseline的欧氏距离,以及该欧式距离和能量分布矩阵历史基准值MDbaseline的矩阵模|MDbaseline|的比值DR;若比值DR超过设定的初始阈值10%,则诊断变压器绕组为变形故障状态,否则诊断变压器绕组为正常状态;
将时域声纹数据利用傅里叶变换获得的频域声纹数据构造一个采集周期内所有加速度传感器采集的能量分布矩阵MD,该MD矩阵是一个3N*M的矩阵,矩阵的每一行对应一个加速度传感器在一个采集周期内采集的M个频域声纹数据;然后对能量分布矩阵MD进行数据预处理,即先计算矩阵中所有数值的均值,再将矩阵中所有数值减去该均值;然后对预处理之后的能量分布矩阵MD计算协方差矩阵CM;然后通过奇异值分解获得协方差矩阵CM的前3个重要特征向量的维度位置向量PV,若维度位置向量PV和重要维度位置向量历史基准值PVbaseline不相等,则诊断变压器铁芯为故障状态,否则诊断变压器铁芯为正常状态;
其中所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的初始值分别为第一个周期诊断为正常状态后该正常状态下所计算出的过零率Z,波形能量比重EL、高次谐波能量比重EH,能量分布矩阵MD,重要维度位置向量PV的数据值。
2.根据权利要求1所述的基于声纹特征的变压器故障诊断方法,其特征在于:步骤S1中每个绕组所对应的三个加速度传感器分别布置在绕组的上端、绕组的下端和绕组的中部。
3.根据权利要求1所述的基于声纹特征的变压器故障诊断方法,其特征在于:步骤S3中所述过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline每次在当前诊断周期内为正常状态后以该正常状态下的过零率Z、波形能量比重EL、高次谐波能量比重EH、能量分布矩阵MD、重要维度位置向量PV的数据值进行更新替换为下一次诊断周期的过零率历史基准值Zbaseline、波形能量比重历史基准值ELbaseline、高次谐波能量比重历史基准值EHbaseline、能量分布矩阵历史基准值MDbaseline和重要维度位置向量历史基准值PVbaseline的数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407781.1A CN111537919B (zh) | 2020-05-14 | 2020-05-14 | 一种基于声纹特征的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407781.1A CN111537919B (zh) | 2020-05-14 | 2020-05-14 | 一种基于声纹特征的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111537919A true CN111537919A (zh) | 2020-08-14 |
CN111537919B CN111537919B (zh) | 2022-04-15 |
Family
ID=71975884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407781.1A Active CN111537919B (zh) | 2020-05-14 | 2020-05-14 | 一种基于声纹特征的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537919B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
CN112149569A (zh) * | 2020-09-24 | 2020-12-29 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
CN112614494A (zh) * | 2020-11-25 | 2021-04-06 | 中国能源建设集团广东省电力设计研究院有限公司 | 应用于集装箱数据中心的监控方法、装置及系统 |
CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及系统 |
CN113296029A (zh) * | 2021-05-11 | 2021-08-24 | 江苏翼昇科技有限公司 | 一种配电变压器声纹监测方法、装置、设备及存储介质 |
CN113805105A (zh) * | 2021-08-23 | 2021-12-17 | 浙江讯飞智能科技有限公司 | 三相变压器检测方法和系统 |
CN114113837A (zh) * | 2021-11-15 | 2022-03-01 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114937462A (zh) * | 2022-05-17 | 2022-08-23 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹智能诊断高压断路器故障检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774109B (zh) * | 2023-06-26 | 2024-01-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹检测信息的变压器故障识别系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639518A (zh) * | 2009-09-08 | 2010-02-03 | 江苏省电力公司南京供电公司 | 电力变压器有载分接开关切换触头烧损故障诊断法及装置 |
CN101661080A (zh) * | 2009-09-23 | 2010-03-03 | 河海大学 | 电力变压器有载分接开关触头脱落故障诊断方法 |
CN103513138A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种基于振动特征的变压器绕组与铁芯故障诊断方法 |
CN104215324A (zh) * | 2014-08-18 | 2014-12-17 | 国家电网公司 | 电力变压器有载分接开关振动信号提取方法 |
CN105547463A (zh) * | 2014-11-03 | 2016-05-04 | 国网新疆电力公司电力科学研究院 | 一种电力变压器有载分接开关振动信号监测系统及方法 |
CN105698922A (zh) * | 2016-02-04 | 2016-06-22 | 国网福建省电力有限公司 | 基于改进emd和谱峭度法变压器振动故障特征提取方法 |
CN106152980A (zh) * | 2016-09-07 | 2016-11-23 | 广东电网有限责任公司电力科学研究院 | 一种变压器绕组变形检测方法及系统 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN108693437A (zh) * | 2018-03-22 | 2018-10-23 | 国网湖南省电力有限公司 | 一种判断变压器绕组变形的方法及系统 |
CN109900465A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN110187219A (zh) * | 2019-05-21 | 2019-08-30 | 国家电网有限公司 | 一种基于振动法模型的电力变压器铁心故障诊断方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110543730A (zh) * | 2019-09-05 | 2019-12-06 | 长沙理工大学 | 一种变压器绕组变形故障判定方法 |
CN110703078A (zh) * | 2019-09-26 | 2020-01-17 | 河海大学 | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 |
-
2020
- 2020-05-14 CN CN202010407781.1A patent/CN111537919B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639518A (zh) * | 2009-09-08 | 2010-02-03 | 江苏省电力公司南京供电公司 | 电力变压器有载分接开关切换触头烧损故障诊断法及装置 |
CN101661080A (zh) * | 2009-09-23 | 2010-03-03 | 河海大学 | 电力变压器有载分接开关触头脱落故障诊断方法 |
CN103513138A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种基于振动特征的变压器绕组与铁芯故障诊断方法 |
CN104215324A (zh) * | 2014-08-18 | 2014-12-17 | 国家电网公司 | 电力变压器有载分接开关振动信号提取方法 |
CN105547463A (zh) * | 2014-11-03 | 2016-05-04 | 国网新疆电力公司电力科学研究院 | 一种电力变压器有载分接开关振动信号监测系统及方法 |
CN105698922A (zh) * | 2016-02-04 | 2016-06-22 | 国网福建省电力有限公司 | 基于改进emd和谱峭度法变压器振动故障特征提取方法 |
CN106152980A (zh) * | 2016-09-07 | 2016-11-23 | 广东电网有限责任公司电力科学研究院 | 一种变压器绕组变形检测方法及系统 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN108693437A (zh) * | 2018-03-22 | 2018-10-23 | 国网湖南省电力有限公司 | 一种判断变压器绕组变形的方法及系统 |
CN109900465A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 一种基于声音信号的有载分接开关故障诊断方法 |
CN110187219A (zh) * | 2019-05-21 | 2019-08-30 | 国家电网有限公司 | 一种基于振动法模型的电力变压器铁心故障诊断方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110543730A (zh) * | 2019-09-05 | 2019-12-06 | 长沙理工大学 | 一种变压器绕组变形故障判定方法 |
CN110703078A (zh) * | 2019-09-26 | 2020-01-17 | 河海大学 | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
余长厅: "基于声纹及振动的变压器故障诊断技术研究", 《高压电器》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
CN112149569A (zh) * | 2020-09-24 | 2020-12-29 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
CN112149569B (zh) * | 2020-09-24 | 2022-06-14 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
CN112614494A (zh) * | 2020-11-25 | 2021-04-06 | 中国能源建设集团广东省电力设计研究院有限公司 | 应用于集装箱数据中心的监控方法、装置及系统 |
CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及系统 |
CN113296029A (zh) * | 2021-05-11 | 2021-08-24 | 江苏翼昇科技有限公司 | 一种配电变压器声纹监测方法、装置、设备及存储介质 |
CN113805105A (zh) * | 2021-08-23 | 2021-12-17 | 浙江讯飞智能科技有限公司 | 三相变压器检测方法和系统 |
CN114113837A (zh) * | 2021-11-15 | 2022-03-01 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114113837B (zh) * | 2021-11-15 | 2024-04-30 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114937462A (zh) * | 2022-05-17 | 2022-08-23 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹智能诊断高压断路器故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111537919B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537919B (zh) | 一种基于声纹特征的变压器故障诊断方法 | |
CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
CN102768115A (zh) | 一种风电机组齿轮箱健康状态实时动态监控方法 | |
CN103487749A (zh) | 高压断路器机械状态在线监测诊断系统及方法 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN111653291B (zh) | 一种基于声纹的电力设备智能健康监测方法 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
CN117150216B (zh) | 一种电力数据回归分析方法及系统 | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN110132566B (zh) | 一种基于模糊聚类的oltc故障诊断方法 | |
CN110412366B (zh) | 一种基于动态时间算法的变压器带电检测方法 | |
US20240019468A1 (en) | High-resolution electrical measurement data processing | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
CN116054736A (zh) | 一种基于大数据的光伏电站故障预警和信息诊断系统 | |
CN111460360B (zh) | 基于密度分布的功率曲线拟合数据预处理方法及装置 | |
CN113431800A (zh) | 一种实时判别风机运行状态的方法 | |
Qi et al. | Research on Transformer Fault Detection Based on CEEMDAN-DBN | |
CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
AU2021104455A4 (en) | Circuit breaker spring defect detection device based on magneto-acoustic emission technology | |
CN111652421A (zh) | 基于主成分分析和模糊分类的验电评估方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 321000 No. 588 Yingbin Avenue, Wucheng District, Jinhua City, Zhejiang Province Patentee after: Mo Yuchang Address before: The city of Quanzhou City, Fujian province Fengze District 362000 Hua Road No. 269 Patentee before: Mo Yuchang |
|
CP02 | Change in the address of a patent holder |