CN111693812A - 一种基于声音特征的大型变压器故障检测方法 - Google Patents

一种基于声音特征的大型变压器故障检测方法 Download PDF

Info

Publication number
CN111693812A
CN111693812A CN202010542012.2A CN202010542012A CN111693812A CN 111693812 A CN111693812 A CN 111693812A CN 202010542012 A CN202010542012 A CN 202010542012A CN 111693812 A CN111693812 A CN 111693812A
Authority
CN
China
Prior art keywords
sound
large transformer
transformer
fault
dictionary
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
Application number
CN202010542012.2A
Other languages
English (en)
Other versions
CN111693812B (zh
Inventor
叶中付
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010542012.2A priority Critical patent/CN111693812B/zh
Publication of CN111693812A publication Critical patent/CN111693812A/zh
Application granted granted Critical
Publication of CN111693812B publication Critical patent/CN111693812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声音特征的大型变压器故障检测方法，预先训练得到包含大型变压器正常运行和各种故障的声音字典后，按以下步骤检测：步骤1，通过设在待检测大型变压器上的拾音装置采集大型变压器发出的声音；步骤2，对所采集声音进行变换处理后提取相应的幅度和实部，将幅度和实部分别投影至声音字典，得到正常运行和各种故障的稀疏表示系数，用得到的正常运行和各种故障稀疏表示系数重建相应的声音，计算重建相应的声音相对于采集声音的误差；步骤3，根据误差大小，判定大型变压器的故障所属种类。该方法能保持对正常运行、各种故障有较好的检测能力，不仅成本较低，而且可实现大型变压器故障的全天候实时在线检测，便于电力行业实现。

Description

一种基于声音特征的大型变压器故障检测方法
技术领域
本发明涉及大型变压器故障检测领域，尤其涉及一种基于声音特征的大型变压器故障 检测方法。
背景技术
现如今，电力需求不断提升，用电质量问题也受到广泛的关注，电能的稳定供应与国 民经济也有着密不可分的关系。而电力的稳定供应需要保护好变压器，对故障能及时确认 以及排除。
目前，对变压器的保护方法主要通过故障时电压、电流等电气参量进行继电保护。
但现有的方法仅是一种出现故障后的保护方法，会降低用电质量以及提高供电公司的 经济成本。并且，这种保护方法对相关潜伏性故障难以检测，无法实现对变压器的效的在 线检测。
发明内容
基于现有技术所存在的大型变压器只是在出现故障后通过电压、电流等电气参量进行 继电保护，不仅对相关潜伏性故障难以检测，也无法实现对变压器有效在线检测的问题， 本发明的目的是提供一种基于声音特征的大型变压器故障检测方法。
本发明的目的是通过以下技术方案实现的：
本发明实施方式提供一种基于声音特征的大型变压器故障检测方法，通过预先训练得 到包含大型变压器正常运行和各种故障的声音字典后，按以下步骤检测：
步骤1，通过设置在待检测大型变压器上的拾音装置采集所述大型变压器发出的声 音；
步骤2，对所采集的声音进行变换处理后提取相应的幅度和实部，将所述幅度和实部 分别投影至所述声音字典，得到正常运行和各种故障的稀疏表示系数，用得到的所述正常 运行和各种故障稀疏表示系数重建相应的声音，计算重建相应的声音相对于所述待检测大 型变压器采集声音的误差；
步骤3，根据所述误差大小，判定所述待检测大型变压器的故障所属的种类。
由上述本发明提供的技术方案可以看出，本发明实施例提供的基于声音特征的大型变 压器故障检测方法，其有益效果为：
通过挖掘大型变压器正常运行、出现各种故障时产生的声音特征信息来检测其故障， 通过学习获得变压器各种声音在时频域的幅度和实部联合字典，该联合字典对声音的表征 能力更强，易于各种声音的区分。该检测方法不仅利用了声音时频谱的幅度信息，也利用 声音时频谱的实部信息，表示正常运行、各种故障的声音字典维数增加了一倍，也就增加 了各种声音特征的区分度，从而能够保持对正常运行、各种故障有较好的检测能力，不仅 成本较低，而且可以实现大型变压器故障的全天候实时在线检测，便于电力行业实现。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附 图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领 域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附 图。
图1为本发明实施例提供的基于声音特征的大型变压器故障检测方法的流程图；
图2为本发明实施例提供的基于声音特征的大型变压器故障检测方法的具体流程图。
具体实施方式
下面结合本发明的具体内容，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发明一部分实施例，而不是全部的实施例。基于本发明的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公 知的现有技术。
如图1所示，本发明实施例提供一种基于声音特征的大型变压器故障检测方法，通过 预先训练得到包含大型变压器正常运行和各种故障的声音字典后，按以下步骤检测：
步骤1，通过设置在待检测大型变压器上的拾音装置采集所述大型变压器发出的声音；
步骤2，对所采集的声音进行变换处理后提取相应的幅度和实部，将所述幅度和实部 分别投影至所述声音字典，得到正常运行和各种故障的稀疏表示系数，用得到的所述正常 运行和各种故障稀疏表示系数重建相应的声音，计算重建相应的声音相对于所述待检测大 型变压器采集声音的误差；
步骤3，根据所述误差大小，判定所述待检测大型变压器的故障所属的种类。
优选的，所述方法中训练得到声音字典的大型变压器与待检测大型变压器为相同的变 压器或相同类型的变压器。训练字典的声音是同类型的大型变压器以前采集和保存的正常 和各类故障的声音，构成训练数据集，本发明的方法只需一次训练，获得训练的声音字典， 之后就可以一直使用。
所述的方法中，预先训练得到包含大型变压器正常运行和各种故障的声音字典的方式 如下：
步骤S1，通过设置在大型变压器上的拾音装置分别采集所述大型变压器正常运行和各 种故障发出的声音，构建各种声音的训练集；
步骤S2，对各种声音的训练集分别进行短时傅里叶变换提取相应的幅度和实部；
步骤S3，基于K-SVD算法联合学习所述幅度和实部的特征，得到正常运行和各种故障 的声音字典。
所述方法的步骤S1中，通过设置在大型变压器上的拾音装置分别采集所述大型变压器 正常运行和各种故障发出的声音，构建各种声音的训练集为：
Figure BDA0002539227140000031
其中，
Figure BDA0002539227140000032
表示大型变压器正常运行声音，其余为M-1种为大型变压器故障声音，M 为采集到的大型变压器的声音种类数；
所述步骤S2中，对各种声音训练集分别进行短时傅里叶变换提取相应的幅度和实部 为：
用短时傅里叶变换分别对大型变压器声音训练集中的M种声音
Figure BDA0002539227140000033
进行短时傅里叶变换，得到时频域上的复数谱为：
Figure BDA0002539227140000034
其中，STFT{}为短时傅里叶变换算子；tf和f分别为时间帧和频率点；
Figure BDA0002539227140000035
和
Figure BDA0002539227140000036
分别为
Figure BDA0002539227140000037
幅度和实部；
所述步骤S3中，基于K-SVD算法联合学习所述幅度和实部的特征，得到正常运行和各种故障的声音字典为：
基于K-SVD算法联合学习正常运行、各种故障声音复数谱的幅度和实部的特征，得到 相应的联合字典
Figure BDA0002539227140000038
字典的学习过程为：
Figure BDA0002539227140000041
其中，
Figure RE-GDA0002603867740000043
和
Figure RE-GDA0002603867740000044
是大型变压器第m种声音复数谱
Figure RE-GDA0002603867740000045
的幅度和实部；Dam和Drm分别 是相应的幅度和实部字典；Cm是大型变压器第m种声音的稀疏表示系数，该声音的稀疏 表示系数为矩阵形式，cm,g为Cm的第g列，q为稀疏约束；
Figure RE-GDA0002603867740000046
表示弗罗贝尼乌斯范数， ||·||1是1-范数；m＝1,2,...,M，M为采集到的大型变压器的声音种类数。
所述方法的步骤2中，对所采集的声音进行变换处理后提取相应的幅度和实部为：
对所采集的大型变压器的声音ste(t)进行短时傅里叶变换，得到时频域上的复数谱复数 谱为：Ste(tf,f)＝STFT{ste(t)}；
其中，STFT{}为短时傅里叶变换算子；tf和f分别为时间帧和频率点； |Ste(tf,f)|和Re[Ste(tf,f)]分别为Ste(tf,f)幅度和实部；
所述将所述幅度和实部分别投影至所述声音字典，得到正常运行和各种故障的稀疏表 示系数为：
将时频域上的复数谱的幅度和实部|Ste(tf,f)|和Re[Ste(tf,f)]组织起来，分别投影到 M个字典
Figure BDA0002539227140000047
上，得到在各个字典上的最优稀疏表示系数，按下述各式 计算稀疏表示系数：
Figure BDA0002539227140000048
其中，Dam和Drm分别是大型变压器第m种声音复数谱的幅度和实部字典；Em为投影到第m个字典上的候选稀疏表示系数；
Figure BDA0002539227140000051
为通过上式从候选稀疏表示系数中选出的最优稀疏表示系数，该稀疏表示系数为矩阵形式，em,g为Em的第g列；q为稀疏约束； m＝1,2,...,M，M为采集到的大型变压器的声音种类数；
所述利用稀疏表示系数
Figure BDA0002539227140000052
和
Figure BDA0002539227140000053
重建出M种声音复数 谱的幅度和实部，按下述方式重建：
Figure BDA0002539227140000054
其中，
Figure BDA0002539227140000055
和
Figure BDA0002539227140000056
分别表示利用稀疏表示系数
Figure BDA0002539227140000057
和字典
Figure BDA0002539227140000058
重建出的声音复数谱的 幅度和实部，m＝1,2,...,M，M为采集到的大型变压器的声音种类数；
所述计算所述重建相应的声音相对于所述待检测大型变压器采集声音ste(t)的误差为 按下述各式计算得出：
Figure BDA0002539227140000059
其中，ε1表示采集声音ste(t)复数谱相对于由正常运行声音字典
Figure BDA00025392271400000510
重建声音复数谱 的误差；εm表示采集声音ste(t)复数谱相对于由第m个故障声音字典
Figure BDA00025392271400000511
重建声音复数谱 的误差，m＝2,3,...,M，M为采集到的大型变压器的声音种类数。
所述方法的步骤3中，根据所述重建误差大小，判定所述待检测大型变压器的故障所 属的种类为：
如果采集声音复数谱相对于由正常运行声音字典重建声音复数谱的误差最小，稀疏表 示的精确度最高，则判定待检测大型变压器处于正常运行状态；如果采集声音复数谱相对 于由第m个故障声音字典重建声音复数谱的误差最小，稀疏表示的精确度最高，则判定待 检测大型变压器处于第m种故障状态，m＝2,3,...,M，M为采集到的大型变压器的声音种 类数。
具体的，在确定重建误差ε1、εm后，判断方式如下，如果重建误差ε1最小，则表明大型变压器正常运行的声音字典
Figure BDA0002539227140000061
对被检测大型变压器声音的重建误差最小，稀疏表示的精确度最高，从而判定待检测大型变压器处于正常运行状态；如果重建误差εm最小，则表明大型变压器第m种故障的声音字典
Figure BDA0002539227140000062
对被检测大型变压器声音的重建误差最小，稀疏表示的精确度最高，从而判定待检测大型变压器处于第m种故障状态，m＝2,3,...,M。
进一步的，上述方法步骤3还包括：在判定所述待检测大型变压器的故障所属的种类 为故障时，则进行相应的报警。如按故障种类进行对应的语音报警。
上述检测方法中，拾音装置为密封性麦克风装置。这种密封性麦克风装置对环境噪声 不敏感，能减小环境噪音的影响，提高检测的准确性。
下面对本发明实施例具体作进一步地详细描述。
不同于传统的人工巡检方法，本发明实施例提供一种基于声音特征的大型变压器故障 检测方法，能实现实时在线检测，该方法通过挖掘大型变压器处于正常运行、各种故障时 发出声音的时频特征信息，基于K-SVD算法联合学习幅度和实部的特征，从而得到正常运 行、各种故障声音字典，用得到的正常运行、各种故障稀疏表示系数重建相应的声音，并 根据各种声音的重建误差大小，来判断待检测大型变压器所属正常运行、各种故障的类别。 如图2所示，其主要包括：
步骤S1、训练阶段(此阶段是初次检测时使用，若通过训练建立声音字典后，就不用每次进行该训练处理了)：
步骤11、由安置在大型变压器上的麦克风系统(具有数据传输功能)分别采集正常运行和各种故障发出的声音，构建声音的训练集，该麦克风系统密封性好(只对变压器内部发出的声音敏感，对外部环境噪声不敏感)；设大型变压器共有1种正常运行和M-1种 故障声音，它们的声音训练集中的声音分别为
Figure BDA0002539227140000063
其中
Figure BDA0002539227140000064
表示正常 运行声音，其余为M-1种故障声音，M为采集到的大型变压器的声音种类数；
步骤12、用短时傅里叶变换分别对大型变压器声音训练集中的M种声音
Figure BDA0002539227140000071
进行短时傅里叶变换，得到时频域上的复数谱，即：
Figure BDA0002539227140000072
其中STFT{}为短时傅里叶变换算子，tf和f分别为时间帧和频率点，
Figure BDA0002539227140000073
和
Figure BDA0002539227140000074
分别为
Figure BDA0002539227140000075
幅度和实部；
步骤13、基于K-SVD算法联合学习正常运行、各种故障声音复数谱的幅度和实部特征，得到相应的联合字典
Figure BDA0002539227140000076
字典的学习过程如下：
Figure BDA0002539227140000077
其中，
Figure RE-GDA00026038677400000710
和
Figure RE-GDA00026038677400000711
是大型变压器第m种声音复数谱
Figure RE-GDA00026038677400000712
的幅度和实部，Dam和Drm分别 是相应的幅度和实部字典；Cm是大型变压器第m种声音的稀疏表示系数；声音的稀疏表 示系数为矩阵形式，cm,g为Cm的第g列，q为稀疏约束；
Figure RE-GDA00026038677400000713
代表的是弗罗贝尼乌斯范 数，||·||1代表的是1-范数；m＝1,2,...,M，M为采集到的大型变压器的声音种类数。
步骤S2、检测阶段：
步骤21、用短时傅里叶变换对由安置在待检测大型变压器上的麦克风系统采集的声音 ste(t)进行短时傅里叶变换，得到时频域上的复数谱，即：
Ste(tf,f)＝STFT{ste(t)}
其中STFT{}为短时傅里叶变换算子，tf和f分别为时间帧和频率点， |Ste(tf,f)|和Re[Ste(tf,f)]分别为Ste(tf,f)幅度和实部；
步骤21、把|Ste(tf,f)|和Re[Ste(tf,f)]组织起来，分别投影到M个字典
Figure BDA00025392271400000713
上，获得在各个字典上的最优稀疏表示系数，稀疏表示系数计算如下：
Figure BDA0002539227140000081
其中，Dam和Drm分别是大型变压器第m种声音复数谱的幅度和实部字典；Em为投影到第m个字典上的候选稀疏表示系数，
Figure BDA0002539227140000082
为通过上述式子从候选稀疏表示系数中选出的最优稀疏表示系数；稀疏表示系数为矩阵形式，em,g为Em的第g列；q为稀疏约束； m＝1,2,...,M，M为采集到的大型变压器的声音种类数。
步骤23、利用稀疏表示系数
Figure BDA0002539227140000083
和
Figure BDA0002539227140000084
重建出M种声音复数谱的幅度和实部，重建过程如下：
Figure BDA0002539227140000085
其中，
Figure BDA0002539227140000086
和
Figure BDA0002539227140000087
分别表示利用稀疏表示系数
Figure BDA0002539227140000088
和字典
Figure BDA0002539227140000089
重建出的声音复数谱的 幅度和实部，m＝1,2,...,M。
步骤24、计算M种重建声音相对于采集声音ste(t)的误差，确定检测声音的种类：
Figure BDA00025392271400000810
依据误差的大小来判断待检测大型变压器故障所属的种类，如果误差ε1最小，则表明 大型变压器正常运行的声音字典
Figure BDA0002539227140000091
对被检测大型变压器声音的重建误差最小，稀疏表 示的精确度最高，从而判定待检测大型变压器处于正常运行状态；如果误差εm最小，则表 明大型变压器第m种故障的声音字典
Figure BDA0002539227140000092
对被检测大型变压器声音的重建误差最小，稀 疏表示的精确度最高，从而判定待检测大型变压器处于第m种故障状态，并进行故障种类 的语音报警，m＝2,3,...,M。
本发明实施例上述方案，首先采用联合字典学习的训练方法，针对本发明所使用的环 境，联合学习大型变压器正常运行和各种故障发出声音的幅度字典和实部字典。在检测阶 段，将需要被检测的大型变压器发出的声音经过短时傅里叶变换后得到相应的幅度和实 部，分别投影到M种字典上重建声音的幅度和实部，根据重建声音的误差大小来判断被检 测大型变压器属于正常运行、各种故障的哪一种。可以看出，该方法不仅利用了声音的幅 度信息，也利用声音时频谱的实部信息，表示故障声音的字典维数增加了一倍，增加了正 常运行、各种故障声音特征的区分度，从而能够保持对各种声音有较好的检测能力，便于 电力行业实现。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通 过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上 述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失 性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机 设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任 何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都 应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围 为准。

Claims (7)

1.一种基于声音特征的大型变压器故障检测方法，其特征在于，通过预先训练得到包含大型变压器正常运行和各种故障的声音字典后，按以下步骤检测：
步骤1，通过设置在待检测大型变压器上的拾音装置采集所述大型变压器发出的声音；
步骤2，对所采集的声音进行变换处理后提取相应的幅度和实部，将所述幅度和实部分别投影至所述声音字典，得到正常运行和各种故障的稀疏表示系数，用得到的所述正常运行和各种故障稀疏表示系数重建相应的声音，计算所述重建相应的声音相对于所述待检测大型变压器采集声音的误差；
步骤3，根据所述误差大小，判定所述待检测大型变压器的故障所属的种类。
2.根据权利要求1所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述方法中，预先训练得到包含大型变压器正常运行和各种故障的声音字典的方式如下：
步骤S1，通过设置在大型变压器上的拾音装置分别采集所述大型变压器正常运行和各种故障发出的声音，构建各种声音的训练集；
步骤S2，对各种声音的训练集分别进行短时傅里叶变换提取相应的幅度和实部；
步骤S3，基于K-SVD算法联合学习所述幅度和实部的特征，得到正常运行和各种故障的声音字典。
3.根据权利要求2所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述方法的步骤S1中，通过设置在大型变压器上的拾音装置分别采集所述大型变压器正常运行和各种故障发出的声音，构建各种声音的训练集为：
Figure RE-FDA0002603867730000011
其中，M为采集到的大型变压器的声音种类数；
Figure RE-FDA0002603867730000012
表示大型变压器正常运行声音，其余各式为M-1种为大型变压器故障声音；
所述步骤S2中，对各种声音训练集分别进行短时傅里叶变换提取相应的幅度和实部为：
用短时傅里叶变换分别对大型变压器声音训练集中的M种声音
Figure RE-FDA0002603867730000013
进行短时傅里叶变换，得到时频域上的复数谱为：
Figure RE-FDA0002603867730000014
其中，STFT{}为短时傅里叶变换算子；tf和f分别为时间帧和频率点；
Figure RE-FDA0002603867730000021
和
Figure RE-FDA0002603867730000022
分别为
Figure RE-FDA0002603867730000023
幅度和实部；
所述步骤S3中，基于K-SVD算法联合学习所述幅度和实部的特征，得到正常运行和各种故障的声音字典为：
基于K-SVD算法联合学习正常运行、各种故障声音复数谱的幅度和实部的特征，得到相应的联合字典
Figure RE-FDA0002603867730000024
字典的学习过程为：
Figure RE-FDA0002603867730000025
Figure RE-FDA0002603867730000026
Figure RE-FDA0002603867730000027
Figure RE-FDA0002603867730000028
其中，
Figure RE-FDA0002603867730000029
和
Figure RE-FDA00026038677300000210
是大型变压器第m种声音复数谱
Figure RE-FDA00026038677300000211
的幅度和实部；Dam和Drm分别是相应的幅度和实部字典；Cm是大型变压器第m种声音的稀疏表示系数，该声音的稀疏表示系数为矩阵形式，cm,g为Cm的第g列，q为稀疏约束；
Figure RE-FDA00026038677300000212
表示弗罗贝尼乌斯范数，||·||1是1-范数；m＝1,2,...,M，M为采集到的大型变压器的声音种类数。
4.根据权利要求1至3任一项所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述方法的步骤2中，对所采集的声音进行变换处理后提取相应的幅度和实部为：
对所采集的大型变压器的声音ste(t)进行短时傅里叶变换，得到时频域上的复数谱为：Ste(tf,f)＝STFT{ste(t)}；
其中，STFT{}为短时傅里叶变换算子；tf和f分别为时间帧和频率点；|Ste(tf,f)|和Re[Ste(tf,f)]分别为Ste(tf,f)幅度和实部；
所述将所述幅度和实部分别投影至所述声音字典，得到正常运行和各种故障的稀疏表示系数为：
将时频域上的复数谱的幅度和实部|Ste(tf,f)|和Re[Ste(tf,f)]组织起来，分别投影到M个字典
Figure FDA0002539227130000028
上，得到在各个字典上的最优稀疏表示系数，按下述各式计算稀疏表示系数：
Figure FDA0002539227130000031
其中，Dam和Drm分别是大型变压器第m种声音复数谱的幅度和实部字典；Em为投影到第m个字典上的候选稀疏表示系数；
Figure FDA00025392271300000311
为通过上式从候选稀疏表示系数中选出的最优稀疏表示系数，该稀疏表示系数为矩阵形式，em,g为Em的第g列；q为稀疏约束；m＝1,2,...,M，M为采集到的大型变压器的声音种类数；
所述利用稀疏表示系数
Figure FDA0002539227130000032
和
Figure FDA0002539227130000033
重建出M种声音复数谱的幅度和实部，按下述方式重建：
Figure FDA0002539227130000034
其中，
Figure FDA0002539227130000035
和
Figure FDA0002539227130000036
分别表示利用稀疏表示系数
Figure FDA0002539227130000037
和字典
Figure FDA0002539227130000038
重建出的声音复数谱的幅度和实部，m＝1,2,...,M，M为采集到的大型变压器的声音种类数；
所述计算所述重建相应的声音相对于所述待检测大型变压器采集声音的误差为按下述各式计算得出：
Figure FDA0002539227130000039
其中，ε1表示采集声音ste(t)复数谱相对于由正常运行声音字典
Figure FDA00025392271300000310
重建声音复数谱的误差；εm表示采集声音ste(t)复数谱相对于由第m个故障声音字典
Figure FDA0002539227130000041
重建声音复数谱的误差，m＝2,3,...,M，M为采集到的大型变压器的声音种类数。
5.根据权利要求1至3任一项所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述方法的步骤3中，根据所述误差大小，判定所述待检测大型变压器的故障所属的种类为：
如果采集声音复数谱相对于由正常运行声音字典重建声音复数谱的误差最小，稀疏表示的精确度最高，则判定待检测大型变压器处于正常运行状态；如果采集声音复数谱相对于由第m个故障声音字典重建声音复数谱的误差最小，稀疏表示的精确度最高，则判定待检测大型变压器处于第m种故障状态，m＝2,3,...,M，M为采集到的大型变压器的声音种类数。
6.根据权利要求1至3任一项所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述方法的步骤3还包括：在判定所述待检测大型变压器的故障所属的种类为故障时，则进行相应的报警。
7.根据权利要求1或2所述的基于声音特征的大型变压器故障检测方法，其特征在于，所述拾音装置为密封性麦克风装置。
CN202010542012.2A 2020-06-15 2020-06-15 一种基于声音特征的大型变压器故障检测方法 Active CN111693812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010542012.2A CN111693812B (zh) 2020-06-15 2020-06-15 一种基于声音特征的大型变压器故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010542012.2A CN111693812B (zh) 2020-06-15 2020-06-15 一种基于声音特征的大型变压器故障检测方法

Publications (2)

Publication Number Publication Date
CN111693812A true CN111693812A (zh) 2020-09-22
CN111693812B CN111693812B (zh) 2021-10-01

Family

ID=72481020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010542012.2A Active CN111693812B (zh) 2020-06-15 2020-06-15 一种基于声音特征的大型变压器故障检测方法

Country Status (1)

Country Link
CN (1) CN111693812B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232644A (zh) * 2023-11-13 2023-12-15 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN103743980A (zh) * 2014-01-14 2014-04-23 山东科技大学 基于pso优化的svm的电能质量扰动识别与分类方法
CN104934038A (zh) * 2015-06-09 2015-09-23 天津大学 一种基于稀疏化表示的空间音频编解码方法
CN105182141A (zh) * 2015-09-30 2015-12-23 广州供电局有限公司电力试验研究院 变压器故障检测方法及系统
CN105743611A (zh) * 2015-12-25 2016-07-06 华中农业大学 一种基于稀疏字典的无线传感器网络缺失数据重构方法
CN106441897A (zh) * 2016-10-27 2017-02-22 石家庄铁道大学 基于字典学习的形态分量轴承故障诊断方法
CN106646185A (zh) * 2016-09-26 2017-05-10 南京航空航天大学 一种基于kcsvdp和移除对比法的功率电子电路故障诊断方法
CN106934421A (zh) * 2017-03-16 2017-07-07 山东大学 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN107516108A (zh) * 2017-08-15 2017-12-26 国网四川省电力公司电力科学研究院 分类器创建方法及变压器局部放电故障模式识别方法
CN108983749A (zh) * 2018-07-10 2018-12-11 福州大学 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
CN109283389A (zh) * 2018-09-27 2019-01-29 中国电力科学研究院有限公司 一种风电场谐波发射水平评估方法与系统
US10379151B2 (en) * 2012-03-09 2019-08-13 General Electric Technology Gmbh Method for recognizing partial discharges emitted inside or outside an electrical apparatus
CN110297167A (zh) * 2019-07-17 2019-10-01 国网浙江省电力有限公司电力科学研究院 一种基于多源信息融合的变压器老化状态评价方法
CN110348491A (zh) * 2019-06-20 2019-10-18 燕山大学 基于学习字典与奇异值分解的滚动轴承故障识别方法
CN110554284A (zh) * 2019-08-23 2019-12-10 国网江苏省电力有限公司电力科学研究院 基于gis设备的局放检测方式的相关性分析方法及系统
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN110954761A (zh) * 2019-11-04 2020-04-03 南昌大学 基于信号稀疏表示的npc三电平逆变器故障诊断方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10379151B2 (en) * 2012-03-09 2019-08-13 General Electric Technology Gmbh Method for recognizing partial discharges emitted inside or outside an electrical apparatus
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN103743980A (zh) * 2014-01-14 2014-04-23 山东科技大学 基于pso优化的svm的电能质量扰动识别与分类方法
CN104934038A (zh) * 2015-06-09 2015-09-23 天津大学 一种基于稀疏化表示的空间音频编解码方法
CN105182141A (zh) * 2015-09-30 2015-12-23 广州供电局有限公司电力试验研究院 变压器故障检测方法及系统
CN105743611A (zh) * 2015-12-25 2016-07-06 华中农业大学 一种基于稀疏字典的无线传感器网络缺失数据重构方法
CN106646185A (zh) * 2016-09-26 2017-05-10 南京航空航天大学 一种基于kcsvdp和移除对比法的功率电子电路故障诊断方法
CN106441897A (zh) * 2016-10-27 2017-02-22 石家庄铁道大学 基于字典学习的形态分量轴承故障诊断方法
CN106934421A (zh) * 2017-03-16 2017-07-07 山东大学 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN107516108A (zh) * 2017-08-15 2017-12-26 国网四川省电力公司电力科学研究院 分类器创建方法及变压器局部放电故障模式识别方法
CN108983749A (zh) * 2018-07-10 2018-12-11 福州大学 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN109283389A (zh) * 2018-09-27 2019-01-29 中国电力科学研究院有限公司 一种风电场谐波发射水平评估方法与系统
CN110348491A (zh) * 2019-06-20 2019-10-18 燕山大学 基于学习字典与奇异值分解的滚动轴承故障识别方法
CN110297167A (zh) * 2019-07-17 2019-10-01 国网浙江省电力有限公司电力科学研究院 一种基于多源信息融合的变压器老化状态评价方法
CN110554284A (zh) * 2019-08-23 2019-12-10 国网江苏省电力有限公司电力科学研究院 基于gis设备的局放检测方式的相关性分析方法及系统
CN110954761A (zh) * 2019-11-04 2020-04-03 南昌大学 基于信号稀疏表示的npc三电平逆变器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONGJUNJIANG等: "An Isolated Sign Language Recognition System Using RGB一D Sensor with Sparse Coding", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232644A (zh) * 2023-11-13 2023-12-15 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及系统
CN117232644B (zh) * 2023-11-13 2024-01-09 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及系统

Also Published As

Publication number Publication date
CN111693812B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Reddy et al. A scalable noisy speech dataset and online subjective test framework
Ellis et al. Model-based monaural source separation using a vector-quantized phase-vocoder representation
Lin et al. Source separation in ecoacoustics: A roadmap towards versatile soundscape information retrieval
CN107534800A (zh) 用于连续介质片段识别的系统和方法
Sun et al. Monaural source separation in complex domain with long short-term memory neural network
You et al. Novel feature extraction method for cough detection using NMF
CN111693812B (zh) 一种基于声音特征的大型变压器故障检测方法
CN115932659A (zh) 一种基于声纹特征的变压器故障检测方法
CN112329914A (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN116230013A (zh) 一种基于x-vector的变压器故障声纹检测方法
Daniel Meliza et al. Pitch-and spectral-based dynamic time warping methods for comparing field recordings of harmonic avian vocalizations
CN112034312A (zh) 一种电力设备绝缘缺陷模式识别方法
Fan et al. Real-time single-channel speech enhancement based on causal attention mechanism
Ashraf et al. Ambient-noise free generation of clean underwater ship engine audios from hydrophones using generative adversarial networks
Tran et al. Denoising induction motor sounds using an autoencoder
Hu et al. A lightweight multi-sensory field-based dual-feature fusion residual network for bird song recognition
Cui et al. Research on audio recognition based on the deep neural network in music teaching
Zhou Automatic speech code identification with application to tampering detection of speech recordings
Doets et al. Distortion estimation in compressed music using only audio fingerprints
CN117116292A (zh) 音频检测方法、装置、电子设备及存储介质
Narwaria et al. Non-intrusive speech quality assessment with support vector regression
CN116913316A (zh) 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法
Zhang et al. CicadaNet: Deep learning based automatic cicada chorus filtering for improved long-term bird monitoring
CN115270887A (zh) 一种异常识别方法和装置
Wang et al. Time-domain adaptive attention network for single-channel speech separation

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