CN111742462A - 用于基于音频和振动的功率分配装备状况监测的系统和方法 - Google Patents

Abstract

提供了一种基于音频和振动的功率分配装备状况监测系统和方法。该系统包括IAA设备和感测组装件。IAA设备具有诸如音频数据处理算法之类的计算机可执行指令，该计算机可执行指令被配置成使用一个或多个神经网络来标识和预测与一个或多个功率分配装备相关联的即将发生的异常。

Description

用于基于音频和振动的功率分配装备状况监测的系统和方法

相关申请的交叉引用

本申请要求Das等人于2018年2月28日提交的题为“SYSTEM AND METHOD FOR AUDIOAND VIBRATION BASED POWER DISTRIBUTION EQUIPMENT CONDITION MONITORING”的美国临时申请序列号61/715,038的优先权，特此将该申请的公开内容通过引用以其整体并入本文中。

技术领域

本公开总体上涉及装备健康监测系统，并且更特别地涉及基于音频和振动的功率分配装备状况监测系统和方法。

背景技术

除非在本文中另行指定，本章节中所描述的材料不是针对本申请中的权利要求的现有技术，并且并不由于在本章节中包括而被承认是现有技术。

发明内容

下面阐述了本文中公开的某些实施例的概述。应当理解的是，呈现这些方面仅是为了向读者提供这某些实施例的简要概述，并且这些方面并不意图限制本公开的范围。实际上，本公开可以涵盖可能未在下面阐述的多种方面。

本公开的实施例涉及基于音频和振动的功率分配装备状况监测系统和方法。该系统包括IAA设备和感测组装件。具有计算机可执行指令（诸如，音频数据处理算法）的IAA设备被配置成标识和预测与一个或多个功率分配装备相关联的即将发生的异常。

附图说明

当参考附图阅读某些示例性实施例的以下详细描述时，本公开的这些和其他特征、方面和优点将变得更好理解，其中遍及附图相同的字符表示相同的技术，其中：

图1是根据本公开的所描述实施例的基于音频和振动的功率分配装备状况监测系统的简化框图；

图2是根据本公开的所描述实施例的智能音频和振动分析系统的简化框图；

图3是根据本公开的所描述实施例的智能处理器模块的简化框图；

图4是根据本公开的所描述实施例的简化的自动编码器网络架构；

图5是根据本公开的所描述实施例的接收音频状态的向量的深度递归神经网络（DRNN）的图；以及

图6是根据本公开的所描述实施例的用于持续监测机器操作状态的深度卷积神经网络（CNN）的图。

具体实施方式

出于促进对本公开原理的理解的目的，现在将参考在附图中图示并在以下书面说明书中描述的实施例。应理解的是，并不由此意图对本公开范围的限制。应进一步理解的是，本公开包括对所图示的实施例的任何更改和修改，并且包括如本公开所属领域的普通技术人员通常将想到的本公开原理的进一步应用。

各种操作可以以最有助于理解所要求保护的主题的方式依次被描述为多个分立的动作或操作。然而，描述的次序不应当被解释为暗示这些操作必须依赖次序。特别地，可以不按呈现的次序来执行这些操作。可以按与所描述的实施例不同的次序来执行所描述的操作。在附加实施例中，可以执行各种附加操作和/或可以省略所描述的操作。

图1是根据本公开的所描述实施例的在示例性网络环境100中的基于音频和振动的功率分配装备状况监测系统110的简化框图。系统110包括智能音频分析（IAA）设备112，该设备112包括被编程到IAA设备112中的音频数据处理算法，并且被配置成标识和预测与任何合适的功率分配装备120相关联的即将发生的异常。功率分配装备120可以包括变压器、调节器、冷却器、重合器（recloser）等。取决于设施的规模，可以在示例性网络环境中安装任何合适数量的功率分配装备120。由IAA设备112执行的功能允许对错误的机器操作和恶化的机器健康或状况两者进行分类，从而促进预防性或纠正性措施，由此减少维护成本并且限制系统的停机时间。IAA设备模块112分析音频/振动数据中的时间动态性，并且利用最先进的机器学习算法进行时间序列异常检测和预测。

图2是根据本公开的所描述实施例的本文中定义的智能音频和振动分析系统112或“IAA设备模块”的简化框图。IAA设备模块112可以被并入到功率分配装备监测系统110中，或者可以是独立于功率分配装备监测系统的单独模块，并且通信地耦合到功率分配装备监测系统110。在图2中，IAA设备112通信地耦合到感测组装件130。在一个实施例中，感测组装件可以包括振动传感器、加速度计、音频输入、运动传感器或任何合适的感测单元。如所图示的，加速度计130a和麦克风130b被包括在感测组装件130中。为了收集用于机器学习算法的训练数据，将感测组装件安装在被测试功率分配设备（DUT）上或其附近。感测组装件120检测信号，并且然后检测到的信号被预处理以去除任何竞争环境或周围噪声，诸如经过的车辆、道路工程等等。在一个实施例中，预处理功能可以由感测组装件120来执行。在一些实施例中，预处理功能可以由预处理器来执行，该预处理器被设置在感测组装件130中以形成感测组装件的部分，或者位于感测组装件130外部并且通信地耦合到感测组装件130。如果预处理器位于感测组装件130外部，则预处理器可以由IAA设备112承载以形成IAA设备112的一部分。可替代地，预处理器可以是独立的计算机模块。感测组装件130不仅能够使用音频输入130b来捕获音频信号，而且感测组装件130还能够使用振动传感器来捕获振动信号。一旦捕获到音频和/或振动信号，IAA设备112就估计功率分配装备120的操作状态以确定装备120是正常还是异常的。监测/跟踪机器（比如分配变压器）的操作状态的能力揭示了个体机器如何对不同类型的负载（例如，太阳能阵列）的引入做出反应。在IAA设备112内，提供了处理器112a、存储器112b和通信模块112c。取决于应用的要求，其他计算机模块（诸如，用户接口）或任何合适的模块可以被包括在IAA设备112中。音频分析算法被安装在处理器112a中以供执行。下面将提供音频分析算法的进一步详细描述。处理器112从存储器112b接收用于基于音频的机器状态估计的分类参数、以及经由感测组装件130从装备120接收实时音频和/或振动流，并且输出所推断的机器状态，诸如由于特定负载（如，太阳能阵列集成）而对装备120（诸如，变压器）的操作状态的特定影响。所估计的机器状态或异常然后被传递到通信模块112c上，该通信模块112c进而传输到外部设备以供进一步的统计分析。

一旦针对个体机器120跟踪了负载分配/特性的影响，通信地耦合到IAA设备112的外部设备（诸如，云计算模块140）就可以通过如下方式进一步执行对整个功率分配装备状况监测系统110的负载分配影响的大规模时空分析：通过利用基于音频分析的机器状态监测算法，来汇总来自各种位置（包括每个实例和或位置）的结果。在一些实施例中，云计算模块可以位于云网络中。在另一个实施例中，云计算模块也是云网络。可以将诸如程序或app（应用程序）之类的可视化工具安装在具有显示器的计算机机器上，以用于向功率分配设施管理者显示正在进行的功率分配过程的状态或整个功率分配基础设施的状态。通信地耦合到云计算模块的计算机机器可以是台式计算机、便携式计算机、膝上型计算机、平板计算机、可穿戴设备或任何合适的计算机机器。在IAA设备112检测到功率分配装备120中的异常机器状态的情况下，使用通知系统140a（诸如，工具、程序或app）来通知适当人员（诸如，设施管理者）。通知系统140a可以在任何合适的计算机机器上运行。该通知可以以文本消息、电子邮件、语音邮件、可听声音、显示器、指示器的形式、或任何合适的通知形式，这取决于应用的要求。在一些实施例中，通知系统140a、可视化工具和云计算模块140b中的任一个可以在单个计算机机器、多个机器、网络、服务器或其组合上运行。在一些实施例中，通知系统140a、可视化工具和云计算模块140b可以安装在相同站点、不同站点或多个站点中。

图3是根据本公开的所描述实施例的智能处理器模块112a的简化框图。在一个实施例中，智能处理器模块112a被设置在图2的IAA设备112中。在一些实施例中，智能处理器模块112a可以是单独且独立的模块，并且通信地耦合到感测组装件130和IAA设备112。音频信号处理安装了音频分析算法并且为该音频分析算法提供动力，以用于音频特征表示和机器学习能力。前面提及的音频分析能力背后的信号处理和机器学习算法在很大程度上对于特定的感测模态不可知，并且因此可以取决于具有功率分配系统的应用场景而适应于可用的时间序列信号（例如陀螺仪、磁力计、电流、阻抗和电容）中的任一个。事实上，扩展算法来并入多模态感觉融合将使得能够利用更深的、可能是隐藏的依赖性和相关性，并且从而改进对异常的预测和检测。如该图中所描绘，处理器112a包括若干个计算机可执行程序或功能，诸如场景语法、模式分类学习器、监督信号和音频特征表示。处理器112a还可以包括深度学习、音频特征学习和识别特征或程序。取决于应用的要求，其他计算机可执行程序或指令可以被安装在处理器112a中并且由处理器112a运行。

图4是根据本公开的所描述实施例的简化的自动编码器网络架构。对于异常检测，可以使用自动编码器（AE）及其若干个派生物，诸如去噪AE、深度AE，仅举几个示例。AE依赖于信号子空间的低维潜在表示，该低维潜在表示在被重构并且与误差阈值耦合时可以在正常数据和异常数据之间进行区分，即异常倾向于具有较大的重构误差。AE的前面提及的派生物通过添加鲁棒性并且利用数据中可能存在的更深的结构来改进标准AE的性能。如该图中所描绘，第一层L1对应于输入信号（例如，来自功率分配机器的音频/振动信号的FFT），并且第三层L3是信号的重构版本。第二层L2是低维潜在表示。可以利用机器数据来训练编码器，其中假设异常操作是随时间而稀疏的。对于那些离群信号，在第三层L3处的重构误差将是大的。该误差量值可以用作异常检测的提示。

图5是根据本公开的所描述实施例的接收音频状态的向量的深度递归神经网络（DRNN）的图。与AE不同，其中仅利用当前数据与已知分类器/异常之间的帧或瞬时差异。此外，AE不保留可以用于预测导致异常的底层结构的任何时间信息。为了充分利用时间知识来作为预防性维护进行辅助，深度递归神经网络（DRNN）是基于深度学习来预测何时可能的异常将发生的方法之一。

与基于帧的方法相比，DRNN能够对音频模式的时间动态性进行建模，在基于帧的方法中，每个帧与标签（例如，正常的对比反常的）相关联而没有将时间情境/变化考虑在内。然而，在机器操作时间序列数据上训练DRNN涉及预先将所收集的音频模式注释成不同的操作模式。利用那些经注释的数据，DRNN可以学习与正常功率分配操作相关联的显著音频模式，以及通过标识故障模式（例如，特定的变压器单元失灵）来检测其何时偏离成异常。由功率分配装备状况监测系统110执行的DRNN不仅示出了用以对与人类语音相关联的音频信号进行建模的卓越能力，而且功率分配装备状况监测系统110还能够执行监测和异常检测/预测。

图6是根据本公开的所描述实施例的用于持续监测机器操作状态的深度卷积神经网络（CNN）的图。用于持续监测机器操作状态的深度CNN可以被安装在功率分配装备状况监测系统110上以执行异常检测。深度CNN进一步促进针对数据挖掘和优化机器操作在云网络中进行统计分析，例如负载（如太阳能阵列）集成到电网中的长期影响。基于CNN的分析适用于与所有功率分配装备（如变压器、调节器和重合器）相关联的音频/振动。在一些实施例中，可以在监督式学习框架中使用CNN。例如，首先，可以针对不同的机器状态收集带时间戳的数据，并且可以将对应的时间音频-振动片段变换成声谱图以供进一步分析。此后，将该声谱图视为自然的2D图像，并且通过VGG网络（被设计成用于图像识别的非常深的CNN）馈送该声谱图以识别特定的机器状态。在该图中提供了由功率分配装备状况监测系统110执行的深度CNN架构的概览。

已经以示例的方式示出了上面描述的实施例，并且应当理解的是，这些实施例可以容许各种修改和替代形式。应当进一步理解的是，权利要求不意图限于所公开的特定形式，而是要覆盖落入本公开的精神和范围内的所有修改、等同物和替代方案。

本公开范围内的实施例还可以包括用于承载或具有存储在其上的计算机可执行指令或数据结构的非暂时性计算机可读存储介质或机器可读介质。这种非暂时性计算机可读存储介质或机器可读介质可以是可以由通用或专用计算机访问的任何可用介质。以示例而非限制的方式，这种非暂时性计算机可读存储介质或机器可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储装置、磁盘存储装置或其他磁性存储设备、或者可以用于承载或存储以计算机可执行指令或数据结构形式的期望程序代码构件的任何其他介质。上面的组合也应当被包括在非暂时性计算机可读存储介质或机器可读介质的范围内。

实施例还可以在分布式计算环境中实践，在该环境中，任务由通过通信网络（通过硬线链接、无线链接或通过其组合）而链接的本地和远程处理设备执行。

计算机可执行指令包括例如使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。计算机可执行指令还包括由独立计算机或网络环境中的计算机执行的程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构等。计算机可执行指令、相关联的数据结构和程序模块表示用于执行本文公开方法的步骤的程序代码构件的示例。这种可执行指令或相关联的数据结构的特定顺序表示用于实现这种步骤中描述的功能的对应动作的示例。

虽然已经在附图和前面的描述中详细图示并描述了本公开，但是其在性质上应当被认为是说明性而非限制性的。应理解的是，仅呈现了优选实施例，并且期望保护落入本公开的精神内的所有改变、修改和进一步的应用。

Claims (20)

1.一种功率分配装备监测系统，包括：

感测组装件，其被配置成用于并入在至少一个功率分配装备中、并入到其上或并入在其附近，感测组装件被配置成输出指示来自所述至少一个功率分配装备的声音和/或振动的传感器信号；

智能音频分析（IAA）设备，其被配置成从感测组装件接收传感器信号，处理传感器信号以检测来自所述至少一个功率分配装备的操作的异常，并且将检测信息输出到输出设备以向操作者警告对任何异常的检测，

其中包括存储在非暂时性计算机可读存储介质上的编程指令、以及被配置成执行编程指令的处理器，

其中编程指令包括用于由处理器执行的分析算法，所述分析算法使处理器持续处理传感器信号以检测异常，

其中所述分析算法包括至少一个神经网络，并且

其中去往所述至少一个神经网络的输入基于由IAA设备接收到的传感器信号。

2.根据权利要求1所述的系统，其中在将传感器信号作为输入供给到所述神经网络之前，对所述传感器信号进行预处理。

3.根据权利要求2所述的系统，其中所述至少一个神经网络包括自动编码器神经网络，自动编码器网络被配置成接收传感器信号作为输入，并且基于所述输入来输出重构的传感器信号，

其中生成误差信号，所述误差信号指示所述自动编码器神经网络的输入和输出之间的差异，并且

其中处理器被配置成基于所述误差信号的量值来检测异常。

4.根据权利要求3所述的系统，其中处理器被配置成将所述误差信号的量值与误差阈值进行比较，并且当所述误差信号的量值超过误差阈值时检测到异常。

5.根据权利要求2所述的系统，其中所述至少一个神经网络包括深度递归神经网络（DRNN），所述DRNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

6.根据权利要求2所述的系统，其中所述至少一个神经网络包括深度卷积神经网络（CNN），所述CNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

7.根据权利要求6所述的系统，其中传感器信号在预处理期间被变换成声谱图，所述声谱图作为输入被供给到深度CNN，并且

其中所述深度CNN被配置成处理所述声谱图以标识异常。

8.一种用于监测功率分配装备的方法，包括：

生成指示源自于功率分配装备的声音和/或振动的传感器信号，所述传感器信号由位于功率分配装备上、位于其中、或位于其附近的传感器组装件来检测；

使用智能音频分析（IAA）设备的处理器来处理传感器信号以检测来自所述至少一个功率分配装备的操作的异常，处理器被配置成根据分析算法来处理传感器信号以检测异常，所述分析算法包括至少一个神经网络，所述至少一个神经网络被配置成在传感器信号中检测指示异常的误差和/或模式；以及

当检测到异常时，将检测信息输出到输出设备。

9.根据权利要求8所述的方法，其中在将传感器信号作为输入供给到所述神经网络之前，对所述传感器信号进行预处理。

10.根据权利要求9所述的方法，其中所述至少一个神经网络包括自动编码器神经网络，自动编码器网络被配置成接收传感器信号作为输入，并且基于所述输入来输出重构的传感器信号，

其中生成误差信号，所述误差信号指示所述自动编码器神经网络的输入和输出之间的差异，并且

其中处理器被配置成基于所述误差信号的量值来检测异常。

11.根据权利要求10所述的方法，其中处理器被配置成将所述误差信号的量值与误差阈值进行比较，并且当所述误差信号的量值超过误差阈值时检测到异常。

12.根据权利要求9所述的方法，其中所述至少一个神经网络包括深度递归神经网络（DRNN），所述DRNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

13.根据权利要求9所述的方法，其中所述至少一个神经网络包括深度卷积神经网络（CNN），所述CNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

14.根据权利要求13所述的方法，其中传感器信号在预处理期间被变换成声谱图，所述声谱图作为输入被供给到深度CNN，并且

其中所述深度CNN被配置成处理所述声谱图以标识异常。

15.一种功率分配装备系统，包括：

至少一个功率分配装备；

感测组装件，其被配置成用于并入在所述至少一个功率分配装备中、并入到其上或并入在其附近，感测组装件被配置成输出指示来自所述至少一个功率分配装备的声音和/或振动的传感器信号；

智能音频分析（IAA）设备，其被配置成从感测组装件接收传感器信号，处理传感器信号以检测来自所述至少一个功率分配装备的操作的异常，并且将检测信息输出到输出设备以向所述系统的操作者警告对任何异常的检测，

其中包括存储在非暂时性计算机可读存储介质上的编程指令、以及被配置成执行编程指令的处理器，

其中编程指令包括用于由处理器执行的分析算法，所述分析算法使处理器持续处理传感器信号以检测异常，

其中所述分析算法包括至少一个神经网络，并且

其中去往所述至少一个神经网络的输入基于由IAA设备接收到的传感器信号。

16.根据权利要求15所述的系统，其中所述至少一个神经网络包括自动编码器神经网络，自动编码器网络被配置成接收传感器信号作为输入，并且基于所述输入来输出重构的传感器信号，

其中生成误差信号，所述误差信号指示所述自动编码器神经网络的输入和输出之间的差异，并且

其中处理器被配置成基于所述误差信号的量值来检测异常。

17.根据权利要求16所述的系统，其中处理器被配置成将所述误差信号的量值与误差阈值进行比较，并且当所述误差信号的量值超过误差阈值时检测到异常。

18.根据权利要求15所述的系统，其中所述至少一个神经网络包括深度递归神经网络（DRNN），所述DRNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

19.根据权利要求15所述的系统，其中所述至少一个神经网络包括深度卷积神经网络（CNN），所述CNN被配置成接收传感器信号作为输入，并且在传感器信号中检测指示异常的音频和/或振动模式。

20.根据权利要求15所述的系统，其中传感器信号在预处理期间被变换成声谱图，所述声谱图作为输入被供给到深度CNN，并且

其中所述深度CNN被配置成处理所述声谱图以标识异常。

Images