CN111933186B - 用于对有载分接开关进行故障识别的方法、装置及系统 - Google Patents

用于对有载分接开关进行故障识别的方法、装置及系统 Download PDF

Info

Publication number
CN111933186B
CN111933186B CN202011083933.3A CN202011083933A CN111933186B CN 111933186 B CN111933186 B CN 111933186B CN 202011083933 A CN202011083933 A CN 202011083933A CN 111933186 B CN111933186 B CN 111933186B
Authority
CN
China
Prior art keywords
time
sound signal
changer
frequency
spectrum
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
CN202011083933.3A
Other languages
English (en)
Other versions
CN111933186A (zh
Inventor
高飞
韩帅
毛光辉
徐玲铃
金焱
贾鹏飞
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202011083933.3A priority Critical patent/CN111933186B/zh
Publication of CN111933186A publication Critical patent/CN111933186A/zh
Application granted granted Critical
Publication of CN111933186B publication Critical patent/CN111933186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种用于对有载分接开关进行故障识别的方法、装置及系统，该方法包括：获取由拾音器模组采集并处理后的运行状态的声音信号；基于梅尔时频谱，对声音信号进行降维处理；根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。通过本发明实施例提供的方法、装置及系统，通过拾音器模组采集并处理运行状态的声音信号，能够实现对有载分接开关机械状态远距离无间断实时监测；同时，采用梅尔时频谱对声音信号降维处理后，根据预先设置的故障识别标准对降维处理后的声音信号故障识别，在大大缩短了故障诊断识别时间的同时，还有效提高了识别的准确性。

Description

用于对有载分接开关进行故障识别的方法、装置及系统
技术领域
本发明涉及变压器有载分接开关监测领域，具体而言，涉及一种用于对有载分接开关进行故障识别的方法、装置及系统。
背景技术
有载分接开关（On-Load Tap Changer, OLTC）作为变压器中的核心部件，承担着调节电压和稳定输送功率的重要任务。OLTC的动作过程主要由选择器、切换开关、传动机构等组件配合完成，其设计生产技术难度大、结构复杂、开断大电流操作频繁，导致其故障率长年居高不下。以福建省为例，近5年110kV及以上电压等级变压器缺陷和故障中，OLTC占比18.13%，而传动机构卡涩、触头松动等机械故障是OLTC最主要的故障类型，约占总故障的63.4%以上。一旦故障发生，既定切换动作无法完成，将导致整个变压器的毁坏，甚至危及运检人员及电力系统的安全。因此，对OLTC机械状态进行不停电监测并及时发现机械动作异常，对于避免故障的发生尤为重要。
当前业界对于OLTC监测主要以振动法为主。其原理在于，OLTC动静触头的开合冲击以及传动机构运动形成的机械波，会经绝缘油或内部结构件传递到变压器箱壁上，可被箱壁上安装的加速度传感器捕获。该信号中包含了大量的设备状态信息，尤其是当OLTC内部组件发生机械松动或运动受到强迫物理阻碍时，会使信号的频谱特性发生改变，可以作为诊断故障的重要特征参量。由于传动机构运行时的振动干扰、动静触头碰撞摩擦的时频信号的复杂性，以及频散效应导致的波形变异，通常需要借助经验模态分解，Hilbert变换，混沌理论等方法来识别异常信息。
然而，振动法OLTC机械状态在线监测所采集的为低频声音信号，其对传感器布点位置要求严苛，例如在顶盖处传感器布点仅对OLTC切换动作敏感，箱壁位置点适用于监测选择器动作和传动机构动作，故通常需要4个以上传感器配合使用，并且传感器需要与变压器紧贴布置，存在传感器难以带电更换等问题。
发明内容
鉴于此，本发明提出了一种用于对有载分接开关进行故障识别的方法、装置及系统，旨在解决相关技术中用于监测有载分接开关机械状态的传感器布点位置要求严苛以及难以带电更换的问题。
第一方面，本发明实施例提供了一种用于对有载分接开关进行故障识别的方法，包括：获取由拾音器模组采集并处理后的运行状态的声音信号；基于梅尔时频谱，对所述声音信号进行降维处理；根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
进一步地，所述基于梅尔时频谱，对所述声音信号进行降维处理之前，包括：基于相似矩阵的盲源分离，对所述声音信号进行降噪处理。
进一步地，所述基于相似矩阵的盲源分离，对所述声音信号进行降噪处理之前，包括：对所述声音信号进行时频域转化。
进一步地，所述基于相似矩阵的盲源分离，对所述声音信号进行降噪处理，包括：计算所述声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽； 使用所述软掩蔽提取所述声音信号的重复特征，将所述声音信号的背景时频谱与前景时频谱进行分离。
进一步地，所述对所述声音信号进行时频域转化，包括：对所述声音信号进行交叠分段的分帧操作，得到每帧时域信号；对所述每帧时域信号进行加窗处理；对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
进一步地，所述基于梅尔时频谱，对所述声音信号进行降维处理，包括：将所述声音信号时频谱变换到梅尔标度下的梅尔时频谱；采用梅尔滤波器组对所述梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对所述梅尔时频谱的中高频和高频进行滤波降权处理。
进一步地，所述根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果，包括：调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
进一步地，所述预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；所述调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果，包括：调用所述卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入所述卷积神经网络模型中的池化层；调用所述卷积神经网络模型中的池化层对所述非线性映射后的特征进行降维处理，并将降维处理后的特征输入所述卷积神经网络模型中的全连接层；调用所述卷积神经网络模型中的全连接层对所述降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
第二方面，本发明实施例还提供了一种用于对有载分接开关进行故障识别的装置，包括：声音信号获取单元，用于获取由拾音器模组采集并处理后的运行状态的声音信号；梅尔时频谱转换单元，用于基于梅尔时频谱，对所述声音信号进行降维处理；故障识别单元，用于将根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
进一步地，所述装置还包括：盲源分离单元，用于在所述基于梅尔时频谱，对所述声音信号进行降维处理之前，基于相似矩阵的盲源分离，对所述声音信号进行降噪处理。
进一步地，所述装置还包括：时频域转化单元，用于在所述基于相似矩阵的盲源分离，对所述声音信号进行降噪处理之前，对所述声音信号进行时频域转化。
进一步地，所述盲源分离单元，还用于：计算所述声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽；使用所述软掩蔽提取所述声音信号的重复特征，将所述声音信号的背景时频谱与前景时频谱进行分离。
进一步地，所述时频域转化单元，还用于：对所述声音信号进行交叠分段的分帧操作，得到每帧时域信号；对所述每帧时域信号进行加窗处理；对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
进一步地，所述梅尔时频谱转换单元，还用于：将所述声音信号时频谱变换到梅尔标度下的梅尔时频谱；采用梅尔滤波器组对所述梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对所述梅尔时频谱的中高频和高频进行滤波降权处理。
进一步地，所述故障识别单元，还用于：调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
进一步地，所述预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；所述故障识别单元，还用于：调用所述卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入所述卷积神经网络模型中的池化层；调用所述卷积神经网络模型中的池化层对所述非线性映射后的特征进行降维处理，并将降维处理后的特征输入所述卷积神经网络模型中的全连接层；调用所述卷积神经网络模型中的全连接层对所述降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
第三方面，本发明实施例还提供了一种用于对有载分接开关进行故障识别的系统，包括：拾音器模组，与服务器相连，用于采集并处理有载分接开关及所述有载分接开关所在变压器的运行状态的声音信号，并将所述采集并转换后的声音信号发送至服务器；服务器，用于根据所述采集并处理后的声音信号，采用本发明各实施例提供的方法进行故障识别。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现、本发明各实施例提供的方法。
本发明实施例提供的用于对有载分接开关进行故障识别的方法、装置及系统，通过拾音器模组采集并处理运行状态的声音信号，由于拾音器模组可对远距离的变压器及有载分接开关进行声音信号采集，因此，能够实现对有载分接开关机械状态远距离无间断实时监测；同时，采用梅尔时频谱对声音信号降维处理后，根据预先设置的故障识别标准对降维处理后的声音信号故障识别，在大大缩短了故障诊断识别时间的同时，还有效提高了识别的准确性。
附图说明
图1示出了根据本发明实施例的用于对有载分接开关进行故障识别的方法的示例性流程图；
图2示出了本发明一个实施例中对有载分接开关正常状态的声音信号进行降维处理后的梅尔时频谱图；
图3示出了根据本发明另一实施例的用于对有载分接开关进行故障识别的方法的示例性流程图；
图4示出了本发明一个实施例中时域声信号转变为时频谱图过程原理；
图5示出了本发明一个实施例中对有载分接开关运行状态的声音信号盲源分离的原理图；
图6示出了根据本发明实施例的用于对有载分接开关进行故障识别的装置的结构示意图；
图7示出了根据本发明实施例的用于对有载分接开关进行故障识别的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语（包括科技术语）对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1示出了根据本发明实施例的用于对有载分接开关进行故障识别的方法的示例性流程图。
如图1所示，该方法包括：
步骤S101：获取由拾音器模组采集并处理后的运行状态的声音信号。
本发明实施例中，有载分接开关及有载分接开关所在变压器的运行状态的声音信号，可以是可听声音信号；进一步地，该声音信号频率范围为40 Hz-20 kHz。拾音器模组可以为1或2个，可以布置在距离有载分接开关的2-3米处，采集运行状态的初始声音信号，并将初始声音信号转换处理为服务器可以识别的格式后发送至服务器，服务器获取由拾音器模组采集并处理后的声音信号。拾音器模组可以将采集并处理后的声音信号，通过有线或无线网络发送至服务器。
上述实施例中，由于拾音器模组可对远距离的变压器及有载分接开关进行声音信号采集及处理，相比于传统的振动法对有载分接开关机械状态的监测，解决了传感器布点位置要求严苛以及难以带电更换的问题，能够实现对有载分接开关机械状态远距离无间断实时监测。
步骤S102：基于梅尔时频谱，对声音信号进行降维处理。
本发明实施例中，步骤S102对声音信号降维处理之前，可以不进行降噪处理，也可以采用小波分解、经验模态分解或盲源分离等方法对声音信号进行降噪处理。
进一步地，步骤S102，包括：
步骤S1021：将声音信号时频谱变换到梅尔标度下的梅尔时频谱；
步骤S1022：采用梅尔滤波器组对梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对梅尔时频谱的中高频和高频进行滤波降权处理。
本发明实施例中，梅尔频谱滤波可将声音信号时频谱变换到梅尔标度下的梅尔时频谱，在保留声纹特征的前提下，有效压缩样本数据，为后面步骤提高模型训练速度及识别速度提供基础，其转换关系，即时频谱矩阵，采用如下公式（1）得到：
Figure 504650DEST_PATH_IMAGE001
（1）；
其中，f为正常标度的频率，0≤f≤8000，k为Mel标度频率，单位均为Hz。
针对声音信号的频率分布特点，采用梅尔滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，从而实现声音信号数据的降维以及声纹特征的准确提取，梅尔滤波器组对时频谱进行滤波操作，该等高三角滤波器组的函数H m (f)，采用如下公式（2）得到：
Figure 828315DEST_PATH_IMAGE002
（2）；
其中，m为滤波器组编号，梅尔滤波器数量可以设置在30-40之间，优选地滤波器数设置为30，因此m范围为1≤m≤30；
x(m)为三角滤波器的中心频率，采用如下公式（3）得到：
Figure 873632DEST_PATH_IMAGE003
（3）；
其中，f max 、f min 分别为滤波器滤波范围的频率最大值和最小值，f s 为拾音器模组采样频率，N为离散傅里叶时的帧长度。
通过将时频谱矩阵即公式（1）与梅尔滤波器组矩阵即公式（2）相乘，再取对数，可以得到基于梅尔时频谱降维处理后的声音信号。
例如，图2示出了本发明一个实施例中对有载分接开关正常状态的声音信号进行降维处理后的梅尔时频谱图。
上述实施例中，将声音信号时频谱变换到梅尔标度下的梅尔时频谱，在保留声纹特征的前提下，有效压缩样本数据，为后面步骤提高模型训练速度及识别速度提供基础；同时，针对声音信号的频率分布特点，采用梅尔滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，从而实现声音信号数据的降维以及声纹特征的准确提取。
步骤S103：根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
本发明实施例中，预先设置的故障识别标准可以为预先构建的故障识别模型，如迁移学习、矢量量化算法、卷积神经网络、循环神经网络。
进一步地，步骤S103，包括：
调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
本发明实施例中，卷积神经网络模型可以通过预先训练得到，关于训练过程，本发明实施例对此不加以限定。卷积神经网络模型在预先训练过程中，可以针对不同的训练对象和不同的应用场景，对通道数、移动步长、学习率等参数进行不同的设置和优化。例如，采用一定数量的训练样本对初始卷积神经网络模型进行训练，得到训练好的模型后，还可以对其进行更新，以得到性能更优的卷积神经网络模型。
上述实施例中，通过采用卷积神经网络对声音信号进行特征提取、降维及识别，与浅层网络相比，具有学习表达能力更强、运算速度更快、避免训练陷入局部极值等优点；同时，与其他神经网络相比，卷积神经网络所需的网络参数更少，更适宜提取有载分接开关运行状态声音信号这种复杂的可听声特征信息。
进一步地，预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；
步骤S103，包括：
步骤S1031：调用卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入卷积神经网络模型中的池化层；
步骤S1032：调用卷积神经网络模型中的池化层对非线性映射后的特征进行降维处理，并将降维处理后的特征输入卷积神经网络模型中的全连接层；
步骤S1033：调用卷积神经网络模型中的全连接层对降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
本发明实施例中，设计并优化了针对有载分接开关进行故障识别的卷积神经网络，该网络结构如下表1所示。
表1 用于有载分接开关声纹识别的卷积神经网络结构
Figure 799999DEST_PATH_IMAGE005
上述实施例中，为了防止梯度消失或梯度爆炸现象，进行了批规范化操作；为了防止过拟合现象，在全连接层进行了Dropout操作，Dropout操作在训练阶段，随机选取隐藏层的神经元不参与计算，能够在训练复杂数据时有效抑制过拟合现象；而在卷积层使用激活函数ReLU进行非线性映射，提升了模型训练速度，稳定了网络的收敛速度；批规范化操作解决了神经元兼容性的问题，可改善神经网络的运算性能；Max Pooling操作可保留主要的特征同时减少参数和计算量，防止过拟合，提高模型泛化能力。
上述实施例中，通过采用梅尔时频谱对声音信号降维处理后，根据预先设置的故障识别标准对降维处理后的声音信号故障识别，在大大缩短了故障诊断识别时间的同时，还有效提高了识别的准确性。
图3示出了根据本发明另一实施例的用于对有载分接开关进行故障识别的方法的示例性流程图。
如图3所示，用于对有载分接开关进行故障识别的方法的步骤S301、S304-305与图1所示的方法步骤S101-103相同，该方法还包括：
步骤S303：基于相似矩阵的盲源分离，对声音信号进行降噪处理。
进一步地，步骤S303之前，还包括：
步骤S302：对声音信号进行时频域转化。
进一步地，步骤S302，包括：
步骤S3021：对声音信号进行交叠分段的分帧操作，得到每帧时域信号；
步骤S3022：对每帧时域信号进行加窗处理；
步骤S3023：对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
本发明实施例中，首先对获取的声音信号进行交叠封闭的颜的分帧操作，其中，帧长太短则特征向量代表性差，帧长太长则语音信号变化过大，影响特征向量准确性，因此需要考虑有载分接开关动作的暂态特性，选择合适的帧长。帧长和帧移确定后，为了削弱下一步要进行的傅里叶变换带来的频谱泄漏影响，还需要将每帧时域数据进行加窗处理，可以采用具有较好的时间和频率聚集特性的汉明窗(hamming)，具体公式如下式（4）：
Figure 286476DEST_PATH_IMAGE006
（4）；
其中，N为汉明窗的长度，由帧长和采样率决定。
最后对处理后的波形片段进行短时离散傅里叶变换，即可得到能够同时描述时间与频率的时频谱。
例如，图4示出了本发明一个实施例中时域声信号转变为时频谱图过程原理图，如图4所示，待处理的原始数据为一段时长为7s的变压器有载分接开关声音采集数据切片，首先选择帧长为0.1s，帧移为0.05s，对声音信号进行交叠封闭的颜的分帧操作；之后将每帧时域数据进行汉明窗(hamming)处理，具体公式如下式（4）：
Figure 781042DEST_PATH_IMAGE006
（4），
其中，N为汉明窗的长度，由帧长和采样率决定；
最后对处理后的波形片段进行短时离散傅里叶变换，即可得到能够同时描述时间与频率的时频谱，时频谱图中的横坐标为时间，纵坐标为频率，条纹状的图形的颜色代表了当前频率在该时刻含量的大小，由功率谱密度（power spectral density, PSD）表示。
上述实施例中，通过将声音信息进行时频域转化，可以准确获得声音信号在不同时间下频率能量分布，提取其包含的特征信息；同时，声音信息时频域转化之后以时频谱图形式展现，进而建立时域与频域之间的联系，可以实现声音特征信息的最大化，方便后期根据预先设置的故障识别标准进行训练和故障识别。
进一步地，步骤S303，包括：
步骤S3031：计算声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽；
步骤S3032：使用软掩蔽提取声音信号的重复特征，将声音信号的背景时频谱与前景时频谱进行分离。
本发明实施例中，首先将声音信号时频谱的频谱W按列取距离范数并进行归一化，计算每一帧信号之间的相似性得到相似矩阵S，其每一点（i,k）对应频谱W中第i帧与第k帧特征向量之间的余弦相似度，相似矩阵S采用如下公式（5）得到：
Figure 313654DEST_PATH_IMAGE007
（5）；
其中，变量m为帧序号，1≤m≤n，n为时频谱的帧长。
相似矩阵S通过计算各帧之间的差异，因此对周期性信号不敏感，而瞬时声音信号相对于变压器本体声信号更具稀疏性和波动性。定义重复谱模型V为矩阵S各频段的中值，它代表了频谱每一帧与其相似帧向量相关度。用于滤波的重复谱V能量应小于等于原频谱W，更新后的重复谱V’采用如下公式（6）得到：
Figure 919079DEST_PATH_IMAGE008
（6）；
若直接使用重复谱模型形成的二值掩蔽通常会在重新合成中引入可听见的伪影，选择软掩蔽方法会可以有效避免该问题，可以选择频域维纳滤波器形成软掩蔽。假设分接开关信号为加性噪声，且与变压器本体信号不相关，通过维纳霍夫方程以及最小均方差函数得到的频域维纳滤波器系数H的表达式可见如下公式（7）：
Figure 119116DEST_PATH_IMAGE009
（7）；
其中，P x 为变压器本体信号功率谱，即重复谱V’，P N 为噪声功率谱，即原频谱W与重复谱V’的差；
计算不同频段的H即可构成软掩蔽。
最后使用时频掩蔽提取原始信号重复特征，即可分离出背景时频谱与前景时频谱。
图5示出了本发明一个实施例中对有载分接开关运行状态的声音信号盲源分离的原理图。如图5所示，通过对包含干扰的声音信号进行盲源分离，可以得到所获取的运行状态的声音信号与有载分接开关动作瞬时的声音信号、变压器本体的干扰声音信号的时频谱图对比。
上述实施例中，通过对声音时频谱采用基于相似矩阵的盲源分离，可以分离得到背景时频谱与前景时频谱，为后续根据预先设置的故障识别标准进行故障识别提供了更为准确的声音信号。
实施例1
表2给出了本发明一个实施例中，采用本发明方法（MEL-CNN），与常规卷积神经网络模型（CNN）、循环神经网络模型（RNN）对有载分接开关（OLTC）故障识别成功率和时间的对比。如表2所示，可见Mel-CNN模型对OLTC四种不同状态的识别成功率均超过96%，单样本识别时间最快可达0.06 s，在故障识别准确性和速度方面，明显优于常规CNN模型和RNN模型，再次证明了本发明实施例提供的对有载分接开关进行故障识别的方法的优越性，以及对变电站中有载分接开关现场不停电检测与故障诊断的良好适用性。
表2 有载分接开关故障识别方法结果对比
Figure 519005DEST_PATH_IMAGE011
图6示出了根据本发明实施例的用于对有载分接开关进行故障识别的装置的结构示意图。
如图6所示，该装置包括：
声音信号获取单元601，用于获取由拾音器模组采集并处理后的运行状态的声音信号。
本发明实施例中，有载分接开关及有载分接开关所在变压器的运行状态的声音信号，可以是可听声音信号；进一步地，该声音信号频率范围为40 Hz-20 kHz。拾音器模组可以为1或2个，可以布置在距离有载分接开关的2-3米处，采集运行状态的初始声音信号，并将初始声音信号转换处理为服务器可以识别的格式后发送至服务器，服务器获取由拾音器模组采集并处理后的声音信号。拾音器模组可以将采集并处理后的声音信号，通过有线或无线网络发送至服务器。
上述实施例中，由于拾音器模组可对远距离的变压器及有载分接开关进行声音信号采集及处理，相比于传统的振动法对有载分接开关机械状态的监测，解决了传感器布点位置要求严苛以及难以带电更换的问题，能够实现对有载分接开关机械状态远距离无间断实时监测。
梅尔时频谱转换单元604，用于基于梅尔时频谱，对声音信号进行降维处理。
本发明实施例中，梅尔时频谱转换单元604对声音信号降维处理之前，可以不进行降噪处理，也可以采用小波分解、经验模态分解或盲源分离等方法对声音信号进行降噪处理。
进一步地，梅尔时频谱转换单元604，还用于：
将声音信号时频谱变换到梅尔标度下的梅尔时频谱；
采用梅尔滤波器组对梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对梅尔时频谱的中高频和高频进行滤波降权处理。
本发明实施例中，梅尔频谱滤波可将声音信号时频谱变换到梅尔标度下的梅尔时频谱，在保留声纹特征的前提下，有效压缩样本数据，为后面步骤提高模型训练速度及识别速度提供基础，其转换关系，即时频谱矩阵，采用如下公式（1）得到：
Figure 70072DEST_PATH_IMAGE012
（1）；
其中，f为正常标度的频率，0≤f≤8000，k为Mel标度频率，单位均为Hz。
针对声音信号的频率分布特点，采用梅尔滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，从而实现声音信号数据的降维以及声纹特征的准确提取，梅尔滤波器组对时频谱进行滤波操作，该等高三角滤波器组的函数H m (f)，采用如下公式（2）得到：
Figure 213609DEST_PATH_IMAGE002
（2）；
其中，m为滤波器组编号，梅尔滤波器数量可以设置在30-40之间，优选地滤波器数设置为30，因此m范围为1≤m≤30；
x(m)为三角滤波器的中心频率，采用如下公式（3）得到：
Figure 268152DEST_PATH_IMAGE003
（3）；
其中，f max 、f min 分别为滤波器滤波范围的频率最大值和最小值，f s 为拾音器模组采样频率，N为离散傅里叶时的帧长度。
通过将时频谱矩阵即公式（1）与梅尔滤波器组矩阵即公式（2）相乘，再取对数，可以得到基于梅尔时频谱降维处理后的声音信号。
例如，图2示出了本发明一个实施例中对有载分接开关正常状态的声音信号进行降维处理后的梅尔时频谱图。
上述实施例中，将声音信号时频谱变换到梅尔标度下的梅尔时频谱，在保留声纹特征的前提下，有效压缩样本数据，为后面步骤提高模型训练速度及识别速度提供基础；同时，针对声音信号的频率分布特点，采用梅尔滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，从而实现声音信号数据的降维以及声纹特征的准确提取。
故障识别单元605，用于将根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
本发明实施例中，预先设置的故障识别标准可以为预先构建的故障识别模型，如迁移学习、矢量量化算法、卷积神经网络、循环神经网络。
进一步地，故障识别单元605，还用于：
调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
本发明实施例中，卷积神经网络模型可以通过预先训练得到，关于训练过程，本发明实施例对此不加以限定。卷积神经网络模型在预先训练过程中，可以针对不同的训练对象和不同的应用场景，对通道数、移动步长、学习率等参数进行不同的设置和优化。例如，采用一定数量的训练样本对初始卷积神经网络模型进行训练，得到训练好的模型后，还可以对其进行更新，以得到性能更优的卷积神经网络模型。
上述实施例中，通过采用卷积神经网络对声音信号进行特征提取、降维及识别，与浅层网络相比，具有学习表达能力更强、运算速度更快、避免训练陷入局部极值等优点；同时，与其他神经网络相比，卷积神经网络所需的网络参数更少，更适宜提取有载分接开关运行状态声音信号这种复杂的可听声特征信息。
进一步地，预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；
故障识别单元605，还用于：
调用卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入卷积神经网络模型中的池化层；
调用卷积神经网络模型中的池化层对非线性映射后的特征进行降维处理，并将降维处理后的特征输入卷积神经网络模型中的全连接层；
调用卷积神经网络模型中的全连接层对降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
本发明实施例中，设计并优化了针对有载分接开关进行故障识别的卷积神经网络，该网络结构如下表3所示。
表3 用于有载分接开关声纹识别的卷积神经网络结构
Figure 841872DEST_PATH_IMAGE014
上述实施例中，为了防止梯度消失或梯度爆炸现象，进行了批规范化操作；为了防止过拟合现象，在全连接层进行了Dropout操作，Dropout操作在训练阶段，随机选取隐藏层的神经元不参与计算，能够在训练复杂数据时有效抑制过拟合现象；而在卷积层使用激活函数ReLU进行非线性映射，提升了模型训练速度，稳定了网络的收敛速度；批规范化操作解决了神经元兼容性的问题，可改善神经网络的运算性能；Max Pooling操作可保留主要的特征同时减少参数和计算量，防止过拟合，提高模型泛化能力。
上述实施例中，通过采用梅尔时频谱对声音信号降维处理后，根据预先设置的故障识别标准对降维处理后的声音信号故障识别，在大大缩短了故障诊断识别时间的同时，还有效提高了识别的准确性。
进一步地，该装置还包括：
盲源分离单元603，用于在基于梅尔时频谱，对声音信号进行降维处理之前，基于相似矩阵的盲源分离，对声音信号进行降噪处理。
进一步地，该装置还包括：
时频域转化单元602，用于在基于相似矩阵的盲源分离，对声音信号进行降噪处理之前，对声音信号进行时频域转化。
进一步地，时频域转化单元602，还用于：
对声音信号进行交叠分段的分帧操作，得到每帧时域信号；
对每帧时域信号进行加窗处理；
对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
本发明实施例中，首先对获取的声音信号进行交叠封闭的颜的分帧操作，其中，帧长太短则特征向量代表性差，帧长太长则语音信号变化过大，影响特征向量准确性，因此需要考虑有载分接开关动作的暂态特性，选择合适的帧长。帧长和帧移确定后，为了削弱下一步要进行的傅里叶变换带来的频谱泄漏影响，还需要将每帧时域数据进行加窗处理，可以采用具有较好的时间和频率聚集特性的汉明窗(hamming)，具体公式如下式（4）：
Figure DEST_PATH_IMAGE015
（4）；
其中，N为汉明窗的长度，由帧长和采样率决定。
最后对处理后的波形片段进行短时离散傅里叶变换，即可得到能够同时描述时间与频率的时频谱。
例如，图4示出了本发明一个实施例中时域声信号转变为时频谱图过程原理图，如图4所示，待处理的原始数据为一段时长为7s的变压器有载分接开关声音采集数据切片，首先选择帧长为0.1s，帧移为0.05s，对声音信号进行交叠封闭的颜的分帧操作；之后将每帧时域数据进行汉明窗(hamming)处理，具体公式如下式（4）：
Figure 286759DEST_PATH_IMAGE015
（4），
其中，N为汉明窗的长度，由帧长和采样率决定；
最后对处理后的波形片段进行短时离散傅里叶变换，即可得到能够同时描述时间与频率的时频谱，时频谱图中的横坐标为时间，纵坐标为频率，条纹状的图形的颜色代表了当前频率在该时刻含量的大小，由功率谱密度（power spectral density, PSD）表示。
上述实施例中，通过将声音信息进行时频域转化，可以准确获得声音信号在不同时间下频率能量分布，提取其包含的特征信息；同时，声音信息时频域转化之后以时频谱图形式展现，进而建立时域与频域之间的联系，可以实现声音特征信息的最大化，方便后期根据预先设置的故障识别标准进行训练和故障识别。
进一步地，盲源分离单元603，还用于：
计算声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽；
使用软掩蔽提取声音信号的重复特征，将声音信号的背景时频谱与前景时频谱进行分离。
本发明实施例中，首先将声音信号时频谱的频谱W按列取距离范数并进行归一化，计算每一帧信号之间的相似性得到相似矩阵S，其每一点（i,k）对应频谱W中第i帧与第k帧特征向量之间的余弦相似度，相似矩阵S采用如下公式（5）得到：
Figure 93041DEST_PATH_IMAGE007
（5）；
其中，变量m为帧序号，1≤m≤n，n为时频谱的帧长。
相似矩阵S通过计算各帧之间的差异，因此对周期性信号不敏感，而瞬时声音信号相对于变压器本体声信号更具稀疏性和波动性。定义重复谱模型V为矩阵S各频段的中值，它代表了频谱每一帧与其相似帧向量相关度。用于滤波的重复谱V能量应小于等于原频谱W，更新后的重复谱V’采用如下公式（6）得到：
Figure 877458DEST_PATH_IMAGE008
（6）；
若直接使用重复谱模型形成的二值掩蔽通常会在重新合成中引入可听见的伪影，选择软掩蔽方法会可以有效避免该问题，可以选择频域维纳滤波器形成软掩蔽。假设分接开关信号为加性噪声，且与变压器本体信号不相关，通过维纳霍夫方程以及最小均方差函数得到的频域维纳滤波器系数H的表达式可见如下公式（7）：
Figure 743783DEST_PATH_IMAGE009
（7）；
其中，P x 为变压器本体信号功率谱，即重复谱V’，P N 为噪声功率谱，即原频谱W与重复谱V’的差；
计算不同频段的H即可构成软掩蔽。
最后使用时频掩蔽提取原始信号重复特征，即可分离出背景时频谱与前景时频谱。
图5示出了本发明一个实施例中对有载分接开关运行状态的声音信号盲源分离的原理图。如图5所示，通过对包含干扰的声音信号进行盲源分离，可以得到所获取的运行状态的声音信号与有载分接开关动作瞬时的声音信号、变压器本体的干扰声音信号的时频谱图对比。
上述实施例中，通过对声音时频谱采用基于相似矩阵的盲源分离，可以分离得到背景时频谱与前景时频谱，为后续根据预先设置的故障识别标准进行故障识别提供了更为准确的声音信号。
实施例2
表4给出了本发明一个实施例中，采用本发明装置（MEL-CNN），与常规卷积神经网络模型（CNN）、循环神经网络模型（RNN）对有载分接开关（OLTC）故障识别成功率和时间的对比。如表4所示，可见Mel-CNN模型对OLTC四种不同状态的识别成功率均超过96%，单样本识别时间最快可达0.06 s，在故障识别准确性和速度方面，明显优于常规CNN模型和RNN模型，再次证明了本发明实施例提供的对有载分接开关进行故障识别的装置的优越性，以及对变电站中有载分接开关现场不停电检测与故障诊断的良好适用性。
表4 有载分接开关故障识别方法结果对比
Figure DEST_PATH_IMAGE017
图7示出了根据本发明实施例的用于对有载分接开关进行故障识别的系统的结构示意图。
如图7所示，该系统包括：
拾音器模组701，与服务器702相连，用于采集并处理有载分接开关及有载分接开关所在变压器的运行状态的声音信号，并将采集并处理后的声音信号发送至服务器；
服务器702，用于根据采集并处理后的声音信号，采用本发明各实施例提供的方法进行故障识别。
本发明实施例中，拾音器模组701，可以包括传统拾音器和数据转换处理模块，其中，传统拾音器可以用于采集有载分接开关及有载分接开关所在变压器的运行状态的原始声音信号，数据转换处理模块可以包括数据采集卡和信号处理电路等，可以用于对所采集的原始声音信号进行转换处理，得到服务器可以识别的声音信号格式。具体地，传统拾音器可以具有宽范围且平坦的响应曲线，频率响应40 Hz-20 kHz、灵敏度-33 dB±3 dB、动态范围107 dB 或更高、声音信号指向性采集，屏蔽更多外界干扰、搭配500kHz高精度采样率完美还原变压器现场声信号。数据转换处理模块，可以为设计尺寸约为400mm*300mm*150mm，内置4通道信号采集卡，采样率500K~1MS/s。服务器702，可以为单独的服务器或集群服务器。拾音器模组701和服务器702之间可以通过有线光纤连接，也可以通过无线连接。拾音器模组701可以为1或2个，可以布置在距离有载分接开关的2-3米处，具体位置可以根据现场地形决定。
上述实施例中，由于拾音器模组可对远距离的变压器及有载分接开关进行声音信号采集及处理，相比于传统的振动法对有载分接开关机械状态的监测，解决了传感器布点位置要求严苛以及难以带电更换的问题，能够实现对有载分接开关机械状态远距离无间断实时监测；同时，服务器通过采用梅尔时频谱对声音信号降维处理后，根据预先设置的故障识别标准对降维处理后的声音信号故障识别，在大大缩短了故障诊断识别时间的同时，还有效提高了识别的准确性。
本发明还提供了一种计算机可读存储介质，存储有一个或者一个以上程序，该程序被一个或者一个以上的处理器用来执行时实现上述任一种用于对有载分接开关进行故障识别的方法。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种用于对有载分接开关进行故障识别的方法，其特征在于，所述方法包括：
获取由拾音器模组采集并处理后的运行状态的声音信号；
采用如下公式计算所述声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽：
Figure DEST_PATH_IMAGE002
；
其中，W为所述声音信号的原频谱，V为声音信号的重复谱，所述重复谱V为相似矩阵S各频段的中值，所述相似矩阵S采用如下公式得到：
Figure DEST_PATH_IMAGE004
；
其中，m为帧序号，n为时频谱的帧长，1≤m≤n；
使用所述软掩蔽提取所述声音信号的重复特征，将所述声音信号的背景时频谱与前景时频谱进行分离；
基于梅尔时频谱，对所述声音信号进行降维处理；
根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
2.根据权利要求1所述的方法，其特征在于，所述基于相似矩阵的盲源分离，对所述声音信号进行降噪处理之前，包括：
对所述声音信号进行时频域转化。
3.根据权利要求2所述的方法，其特征在于，所述对所述声音信号进行时频域转化，包括：
对所述声音信号进行交叠分段的分帧操作，得到每帧时域信号；
对所述每帧时域信号进行加窗处理；
对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
4.根据权利要求1所述的方法，其特征在于，所述基于梅尔时频谱，对所述声音信号进行降维处理，包括：
将所述声音信号时频谱变换到梅尔标度下的梅尔时频谱；
采用梅尔滤波器组对所述梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对所述梅尔时频谱的中高频和高频进行滤波降权处理。
5.根据权利要求1-4任一所述的方法，其特征在于，所述根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果，包括：
调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
6.根据权利要求5所述的方法，其特征在于，所述预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；
所述调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果，包括：
调用所述卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入所述卷积神经网络模型中的池化层；
调用所述卷积神经网络模型中的池化层对所述非线性映射后的特征进行降维处理，并将降维处理后的特征输入所述卷积神经网络模型中的全连接层；
调用所述卷积神经网络模型中的全连接层对所述降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
7.一种用于对有载分接开关进行故障识别的装置，其特征在于，所述装置包括：
声音信号获取单元，用于获取由拾音器模组采集并处理后的运行状态的声音信号；
盲源分离单元，用于采用如下公式计算所述声音信号的不同频段的频域维纳滤波器系数H，构成软掩蔽：
Figure DEST_PATH_IMAGE005
；
其中，W为所述声音信号的原频谱，V为声音信号的重复谱，所述重复谱V为相似矩阵S各频段的中值，所述相似矩阵S采用如下公式得到：
Figure DEST_PATH_IMAGE006
；
其中，m为帧序号，n为时频谱的帧长，1≤m≤n；
使用所述软掩蔽提取所述声音信号的重复特征，将所述声音信号的背景时频谱与前景时频谱进行分离；
梅尔时频谱转换单元，用于基于梅尔时频谱，对所述声音信号进行降维处理；
故障识别单元，用于将根据预先设置的故障识别标准对降维处理后的声音信号故障识别，以确定有载分接开关的故障识别结果。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
时频域转化单元，用于在所述基于相似矩阵的盲源分离，对所述声音信号进行降噪处理之前，对所述声音信号进行时频域转化。
9.根据权利要求8所述的装置，其特征在于，所述时频域转化单元，还用于：
对所述声音信号进行交叠分段的分帧操作，得到每帧时域信号；
对所述每帧时域信号进行加窗处理；
对加窗处理后的每帧时域信号进行短时离散傅里叶变换。
10.根据权利要求7所述的装置，其特征在于，所述梅尔时频谱转换单元，还用于：
将所述声音信号时频谱变换到梅尔标度下的梅尔时频谱；
采用梅尔滤波器组对所述梅尔时频谱的低频和中低频成分进行滤波放大处理，同时对所述梅尔时频谱的中高频和高频进行滤波降权处理。
11.根据权利要求7-10任一所述的装置，其特征在于，所述故障识别单元，还用于：
调用预先构建的卷积神经网络模型对降维处理后的声音信号进行特征提取和映射，并对提取和映射的特征进行降维处理，根据降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
12.根据权利要求11所述的装置，其特征在于，所述预先构建的卷积神经网络模型包括至少一个卷积层、至少一个池化层及至少一个全连接层；
所述故障识别单元，还用于：
调用所述卷积神经网络模型中的卷积层对降维处理后的声音信号进行特征提取，并对所提取的特征进行非线性映射，将非线性映射后的特征输入所述卷积神经网络模型中的池化层；
调用所述卷积神经网络模型中的池化层对所述非线性映射后的特征进行降维处理，并将降维处理后的特征输入所述卷积神经网络模型中的全连接层；
调用所述卷积神经网络模型中的全连接层对所述降维处理后的特征进行分类，得到有载分接开关的故障识别结果。
13.一种用于对有载分接开关进行故障识别的系统，其特征在于，所述系统包括：
拾音器模组，与服务器相连，用于采集并处理有载分接开关及所述有载分接开关所在变压器的运行状态的声音信号，并将所述采集并处理后的声音信号发送至服务器；
服务器，用于根据所述采集并处理后的声音信号，采用如权利要求1-6任一所述的方法进行故障识别。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的方法。
CN202011083933.3A 2020-10-12 2020-10-12 用于对有载分接开关进行故障识别的方法、装置及系统 Active CN111933186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083933.3A CN111933186B (zh) 2020-10-12 2020-10-12 用于对有载分接开关进行故障识别的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083933.3A CN111933186B (zh) 2020-10-12 2020-10-12 用于对有载分接开关进行故障识别的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111933186A CN111933186A (zh) 2020-11-13
CN111933186B true CN111933186B (zh) 2020-12-25

Family

ID=73335201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083933.3A Active CN111933186B (zh) 2020-10-12 2020-10-12 用于对有载分接开关进行故障识别的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111933186B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285551A (zh) * 2020-11-19 2021-01-29 特变电工衡阳变压器有限公司 有载分接开关在线监测方法、装置和系统
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
CN113392511B (zh) * 2021-05-28 2022-11-22 广西电网有限责任公司电力科学研究院 基于频谱包络符号熵的有载分接开关机械状态监测方法
CN114120974A (zh) * 2021-11-24 2022-03-01 江苏华电灌云风力发电有限公司 一种基于深度学习的风机叶片故障诊断方法
CN118522310B (zh) * 2024-07-23 2024-09-17 北京谛声科技有限责任公司 一种oltc运行状态监测方法、装置和电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655571B2 (en) * 2011-06-23 2014-02-18 United Technologies Corporation MFCC and CELP to detect turbine engine faults
CN102426835B (zh) * 2011-08-30 2013-06-12 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
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
CN110335617A (zh) * 2019-05-24 2019-10-15 国网新疆电力有限公司乌鲁木齐供电公司 一种变电站中的噪音分析方法
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统
CN110488675A (zh) * 2019-07-12 2019-11-22 国网上海市电力公司 一种基于动态规整算法的变电站声信号特征提取方法
CN110992985A (zh) * 2019-12-02 2020-04-10 中国科学院声学研究所东海研究站 识别跑步机异音的识别模型确定方法、识别方法、系统
CN111710329A (zh) * 2020-06-12 2020-09-25 重庆瑞尔科技发展有限公司 基于深度学习的船舶发动机声纹故障判别方法及系统

Also Published As

Publication number Publication date
CN111933186A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111933186B (zh) 用于对有载分接开关进行故障识别的方法、装置及系统
CN111325095B (zh) 基于声波信号的设备健康状态智能检测方法和系统
Jiang et al. Bearing fault classification based on convolutional neural network in noise environment
CN108369813B (zh) 特定声音识别方法、设备和存储介质
CN109036382B (zh) 一种基于kl散度的音频特征提取方法
CN110490071A (zh) 一种基于mfcc的变电站声信号特征提取方法
CN108734192A (zh) 一种基于投票机制的支持向量机机械故障诊断方法
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及系统
CN111044814A (zh) 一种对变压器直流偏磁异常进行辨识的方法及系统
Müller et al. Analysis of feature representations for anomalous sound detection
CN111796180A (zh) 一种高压开关机械故障的自动识别方法及装置
CN113707158A (zh) 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测系统
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法
CN115910097A (zh) 一种高压断路器潜伏性故障可听声信号识别方法及系统
CN118364271B (zh) 基于声音及图像特征的gis断路器运行状态监测方法及系统
CN115438685A (zh) 一种基于神经网络的变压器故障声音特征识别方法
CN112329914A (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN115932561A (zh) 一种基于声纹识别的高压断路器机械故障在线诊断方法
Zhang et al. Fault diagnosis method based on MFCC fusion and SVM
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
Dang et al. Fault diagnosis of power transformer by acoustic signals with deep learning
CN112863517B (zh) 基于感知谱收敛率的语音识别方法
CN113270110A (zh) 一种zpw-2000a轨道电路发送器、接收器故障诊断方法
Min et al. Voiceprint recognition of transformer fault based on blind source separation and convolutional neural network

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