CN111948487A - 一种基于人工智能的高压电力设备故障诊断方法及系统 - Google Patents
一种基于人工智能的高压电力设备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111948487A CN111948487A CN202010690168.5A CN202010690168A CN111948487A CN 111948487 A CN111948487 A CN 111948487A CN 202010690168 A CN202010690168 A CN 202010690168A CN 111948487 A CN111948487 A CN 111948487A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- voltage power
- sound
- fault
- artificial intelligence
- 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.)
- Pending
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于人工智能的高压电力设备故障诊断方法及系统,分别对高压电力设备正常状态和故障状态的声音样本进行标注;对标注后的声音样本分别提取声音样本的特征向量;利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;根据故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。本发明通过非接触式声音传感器实时监测电力设备运行工况及故障判断,可使得运检人员能初步掌握各电力设备的基本状况,对于是否需要对电力设备进一步观察、检测提供了实时的、经济的、可靠的信息来源。
Description
技术领域
本发明属于电力设备故障诊断技术领域,涉及的是一种基于人工智能的高压电力设备故障诊断方法及系统。
背景技术
近年来,随着电力技术迅猛发展,电网规模的不断扩大,特别是我国超高压、特高压、全球能源互联网等战略的提出为电力工业的前景指明了方向。大电网,特高压系统对高压电力设备的可靠性提出了更高的要求,这意味着对高压电力设备的检测诊断提出了更高要求。除了传统广泛用于检测的信号外,随着声音采集和处理技术能力的提高,声音用于电力设备检测的概念亦被部分学者提出。声音是一种电力设备机械波由振动向传声介质辐射能量,声信号蕴含着大量的振动信息,是分析设备运行状态的一项重要指标。此外,获取声音信号不需要让设备停止运行,也不用接触设备,装置简单,采集信号方便,安装方式比较灵活,不会干扰设备的正常运行。
现行通过声音来判断变电站运行状态的检测方法主要靠人工来完成,无法实现实时在线检测,这与电力设备检测的发展需求相违背,且借助人工的电力设备声音检测过度依赖工作经验与主观判断,使检测的准确性无法得到保障,且巡检人员的工作环境相对恶劣、经济成本与时间成本较高。因此,研制一种基于人工智能的高压电力设备故障诊断技术成为本领域亟待解决的问题,通过该人工智能高压电力设备故障诊断技术,应当能够实时监测电力设备运行工况及故障判断,可以使得运检人员能初步掌握各电力设备的基本状况,对于是否需要对电力设备进一步观察、检测提供实时的、经济的、可靠的信息来源。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种基于人工智能的高压电力设备故障诊断方法及系统。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种基于人工智能的高压电力设备故障诊断方法,包括:
分别对高压电力设备正常状态和故障状态的声音样本进行标注;
对标注后的高压电力设备声音样本提取融合特征向量;
利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
根据高压电力设备故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
优选地,所述对标注后的高压电力设备声音样本提取融合特征向量,包括:
对每一样本分别提取6维时频域参数和13维梅尔倒谱系数,构成组合的19维融合特征向量。
优选地,所述6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。
优选地,利用机器学习算法,对所提取的高压电力设备正常状态和故障状态声音样本的特征向量进行分类训练,包括:
利用支持向量机模型对正常状态和故障状态的声音样本特征向量进行分类训练,并对支持向量机模型的超参数进行优化。
优选地,所述对支持向量机模型的超参数进行优化的方法,包括:
利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
根据本发明的另一个方面,提供了一种基于人工智能的高压电力设备故障诊断系统,包括:
声音样本处理模块:所述声音样本处理模块对高压电力设备正常状态和故障状态的声音样本进行标注,对标注后的高压电力设备声音样本提取融合特征向量;利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
设备诊断模块:所述设备诊断模块根据高压电力设备故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
优选地,所述声音样本处理模块对标注后的高压电力设备声音样本提取融合特征向量,包括:
对每一帧样本分别提取6维时频域参数和13维梅尔倒谱系数,构成组合的19维融合特征向量。
优选地,所述6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量已经频谱滚降点。
优选地,所述声音样本处理模块利用机器学习算法,对所提取的高压电力设备正常状态和故障状态声音样本的特征向量进行分类训练,包括:
利用支持向量机模型对正常状态和故障状态的声音样本特征向量进行分类训练,并对支持向量机模型的超参数进行优化。
优选地,所述对支持向量机模型的超参数进行优化的方法,包括:
利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
由于采用了上述技术方案,本发明具有如下至少一项有益效果:
本发明提供的基于人工智能的高压电力设备故障诊断方法及系统,对每一样本分别提取6维时频域参数、13维梅尔倒谱系数,构成组合的19维融合特征向量,其有益效果是,每一帧声音样本的特征都可用19维向量来表示,把声音信号中具有辨识性的成分提取出来,并把其他无关的信息去除掉。
本发明提供的基于人工智能的高压电力设备故障诊断方法及系统,利用支持向量机模型(例如基于支持向量机算法的分类器)对正常状态和故障状态的声音信号特征向量进行分类训练,并对支持向量机模型超参数进行优化,其有益效果是,经过训练形成了基于声音信号的高压电力设备故障状态特征图谱。
本发明提供的基于人工智能的高压电力设备故障诊断方法及系统,能够实时监测电力设备运行工况及故障判断,可使得运检人员能初步掌握各电力设备的基本状况,对于是否需要对电力设备进一步观察、检测提供了实时的、经济的、可靠的信息来源。
本发明提供的基于人工智能的高压电力设备故障诊断方法及系统,解决了现在人工检测准确率无法保障以及工作环境恶劣的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所提供的基于人工智能的高压电力设备故障诊断方法流程图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
本发明一实施例提供了一种基于人工智能的高压电力设备故障诊断方法,该方法实时监测电力设备运行工况及故障判断,使得运检人员能初步掌握各电力设备的基本状况,对于是否需要对电力设备进一步观察、检测提供了实时的、经济的、可靠的信息来源。
如图1所示,该方法包括如下步骤:
步骤1,分别对高压电力设备正常状态和故障状态的声音样本进行标注;
步骤2,对标注后的高压电力设备声音样本提取融合特征向量;
步骤3,利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
步骤4,根据故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
作为一优选实施例,步骤2中,对标注后的高压电力设备声音样本提取融合特征向量,对每一样本分别提取6维时频域参数、13维梅尔倒谱系数,构成组合的19维特征向量。
作为一优选实施例,6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。
作为一优选实施例,步骤3中,提取的高压电力设备正常状态和故障状态声音样本的特征向量;利用支持向量机模型(例如基于支持向量机算法的分类器)对混合环境声音后的正常状态和故障状态的声音样本特征向量进行分类训练,并对支持向量机模型超参数进行优化。
作为一优选实施例,对支持向量机模型超参数进行优化的方法包括:利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
作为一优选实施例,还包括如下步骤:
步骤0,分别采集高压电力设备正常状态和故障状态的声音样本。
在本发明部分实施例中,
步骤0中,通过非接触式声音采集系统收集高压电力设备正常状态和多种故障状态的声音信号作为声音样本。
步骤1中,采用数字0~9对设备不同工作状态的声音样本(包括正常状态和多种故障状态)分别进行标注。
步骤2中,对标注后的高压电力设备声音样本提取融合特征向量。
进一步地,步骤2具体包括以下步骤:
步骤2.1,将多个采样点集合成一个观测单位,称为分帧。涵盖的时间为as左右。两相邻帧之间设有一段重叠区域,此重叠区域包含了多个取样点,涵盖的时间为bs左右。
进一步优选地,多个采样点为400个;涵盖的时间为0.025s;重叠区域包含了160个取样点,涵盖的时间为0.01s。
步骤2.2,对分帧的各帧信号提取短时平均过零率参数Zn,Zn形式如下:
步骤2.3,对分帧的各帧信号提取短时能量参数En,En形式如下:
式中,t为帧位移,s(τ)是音频信号的采样值,L为帧长。
步骤2.4,对分帧的各帧信号提取能量熵参数H,H的形式如下:
式中p(i)为信号能量的归一化值。
步骤2.5,对分帧的各帧信号的频谱绝对值归一化,形式如下:
进而对归一化后的频谱提取谱熵参数Hm,Hm形式如下:
式中,pi表示频谱归一化值,Ym(fi)表示各帧信号的频谱。
步骤2.6,对分帧的各帧信号提取频谱通量参数Fl,Fl的形式如下:
步骤2.7,对分帧的各帧信号提取频谱滚降点参数,形式如下:
式中,fc表示滚降频率,mi表示第i帧的频谱幅度。
步骤2.8,将每一帧乘以汉明窗W(n),以增加帧左端和右端的连续性。分帧后的信号为S(n),n=0,1,…,N-1,N为帧的大小,乘上汉明窗后S′(n)=S(n)×W(n),其中W(n)形式如下:
式中,α表示窗函数参数。
步骤2.9,对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱,并对声音信号(声音样本)的频谱取模平方得到声音信号的功率谱。设声音信号Xa(k)的DFT为:
式中,k表示傅里叶变换的第k次频率,x(n)为输入的语音信号,N表示傅里叶变换的点数。
步骤2.10,将能量谱通过一组Mel尺度的三角形滤波器组,三角滤波器的频率响应Hm(k)为:
步骤2.11,计算每个滤波器组输出的对数能量s(m),形式如下:
步骤2.12,经离散余弦变换(DCT)得到MFCC系数C(n),形式如下:
步骤3中,利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱。
进一步地,步骤3具体包括以下步骤:
步骤3.1,对每两类声音样本求其最优超平面,形式如下:
ωT·x+b=0 (13)
式中,ω表示平面法向量,x表示样本向量,b表示偏置。
步骤3.2,求超平面到两类声音样本的最大几何间隔,形式如下:
使得yi(ωT·xi+b)≥1,i=1,2,…,n,n为训练样本数。式中,yi(·)表示样本标签。
步骤3.3,在式(13)基础上加上松弛变量,给分错的声音样本点加上一点惩罚,惩罚函数就是这个点到其正确位置的距离,形式如下:
使得yi(ωT·xi+b)≥1-ξi,ξi≥0。式中,ξi表示第i个样本偏离数值,C表示惩罚系数。
步骤3.4,把约束条件融合到优化的目标函数中,建立拉格朗日公式,形式如下:
优化目标变为min(maxL(ω,b,ξ,α,β))。式中,α、β为拉格朗日系数。
步骤3.5,对ω、b、ξ求极小值,即对ω、b、ξ求偏导,并令其值为0,形式如下:
αi+βi=C (17-3)
步骤3.6,把式(16)回代L(ω,b,α),就得到式(15)的对偶问题:
步骤3.7,对α求导,即可求出式(17)的值。
步骤3.8,通过训练得到训练模型参数之后,就可根据模型参数对一个ROI区域进行计算,判断其归类。
将这些特征参数与训练结果的模型参数进行比对:
σ(x,w)=wTx+b (19)
式中,σ(·)表示SVM的黑盒过程,x表示输入特征向量。
得到对应的类别标志:
式中,θ(·)表示分类过程。
步骤3.9,选定核函数为Gauss函数k(x1,x2):
步骤3.10,利用粒子群算法优化超参数C和gamma,第k次迭代过程为:
式中,ω表示惯性因子,c1、c2表示加速常数,r1、r2表示区间[0,1]上的随机数,V表示粒子速度,P表示粒子的值,X表示粒子在矢量空间的位置。
步骤4中,根据故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
步骤4根据步骤3训练得出的故障状态特征图谱,对输入的高压电力设备发出的声音进行判断。如果判断该声音为正常状态,则不显示继续监测;如果判断该声音为故障状态,则需上报故障类型以及故障时间。
本发明另一实施例提供了一种基于人工智能的高压电力设备故障诊断系统,包括:
声音样本处理模块:声音样本处理模块对高压电力设备正常状态和故障状态的声音样本进行标注,对标注后的高压电力设备声音样本提取融合特征向量;利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
设备诊断模块:设备诊断模块根据高压电力设备故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
作为一优选实施例,声音样本处理模块分别提取高压电力设备正常状态和故障状态声音样本的特征向量,包括:
对每一帧样本分别提取6维时频域参数、13维梅尔倒谱系数,构成组合的19维特征向量。
作为一优选实施例,6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。
作为一优选实施例,声音样本处理模块利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,包括:
利用支持向量机模型对正常状态和故障状态的声音样本特征向量进行分类训练,并对支持向量机模型的超参数进行优化。
作为一优选实施例,对支持向量机模型的超参数进行优化的方法,包括:
利用粒子群算法对超参数惩罚系数C和核函数的系数gamma在一定的范围内取值进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
作为一优选实施例,还包括:声音样本采集模块:声音样本采集模块分别采集高压电力设备正常状态和故障状态的声音样本。
本发明上述实施例提供的基于人工智能的高压电力设备故障诊断方法及系统,每一帧声音样本的特征都可用19维向量来表示,把声音信号中具有辨识性的成分提取出来,并把其他无关的信息去除掉;经过训练形成了基于声音信号的高压电力设备故障状态特征图谱;能够实时监测电力设备运行工况及故障判断,可使得运检人员能初步掌握各电力设备的基本状况,对于是否需要对电力设备进一步观察、检测提供了实时的、经济的、可靠的信息来源;解决了现在人工检测准确率无法保障以及工作环境恶劣的问题。
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照系统的技术方案实现方法的步骤流程,即,系统中的实施例可理解为实现方法的优选例,在此不予赘述。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种基于人工智能的高压电力设备故障诊断方法,其特征在于,包括:
分别对高压电力设备正常状态和故障状态的声音样本进行标注;
对标注后的高压电力设备声音样本提取融合特征向量;
利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
根据高压电力设备故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
2.根据权利要求1所述的基于人工智能的高压电力设备故障诊断方法,其特征在于,所述对标注后的高压电力设备声音样本提取融合特征向量,包括:
对每一样本分别提取6维时频域参数和13维梅尔倒谱系数,构成19维的融合特征向量。
3.根据权利要求2所述的基于人工智能的高压电力设备故障诊断方法,其特征在于,所述6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。
4.根据权利要求1所述的基于人工智能的高压电力设备故障诊断方法,其特征在于,所述利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,包括:
利用支持向量机模型对声音样本的融合特征向量进行分类训练,并对支持向量机模型的超参数进行优化。
5.根据权利要求4所述的基于人工智能的高压电力设备故障诊断方法,其特征在于,所述对支持向量机模型的超参数进行优化的方法,包括:
利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
6.一种基于人工智能的高压电力设备故障诊断系统,其特征在于,包括:
声音样本处理模块:所述声音样本处理模块对高压电力设备正常状态和故障状态的声音样本进行标注,对标注后的高压电力设备声音样本提取融合特征向量;利用机器学习算法,对所提取的高压电力设备声音样本的融合特征向量进行分类训练,形成基于声音信号的高压电力设备故障状态特征图谱;
设备诊断模块:所述设备诊断模块根据高压电力设备故障状态特征图谱,对高压电力设备的工作状态进行判断,从而完成高压电力设备故障诊断。
7.根据权利要求6所述的基于人工智能的高压电力设备故障诊断系统,其特征在于,所述声音样本处理模块对标注后的高压电力设备声音样本提取融合特征向量,包括:
对每一样本分别提取6维时频域参数和13维梅尔倒谱系数,构成组合的19维的融合特征向量。
8.根据权利要求7所述的基于人工智能的高压电力设备故障诊断系统,其特征在于,所述6维时频域参数包括:短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。
9.根据权利要求6所述的基于人工智能的高压电力设备故障诊断系统,其特征在于,所述声音样本处理模块利用机器学习算法,对所提取的高压电力设备正常状态和故障状态声音样本的特征向量进行分类训练,包括:
利用支持向量机模型对声音样本的融合特征向量进行分类训练,并对支持向量机模型的超参数进行优化。
10.根据权利要求9所述的基于人工智能的高压电力设备故障诊断系统,其特征在于,所述对支持向量机模型的超参数进行优化的方法,包括:
利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化,最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690168.5A CN111948487A (zh) | 2020-07-17 | 2020-07-17 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690168.5A CN111948487A (zh) | 2020-07-17 | 2020-07-17 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111948487A true CN111948487A (zh) | 2020-11-17 |
Family
ID=73339997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010690168.5A Pending CN111948487A (zh) | 2020-07-17 | 2020-07-17 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948487A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598537A (zh) * | 2020-12-22 | 2021-04-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN113075512A (zh) * | 2021-04-01 | 2021-07-06 | 陕西省地方电力(集团)有限公司 | 基于声检测的变压器放电故障诊断方法和系统 |
CN113205829A (zh) * | 2021-04-29 | 2021-08-03 | 上海智大电子有限公司 | 一种综合监控设备运行状态的方法及系统 |
CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
CN113327629A (zh) * | 2021-05-06 | 2021-08-31 | 上海交通大学 | 电力设备声音诊断方法及系统 |
CN113353582A (zh) * | 2021-07-02 | 2021-09-07 | 东北大学 | 基于音频信息和pso-msvm的传送带托辊设备故障检测方法 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN113553465A (zh) * | 2021-06-15 | 2021-10-26 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
CN115266914A (zh) * | 2022-03-28 | 2022-11-01 | 华南理工大学 | 基于声学信号处理的沉桩质量监测系统及监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132443A (zh) * | 2017-03-01 | 2017-09-05 | 大连理工大学 | 一种三电平statcom智能故障诊断方法 |
CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
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 |
-
2020
- 2020-07-17 CN CN202010690168.5A patent/CN111948487A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132443A (zh) * | 2017-03-01 | 2017-09-05 | 大连理工大学 | 一种三电平statcom智能故障诊断方法 |
CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
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 |
Non-Patent Citations (1)
Title |
---|
廖朋: "基于支持向量机的渔船含油污水排放研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598537A (zh) * | 2020-12-22 | 2021-04-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN112598537B (zh) * | 2020-12-22 | 2022-08-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN113075512A (zh) * | 2021-04-01 | 2021-07-06 | 陕西省地方电力(集团)有限公司 | 基于声检测的变压器放电故障诊断方法和系统 |
CN113205829A (zh) * | 2021-04-29 | 2021-08-03 | 上海智大电子有限公司 | 一种综合监控设备运行状态的方法及系统 |
CN113327629A (zh) * | 2021-05-06 | 2021-08-31 | 上海交通大学 | 电力设备声音诊断方法及系统 |
CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
CN113553465A (zh) * | 2021-06-15 | 2021-10-26 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
CN113553465B (zh) * | 2021-06-15 | 2023-12-19 | 深圳供电局有限公司 | 声音数据入库方法、装置、计算机设备和存储介质 |
CN113353582A (zh) * | 2021-07-02 | 2021-09-07 | 东北大学 | 基于音频信息和pso-msvm的传送带托辊设备故障检测方法 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN115266914A (zh) * | 2022-03-28 | 2022-11-01 | 华南理工大学 | 基于声学信号处理的沉桩质量监测系统及监测方法 |
CN115266914B (zh) * | 2022-03-28 | 2024-03-29 | 华南理工大学 | 基于声学信号处理的沉桩质量监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及系统 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN111259990B (zh) | 基于多源信息融合的海水泵故障监测装置与诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
Hou et al. | Research on audio-visual detection method for conveyor belt longitudinal tear | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
CN113283310A (zh) | 一种基于声纹特征的电力设备健康状态检测系统和方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN109374293A (zh) | 一种齿轮故障诊断方法 | |
CN103745238A (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN116776279A (zh) | 多模态数据协同的输电线路闪爆预警异常目标检测方法 | |
CN116154972A (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN110082106B (zh) | 一种基于Yu范数的深度度量学习的轴承故障诊断方法 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN110308339A (zh) | 基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |
|
RJ01 | Rejection of invention patent application after publication |