CN112016470A - 基于声音信号和振动信号的有载分接开关故障识别方法 - Google Patents
基于声音信号和振动信号的有载分接开关故障识别方法 Download PDFInfo
- Publication number
- CN112016470A CN112016470A CN202010889047.3A CN202010889047A CN112016470A CN 112016470 A CN112016470 A CN 112016470A CN 202010889047 A CN202010889047 A CN 202010889047A CN 112016470 A CN112016470 A CN 112016470A
- Authority
- CN
- China
- Prior art keywords
- signal data
- vibration
- sound
- data
- autocorrelation function
- 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
- 230000005236 sound signal Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000009432 framing Methods 0.000 claims abstract description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明涉及基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,包括如下步骤:采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本;对声音信号数据和振动信号数据分别进行分帧处理,并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数;计算每帧声音信号数据的自相关函数的能量特征,并求取当前帧局部范围内的平均能量;计算每帧振动信号数据的自相关函数的熵特征,并求取当前帧局部范围内的平均熵;通过上述数据特征构建声音、振动异构数据联合能量熵特征,并添加故障标签作为训练样本集;构建神经网络,输入训练样本集进行训练,生成故障识别模型,通过故障识别模型进行故障识别。
Description
技术领域
本发明涉及一种基于声音信号和振动信号的有载分接开关故障识别方法,属于电力电子领域技术领域。
背景技术
有载分接开关是有载调压变压器完成调压的关键部件,通过有载分接开关的合理调节,可以有效限制系统电压的大幅波动,增加电网调度的调节手段,增强其调节的灵活性。据统计,在变压器的所有故障类型中,由有载分接开关异常工作引起的事故仅次于绕组变形故障,约占变压器总事故的15%以上。对电力系统发生的多起电压失稳及其它类型事故的分析研究亦发现,在部分电压失稳引起的事故中,有载调压变压器的不合理动作及故障是重要因素。利用的监测手段主要集中在振动及声学手段中的一种,其中,声学监测手段对有载分接开关进行故障诊断具有非接触、不停机、可在线监测等优势,是下一代有载分接开关状态监测系统的重要技术之一。现有的有载分接开关声学及振动信号分析方法主要有:包络线分析法,小波分析法,希尔伯特-黄变换法,以及混沌特性分析法等。
现有的利用声音及振动信号处理方法应用到有载分接开关状态检测中遇到的主要问题为:
(1)信号波形传播特性不清,影响其可靠性。有载分接开关内部机械结构比较复杂,异常信号主要源于切换开关动静触头的开合经液体及结构件传至变压器箱壁,现有手段对信号波形传播特性的研究存在困难。
(2)分接开关声音及振动信号处理技术较为简单,识别率有限。有载分接开关故障类型较多,且同一机械故障的不同程度都会导致信号形态的变化,现有处理方法大都通过对比信号时域波形、频域、及能量谱的差异来进行判断,无法充分表征分接开关切换过程中此类非平稳性和强时变性的振动信号中所包含的状态信息。因此,现有手段无法有效区分不同机理引起的分接开关信号。
发明内容
为了解决上述现有技术中存在的问题,本发明提出一种变压器有载分接开关故障识别方法,利用音频信号的能量特征和振动信号的熵特征构建联合特征并使用深度长短期记忆神经网络对故障进行识别。本发明对声音和振动数据进行融合处理,具有处理量小、实时性能高、故障识别率高等特点。
本发明的技术方案如下:
基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,包括如下步骤:
采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本,并进行预处理滤波;
对声音信号数据和振动信号数据分别进行分帧处理,并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数;
对于声音信号数据,计算每帧声音信号数据的自相关函数的能量特征,并求取当前帧局部范围内的平均能量;对于振动信号数据,计算每帧振动信号数据的自相关函数的熵特征,并求取当前帧局部范围内的平均熵;
通过所述声音信号数据的自相关函数的能量特征、平均能量以及振动信号数据的自相关函数的熵特征和平均熵构建声音、振动异构数据联合能量熵特征,并按帧给声音、振动异构数据联合能量熵特征添加故障标签,收集添加好故障标签的声音、振动异构数据联合能量熵特征作为训练样本集;
构建神经网络,输入训练样本集进行训练,经过更新迭代后生成故障识别模型;
通过待检测的变压器有载分接开关的声音信号数据和和振动信号数据计算声音、振动异构数据联合能量熵特征,将待检测的变压器有载分接开关的声音、振动异构数据联合能量熵特征输入故障识别模型进行故障识别。
进一步的,在进行分帧处理后的自相关函数计算公式为:
进一步的,所述声音信号数据的自相关函数的能量特征通过以下公式计算:
所述当前帧局部范围内的平均能量为:
进一步的,所述振动信号数据的自相关函数的熵特征的计算公式为:
当前帧局部范围内的平均熵为:
进一步的,所述声音、振动异构数据联合能量熵特征通过以下公式构建:
进一步的,所述神经网络为双向长短期神经网络,通过依次连接的一个序列输入层、三个双向长短期记忆层、一个全连接层、一个输出层构建。
进一步的,通过低通滤波器进行预处理滤波。
本发明具有如下有益效果:
本发明一种基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,利用声音、振动异构数据联合能量熵特征作为神经网络的输入,与单种特征相比,故障识别的准确率得到了显著提高;联合特征的数据长度相较于两种特征共同使用时也更短,减少了数据处理量和提高了数据处理速度,提升了故障识别的实时性能。。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一
参见图1,基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,包括如下步骤:
采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本,并进行预处理滤波;
对声音信号数据和振动信号数据分别进行分帧处理,并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数;
对于声音信号数据,计算每帧声音信号数据的自相关函数的能量特征,并求取当前帧局部范围内的平均能量;对于振动信号数据,计算每帧振动信号数据的自相关函数的熵特征,并求取当前帧局部范围内的平均熵;
通过所述声音信号数据的自相关函数的能量特征、平均能量以及振动信号数据的自相关函数的熵特征和平均熵构建声音、振动异构数据联合能量熵特征,并按帧给声音、振动异构数据联合能量熵特征添加故障标签,收集添加好故障标签的声音、振动异构数据联合能量熵特征作为训练样本集;
构建神经网络,输入训练样本集进行训练,经过更新迭代后生成故障识别模型;
通过待检测的变压器有载分接开关的声音信号数据和和振动信号数据计算声音、振动异构数据联合能量熵特征,将待检测的变压器有载分接开关的声音、振动异构数据联合能量熵特征输入故障识别模型进行故障识别。
本实施例利用声音、振动异构数据联合能量熵特征作为神经网络的输入,与单种特征相比,故障识别的准确率得到了显著提高;联合特征的数据长度相较于两种特征共同使用时也更短,减少了数据处理量和提高了数据处理速度,提升了故障识别的实时性能。
实施例二
进一步的,在分帧处理步骤中,帧重复率为55%,帧长度为0.15s;在进行分帧处理后的自相关函数计算公式为:
进一步的,所述声音信号数据的自相关函数的能量特征通过以下公式计算:
所述当前帧局部范围内的平均能量为:
进一步的,所述振动信号数据的自相关函数的熵特征的计算公式为:
当前帧局部范围内的平均熵为:
进一步的,所述声音、振动异构数据联合能量熵特征通过以下公式构建:
进一步的,所述神经网络为双向长短期神经网络,通过依次连接的一个序列输入层、三个双向长短期记忆层、一个全连接层、一个输出层构建,具体为:序列输入层的大小4829,序列输入层之后依次连接隐藏单元数分别为300、200和100的第一、第二和第三双向长短期记忆层,然后再连接到一个输出大小为4的全连接层,最后连接到softmax输出层输出识别结果。
进一步的,在采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本时,声音数据及振动数据样本的采样率均为fs=16.1kHz,单样本采样时长均为5.2s;通过低通滤波器进行预处理滤波,低通滤波器的截止频率为15kHz。
本实施例不仅具备实施例一的有益效果,进一步的,提出了声音数据和振动数据的数据特征的优化计算方法和公式,提高了数据处理的效率。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,其特征在于,包括如下步骤:
采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本,并进行预处理滤波;
对声音信号数据和振动信号数据分别进行分帧处理,并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数;
对于声音信号数据,计算每帧声音信号数据的自相关函数的能量特征,并求取当前帧局部范围内的平均能量;对于振动信号数据,计算每帧振动信号数据的自相关函数的熵特征,并求取当前帧局部范围内的平均熵;
通过所述声音信号数据的自相关函数的能量特征、平均能量以及振动信号数据的自相关函数的熵特征和平均熵构建声音、振动异构数据联合能量熵特征,并按帧给声音、振动异构数据联合能量熵特征添加故障标签,收集添加好故障标签的声音、振动异构数据联合能量熵特征作为训练样本集;
构建神经网络,输入训练样本集进行训练,经过更新迭代后生成故障识别模型;
通过待检测的变压器有载分接开关的声音信号数据和和振动信号数据计算声音、振动异构数据联合能量熵特征,将待检测的变压器有载分接开关的声音、振动异构数据联合能量熵特征输入故障识别模型进行故障识别。
6.根据权利要求1所述的基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,其特征在于:所述神经网络为双向长短期神经网络,通过依次连接的一个序列输入层、三个双向长短期记忆层、一个全连接层、一个输出层构建。
7.根据权利要求1所述的基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法,其特征在于:通过低通滤波器进行预处理滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889047.3A CN112016470B (zh) | 2020-08-28 | 2020-08-28 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889047.3A CN112016470B (zh) | 2020-08-28 | 2020-08-28 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016470A true CN112016470A (zh) | 2020-12-01 |
CN112016470B CN112016470B (zh) | 2024-02-09 |
Family
ID=73502359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010889047.3A Active CN112016470B (zh) | 2020-08-28 | 2020-08-28 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016470B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268924A (zh) * | 2021-05-18 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 基于时频特征的变压器有载分接开关故障识别方法 |
CN113537160A (zh) * | 2021-09-13 | 2021-10-22 | 天津中新智冠信息技术有限公司 | 球磨机负荷测量方法、装置、电子设备和介质 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2003137665A (ru) * | 2003-12-29 | 2005-06-10 | Александр Владимирович Лопатин (RU) | Способ определения параметров распределенной сети |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN109443717A (zh) * | 2018-10-16 | 2019-03-08 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关机械故障在线监测方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
-
2020
- 2020-08-28 CN CN202010889047.3A patent/CN112016470B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2003137665A (ru) * | 2003-12-29 | 2005-06-10 | Александр Владимирович Лопатин (RU) | Способ определения параметров распределенной сети |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN109443717A (zh) * | 2018-10-16 | 2019-03-08 | 国网江苏省电力有限公司南京供电分公司 | 一种有载分接开关机械故障在线监测方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
赵书涛;王亚潇;李沐峰;孙会伟;: "基于声振联合特征熵的断路器故障诊断方法", 华北电力大学学报(自然科学版), no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268924A (zh) * | 2021-05-18 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 基于时频特征的变压器有载分接开关故障识别方法 |
CN113268924B (zh) * | 2021-05-18 | 2023-01-31 | 国网福建省电力有限公司电力科学研究院 | 基于时频特征的变压器有载分接开关故障识别方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN113537160A (zh) * | 2021-09-13 | 2021-10-22 | 天津中新智冠信息技术有限公司 | 球磨机负荷测量方法、装置、电子设备和介质 |
CN113537160B (zh) * | 2021-09-13 | 2022-01-18 | 天津中新智冠信息技术有限公司 | 球磨机负荷测量方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112016470B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016470B (zh) | 基于声音信号和振动信号的有载分接开关故障识别方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Negi et al. | Event detection and its signal characterization in PMU data stream | |
CN109357749A (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
Wang et al. | Classification of power quality events using optimal time-frequency representations-part 1: Theory | |
CN103487749A (zh) | 高压断路器机械状态在线监测诊断系统及方法 | |
CN101494049A (zh) | 一种用于音频监控系统中的音频特征参数的提取方法 | |
CN108169639A (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
CN111404130B (zh) | 基于快速开关的新型配电网故障检测方法及故障自愈系统 | |
CN102491140A (zh) | 基于特征信号的电梯安全检测装置及电梯安全检测方法 | |
CN112014047A (zh) | 一种有载分接开关机械故障诊断方法 | |
CN112201260A (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN105244038A (zh) | 一种基于hmm的选矿设备故障异常音频分析与识别方法 | |
CN103575525A (zh) | 一种断路器机械故障的智能诊断方法 | |
CN106443244A (zh) | 用电设备类型辨识方法和系统 | |
CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
CN113566948A (zh) | 机器人化煤机故障音频识别及诊断方法 | |
CN108469561A (zh) | 一种智能变电站继电保护调试方法 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN107798283A (zh) | 一种基于决策导向无环图的神经网络故障多类分类器 | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
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 | |
CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 |
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 |