CN112052712B - 一种电力设备状态监测与故障识别方法及系统 - Google Patents
一种电力设备状态监测与故障识别方法及系统 Download PDFInfo
- Publication number
- CN112052712B CN112052712B CN201911081060.XA CN201911081060A CN112052712B CN 112052712 B CN112052712 B CN 112052712B CN 201911081060 A CN201911081060 A CN 201911081060A CN 112052712 B CN112052712 B CN 112052712B
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- sample signal
- power equipment
- 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
Links
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
- G06F2218/12—Classification; Matching
-
- 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
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种电力设备状态监测与故障识别方法及系统。本发明的方法,基于噪声抵消法对声源信号进行采集,降低对环境的敏感度,能够提高声音信号处理的精度。通过判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,对电力设备进行预监测,对电力设备的现场信号进行筛选,筛选出需要进行故障识别的少量现场故障信号,有利于实现实时监测,提高算法处理速度,提高了电力设备故障检测的安全性、效率及准确性,并无需一一对应的设置传感器,降低了电力设备故障检测的成本。
Description
技术领域
本发明涉及设备故障检测技术领域,特别是涉及一种电力设备状态监测与故障识别方法及系统。
背景技术
随着电厂机组的不断发展,对各类电力设备的稳定运行需求不断加大,设备状态监测的应用极大的减少了电厂机组因设备故障而停机的可能。但是目前电厂一般选取温度、压力和振动等信号作为各个电力设备的状态参数,需要传感器一对一进行接触测量,成本较高,且不具备较好故障预警能力,另一方面,较多设备的参数需要巡检人员手持仪器,靠近电力设备进行测量,危险性较高。
发明内容
本发明的目的是提供一种电力设备状态监测与故障识别方法及系统,以提高电力设备故障检测的安全性、效率及准确性,并降低电力设备故障检测的成本。
为实现上述目的,本发明提供了如下方案:
一种电力设备状态监测与故障识别方法,所述状态监测与故障识别方法包括如下步骤:
采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;
基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数;
利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;
采用噪声抵消法采集电力设备的现场信号;
判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果;
若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型;
若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
可选的,所述采用噪声抵消法采集电力设备正常运行的正常样本信号,具体包括:
采用定向拾音器采集电力设备的正常运行时的设备声音信号;
采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;
分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;
采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号。
可选的,所述基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数,之前还包括:
分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号。
可选的,所述对正常样本信号进行预处理,具体包括:
使用6db频程的数字滤波器对所述正常样本信号进行预加重;
对预加重的正常样本信号采用汉明窗进行分帧加窗处理,获得预处理后的正常样本信号。
可选的,所述分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号,之后还包括:
对预处理后的故障样本信号的每三个数据划分为一组;
将每一组的三个数据的平均值设置为每一组的第一个数据;
根据相邻两组间的第一个数据采用线性差值算法获取每一组的第二个数据和第三个数据,得到重构后的故障样本信号;
对所述重构后的故障样本信号进行傅里叶变换,得到重构后的故障样本信号的频谱。
可选的,所述基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数,具体包括:
对故障样本信号的频谱进行平方运算,得到故障样本信号能量谱;
对所述故障样本信号能量谱进行三角形带通滤波器滤波,并对滤波后的故障样本信号能量谱取对数,得到对数能量谱:其中,Xa(k)表示故障样本信号第k帧的能量谱,N表示故障样本信号的帧数;Hm(k)为第m个带通滤波器的传递函数;
f(m-1)、f(m)和f(m+1)分别表示第m-1个、第m个和第m+1个带通滤波器的中心频率;
对所述对数能量谱进行离散余弦变换,得到故障样本信号的每一帧的MFCC系数;
对故障样本信号的相邻两帧的MFCC系数进行加权差分运算,得到故障样本信号的ΔMFCC系数;
将所述MFCC系数和所述ΔMFCC系数进行结合,获得故障样本信号特征参数。
可选的,所述判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果,之前还包括:
分别对正常样本信号和现场信号进行快速傅里叶变换,分别得到正常样本信号的每一帧的M个点的频谱和现场信号的每一帧的M个点的频谱;
计算正常样本信号的每一帧的每一个点的频率的平均值,得到正常样本信号的每一帧的每个点的类中心频谱值。
一种电力设备状态监测与故障识别系统,所述状态监测与故障识别系统包括:
样本采集模块,用于采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;
特征参数提取模块,用于基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数;
故障类别识别模型建立模块,用于利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;
现场信号采集模块,用于采用噪声抵消法采集电力设备的现场信号;
预检测模块,用于判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果;
故障类型确定模块,用于若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型;
设备正常运行确定模块,用于若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
可选的,样本采集模块,具体包括:
设备声音信号采集子模块,用于采用定向拾音器采集电力设备的正常运行时的设备声音信号;
混合声音信号采集子模块,用于采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;
滤波子模块,用于分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;
噪声抵消子模块,用于采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号。
可选的,所述状态监测与故障识别系统还包括:
预处理模块,用于分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种电力设备状态监测与故障识别方法。本发明的方法,基于噪声抵消法对声源信号进行采集,降低对环境的敏感度,能够提高声音信号处理的精度。通过判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,对电力设备进行预监测,对电力设备的现场信号进行筛选,筛选出需要进行故障识别的少量现场故障信号,有利于实现实时监测,提高算法处理速度,提高了电力设备故障检测的安全性、效率及准确性,并无需一一对应的设置传感器,降低了电力设备故障检测的成本。
本发明还通过线性插值进行故障声信号重构,以有限的故障数据产生更多的等价数据达到数据增强的目的,增加故障样本数量的深度,提高故障识别的准确度。
本发明还采用传统和动态MFCC结合的特征提取,增加对信号的变化趋势与动态变化对故障识别的作用,提高故障预警能力,延长预警周期。同时组合模糊逻辑系统和神经网络两种模型,不仅借助隶属度函数提高模糊推理和表达结构性知识的能力,也具有神经网络的自主学习和自适应能力。实现对不确定模糊信息的处理能力。使电力设备正常声音与异常声音间模糊过渡声音的识别能力得到提高,降低对环境敏感度,增强故障预警能力,延长预警周期。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的种电力设备状态监测与故障识别方法的流程图;
图2为本发明提供的种电力设备状态监测与故障识别方法的原理图;
图3为本发明提供的特征提取方法的流程图;
图4为本发明提供的故障识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种电力设备状态监测与故障识别方法及系统,以提高电力设备故障检测的安全性、效率及准确性,并降低电力设备故障检测的成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在电力设备发生故障的初期,其声音大多会随运行状态改变而随之改变,且声信号可通过电缆等有线或蓝牙等无线形式进行数据远传。故实现电力设备的声信号监测进行一对多的非接触测量,并减轻巡检人员的劳动,提高设备的状态识别和故障预警能力。基于声信号的设备状态监测方法主要有,基于MFCC算法与DNN算法对预处理后的电力设备音频信号进行分析,实现变电站电力设备无人实时监测的目的。通过双门限阈值判定法对预处理后的电气设备弧声信号检测弧声信号异常区间,基于FIR数字滤波器和线性核模型诊断电气设备运行状态。基于时频二维处理对汽车发动机的运行声音进行处理,根据AlexNet进行的故障判断,同时使用LSTM识别发动机运行时间状态以辅助更精确的故障判断。
但是这些方案存在如下缺点:
1)当前电厂大多选用振动信号作为设备故障检测的重要参数。对于大型设备采用粘贴振动传感器进行数据测量与远传,且每一设备需要多个方位的传感器进行测量,存在设备成本问题。对于小型设备,需巡检人员携带检测设备对设备振动信号逐一进行直接测量,并将数据抄录成表。小型设备数量多,分布位置广,具有较高的人力资源要求,且靠近电力设备具有较高危险性,不利于巡检人员的安全保障。
2)当前电厂中声学技术的难以大规模使用主要是因为源声音信号与现场噪声难以分离。电厂设备的运行环境经常存在高分贝、强耦合、全频域的噪声影响,如何进行音频降噪与增强成为目前技术较难攻克的问题。
3)当前电厂设备的故障声信号具有非广泛性和不可实验性,获取大量故障样本具有相当的困难,不利于故障状态的识别与分类。
4)当前的基于声信号的故障检测技术由于设备采样频率的增加导致算法处理负荷增大,不利于加快算法识别速度,保证算法的实时处理性能。
5)当前电厂中声学技术大多应用在设备故障识别领域,且大多用于设备故障的突变信号,对于缓变故障声信号的检测存在识别精度低、预警能力差等缺陷,不能很好完成电力设备实时监测和故障预警的任务。
本发明选用定向拾音器与非定向拾音器的组合采集电力设备及其周围环境的声音数据,通过噪声抵消法进行音频增强得到初始音频信号,经过信号预处理后,先通过频谱对设备状态初步判断,若存在故障则提取梅尔频率倒谱系数(Mel Frequency CepstrumCoefficients,MFCC)与一阶MFCC系数作为该设备声信号的特征参数,通过模糊神经网络(Fuzzy Neural Network,FNN)作为分类器识别电力设备的故障类型。
如图1所示,本发明提供一种电力设备状态监测与故障识别方法,所述状态监测与故障识别方法包括如下步骤:
步骤101,采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;步骤102,基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数;步骤103,利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;步骤104,采用噪声抵消法采集电力设备的现场信号;步骤105,判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果;步骤106,若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型;步骤107,若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
为了进一步的提高电力设备故障检测的安全性、准确性和效率,本发明还提供了一种电力设备状态监测与故障识别方法的优选的实施方式,如图2所示,主要包括声信号采集及数据集创建;故障样本信号、正常样本信号和现场信号的预处理。基于预处理后的正常样本信号,对预处理后的现场信号进行预检测;基于预处理后的故障样本信号对FNN模型进行训练,建立故障类别识别模型,根据预检测获得的现场故障信号和故障类别识别模型进行故障识别确定设备状态,最后还将识别得到的设备状态更新故障样本数据集。
声信号采集及数据集创建:
其中,步骤101所述的采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号,步骤104所述的采用噪声抵消法采集电力设备的现场信号的方法相同,本实施了中以采用噪声抵消法采集电力设备正常运行的正常样本信号为例进行论述。
所述采用噪声抵消法采集电力设备正常运行的正常样本信号,具体包括:采用定向拾音器采集电力设备的正常运行时的设备声音信号;采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号(分为两步:首先,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获得环境噪声信号,然后将环境噪声信号与滤波后的设备声音信号进行频谱做差,获得正常样本信号)。
具体包括:
1-1利用定向拾音器和圆碟式拾音器结合使用,前者对目标设备的声信号进行定向采集,后者为非定向式拾音器,且具有一定采集广度,负责采集目标设备及其周围的环境噪声;
1-2利用自适应数字滤波器对两拾音器的声音频谱进行滤波,保证两设备声信号音强一样大,并通过噪声抵消法,将定向拾音器与圆碟式拾音器采集的数据进行频谱做差,从而得到较为纯粹的目标设备信号,进行音频增强;
1-3以各设备正常运行的样本信号(以下简称“正常样本信号”)建立设备正常状态数据集A,以各设备故障运行的样本信号(以下简称“故障样本信号”)建立设备各类故障的数据集B。
故障样本信号、正常样本信号和现场信号的预处理:
对数据集A和B中所有的样本声音信号(以下简称“样本信号”包括故障样本信号和正常样本信号)以及对现场设备采集的待识别音频信号(以下简称“现场信号”)进行预处理,具体包括预加重和分帧加窗,并通过频谱对现场信号进行预检测。具体步骤为:
2-1使用6db频程的数字滤波器对样本信号和现场信号进行预加重;
2-2对样本信号和现场信号进行分帧加窗。每帧设为M个点、10-30ms的帧长,且每次取帧移动1/3帧长,每帧中采用汉明窗进行分帧加窗处理得到预处理后的样本信号和现场信号。
基于预处理后的正常样本信号,对预处理后的现场信号进行预检测,具体步骤为:
2-3对预处理后的正常样本信号和现场信号进行快速傅里叶变换(FFT)得到每帧信号的M点频谱。
2-4对正常样本信号频谱每点频率取均值得到正常状态的类中心频谱值,与现场信号频谱值相比较。若现场信号的每一点频谱值都在类中心每一点的频谱值的置信度内,(所述置信度可以为20%),则确认此帧现场信号为设备正常运行的信号。反之则认为本帧现场信号为设备故障运行的信号,进行故障预警,等待识别故障类型。
样本信号重构的具体步骤为:
2-5对预处理后的故障样本信号进行时域上的数据重构。具体方法为,每三个数据取均值置于第一个数据位置,其余两数据通过线性差值算法写入。重构后的时域信号将作为新的故障样本信号更新故障集B,进行步骤2-3获取故障样本频谱。
如图3所示,步骤102所述基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数的具体步骤为:
基于梅尔倒谱系数(MFCC)方法对故障样本信号和现场故障信号的频谱进行特征提取,得到传统MFCC参数,并进行二次提取得到动态差分信号,两者结合得到特征结果。具体步骤为:
3-1对故障样本信号和现场故障信号的每帧频谱进行平方运算,得到故障样本信号能量谱和现场故障信号能量谱。
3-2对所述故障样本信号能量谱进行三角形带通滤波器滤波,并对滤波后的故障样本信号能量谱取对数,得到对数能量谱:
f(m-1)、f(m)和f(m+1)分别表示第m-1个、第m个和第m+1个带通滤波器的中心频率;
3-4对MFCC参数进行部分加权,进行差分操作,并筛选出能够代表变化趋势的一阶动态信号ΔMFCC,以MFCC系数和ΔMFCC系数结合作为故障样本信号和现场故障信号的特征参数。进行差分操作的公式为:
基于预处理与特征提取后的故障样本信号对FNN模型进行训练,建立故障类别识别模型,根据预检测获得的现场故障信号和故障类别识别模型进行故障识别确定设备状态。步骤103,利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;步骤106所述将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型,具体包括:
以模糊神经网络(FNN)对故障信号的故障类型进行分类。神经网络包括五层,分别是输入层,模糊化层,模糊推理层,去模糊化层和输出层。首先通过故障数据集对模糊神经网络进行参数训练,然后通过神经网络模型对现场故障信号进行分类识别。如图4所示,具体步骤为:
4-1设置FNN的输出层,并在创建网络时初始化参数,每一维输入特征矢量表示一个节点,并将故障样本信号特征传送到下一层;
4-3设置FNN的模糊推理层,并在创建网络时初始化参数,组成模糊神经元,输入隶属度进行模糊计算其中n表示模糊神经元的输入信号个数,k表示维输入量个数,表示输入信号权值,Oi表示模糊神经元计算函数,表示模糊神经元的输出结果;
4-6以输出层结果和样本故障向量计算欧氏距离误差通过下述四式参数修正,其中β1和β2为步进系数。参数修正结果变化值小于迭代变化阈值ε1,完成模糊神经网络训练,否则重复步骤4-1至4-6直至参数修正完毕。其中迭代变化阈值为网络训练开始前手动设置,一般为0.001.
4-7以步骤4-6得到的模糊神经网络对现场故障信号进行步骤4-1至4-5操作,识别出现场故障信号的故障类型。
数据集更新:
定期利用现场故障信号按其类型更新故障数据集B,并通过步骤六重新调整FNN参数,以提高监测识别系统对电力设备故障变化的适应能力。不断学习,最终实现稳定且满足应用要求的故障识别。
本发明还提供一种电力设备状态监测与故障识别系统,所述状态监测与故障识别系统包括:
样本采集模块,用于采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;
样本采集模块,具体包括:设备声音信号采集子模块,用于采用定向拾音器采集电力设备的正常运行时的设备声音信号;混合声音信号采集子模块,用于采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;滤波子模块,用于分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;噪声抵消子模块,用于采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号。
预处理模块,用于分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号。
特征参数提取模块,用于基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数。
故障类别识别模型建立模块,用于利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型。
现场信号采集模块,用于采用噪声抵消法采集电力设备的现场信号;
预检测模块,用于判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果。
故障类型确定模块,用于若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型。
设备正常运行确定模块,用于若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
本发明的优势在于结合声学处理技术,降低振动信号采集的硬件成本和人工成本,保障巡检人员的安全。
本发明的优势在于结合定向拾音器与非定向拾音器的组合传感器,基于自适应数字滤波器和噪声抵消法对声源信号进行滤波降噪处理,降低对环境的敏感度,能够提高声音信号处理的精度。
本发明的优势在于通过线性插值进行故障声信号重构,以有限的故障数据产生更多的等价数据达到数据增强的目的,增加故障样本数量的深度,提高故障识别的准确度。同时采用现场故障信号更新故障集的方式,弥补了电力设备故障信号数量较少的缺陷,提高故障识别网络的识别准确度与算法适用性。
本发明的优势在于状态预检测与故障识别相结合的方式,对现场设备的声音信号进行初步预处理,筛选出需要进行故障识别的少量错误信号,有利于实现实时监测,提高算法处理速度。
本发明的优势在于采用传统和动态MFCC结合的特征提取,增加对信号的变化趋势与动态变化对故障识别的作用,提高故障预警能力,延长预警周期。同时组合模糊逻辑系统和神经网络两种模型,不仅借助隶属度函数提高模糊推理和表达结构性知识的能力,也具有神经网络的自主学习和自适应能力。实现对不确定模糊信息的处理能力。使电力设备正常声音与异常声音间模糊过渡声音的识别能力得到提高,降低对环境敏感度,增强故障预警能力,延长预警周期。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,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,都属于本发明保护的范围。
Claims (10)
1.一种电力设备状态监测与故障识别方法,其特征在于,所述状态监测与故障识别方法包括如下步骤:
采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;
基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数;
利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;
采用噪声抵消法采集电力设备的现场信号;
判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果;
若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型;
若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
2.根据权利要求1所述的电力设备状态监测与故障识别方法,其特征在于,所述采用噪声抵消法采集电力设备正常运行的正常样本信号,具体包括:
采用定向拾音器采集电力设备的正常运行时的设备声音信号;
采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;
分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;
采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号。
3.根据权利要求1所述的电力设备状态监测与故障识别方法,其特征在于,所述基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数,之前还包括:
分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号。
4.根据权利要求3所述的电力设备故障检测与故障识别方法,其特征在于,所述对正常样本信号进行预处理,具体包括:
使用6db频程的数字滤波器对所述正常样本信号进行预加重;
对预加重的正常样本信号采用汉明窗进行分帧加窗处理,获得预处理后的正常样本信号。
5.根据权利要求3所述的电力设备故障检测与故障识别方法,其特征在于,所述分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号,之后还包括:
对预处理后的故障样本信号的每三个数据划分为一组;
将每一组的三个数据的平均值设置为每一组的第一个数据;
根据相邻两组间的第一个数据采用线性差值算法获取每一组的第二个数据和第三个数据,得到重构后的故障样本信号;
对所述重构后的故障样本信号进行傅里叶变换,得到重构后的故障样本信号的频谱。
6.根据权利要求1所述的电力设备故障检测与故障识别方法,其特征在于,所述基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数,具体包括:
对故障样本信号的频谱进行平方运算,得到故障样本信号能量谱;
对所述故障样本信号能量谱进行三角形带通滤波器滤波,并对滤波后的故障样本信号能量谱取对数,得到对数能量谱:其中,Xa(k)表示故障样本信号第k帧的能量谱,N表示故障样本信号的帧数;Hm(k)为第m个带通滤波器的传递函数;
f(m-1、f(m)和f(m+1)分别表示第m-1个、第m个和第m+1个带通滤波器的中心频率;
对所述对数能量谱进行离散余弦变换,得到故障样本信号的每一帧的MFCC系数;
对故障样本信号的相邻两帧的MFCC系数进行加权差分运算,得到故障样本信号的ΔMFCC系数;
将所述MFCC系数和所述ΔMFCC系数进行结合,获得故障样本信号特征参数。
7.根据权利要求1所述的电力设备故障检测与故障识别方法,其特征在于,所述判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果,之前还包括:
分别对正常样本信号和现场信号进行快速傅里叶变换,分别得到正常样本信号的每一帧的M个点的频谱和现场信号的每一帧的M个点的频谱;
计算正常样本信号的每一帧的每一个点的频率的平均值,得到正常样本信号的每一帧的每个点的类中心频谱值。
8.一种电力设备状态监测与故障识别系统,其特征在于,所述状态监测与故障识别系统包括:
样本采集模块,用于采用噪声抵消法采集电力设备正常运行的正常样本信号和电力设备故障运行的故障样本信号;
特征参数提取模块,用于基于梅尔倒谱系数对所述故障样本信号的频谱进行特征提取,获得故障样本信号特征参数;
故障类别识别模型建立模块,用于利用故障样本信号特征参数对模糊神经网络模型进行训练,得到故障类别识别模型;
现场信号采集模块,用于采用噪声抵消法采集电力设备的现场信号;
预检测模块,用于判断现场信号的每一点频谱值是否均在正常样本信号的每一点的类中心频谱值的置信度内,得到第一判断结果;
故障类型确定模块,用于若所述第一判断结果表示现场信号的每一点频谱值不都在正常样本信号的每一点的类中心频谱值的置信度内,则确定所述现场信号为现场故障信号;将所述现场故障信号输入所述故障类别识别模型,确定电力设备故障的类型;
设备正常运行确定模块,用于若所述第一判断结果表示所述现场信号的每一点频谱值均在正常样本信号的每一点的类中心频谱值的置信度内,确定所述现场信号为现场正常信号,所述电力设备正常运行。
9.根据权利要求8所述的电力设备状态监测与故障识别系统,其特征在于,样本采集模块,具体包括:
设备声音信号采集子模块,用于采用定向拾音器采集电力设备的正常运行时的设备声音信号;
混合声音信号采集子模块,用于采用圆碟式拾音器采集设备正常运行时的设备声音信号及环境噪声信号的混合声音信号;
滤波子模块,用于分别采用自适应数字滤波器对所述设备声音信号和所述混合声音信号进行滤波,获取强度相同的滤波后的设备声音信号和滤波后的混合声音信号;
噪声抵消子模块,用于采用噪声抵消法,将所述滤波后的设备声音信号和滤波后的混合声音信号进行频谱做差,获取正常样本信号。
10.根据权利要求8所述的电力设备状态监测与故障识别系统,其特征在于,所述状态监测与故障识别系统还包括:
预处理模块,用于分别对所述正常样本信号和所述故障样本信号进行预处理,获得预处理后的正常样本信号和预处理后的故障样本信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081060.XA CN112052712B (zh) | 2019-11-07 | 2019-11-07 | 一种电力设备状态监测与故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081060.XA CN112052712B (zh) | 2019-11-07 | 2019-11-07 | 一种电力设备状态监测与故障识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052712A CN112052712A (zh) | 2020-12-08 |
CN112052712B true CN112052712B (zh) | 2023-02-03 |
Family
ID=73609587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081060.XA Active CN112052712B (zh) | 2019-11-07 | 2019-11-07 | 一种电力设备状态监测与故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052712B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN116072142B (zh) * | 2023-03-07 | 2023-06-02 | 深圳综合粒子设施研究院 | 高功率射频传输线监测方法、装置及电子设备 |
CN116342108B (zh) * | 2023-04-06 | 2023-09-05 | 安徽配隆天环保科技有限公司 | 一种环保监测设备运行状态分析系统及分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424626A (zh) * | 2017-08-04 | 2017-12-01 | 上海振华重工电气有限公司 | 一种岸桥小车轨道声音监测及故障识别系统 |
CN109357749B (zh) * | 2018-09-04 | 2020-12-04 | 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 |
CN110132598B (zh) * | 2019-05-13 | 2020-10-09 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
-
2019
- 2019-11-07 CN CN201911081060.XA patent/CN112052712B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112052712A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
CN110398647A (zh) | 变压器状态监测方法 | |
CN112908344B (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
CN116935894B (zh) | 一种基于时频域突变特征的微电机异音识别方法及系统 | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
CN117419915A (zh) | 一种多源信息融合的电机故障诊断方法 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 | |
CN112992182B (zh) | 车辆风噪水平测试系统及其测试方法 | |
CN113686577B (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
Sun et al. | Research on fault diagnosis method of bearing based on parameter optimization VMD and improved DBN | |
CN113177536A (zh) | 基于深度残差收缩网络的车辆碰撞检测方法及装置 | |
Li | Recognition method of non-stationary mechanical vibration signal based on convolution 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 |