CN112182490B - 一种电抗器状态诊断方法及系统 - Google Patents
一种电抗器状态诊断方法及系统 Download PDFInfo
- Publication number
- CN112182490B CN112182490B CN202010906417.XA CN202010906417A CN112182490B CN 112182490 B CN112182490 B CN 112182490B CN 202010906417 A CN202010906417 A CN 202010906417A CN 112182490 B CN112182490 B CN 112182490B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- reactor
- spectrum
- vibration
- signal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 66
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电抗器状态诊断方法及系统，包括以下步骤：S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；其中，状态诊断模型为卷积神经网络；本发明通过提取振动信号的显著性序列，去除了振动信号中存在的冗余信息，得到了对信息变化趋势更加敏感的信息，并结合卷积神经网络对所得显著性序列进行识别，可以实时的对电抗器具体运行状态进行判断，且状态诊断的准确性较高。
Description
技术领域
本发明属于电抗器的状态监测和状态诊断技术领域，更具体地，涉及一种电抗器状态诊断方法及系统。
背景技术
当今社会，电能已成为日常生产生活中不可或缺的能源之一，因此保证电力系统安全稳定的运行是十分重要的，并联电抗器(以下简称电抗器)作为电力系统中不可或缺的设备，一般接在超高压输电线的末端和地之间，起无功补偿作用。其具体功能如下：可削弱由空载或轻载引起的工频电压升高；改善长输电线路上的电压分布；减轻线路上的功率损失；提高电网功率因数。因此电抗器的运行状态与整个电力系统的性能息息相关。
当前对电抗器运行状态检测的方法主要有外部检测法、温度监测法和局部放电检测法。外部检测法是利用电抗器的外部变化从而对电抗器的运行状态进行判断的方法，具有直观，便于掌握的优点，但该方法不能反映电抗器内部缺陷，无法对电抗器内部进行故障诊断。温度监测法是利用电抗器温度变化对电抗器的运行状态进行判断的方法，包括光纤测温法和红外成像测温技术；其中，光纤测温法在测量远距离设备温度时，具有精度高和可靠性强等优点，但是该方法需要将光纤温度传感器预埋于电抗器包封内，使得电抗器制作流程复杂化；红外成像测温技术是一种通过捕捉物体发射红外辐射测温的非接触式技术，具有实时性好、可靠性高和工作周期长等特点，但该方法仅能测量电抗器外表面的温度，无法对包封内部的温度进行测定，进而无法对电抗器内部进行故障诊断。超声波局部放电检测通过对油箱外壳上的超声波信号进行分析，判断电抗器内部是否存在局部放电，该方法可实现电抗器带电在线检测，但易受电厂电磁环境影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种电抗器状态诊断方法及系统，其目的在于解决现有技术无法实时精确的诊断电抗器状态的技术问题。
为实现上述目的，第一方面，本发明提供了一种电抗器状态诊断方法，包括以下步骤：
S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；
S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；
S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，状态诊断模型为卷积神经网络。
进一步优选地，上述状态诊断模型的训练方法，包括以下步骤：
S01、采集不同电抗器不同运行状态下表面产生的振动信号后，并对其分别进行预处理；
S02、对于所得各预处理后的振动信号，分别按照步骤S2进行计算，得到各振动信号的显著性序列；
S03、以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型。
进一步优选地，上述预处理方法包括：对振动信号x进行标准化；所得预处理后的振动信号为：
其中，xmean为振动信号x的平均值，xstd为振动信号x的标准差。
进一步优选地，上述步骤S2包括以下步骤：
S21、对预处理后的振动信号进行傅里叶变换，得到其幅度谱和相位谱，对幅度谱进行对数运算，得到振动信号的对数幅度谱；
S22、采用局部均值滤波器对所得对数幅度谱进行滤波，得到振动信号的平均对数幅度谱；
S23、将振动信号的对数幅度谱与平均对数幅度谱做差，得到振动信号的谱残差；
S24、基于所得振动信号的谱残差和相位谱进行傅里叶逆变换，对振动信号进行重构，得到信号的显著性序列。
进一步优选地，上述局部均值滤波器的大小为q，其表达式如下：
其中，q为正整数。
进一步优选地，上述状态诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四池化层、第一全连接层和第二全连接层；
其中，上述第一全连接层和第二全连接层中的神经元个数均为电抗器的运行状态数。
进一步优选地，上述各卷积层中，卷积核的大小均为1×3；其中，上述第一卷积层中的卷积核个数为8，上述第二卷积层中的卷积核个数为16，上述第三卷积层中的卷积核个数为32。
进一步优选地，上述各池化层的池化核尺寸均为1×2。
第二方面，本发明提供了一种电抗器状态诊断系统，包括：信号采集模块、信号处理模块、模型训练模块和状态诊断模块；
信号采集模块用于在诊断阶段，采集待测电抗器运行时表面产生的振动信号，输出到状态诊断模块中；在训练阶段，采集不同电抗器不同运行状态下表面产生的振动信号，输出到模型训练模块中；
信号处理模块用于对振动信号进行预处理后，对其进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；
模型训练模块用于将信号采集模块输入的各振动信号输入到信号处理模块中，得到各振动信号的显著性序列；以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型；
状态诊断模块用于将信号采集模块输入的振动信号输入到信号处理模块中，得到该振动信号的显著性序列；将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，状态诊断模型为卷积神经网络。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面提供的一种电抗器状态诊断方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提出了一种电抗器状态诊断方法及系统，首先通过提取待测电抗器运行时表面产生的振动信号的显著性序列，去除了振动信号中存在的冗余信息，得到了对信息变化趋势更加敏感的信息；其次，本发明基于卷积神经网络对所得显著性序列进行识别，可以实时的对电抗器具体运行状态进行判断，且状态诊断准确性较高，在不同工况条件及含噪环境下鲁棒性较高，能够解决现有技术无法实时精确的诊断电抗器状态的技术问题。
附图说明
图1是本发明实施例1所提供的一种电抗器状态诊断方法流程图；
图2是本发明实施例1所提供的状态诊断模型的结构示意图；
图3是本发明实施例1所提供的采集得到的电抗器原始振动信号波形图；
图4是本发明实施例1所提供的当对电抗器原始振动信号添加信噪比为-10dB的高斯白噪声时，所得振动信号波形图；
图5是本发明实施例1所提供的对图4中的添加高斯白噪声后的振动信号提取显著性序列所对应的波形结果；
图6是本发明实施例1所提供的图4中添加高斯白噪声后的振动信号的频谱图；
图7是本发明实施例1所提供的图5中显著性序列的频谱图；
图8是本发明实施例1所提供的在不同信噪比的高斯白噪声下原始振动信号和显著性序列的诊断准确率柱状图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种电抗器状态诊断方法，如图1所述，包括以下步骤：
S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；
具体的，本实施例在采集待测电抗器运行时表面产生的振动信号时，先采集一段时间内的振动信号，然后根据电抗器运行时表面振动的频率f将其划分成多段振动信号x，其中，每段振动信号x的长度为fs是采样频率；本发明对每一段振动信号分别进行处理。
上述预处理方法包括：对振动信号x进行标准化；所得预处理后的振动信号为：
其中，xmean为振动信号x的平均值，xstd为振动信号x的标准差。需要说明的是，振动信号x是一组具有时间相关性的序列，记为x＝{x1,x2,…,xn}，其中，n为正整数，表示的振动信号x的长度；具体的，振动信号x的平均值振动信号x的标准差标准化处理后，数据符合标准整体分布，可提升后续深度学习模型的收敛速度和分类精度，并防止模型梯度爆炸，提高诊断结果的精确性。
S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；所得显著性序列对于高频噪声具有一定抑制作用，可以大大提高正常信号和异常信号的区分度；
具体包括以下步骤：
S21、对预处理后的振动信号进行傅里叶变换，得到其幅度谱和相位谱，对幅度谱进行对数运算，得到振动信号的对数幅度谱；
具体的，振动信号的幅度谱A(f)＝Amplitude(F(xnorm))，振动信号的相位谱P(f)＝Phase(F(xnorm))，振动信号的对数幅度谱L(f)＝log(A(f))；
其中，F(·)表示傅里叶变换；Amplitude(·)表示幅值运算，即求解实部和虚部平方和的平方根；Phase(·)表示相位运算，即求解虚部和实部之比的反正切。
S22、采用局部均值滤波器对所得对数幅度谱进行滤波，得到振动信号的平均对数幅度谱；
具体的，本实施例中，局部均值滤波器的大小为q(q为正整数)，其表达式如下：
采用上述局部均值滤波器对对数幅度谱进行滤波，所得振动信号的平均对数幅度谱AL(f)＝hq(f)*L(f)。
S23、将振动信号的对数幅度谱与平均对数幅度谱做差，得到振动信号的谱残差；具体的，振动信号的谱残差R(f)＝L(f)-AL(f)。
S24、基于所得振动信号的谱残差和相位谱进行傅里叶逆变换，对振动信号进行重构，得到振动信号的显著性序列。具体的，振动信号的显著性序列S(x)＝||F-1[exp(R(f)+iP(f))]||，其中，F-1(·)表示傅里叶逆变换，i表示虚数的单位。
S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，状态诊断模型为卷积神经网络。
具体的，上述状态诊断模型的训练方法，包括以下步骤：
S01、采集不同电抗器不同运行状态下表面产生的振动信号后，并对其分别进行预处理；具体的，与步骤S1相同，对振动信号x进行标准化处理。本实施例中，电抗器的运行状态包括正常状态和异常状态。
S02、对于所得各预处理后的振动信号，分别按照步骤S2进行计算，得到各振动信号的显著性序列；
S03、以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型。
进一步地，为了精准的对电抗器的状态进行诊断，本实施例构建了一个状态诊断模型，具体的，如图2所示，本实施例中，状态诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四池化层、第一全连接层和第二全连接层。具体的，将各卷积层中卷积核的大小设为1×3，各池化层中池化核大小设为1×2；其中，第一卷积层的卷积核个数为8，第二卷积层的卷积核个数为16，第三卷积层的卷积核个数设32。第一全连接层和第二全连接层中的神经元个数均为电抗器的运行状态数。
进一步地，为了验证步骤S2中提取振动信号的显著性序列对状态诊断精确度的影响。首先，通过对电抗器原始振动信号添加信噪比为-25dB～0dB的高斯白噪声，来观察显著性序列对于含噪信号的影响。具体的，如图3所示是本实施例采集得到的电抗器原始振动信号波形图(这里原始振动信号包括正常信号和异常信号)。当对电抗器原始振动信号添加信噪比为-10dB的高斯白噪声时，所得振动信号波形图如图4所示；提取该添加高斯白噪声后的振动信号的显著性序列，得到如图5所示的波形结果。对比图4和图5可以看出，显著性序列较原始振动信号的波形变化趋势更为明显，能够更好的区分正常信号和异常信号。进一步地，分别将图4和图5中的信号转换到频域中，得到如图6和图7所示的频谱图，对比图6和图7可以看出，对于高频段噪声，显著性序列的频谱幅度较原始振动信号的频谱幅度有显著降低，可以很好的抑制高频噪声。其次，在不同信噪比的高斯白噪声的混入下，将原始振动信号和显著性序列分别输入到上述训练好的状态诊断模型中，所得诊断准确率柱状图如图8所示；其中，横坐标为信噪比SNR，纵坐标为诊断准确率。从图8可以看出，当未混入或者混入少量高斯白噪声时，原始振动信号及其显著性序列的诊断正确率均达到了100％。但是当混入信噪比为-20dB～-15dB的高斯白噪声时，相比于原始振动信号，原始振动信号的显著性序列所对应的诊断准确率较高。特别是在混入信噪比为-20dB的高斯白噪声时，显著性序列所对应的诊断准确率较原始振动信号有明显提升，从55％提高至84％。由此可以看出，显著性序列具有更好的抗噪声能力，对原始振动信号提取显著性序列后再进行诊断，可以得到准确率较高的诊断结果，大大提高了电抗器状态诊断的精确度。
实施例2、
一种电抗器状态诊断系统，包括：信号采集模块、信号处理模块、模型训练模块和状态诊断模块；
信号采集模块用于在诊断阶段，采集待测电抗器运行时表面产生的振动信号，输出到状态诊断模块中；在训练阶段，采集不同电抗器不同运行状态下表面产生的振动信号，输出到模型训练模块中；
信号处理模块用于对振动信号进行预处理后，对其进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；
模型训练模块用于将信号采集模块输入的各振动信号输入到信号处理模块中，得到各振动信号的显著性序列；以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型；
状态诊断模块用于将信号采集模块输入的振动信号输入到信号处理模块中，得到该振动信号的显著性序列；将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，状态诊断模型为卷积神经网络。需要说明的是，本实施例的相关技术方案同实施例1，这里不再赘述。
实施例3、
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种电抗器状态诊断方法；相关技术方案同实施例1，这里不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种电抗器状态诊断方法，其特征在于，包括以下步骤：
S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；
S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；
S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，状态诊断模型为卷积神经网络；所述步骤S2包括以下步骤：
S21、对预处理后的振动信号进行傅里叶变换，得到其幅度谱和相位谱，对幅度谱进行对数运算，得到振动信号的对数幅度谱；
S22、采用局部均值滤波器对所得对数幅度谱进行滤波，得到振动信号的平均对数幅度谱；
S23、将振动信号的对数幅度谱与平均对数幅度谱做差，得到振动信号的谱残差；
S24、基于所得振动信号的谱残差和相位谱进行傅里叶逆变换，对振动信号进行重构，得到信号的显著性序列。
2.根据权利要求1所述的电抗器状态诊断方法，其特征在于，所述状态诊断模型的训练方法，包括以下步骤：
S01、采集不同电抗器不同运行状态下表面产生的振动信号后，并对其分别进行预处理；
S02、对于所得各预处理后的振动信号，分别按照步骤S2进行计算，得到各振动信号的显著性序列；
S03、以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型。
3.根据权利要求1或2所述的电抗器状态诊断方法，其特征在于，所述预处理包括：对振动信号x进行标准化；所得预处理后的振动信号为：
其中，xmean为振动信号x的平均值，xstd为振动信号x的标准差。
4.根据权利要求1所述的电抗器状态诊断方法，其特征在于，所述局部均值滤波器的大小为q，其表达式如下：
其中，q为正整数。
5.根据权利要求1或2所述的电抗器状态诊断方法，其特征在于，所述状态诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四池化层、第一全连接层和第二全连接层；
其中，所述第一全连接层和第二全连接层中的神经元个数均为电抗器的运行状态数。
6.根据权利要求5所述的电抗器状态诊断方法，其特征在于，各卷积层中，卷积核的大小均为1×3；其中，所述第一卷积层中的卷积核个数为8，所述第二卷积层中的卷积核个数为16，所述第三卷积层中的卷积核个数为32。
7.根据权利要求5所述的电抗器状态诊断方法，其特征在于，各池化层的池化核尺寸均为1×2。
8.一种电抗器状态诊断系统，其特征在于，包括：信号采集模块、信号处理模块、模型训练模块和状态诊断模块；
所述信号采集模块用于在诊断阶段，采集待测电抗器运行时表面产生的振动信号，输出到所述状态诊断模块中；在训练阶段，采集不同电抗器不同运行状态下表面产生的振动信号，输出到所述模型训练模块中；
所述信号处理模块用于对振动信号进行预处理后，对其进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；具体通过以下方式得到该振动信号的显著性序列：
对预处理后的振动信号进行傅里叶变换，得到其幅度谱和相位谱，对幅度谱进行对数运算，得到振动信号的对数幅度谱；采用局部均值滤波器对所得对数幅度谱进行滤波，得到振动信号的平均对数幅度谱；将振动信号的对数幅度谱与平均对数幅度谱做差，得到振动信号的谱残差；基于所得振动信号的谱残差和相位谱进行傅里叶逆变换，对振动信号进行重构，得到信号的显著性序列；
所述模型训练模块用于将信号采集模块输入的各振动信号输入到所述信号处理模块中，得到各振动信号的显著性序列；以各振动信号的显著性序列作为输入，对应的运行状态作为输出，训练状态诊断模型，得到预训练好的状态诊断模型；
所述状态诊断模块用于将信号采集模块输入的振动信号输入到所述信号处理模块中，得到该振动信号的显著性序列；将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；
其中，所述状态诊断模型为卷积神经网络。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-7任意一项所述的电抗器状态诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906417.XA CN112182490B (zh) | 2020-09-01 | 2020-09-01 | 一种电抗器状态诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906417.XA CN112182490B (zh) | 2020-09-01 | 2020-09-01 | 一种电抗器状态诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182490A CN112182490A (zh) | 2021-01-05 |
| CN112182490B true CN112182490B (zh) | 2024-02-02 |
Family
ID=73924209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010906417.XA Active CN112182490B (zh) | 2020-09-01 | 2020-09-01 | 一种电抗器状态诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182490B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784499B (zh) * | 2021-03-05 | 2024-09-06 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习替代有限元分析的电抗器磁场仿真方法 |
| CN113872806B (zh) * | 2021-09-26 | 2024-05-17 | 中国电信股份有限公司 | 网络数据异常告警方法、装置、电子设备及存储介质 |
| CN117368639A (zh) * | 2023-10-18 | 2024-01-09 | 浙江德清迪生电力科技有限公司 | 基于人工智能的输电线路故障识别系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5333240A (en) * | 1989-04-14 | 1994-07-26 | Hitachi, Ltd. | Neural network state diagnostic system for equipment |
| JP2007051982A (ja) * | 2005-08-19 | 2007-03-01 | Japan Science & Technology Agency | 診断対象物の評価方法および評価装置 |
| KR20160079179A (ko) * | 2014-12-26 | 2016-07-06 | 울산대학교 산학협력단 | 신호 분석 방법 및 장치 |
| CN107563433A (zh) * | 2017-08-29 | 2018-01-09 | 电子科技大学 | 一种基于卷积神经网络的红外小目标检测方法 |
| CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
| CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
| CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
| CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
-
2020
- 2020-09-01 CN CN202010906417.XA patent/CN112182490B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5333240A (en) * | 1989-04-14 | 1994-07-26 | Hitachi, Ltd. | Neural network state diagnostic system for equipment |
| JP2007051982A (ja) * | 2005-08-19 | 2007-03-01 | Japan Science & Technology Agency | 診断対象物の評価方法および評価装置 |
| KR20160079179A (ko) * | 2014-12-26 | 2016-07-06 | 울산대학교 산학협력단 | 신호 분석 방법 및 장치 |
| CN107563433A (zh) * | 2017-08-29 | 2018-01-09 | 电子科技大学 | 一种基于卷积神经网络的红外小目标检测方法 |
| CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
| CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
| CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
| CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Time-Series Anomaly Detection Service at Microsoft;REN Han-sheng等;Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery ＆ Data Mining;全文 * |
| Using Convolutional Neural Network for Vibration Fault Diagnosis Monitoring in Machinery;Chiao Wei Yeh等;IEEE;全文 * |
| 基于傅里叶变换和神经网络的逆变器故障检测与诊断;崔博文;任章;;电工技术学报(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182490A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| CN111474510B (zh) | 一种非平稳输出的电压互感器的误差评估方法及系统 | |
| CN103499382B (zh) | 一种基于振动数据融合和图像识别的变压器故障诊断方法 | |
| CN117009870B (zh) | 一种频域改进sdp图的泵空化状态识别方法 | |
| CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN113325357A (zh) | 基于输出时间序列差分的电压互感器误差评估方法及系统 | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| Zhao et al. | Research on constructing a degradation index and predicting the remaining useful life for rolling element bearings of complex equipment | |
| CN114897016A (zh) | 一种基于多源频谱特征的风机轴承故障智能诊断方法 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN117708542A (zh) | 一种基于深度神经网络的设备故障诊断方法及系统 | |
| CN113719269A (zh) | 一种随钻测井仪器电路工作状态在线监测方法 | |
| Fang et al. | An enhanced fault diagnosis method with uncertainty quantification using Bayesian convolutional neural network | |
| CN113686577B (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
| CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
| CN116383661A (zh) | 离心泵故障诊断模型训练方法、故障诊断方法及装置 | |
| GB2625165A (en) | Method and system for fault diagnosis of rolling bearing | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| CN114200232A (zh) | 一种输电线路故障行波波头检测方法及系统 | |
| CN113218683A (zh) | 一种基于振动信号的石油井下电动套管切割器故障识别方法 |
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 |