CN113283316A - 一种基于声音信号的开关机械故障诊断方法、装置及设备 - Google Patents
一种基于声音信号的开关机械故障诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN113283316A CN113283316A CN202110517880.XA CN202110517880A CN113283316A CN 113283316 A CN113283316 A CN 113283316A CN 202110517880 A CN202110517880 A CN 202110517880A CN 113283316 A CN113283316 A CN 113283316A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise reduction
- sound
- fault diagnosis
- switch
- 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
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于声音信号的开关机械故障诊断方法、装置及设备,应用于断路器上,其方法通过获取开关动作时产生的声音信号,然后对声音信号进行降噪处理,进而对该降噪信号进行经验模态分解和能量熵处理得到8个信号特征量,最后将得到的信号特征量输入随机森林故障诊断模型中进行诊断并输出开关的诊断结果,操作方便、简单,易于实现。该基于声音信号的开关机械故障诊断方法能够快速、准确地诊断出开关中的机械故障,输出诊断的结果精确,解决了现有的断路器机械故障诊断方法以线圈电流或振动信号为主,故障诊断类型存在局限性且准确率不高的技术问题。
Description
技术领域
本发明涉及故障判断或识别技术领域,尤其涉及一种基于声音信号的开关机械故障诊断方法、装置及设备。
背景技术
高压断路器是电力系统重要的电器设备,在电力系统中的机械故障仍然是高压断路器为主要故障。近年来,高压断路器的真空快速开关因其开断速度快,可靠性高逐渐在电力系统中占据了越来越重要的地位。因而实现真空快速开关的机械故障诊断具有重要意义。
现有的断路器机械故障诊断方法以线圈电流和振动信号为主。线圈电流波形极值点的时间和电流瞬时值等线圈电流波形曲线特征可以反映电磁铁和辅助开关的运行状态,但仅靠电流信号难以全面诊断断路器的各类机械故障,特别是操动机构中电磁铁之外部分发生的机械故障。采用振动信号进行故障诊断属于非电类信号诊断,具有状态信息丰富、信噪比高的优点,但对传感器的安装位置、安装方式一般都有较高要求。
发明内容
本发明实施例提供了一种基于声音信号的开关机械故障诊断方法、装置及设备,用于解决现有的断路器机械故障诊断方法以线圈电流或振动信号为主,故障诊断类型存在局限性且准确率不高的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于声音信号的开关机械故障诊断方法,应用于断路器上,包括以下步骤:
S10.获取断路器中开关动作产生的声音信号;
S20.对所述声音信号进行降噪处理,得到降噪信号;
S30.对所述降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从所述数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个所述能量熵作为信号特征量;
S40.将所述信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
优选地,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:
S31.获取所述降噪信号中所有的极大值点和极小值点;
S32.采用三次样条插值函数对所有的所述极大值点和所述极小值点进行处理,得到上包络线信号和下包络线信号;
S33.对所述上包络线信号和所述下包络线信号求平均,得到均值包络线信号;
S34.对所述降噪信号与所述均值包络线信号相减,得到细节信号;
S35.若所述细节信号满足误差值条件,则将所述细节信号作为固有模态分量;
其中,所述误差值条件包括:所述细节信号的极值点个数与所述细节信号的过零点个数相等或相差个数数值不超过1,所述细节信号在任意时刻的上包络线信号与下包络线信号的平均值为0。
优选地,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:若所述细节信号不满足误差值条件,所述细节信号作为新的降噪信号,重新执行步骤S31至步骤S35。
优选地,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:
S36.若所述细节信号满足误差值条件,对所述降噪信号与所述细节信号相减,得到残差信号;
S37.若所述残差信号满足终止条件,完成对所述降噪信号的经验模态分解,若所述残差信号不满足终止条件,将所述残差信号作为所述降噪信号,重新执行步骤S31至步骤S35;
其中,所述终止条件包括:所述残差信号的极值点个数不大于2。
优选地,在步骤S30中,采用能量熵公式对从所述数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,所述能量熵公式为:
式中,Ei为第k个固有模态分量中第i段的归一化能量,Hk为第k个固有模态分量的能量熵,i为分段归一化能量的序列,N为分段归一化能量的总数,k为固有模态分量的总数。
优选地,在步骤S10中,通过声音感应元件获取断路器中开关动作产生的声音信号。
优选地,所述声音感应元件为声音传感器,所述声音传感器与断路器开关之间的距离为2m。
优选地,在步骤S20中,采用小波包阈值去噪对所述声音信号进行降噪处理,得到降噪信号。
本发明还提供一种基于声音信号的开关机械故障诊断装置,应用于断路器上,包括信号获取模块、降噪处理模块、分解处理模块和诊断输出模块;
所述信号获取模块,用于获取断路器中开关动作产生的声音信号;
所述降噪处理模块,用于对所述声音信号进行降噪处理,得到降噪信号;
所述分解处理模块,用于对所述降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从所述数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个所述能量熵作为信号特征量;
所述诊断输出模块,用于将所述信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
本发明还提供一种基于声音信号的开关机械故障诊断设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的基于声音信号的开关机械故障诊断方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于声音信号的开关机械故障诊断方法、装置及设备,其方法通过获取开关动作时产生的声音信号,然后对声音信号进行降噪处理,进而对该降噪信号进行经验模态分解和能量熵处理得到8个信号特征量,最后将得到的信号特征量输入随机森林故障诊断模型中进行诊断并输出开关的诊断结果,操作方便、简单,易于实现。该基于声音信号的开关机械故障诊断方法能够快速、准确地诊断出开关中的机械故障,输出诊断的结果精确,解决了现有的断路器机械故障诊断方法以线圈电流或振动信号为主,故障诊断类型存在局限性且准确率不高的技术问题。
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,下面将对实施例或现有技术描述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它的附图。
图1为本发明实施例所述的基于声音信号的开关机械故障诊断方法的步骤流程图。
图2为本发明实施例所述的基于声音信号的开关机械故障诊断方法随机森林故障诊断模型的框架图。
图3为本发明实施例所述的基于声音信号的开关机械故障诊断方法经验模态分解的步骤流程图。
图4为本发明实施例所述的基于声音信号的开关机械故障诊断方法经验模态分解的框架图。
图5为本发明实施例所述的基于声音信号的开关机械故障诊断装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于声音信号的开关机械故障诊断方法、装置及设备,应用于断路器上,用于解决了现有的断路器机械故障诊断方法以线圈电流或振动信号为主,故障诊断类型存在局限性且准确率不高的技术问题。
实施例一:
图1为本发明实施例所述的基于声音信号的开关机械故障诊断方法的步骤流程图。在本实施例中,以断路器中的真空快速开关作为案例进行说明。
如图1所示,本发明实施例提供了一种基于声音信号的开关机械故障诊断方法,应用于断路器上,包括以下步骤:
S10.获取断路器中开关动作产生的声音信号。
需要说明的是,在步骤S10中,主要获取断路器中真空快速开关动作时产生的声音信号,提出诊断故障的数据。在本实施例中,可以通过声音感应元件获取断路器中真空快速开关动作产生的声音信号。较优地,可以采用型号为KZ502B的声音传感器采集断路器中真空快速开关动作产生的声音信号。为了确保声音传感器采集断路器中真空快速开关动作产生的声音信号是有效的,将声音传感器安装在距离断路器中真空快速开关2m处。使得该基于声音信号的开关机械故障诊断方法相比传统的振动信号,声音传感器安装方便,信号受安装方式的影响较小,操作便捷性与振动信号相比具有明显的优势。虽然声音信号易受噪声干扰,但测量来源广,可更好地检测由触头动作引起不同方向振动以及内部其他连接机械器件振动所产生的声音。
S20.对声音信号进行降噪处理,得到降噪信号。
需要说明的是,主要是对采集的声音信号进行降噪处理,去除多余的信号,提高故障诊断的准确率。在本实施例中,采用小波包阈值去噪对声音信号进行降噪处理,得到降噪信号。其中,小波包阈值去噪为:
S30.对降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个能量熵作为信号特征量。
需要说明的是,主要是通过经验模态分解和能量熵处理得到声音信号的8个信号特征量,这8个信号特征量包含了声音信号的主要特征,可以通过这8个信号特征量分析得到开关的机械状态。
图2为本发明实施例所述的基于声音信号的开关机械故障诊断方法随机森林故障诊断模型的框架图。
S40.将信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
在本实施例中,随机森林故障诊断模型的故障诊断主要是通过由m个信号特征量组成的原始样本集D中随机且有放回选出m个样本,此操作重复n次,得到n组m个样本组成的训练集,对训练集中的n组m个样本进行训练,得到决策树模型Dnt,若每个基决策树模型包含d个划分属性,则在基决策树模型的每个结点分裂时先从该结点的属性集合中随机选择一个包含k个属性的子集,在从这个自己中根据信息增益的大小选择一个最优属性进行划分;每个基决策树模型都如此进行分裂,直至该结点的所有训练样本都属于同一类;将生成的多个基决策树组合建立随机森林故障诊断模型,随机森林故障诊断模型通过投票决定最终分类结果。例如:得到开关四种状态的信号特征量各10组,四种状态分别为正常状态、基座螺丝松动、回路电压偏高和回路电压偏低。现将这40组数据作为原始样本集D输入随机森林模型进行训练,得到随机森林故障诊断模型。此时有一组未知测试信号的信号特征量输入到随机森林故障诊断模型中,随机森林故障诊断模型对该测试信号进行判断,判断其是否属于正常信号,若是,则输出结果为:该测试信号状态正常;若不是,则输出结果为:该测试信号属于故障信号,故障类型为xxx。
需要说明的是,如图2所示,在步骤S30中获得的8个信号特征量作为随机森林故障诊断模型输入的原始样本集D,在随机森林故障诊断模型中可以根据求得的信号特征量对声音信号进行分类,即判别真空快速开关的不同状态,进一步判断真空快速开关是否发生机械故障,故障种类是什么,从而完成对真空快速开关的机械故障诊断。
本发明提供的一种基于声音信号的开关机械故障诊断方法通过获取开关动作时产生的声音信号,然后对声音信号进行降噪处理,进而对该降噪信号进行经验模态分解和能量熵处理得到8个信号特征量,最后将得到的信号特征量输入随机森林故障诊断模型中进行诊断并输出开关的诊断结果,操作方便、简单,易于实现。该基于声音信号的开关机械故障诊断方法能够快速、准确地诊断出开关中的机械故障,输出诊断的结果精确,解决了现有的断路器机械故障诊断方法以线圈电流或振动信号为主,故障诊断类型存在局限性且准确率不高的技术问题。
图3为本发明实施例所述的基于声音信号的开关机械故障诊断方法经验模态分解的步骤流程图,图4为本发明实施例所述的基于声音信号的开关机械故障诊断方法经验模态分解的框架图。
如图3和图4所示,在本发明的一个实施例中,在步骤S30中,对降噪信号进行经验模态分解,得到固有模态分量的步骤包括:
S31.获取降噪信号中所有的极大值点和极小值点;
S32.采用三次样条插值函数对所有的极大值点和极小值点进行处理,得到上包络线信号和下包络线信号;
S33.对上包络线信号和下包络线信号求平均,得到均值包络线信号;
S34.对降噪信号与均值包络线信号相减,得到细节信号;
S35.若细节信号满足误差值条件,则将细节信号作为固有模态分量;
S36.对降噪信号与细节信号相减,得到残差信号;
S37.若残差信号满足终止条件,完成对降噪信号的经验模态分解,若残差信号不满足终止条件,将残差信号作为降噪信号,重新执行步骤S31至步骤S35;
其中,误差值条件包括:细节信号的极值点个数与细节信号的过零点个数相等或相差个数数值不超过1,细节信号在任意时刻的上包络线信号与下包络线信号的平均值为0;终止条件包括:残差信号的极值点个数不大于2。
在本发明实施例的步骤S30中,若细节信号不满足误差值条件,细节信号作为新的降噪信号,重新执行步骤S31至步骤S35。
需要说明的是,降噪信号作为原始信号s(t),开始进行经验模态分解,在步骤S31至步骤S37中,获取原始信号s(t)中所有的极值点(包括极大值点和极小值点);通过三次样条插值函数对所有的极大值点和极小值点进行处理,得到与原始信号s(t)对应的上包络线信号u(t)和下包络线信号v(t);之后求取上包络线信号u(t)和下包络线信号v(t)的平均值,得到均值包络线信号r(t),并将原始信号s(t)减去均值包络线信号r(t)得到细节信号c(t),判断细节信号c(t)是否满足误差值条件,;若细节信号c(t)满足误差值条件,将细节信号c(t)作为第一个固有模态分量并将原始信号s(t)减去细节信号c(t)得到残差信号rj(t),判断残差信号rj(t)是否满足终止条件;若残差信号rj(t)满足终止条件,对降噪信号进行经验模态分解结束。若残差信号rj(t)不满足终止条件,将残差信号rj(t)作为原始信号s(t)重新执行步骤S31至步骤S35,得到第二个、第三个、第k个固有模态分量,最终使得对降噪信号进行经验模态分解得到k个固有模态分量和一个残差信号。其中,若细节信号c(t)不满足误差值条件,将细节信号c(t)作为原始信号s(t)重新执行步骤S31至步骤S35。
在本发明的一个实施例中,在步骤S30中,采用能量熵公式对从数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,能量熵公式为:
式中,Ei为第k个固有模态分量中第i段的归一化能量,Hk为第k个固有模态分量的能量熵,i为分段归一化能量的序列,N为分段归一化能量的总数,k为固有模态分量的总数。
需要说明的是,该基于声音信号的开关机械故障诊断方法中每个获取的声音信号经过步骤S30的处理可以得到一个八维的信号特征量。
在本实施例中,归一化能量的处理公式为:
式中,qi表示k个固有模态分量中第i段的能量,xk(t)为第k个固有模态分量。
实施例二:
图5为本发明实施例所述的基于声音信号的开关机械故障诊断装置的框架图。
如图5所示,本发明实施例还提供一种基于声音信号的开关机械故障诊断装置,应用于断路器上,包括信号获取模块10、降噪处理模块20、分解处理模块30和诊断输出模块40;
信号获取模块10,用于获取断路器中开关动作产生的声音信号;
降噪处理模块20,用于对声音信号进行降噪处理,得到降噪信号;
分解处理模块30,用于对降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个能量熵作为信号特征量;
诊断输出模块40,用于将信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种基于声音信号的开关机械故障诊断设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于声音信号的开关机械故障诊断方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于声音信号的开关机械故障诊断方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于声音信号的开关机械故障诊断方法,应用于断路器上,其特征在于,包括以下步骤:
S10.获取断路器中开关动作产生的声音信号;
S20.对所述声音信号进行降噪处理,得到降噪信号;
S30.对所述降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从所述数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个所述能量熵作为信号特征量;
S40.将所述信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
2.根据权利要求1所述的基于声音信号的开关机械故障诊断方法,其特征在于,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:
S31.获取所述降噪信号中所有的极大值点和极小值点;
S32.采用三次样条插值函数对所有的所述极大值点和所述极小值点进行处理,得到上包络线信号和下包络线信号;
S33.对所述上包络线信号和所述下包络线信号求平均,得到均值包络线信号;
S34.对所述降噪信号与所述均值包络线信号相减,得到细节信号;
S35.若所述细节信号满足误差值条件,则将所述细节信号作为固有模态分量;
其中,所述误差值条件包括:所述细节信号的极值点个数与所述细节信号的过零点个数相等或相差个数数值不超过1,所述细节信号在任意时刻的上包络线信号与下包络线信号的平均值为0。
3.根据权利要求2所述的基于声音信号的开关机械故障诊断方法,其特征在于,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:若所述细节信号不满足误差值条件,所述细节信号作为新的降噪信号,重新执行步骤S31至步骤S35。
4.根据权利要求2所述的基于声音信号的开关机械故障诊断方法,其特征在于,对所述降噪信号进行经验模态分解,得到固有模态分量的步骤包括:
S36.若所述细节信号满足误差值条件,对所述降噪信号与所述细节信号相减,得到残差信号;
S37.若所述残差信号满足终止条件,完成对所述降噪信号的经验模态分解,若所述残差信号不满足终止条件,将所述残差信号作为所述降噪信号,重新执行步骤S31至步骤S35;
其中,所述终止条件包括:所述残差信号的极值点个数不大于2。
6.根据权利要求1所述的基于声音信号的开关机械故障诊断方法,其特征在于,在步骤S10中,通过声音感应元件获取断路器中开关动作产生的声音信号。
7.根据权利要求6所述的基于声音信号的开关机械故障诊断方法,其特征在于,所述声音感应元件为声音传感器,所述声音传感器与断路器开关之间的距离为2m。
8.根据权利要求1所述的基于声音信号的开关机械故障诊断方法,其特征在于,在步骤S20中,采用小波包阈值去噪对所述声音信号进行降噪处理,得到降噪信号。
9.一种基于声音信号的开关机械故障诊断装置,应用于断路器上,其特征在于,包括信号获取模块、降噪处理模块、分解处理模块和诊断输出模块;
所述信号获取模块,用于获取断路器中开关动作产生的声音信号;
所述降噪处理模块,用于对所述声音信号进行降噪处理,得到降噪信号;
所述分解处理模块,用于对所述降噪信号进行经验模态分解,得到多个固有模态分量组成的数据集合,从所述数据集合中获取前8个固有模态分量进行能量熵处理,得到与8个固有模态分量对应的能量熵,8个所述能量熵作为信号特征量;
所述诊断输出模块,用于将所述信号特征量作为随机森林故障诊断模型的输入,随机森林故障诊断模型输出断路器开关机械故障的诊断结果。
10.一种基于声音信号的开关机械故障诊断设备,应用于断路器上,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-8任意一项所述的基于声音信号的开关机械故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517880.XA CN113283316A (zh) | 2021-05-12 | 2021-05-12 | 一种基于声音信号的开关机械故障诊断方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517880.XA CN113283316A (zh) | 2021-05-12 | 2021-05-12 | 一种基于声音信号的开关机械故障诊断方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283316A true CN113283316A (zh) | 2021-08-20 |
Family
ID=77278882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110517880.XA Pending CN113283316A (zh) | 2021-05-12 | 2021-05-12 | 一种基于声音信号的开关机械故障诊断方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283316A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654652A (zh) * | 2021-09-17 | 2021-11-16 | 广东电网有限责任公司 | 一种直流控保装置故障识别方法及相关装置 |
-
2021
- 2021-05-12 CN CN202110517880.XA patent/CN113283316A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654652A (zh) * | 2021-09-17 | 2021-11-16 | 广东电网有限责任公司 | 一种直流控保装置故障识别方法及相关装置 |
CN113654652B (zh) * | 2021-09-17 | 2024-03-19 | 广东电网有限责任公司 | 一种直流控保装置故障识别方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN112015603A (zh) | 用户终端硬件检测方法、装置、计算机装置及存储介质 | |
CN113655348B (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
Gargoom et al. | Investigation of effective automatic recognition systems of power-quality events | |
CN109635864B (zh) | 一种基于数据的容错控制方法及装置 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN114384896A (zh) | 轨道交通列控车载设备模拟电路级健康度预测方法及系统 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
CN114167132A (zh) | 无线终端的功耗检测方法、装置、电子设备及存储介质 | |
CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN111597096B (zh) | 一种基准测试方法、系统及终端设备 | |
CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN111046933B (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN114020971A (zh) | 一种异常数据检测方法及装置 | |
CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
CN112884201B (zh) | 基于人工智能算法的非介入式负荷监测方法、装置及系统 | |
CN118091520B (zh) | 一种10us方波浪涌测试设备智能调控方法及系统 |
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 |