CN113740635A - 电气设备故障诊断方法、终端和多探头传感装置 - Google Patents
电气设备故障诊断方法、终端和多探头传感装置 Download PDFInfo
- Publication number
- CN113740635A CN113740635A CN202110827345.4A CN202110827345A CN113740635A CN 113740635 A CN113740635 A CN 113740635A CN 202110827345 A CN202110827345 A CN 202110827345A CN 113740635 A CN113740635 A CN 113740635A
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- voiceprint feature
- sample
- voiceprint
- probe
- 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
- 239000000523 sample Substances 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 230000005236 sound signal Effects 0.000 claims abstract description 76
- 238000004590 computer program Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电气设备故障诊断方法、终端和多探头传感装置，该方法包括：采集电气设备的目标声音信号，提取所述声音信号的目标声纹特征，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态，在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。本发明通过设置预设数据库，将目标目标声纹特征与预设数据库中的声纹特征样本进行比对来识别电气设备的故障，能够提高电气设备故障诊断的准确度。
Description
技术领域
本发明涉及设备故障诊断领域，尤其涉及一种电气设备故障诊断方法、终端和多探头传感装置。
背景技术
电力在我们的生活和生产中所发挥的重要作用不容忽视，其带给我们极大的便利，成为我们生产生活中的重要能源。电力正常运行和输送的关键便是电气设备。如果电力系统中的某台电气设备发生故障，很容易影响电力系统的运行，引发大面积停电，造成巨大经济损失。随着电力系统向着高电压、大机组、大容量发展和自动化的普及推广，电气设备运行状态的监测和维护要求也越来越高。
目前通常由工作人员根据人工经验对电气设备的故障进行诊断。然而由于电气设备结构复杂、故障形式多种多样，依靠人工对电气设备故障诊断的准确度差。
发明内容
有鉴于此，本发明提供了一种电气设备故障诊断方法、终端和多探头传感装置，旨在解决电气设备的故障诊断准确度差的问题。
本发明实施例的第一方面提供了一种电气设备故障诊断方法，包括：
采集电气设备的目标声音信号；
提取所述声音信号的目标声纹特征；
将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态；
在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。
可选的，在采集电气设备的目标声音信号之前，还包括：
采集所述电气设备处于预设状态下的声音信号样本；
提取所述声音信号样本的声纹特征样本；
根据所述预设状态确定所述声纹特征样本对应的状态值，并将所述声纹特征样本及其对应的状态值添加到所述预设数据库中。
可选的，所述预设状态包括下述至少一项：
所述电气设备的运行负荷小于或等于额定负荷的30％；
所述电气设备的运行负荷等于所述额定负荷；
所述电气设备的风机开启工作时；
所述电气设备处于预设温度时。
可选的，提取所述声音信号样本的声纹特征样本，包括：
对所述声音信号样本进行预处理，并根据预处理后的声音信号样本生成所述声音信号样本对应的语谱图；
采用概率线性判别分析算法对所述声音信号样本对应的语谱图进行处理，以得到所述声音信号样本的声纹特征样本。
可选的，采集所述电气设备处于预设状态下的声音信号样本，包括：
通过吸附于所述电气设备上的多探头传感装置，采集所述电气设备处于预设状态下的声音信号样本；
其中，所述多探头传感装置包括底座、设于所述底座上的回转结构、处理器模块、设于所述底座上且覆盖所述回转结构及所述处理器模块的外壳、以及多个设有传感器的探头；每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器；所述底座上设有多个孔，所述探头和所述孔一一对应，每个探头位于所述底座的外部；每个探头与所述处理器模块之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过所述回转结构与所述处理器模块接；所述回转结构包括用于缠绕连接线的回弹盘与用于自锁和回收的发条弹簧；所述回弹盘、所述发条弹簧、所述探头一一对应；所述底座上设有磁铁；所述底座上设有电池，所述电池为所述处理器模块和所述传感器供电。
可选的，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，包括：
根据概率线性判别分析算法中的相似度计算公式，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对；
所述方法还包括：
在所述预设数据库中存在第二声纹特征样本时，确定所述电气设备处于正常状态，其中，所述第二声纹特征样本与所述目标声纹特征相同，且所述第二声纹特征样本对应的状态值表征正常状态；
在所述预设数据库中不存在与所述目标声纹特征相同的声纹特征样本时，发送报警信号，并确定所述目标声纹特征对应的状态值，将所述目标声纹特征及其对应的状态值作为新增的声纹特征样本添加到所述预设数据库中。
本发明实施例的第二方面提供了一种电气设备故障诊断装置，包括：
采集模块，用于采集电气设备的目标声音信号；
提取模块，用于提取所述声音信号的目标声纹特征；
对比模块，用于将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态；
诊断模块，用于在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。
本发明实施例的第三方面提供了一种多探头传感装置，包括：底座、设于所述底座上的回转结构、处理器模块、设于所述底座上且覆盖所述回转结构及所述处理器模块的外壳、以及多个设有传感器的探头；
每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器；
所述底座上设有多个孔和与所述孔一一对应的指示灯，所述探头和所述孔一一对应，每个探头位于所述底座的外部；每个探头与所述处理器模块之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过所述回转结构与所述处理器模块连接；
所述回转结构包括用于缠绕连接线的回弹盘与用于自锁和回收的发条弹簧；所述回弹盘、所述发条弹簧、所述探头一一对应；
所述底座上设有磁铁；所述底座上设有电池，所述电池为所述处理器模块和所述传感器供电。
本发明实施例的第四方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述电气设备故障诊断方法的步骤。
本发明实施例的第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述电气设备故障诊断方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明通过采集电气设备的目标声音信号，提取声音信号的目标声纹特征，将目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，状态值表征正常状态或故障状态，在预设数据库中存在第一声纹特征样本时，确定电气设备处于故障状态，其中，第一声纹特征样本与目标声纹特征相同，且第一声纹特征样本对应的状态值表征故障状态。本发明通过设置预设数据库，将目标目标声纹特征与预设数据库中的声纹特征样本进行比对来识别电气设备的故障，能够提高电气设备故障诊断的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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他的附图。
图1是本发明一个实施例提供的电气设备故障诊断方法的实现流程图；
图2是本发明又一个实施例提供的电气设备故障诊断方法的实现流程图；
图3是本发明一个实施例提供的多探头传感装置的结构示意图；
图4是本发明一个实施例提供的多探头传感装置中的回转结构的三维结构示意图；
图5是本发明一个实施例提供的多探头传感装置中的回转结构的剖面示意图；
图6是本发明另一个实施例提供的电气设备故障诊断方法的实现流程图；
图7是本发明一个实施例提供的电气设备故障诊断装置的结构示意图；
图8是本发明一个实施例提供的多探头传感装置应用于电气设备顶部时的三维结构示意图；
图9是本发明一个实施例提供的多探头传感装置原理框图；
图10是本发明一个实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如图1所示，本发明一个实施例的电气设备故障诊断方法的步骤包括：
S101：采集电气设备的目标声音信号。
本实施例中，电气设备包括但不限于开关柜、变压器和发电机，在此不作限定。
本实施例中，目标声音信号可以为一个或者多个，在此不做限定。例如，目标声音信号可以是在电气设备某个指定位置上采集的声音信号，也可以是在电气设备不同的多个位置上采集的声音信号。可以通过声音传感器采集电气设备的目标声音信号，例如，将声音传感器安装到电气设备上。
S102：提取声音信号的目标声纹特征。
本实施例中，提取声纹特征的方法包括但不限于下述其中一项：概率统计方法、动态时间规整方法、神经网络方法、隐式马尔可夫模型方法、VQ聚类方法和矢量量化方法，在此不做限定。
S103：将目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态。
本实施例中，可以预先采集电气设备在不同工作状态下的声音信号样本，并得到相应的声纹特征样本，为每个声纹特征样本添加状态值。对于在电气设备正常运行状态下采集得到的声音信号样本所得到的声纹特征样本，添加表征正常状态的状态值；对于在电气设备故障运行状态下采集得到的声音信号样本所得到的声纹特征样本，添加表征故障状态的状态值。在此对正常状态或故障状态的具体状态值不做限定。例如，状态值包括1和0，其中1表征正常状态，0表征故障状态。
预先将多个声纹特征样本及每个声纹特征样本对应的状态值存储到数据库中。在得到目标声纹特征后，将目标声纹特征与预设数据库中的各声纹特征样本分别进行比对。
S104：在预设数据库中存在第一声纹特征样本时，确定电气设备处于故障状态，其中，第一声纹特征样本与目标声纹特征相同，且第一声纹特征样本对应的状态值表征故障状态。
本实施例中，第一声纹特征样本与目标声纹特征相同，可以是第一声纹特征样本与目标声纹特征的相似度超过第一预设相似度阈值。如果在预设数据库中查找到某个声纹特征样本与目标声纹特征相同，并且该声纹特征样本对应的状态值表征故障状态，则该声纹特征样本即为第一声纹特征样本，即此时述预设数据库中存在第一声纹特征样本。
本实施例中，通过采集电气设备的目标声音信号，提取所述声音信号的目标声纹特征，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态，在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。本实施例通过设置预设数据库，将目标目标声纹特征与预设数据库中的声纹特征样本进行比对来识别电气设备的故障，能够提高电气设备故障诊断的准确度。
图2是本发明又一个实施例提供的电气设备故障诊断方法的实现流程图。
在图1所示实施例的基础上，本实施例中，S101之前，还包括：
S201：采集电气设备处于预设状态下的声音信号样本。
本实施例中，预设状态可以根据实际需求进行设定，预设状态可以有多种。例如，预设状态可以根据电气设备的温度、负荷、风机风机状态、湿度等确定。
S202：提取声音信号样本的声纹特征样本。
S203：根据预设状态确定声纹特征样本对应的状态值，并将声纹特征样本及其对应的状态值添加到预设数据库中。
可选的，预设状态可以为任意情况下的电气设备工作状态。例如，预设状态可以包括但不限于下述至少一项：
所述电气设备的运行负荷小于或等于额定负荷的30％；
所述电气设备的运行负荷等于所述额定负荷；
所述电气设备的风机开启工作时；
所述电气设备处于预设温度时。
例如，预设温度可以是，从35℃开始，每隔5℃采集一次电气设备振动声音信号，在此不做作限定。
在本实施例中，通过采集电气设备处于预设状态下的声音信号样本，提取所述声音信号样本的声纹特征样本，根据预设状态确定声纹特征样本对应的状态值，并将声纹特征样本及其对应的状态值添加到预设数据库中，从而建立预设数据库。预设状态选取的越多，预设数据库中的声纹特征样本越多，电气设备故障诊断的准确度越高。
图3至图5是本发明一个实施例提供的多探头传感装置的结构示意图。
可选的，在上述任一实施例的基础上，本实施例中，S201，包括：
通过吸附于电气设备上的多探头传感装置3，采集电气设备处于预设状态下的声音信号样本；
其中，多探头传感装置3包括底座35、设于底座35上的回转结构34、处理器模块33、设于底座35上且覆盖回转结构34及处理器模块33的外壳31、以及多个设有传感器的探头(图中未示)。
可选地，每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器。可选地，底座35上设有多个孔，探头和孔一一对应，每个探头位于底座35的外部。可选地，每个探头与处理器模块33之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过回转结构34与处理器模块33连接。可选地，回转结构34包括用于缠绕连接线的回弹盘41与用于自锁和回收的发条弹簧42；回弹盘41、发条弹簧42、探头一一对应。可选地，底座35上设有磁铁。可选地，底座35上设有电池，电池为所述处理器模块33和传感器供电。
本实施例中，多探头传感装置中探头伸出的的位置并不限定，例如，可以壳盖上预留位置伸出探头。探头上设置的传感器包括但不限于声音传感器、温度传感器、湿度传感器和风速传感器。供电装置包括但不限于电池和外接电源，例如，底座可以预留电源孔，接入到电气设备的机构室供电工作，也可以使用外接电源作为主要供电装置，电池作为备用供电装置，在此不做限定。
本实施例中，通过吸附于电气设备上的多探头传感装置3，采集电气设备处于预设状态下的声音信号样本，解决了现有技术中只能进行单点的监测，需要多点位数据时只能安装多个传感器的问题，安装成本低，测量方便，可以监测到更多的信息，电气设备故障诊断准确度高。
图6是本发明的另一实施例提供的电气设备故障诊断方法。
可选的，在上述任一实施例的基础上，提取所述声音信号样本的声纹特征样本的过程包括：
对声音信号样本进行预处理，并根据预处理后的声音信号样本生成声音信号样本对应的语谱图；
采用概率线性判别分析算法对声音信号样本对应的语谱图进行处理，以得到声音信号样本的声纹特征样本。
本实施例中，预处理的方式包括但不限于滤波、量化、分帧、加窗、预加重和端点检测，最终保留为多个平滑片段，并去除声音数据中的静音片段。在此不做限定。对预处理后的的声音片段可以进行频率分析得到语谱图，频率分析的方法包括但不限于傅里叶分析，小波分析和Mel频率倒谱分析。频率分析可以用频率分析仪实现，也可以通过计算机软件实现，在此不做限定。语谱图中声音信号的频率对应高度，声音信号的时间对应宽度。
在本实施例中，对语谱图进行处理的方法包括但不限于线性判别分析算法、概率线性判别分析算法和度量学习算法。以概率线性判别分析算法为例，对得到声纹特征样本的过程详述如下：
步骤一，使用模型公式生成模型
概率线性判别分析算法是一种信道补偿算法，其公式为：
Xij＝μ+Fhi+Gwij+∈ij (1)
其中，所述预处理后的声音信号有i种，每种有j段不同的声音信号，定义第i种的j段声音为Xij，概率线性判别分析算法的模型参数一个有4个，分别是数据均值μ，空间特征矩阵F和G，噪声协方差∈，μ和Fhi只与声音信息有关而与具体某一条声音信息无关，Gwij和∈ij为噪声部分，hi为隐藏因子。
其中，在诊断阶段计算两条声音信号是否相似，只识别声音信号的不同特征，可以简化公式为：
Xij＝μ+Fhi+∈ij (2)
其中，∈服从N(0，Σ]，hi服从N(0，1)。
步骤二，模型训练，得到声纹特征样本
模型训练通过EM公式进行，EM公式就是含有隐变量的概率模型参数的极大似然估计法，具体详述如下：
一、进行均值处理：
求解所有训练数据Xall的均值μ，然后减去该均值：Xall＝Xall-μ。
二、进行配置参数初始化：
特征维度记为D，即μ是D×1维的，Nμ是D×N维的；
每个声音信号空间维度记作NF，即F是D×NF维的,同时hi是NF×1维的；
噪声空间维度记作NG，即D×NG维的,同时wij是NG×1维的；
G使用随机初始化；
F初始化：对每个人的均值数据Nμ进行PCA降维，降到NF维，赋值给F；
Σ初始化为D×1维的常量。
三、迭代优化：将模型公式展开成矩阵形式
简化后：
x′＝μ′+Ay+∈′ (4)
通过E步计算：可以计算得到隐含变量h的期望值，作为后续测试验证的特征：
E[yi]＝(AT∑′-1A+I)-1AT∑′-1(xi-μ′) (5)
M步计算，用作更新参数θ＝[μ,F,G,∑]，求出使X极大化的θ，得第i+1次的参数估计为θ(i+1)，重复E步骤与M步骤至收敛结束。
按照以下公式进行更新，其中Diag表示只保留对角元素：
其中，B为声音信号的空间特征矩阵。
本实施例中，通过对声音信号样本进行预处理，并根据预处理后的声音信号样本生成声音信号样本对应的语谱图；采用概率线性判别分析算法对声音信号样本对应的语谱图进行处理，以得到声音信号样本的声纹特征样本。可以有效降低噪声影响，减少信道对声音信息的干扰，提高电气设备故障诊断准确度。
可选的，在上述任一实施例的基础上，将目标声纹特征与数据库中的声纹特征样本进行比对的过程包括：
根据概率线性判别分析算法中的相似度计算公式，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对。
本实施例中，相似度公式包括但不限于对数似然相似度公式和余弦相似度公式，在此不做限定。以对数似然相似度公式计算目标声纹特征与预设数据库中的声纹特征样本的相似度为例，详述如下：
其中，xi为声音第i个特征，x1和x2是两条语音，Hs、Hd分别为目标声纹特征特征以及预设数据库中的声纹特征。
可选的，在上述任一实施例的基础上，将目标声纹特征与数据库中的声纹特征样本进行比对的之后还包括：
在预设数据库中存在第二声纹特征样本时，确定电气设备处于正常状态，其中，第二声纹特征样本与目标声纹特征相同，且第二声纹特征样本对应的状态值表征正常状态；
在预设数据库中不存在与目标声纹特征相同的声纹特征样本时，发送报警信号，并确定目标声纹特征对应的状态值，将目标声纹特征及其对应的状态值作为新增的声纹特征样本添加到预设数据库中。
在本实施例中，第二声纹特征样本与目标声纹特征相同，可以是第二声纹特征样本与目标声纹特征的相似度超过第一预设相似度阈值。如果在预设数据库中查找到某个声纹特征样本与目标声纹特征相同，并且该声纹特征样本对应的状态值表征正常状态，则该声纹特征样本即为第二声纹特征样本，即此时述预设数据库中存在第二声纹特征样本。
在本实施例中，在预设数据库中不存在与目标声纹特征相同的声纹特征样本，可以是预设数据库中的所有声纹特征样本与目标声纹特征的相似度低于第二预设相似度阈值。如果在预设数据库中不存在与目标声纹特征相同的声纹特征样本，发送报警信号，提醒相关人员检查电气设备的运行状态并进行人工分析，以分析的结果确定目标声纹的状态值，将目标声纹特征与其对应的状态值作为新增的声纹样本特征添加到数据库中。
其中，第一预设相似度阈值大于第二相似度阈值。
在本实施例中，通过在数据库中不存在与目标声纹特征相同的声纹样本时报警并将此目标声纹样本添加到预设数据库，可以更新预设数据库，增加电气设备处于不同运行状态下的声纹样本，提高电气设备故障诊断的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
如图7所示，本发明的一个实施例提供的电气设备故障诊断装置7，包括：用于执行图1所对应实施例中的方法步骤的采集模块710、提取模块720、对比模块730和诊断模块740。
采集模块710，用于采集电气设备的目标声音信号。
提取模块720，用于提取声音信号的目标声纹特征。
对比模块730，用于将目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，状态值表征正常状态或故障状态。
诊断模块740，用于在预设数据库中存在第一声纹特征样本时，确定电气设备处于故障状态，其中，第一声纹特征样本与目标声纹特征相同，且第一声纹特征样本对应的状态值表征故障状态。
本实施例中，通过采集电气设备的目标声音信号，提取所述声音信号的目标声纹特征，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态，在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。本实施例通过设置预设数据库，将目标目标声纹特征与预设数据库中的声纹特征样本进行比对来识别电气设备的故障，能够提高电气设备故障诊断的准确度。
可选的，采集模块710，还用于采集所述电气设备处于预设状态下的声音信号样本。
提取所述声音信号样本的声纹特征样本；
根据所述预设状态确定所述声纹特征样本对应的状态值，并将所述声纹特征样本及其对应的状态值添加到所述预设数据库中。
可选的，预设状态包括下述至少一项：
电气设备的运行负荷小于或等于额定负荷的30％；
电气设备的运行负荷等于所述额定负荷；
电气设备的风机开启工作时；
电气设备处于预设温度时。
可选的，采集模块710，还用于通过吸附于电气设备上的多探头传感装置3，采集电气设备处于预设状态下的声音信号样本；
其中，多探头传感装置3包括底座35、设于底座35上的回转结构34、处理器模块33、设于底座35上且覆盖回转结构34及处理器模块33的外壳31、以及多个设有传感器的探头；每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器；底座35上设有多个孔，探头和孔一一对应，每个探头位于底座35的外部；每个探头与处理器模块33之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过回转结构34与处理器模块33连接；回转结构34包括用于缠绕连接线的回弹盘41与用于自锁和回收的发条弹簧42；回弹盘41、发条弹簧42、探头一一对应；底座35上设有磁铁；底座35上设有电池，电池为所述处理器模块33和传感器供电。
可选的，提取模块320，还用于对声音信号样本进行预处理，并根据预处理后的声音信号样本生成声音信号样本对应的语谱图；
采用概率线性判别分析算法对声音信号样本对应的语谱图进行处理，以得到声音信号样本的声纹特征样本。
可选的，对比模块330，还用于根据概率线性判别分析算法中的相似度计算公式，将目标声纹特征与预设数据库中的声纹特征样本进行比对。
可选的，诊断模块340，还用于在预设数据库中存在第二声纹特征样本时，确定电气设备处于正常状态，其中，第二声纹特征样本与目标声纹特征相同，且第二声纹特征样本对应的状态值表征正常状态；
在预设数据库中不存在与目标声纹特征相同的声纹特征样本时，发送报警信号，并确定目标声纹特征对应的状态值，将目标声纹特征及其对应的状态值作为新增的声纹特征样本添加到预设数据库中。
本实施例提供的电气设备故障诊断装置，可用于执行上述的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
如图8所示，本发明的一个实施例提供的多探头传感装置应用于电气设备顶部进时的三维结构示意图，详述如下：
本实施例中，传感器可以安装在电气设备的不同位置，例如，可以安装在电气设备顶面、侧面和背面，在此不做限定。对需要监测的部位拉出传感器探头，可以将拉出的传感器探头放置在任意位置，例如可以贴附于设备外表面、延伸至目标测点或者仅仅延伸到空气中，在此不做限定。传感器安装时，可以带电安装。
本实施例中，利用声纹提取技术，作为新型的监测方法，多功能传感器可以将测温探头延伸，对电气设备进行多维度的温度监测工作。无论是安装在电气设备的顶面、正面、侧面或者背面，都可以将测温探头拉出，贴附于设备外表面、延伸至目标测点或者仅仅延伸到空气中测量环境温度。多维度结合进行监测，提高电气设备故障诊断的准确度。
如图3至图5所示，本发明的一个实施例提供的多探头传感装置3，包括：底座35、设于底座35上的回转结构34、处理器模块33、设于底座35上且覆盖回转结构34及处理器模块33的外壳31、以及多个设有传感器的探头。
每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器。
可选地，底座35，设有多个孔和与孔一一对应的指示灯，探头和孔一一对应，每个探头位于底座35的外部；每个探头与处理器模块33之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过回转结构34与处理器模块33连接。
可选地，回转结构34包括用于缠绕连接线的回弹盘41与用于自锁和回收的发条弹簧42；回弹盘41、发条弹簧42、探头一一对应。
可选地，底座35上设有磁铁。
可选地，底座35上设有电池，电池为所述处理器模块33和传感器供电。
本实施例中，多探头传感装置3中探头伸出的的位置并不限定，例如，可以壳盖上预留位置伸出探头。探头上设置的传感器包括但不限于声音传感器、温度传感器、湿度传感器和风速传感器。供电装置包括但不限于电池和外接电源，例如，底座可以预留电源孔，接入到电气设备的机构室供电工作，也可以使用外接电源作为主要供电装置，电池作为备用供电装置，在此不做限定。
本实施例中，通过吸附于电气设备上的多探头传感装置3，采集电气设备处于预设状态下的声音信号样本，解决了现有技术中只能进行单点的监测，需要多点位数据时只能安装多个传感器的问题，安装成本低，测量方便，可以监测到更多的信息，电气设备故障诊断准确度高。
本实施例提供的多探头传感装置，可用于实现上述的方法实施例中对电气设备声音信号的采集。
如图9所示，本发明的一个实施例提供的多探头传感装置原理，包括接收模块901、传感器探头、电源管理模块903、数据储存模块904和发射模块905。
接收模块901接收传感器温度探头的监测信息，并将温度数据传送至数据储存模块904，通过发射模块905发射信号到接收后台上，实现温度数据读取。
其中，电源管理模块903对传感器探头进行配电管理，工作时输电，指示灯亮。
本实施例中，传感器温度探头的监测信息可以是温度，也可以是声音、湿度等，在此不做限定。
如图10所示，本发明的一个实施例提供的终端设备，该实施例的终端10包括：处理器1000、存储器1001以及存储在所述存储器1001中并可在所述处理器1000上运行的计算机程序1002。所述处理器1000执行所述计算机程序1002时实现上述各个电气设备故障诊断方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器1000执行所述计算机程序1002时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块710至740的功能。
示例性的，所述计算机程序1002可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器1001中，并由所述处理器1000执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序1002在所述终端10中的执行过程。
所述终端10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。所述终端可包括，但不仅限于，处理器1000、存储器1001。本领域技术人员可以理解，图10仅仅是终端10的示例，并不构成对终端10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，例如所述终端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1000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)、现场可编程门阵列(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。
所述存储器1001可以是所述终端10的内部存储单元，例如终端10的硬盘或内存。所述存储器1001也可以是所述终端10的外部存储设备，例如所述终端10上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器1001还可以既包括所述终端10的内部存储单元也包括外部存储设备。所述存储器1001用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器1001还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例的还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述各个电气设备故障诊断方法实施例中的步骤。
计算机可读存储介质存储有计算机程序1002，计算机程序1002包括程序指令，程序指令被处理器1000执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序1002来指令相关的硬件来完成，计算机程序1002可存储于一计算机可读存储介质中，该计算机程序1002在被处理器1000执行时，可实现上述各个方法实施例的步骤。其中，计算机程序1002包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电气设备故障诊断方法，其特征在于，所述方法，包括：
采集电气设备的目标声音信号；
提取所述声音信号的目标声纹特征；
将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，其中，预设数据库中包括多个声纹特征样本及每个声纹特征样本对应的状态值，所述状态值表征正常状态或故障状态；
在所述预设数据库中存在第一声纹特征样本时，确定所述电气设备处于故障状态，其中，所述第一声纹特征样本与所述目标声纹特征相同，且所述第一声纹特征样本对应的状态值表征故障状态。
2.根据权利要求1所述的电气设备故障诊断方法，其特征在于，在采集电气设备的目标声音信号之前，所述方法还包括：
采集所述电气设备处于预设状态下的声音信号样本；
提取所述声音信号样本的声纹特征样本；
根据所述预设状态确定所述声纹特征样本对应的状态值，并将所述声纹特征样本及其对应的状态值添加到所述预设数据库中。
3.根据权利要求2所述的电气设备故障诊断方法，其特征在于，所述预设状态包括下述至少一项：
所述电气设备的运行负荷小于或等于额定负荷的30％；
所述电气设备的运行负荷等于所述额定负荷；
所述电气设备的风机开启工作时；
所述电气设备处于预设温度时。
4.根据权利要求2所述的电气设备故障诊断方法，其特征在于，提取所述声音信号样本的声纹特征样本，包括：
对所述声音信号样本进行预处理，并根据预处理后的声音信号样本生成所述声音信号样本对应的语谱图；
采用概率线性判别分析算法对所述声音信号样本对应的语谱图进行处理，以得到所述声音信号样本的声纹特征样本。
5.根据权利要求2所述的电气设备故障诊断方法，其特征在于，采集所述电气设备处于预设状态下的声音信号样本，包括：
通过吸附于所述电气设备上的多探头传感装置，采集所述电气设备处于预设状态下的声音信号样本；
其中，所述多探头传感装置包括底座、设于所述底座上的回转结构、处理器模块、设于所述底座上且覆盖所述回转结构及所述处理器模块的外壳、以及多个设有传感器的探头；每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器；所述底座上设有多个孔，所述探头和所述孔一一对应，每个探头位于所述底座的外部；每个探头与所述处理器模块之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过所述回转结构与所述处理器模块连接；所述回转结构包括用于缠绕连接线的回弹盘与用于自锁和回收的发条弹簧；所述回弹盘、所述发条弹簧、所述探头一一对应；所述底座上设有磁铁；所述底座上设有电池，所述电池为所述处理器模块和所述传感器供电。
6.根据权利要求1-4任一项所述的电气设备故障诊断方法，其特征在于，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对，包括：
根据概率线性判别分析算法中的相似度计算公式，将所述目标声纹特征与预设数据库中的声纹特征样本进行比对；
所述方法还包括：
在所述预设数据库中存在第二声纹特征样本时，确定所述电气设备处于正常状态，其中，所述第二声纹特征样本与所述目标声纹特征相同，且所述第二声纹特征样本对应的状态值表征正常状态；
在所述预设数据库中不存在与所述目标声纹特征相同的声纹特征样本时，发送报警信号，并确定所述目标声纹特征对应的状态值，将所述目标声纹特征及其对应的状态值作为新增的声纹特征样本添加到所述预设数据库中。
7.一种多探头传感装置，其特征在于，包括：底座、设于所述底座上的回转结构、处理器模块、设于所述底座上且覆盖所述回转结构及所述处理器模块的外壳、以及多个设有传感器的探头；
每个探头上设置的传感器包括至少一个声音传感器和/或温度传感器；
所述底座上设有多个孔和与所述孔一一对应的指示灯，所述探头和所述孔一一对应，每个探头位于所述底座的外部；每个探头与所述处理器模块之间设有连接线，每个探头所对应的连接线的一端连接该探头，另一端穿过相应的孔并通过所述回转结构与所述处理器模块连接；
所述回转结构包括用于缠绕连接线的回弹盘与用于自锁和回收的发条弹簧；所述回弹盘、所述发条弹簧、所述探头一一对应；
所述底座上设有磁铁；所述底座上设有电池，所述电池为所述处理器模块和所述传感器供电。
8.根据权利要求7所述的多探头传感装置，其特征在于，所述底座上设有磁铁；所述底座上设有电池，所述电池为所述处理器模块和所述传感器供电。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述电气设备故障诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述电气设备故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827345.4A CN113740635A (zh) | 2021-07-21 | 2021-07-21 | 电气设备故障诊断方法、终端和多探头传感装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827345.4A CN113740635A (zh) | 2021-07-21 | 2021-07-21 | 电气设备故障诊断方法、终端和多探头传感装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113740635A true CN113740635A (zh) | 2021-12-03 |
Family
ID=78728891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110827345.4A Pending CN113740635A (zh) | 2021-07-21 | 2021-07-21 | 电气设备故障诊断方法、终端和多探头传感装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113740635A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295008A (zh) * | 2022-07-28 | 2022-11-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于声纹数据的智能故障识别系统与识别方法 |
| CN116186523A (zh) * | 2023-04-27 | 2023-05-30 | 合力（天津）能源科技股份有限公司 | 一种基于声纹分析的设备故障识别方法及系统 |
| CN117607598A (zh) * | 2023-12-12 | 2024-02-27 | 国网山东省电力公司莒县供电公司 | 一种基于声纹特征的变压器故障检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109557412A (zh) * | 2018-11-27 | 2019-04-02 | 华翔翔能电气股份有限公司 | 一种变压器故障的声纹识别方法及系统 |
| CN111336100A (zh) * | 2020-04-10 | 2020-06-26 | 中国恩菲工程技术有限公司 | 水泵故障诊断系统 |
| CN112033066A (zh) * | 2020-07-31 | 2020-12-04 | 海尔优家智能科技（北京）有限公司 | 故障检测方法及装置、存储介质、电子装置 |
| CN213579796U (zh) * | 2020-12-01 | 2021-06-29 | 希瑞干细胞科技有限公司 | 一种多线式温度记录仪 |
-
2021
- 2021-07-21 CN CN202110827345.4A patent/CN113740635A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109557412A (zh) * | 2018-11-27 | 2019-04-02 | 华翔翔能电气股份有限公司 | 一种变压器故障的声纹识别方法及系统 |
| CN111336100A (zh) * | 2020-04-10 | 2020-06-26 | 中国恩菲工程技术有限公司 | 水泵故障诊断系统 |
| CN112033066A (zh) * | 2020-07-31 | 2020-12-04 | 海尔优家智能科技（北京）有限公司 | 故障检测方法及装置、存储介质、电子装置 |
| CN213579796U (zh) * | 2020-12-01 | 2021-06-29 | 希瑞干细胞科技有限公司 | 一种多线式温度记录仪 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295008A (zh) * | 2022-07-28 | 2022-11-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于声纹数据的智能故障识别系统与识别方法 |
| CN116186523A (zh) * | 2023-04-27 | 2023-05-30 | 合力（天津）能源科技股份有限公司 | 一种基于声纹分析的设备故障识别方法及系统 |
| CN117607598A (zh) * | 2023-12-12 | 2024-02-27 | 国网山东省电力公司莒县供电公司 | 一种基于声纹特征的变压器故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113740635A (zh) | 电气设备故障诊断方法、终端和多探头传感装置 | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
| CN111695452A (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
| CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
| CN111179964A (zh) | 一种基于声音频域特征的电梯层门状态识别方法 | |
| CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
| CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
| CN113447287A (zh) | 异常检测装置和方法 | |
| CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
| CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
| CN114252906A (zh) | 声音事件的检测方法和装置、计算机设备和存储介质 | |
| CN116907029A (zh) | 检测室外机内风扇异常的方法、控制装置以及空调室外机 | |
| CN115618217A (zh) | 一种驱动电机系统声品质客观评价特征提取方法 | |
| CN116092519A (zh) | 车辆故障检测方法及系统 | |
| 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 | |
| CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
| CN111190922A (zh) | 电力状态的检测方法、装置、设备及存储介质 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及系统 |
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 |