CN114091533A - 基于激光测振的变压器噪声识别和逆向还原方法及介质 - Google Patents
基于激光测振的变压器噪声识别和逆向还原方法及介质 Download PDFInfo
- Publication number
- CN114091533A CN114091533A CN202111348818.9A CN202111348818A CN114091533A CN 114091533 A CN114091533 A CN 114091533A CN 202111348818 A CN202111348818 A CN 202111348818A CN 114091533 A CN114091533 A CN 114091533A
- Authority
- CN
- China
- Prior art keywords
- noise
- transformer
- vibration
- identification
- time domain
- 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
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于激光测振的变压器噪声识别和逆向还原方法及介质,所述方法包括:构建待测变压器的声振耦合模型,获得优化的测点布置方案;基于所述优化的测点布置方案,利用激光测振法获得各测点的表面振动信号;以设定时间长度对所述表面振动信号进行拆分,获得多个表面振动时域信号片段;以所述多个表面振动时域信号片段作为预先训练的噪声识别与还原神经网络模型的输入,获得对应的设备状态和噪声时域信号估计值;将所述噪声时域信号估计值转化为声场指标及声场分布,实现变压器噪声识别与还原。与现有技术相比,本发明具有安全、便捷、可靠等优点,可适用于强电强磁高压等各种复杂工作场景下不同型号变压器噪声识别与逆向还原的测试。
Description
技术领域
本发明涉及电力变压器的噪声检测技术领域,尤其是涉及一种基于激光测振的变压器噪声识别和逆向还原方法及介质。
背景技术
变电站是保障电网系统有效运行最为关键的设备之一,起着变换电压、接受和分配电能、控制电流和调整电压等作用。随着经济高速发展,为满足生产与生活,变电站逐渐从以郊区为核心地带分布向城市中心发展,大量变电站已被居民小区包围,其带来的噪声污染对居民生活环境产生重要影响。变压器噪声产生机理、监测及控制是当前该工程领域面临的重要挑战之一,如何有效识别变压器噪声,并在其复杂结构中进行声源定位是解决变压器噪声问题的关键基础技术。
变压器本体振动噪声产生机理及传递路径复杂,振动激励源及影响因素较多,且现场背景噪音通常较高,且有突发性,存在强磁、强电、高压等苛刻环境导致难以直接测量。传统声压、声强测试方法只能得到本体与冷却系统等混合叠加后噪声,而变压器箱体振动受本体,同时也受风扇、油泵等冷却设备的振动影响,因此,噪声源难以定位。另一方面,测试要求较高,费用较大。传统振速法主要基于振动速度或加速度传感器,现场操作复杂,安装受现场环境影响较大,如,强磁、强电、高压、位置/距离等。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种安全、便捷、可靠的基于激光测振的变压器噪声识别和逆向还原方法及介质,可适用于强电强磁高压等各种复杂工作场景下不同型号变压器噪声识别与逆向还原。
本发明的目的可以通过以下技术方案来实现:
一种基于激光测振的变压器噪声识别和逆向还原方法,包括以下步骤:
构建待测变压器的声振耦合模型,获得优化的测点布置方案;
基于所述优化的测点布置方案,利用激光测振法获得各测点的表面振动信号;
以设定时间长度对所述表面振动信号进行拆分,获得多个表面振动时域信号片段;
以所述多个表面振动时域信号片段作为预先训练的噪声识别与还原神经网络模型的输入,获得对应的设备状态和噪声时域信号估计值;
将所述噪声时域信号估计值转化为声场指标及声场分布,实现变压器噪声识别与还原。
进一步地,所述测点布置方案包括测点位置和测点数量。
进一步地,根据变压器的几何模型及运行工况,构建所述声振耦合模型,基于所述声振耦合模型,对变压器进行谐响应声场仿真,获得所述优化的测点布置方案。
进一步地,所述设定时间长度为变压器工作频率对应周期的整数倍。
进一步地,所述噪声识别与还原神经网络模型的训练过程具体为:
获得多组变压器的表面振动信号和声压信号;
以设定时间长度对所述表面振动信号和声压信号进行拆分,获得多个表面振动时域信号片段和声压时域信号片段,计算每个片段的噪声辐射指数;
将多个片段的噪声辐射指数合并成噪声辐射指数特征矩阵,添加设备类型、设备状态、声压与噪声辐射指数特征矩阵的映射关系,形成噪声辐射指数特征库;
以所述噪声辐射指数特征库作为样本集,训练获得噪声识别与还原神经网络模型。
进一步地,所述计算每个片段的噪声辐射指数具体为:
采用噪声辐射指数识别算法,计算片段中各频段的噪声辐射指数,以多个频段的平均噪声辐射指数作为该片段的噪声辐射指数。
进一步地,将同工况同设备类型的所述多个片段的噪声辐射指数合成噪声辐射指数特征矩阵。
进一步地,通过传声器获得所述声压信号。
进一步地,通过激光测振仪获得所述表面振动信号。
本发明还提供一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如上所述基于激光测振的变压器噪声识别和逆向还原方法的指令。
与现有技术相比,本发明通过结合激光测振和变压器噪声特征分析,对变压器噪声进行识别,还原复杂场景下变压器噪声分布情况,提高变压器振动与噪声检测水平,有效解决传统变压器振动与噪声检测方法存在的现场操作复杂、安装受现场环境影响较大等问题,具有以下有益效果:
(1)采用噪声源识别与还原的神经网络模型,通过将多个时间片段内各频段噪声辐射指数构成的噪声辐射指数特征库作为输入数据集,可有效分辨不同类型、工况状态的变压器声源,便于现场快速准确的声源识别与噪声分布还原。
(2)将传统接触式测量方式改为基于多普勒效应的激光测振法,有效减少强电强磁高压等变压器工作环境对测量的影响。
附图说明
图1为本发明的基本流程示意图;
图2为图1中声振耦合模型及测点布置的具体实施步骤示意图;
图3为图1中噪声特征模型的具体实施步骤示意图;
图4为图1中噪声识别与还原的具体实施步骤示意图;
图5为建立噪声特征模型的设备组成示意图;
图6为变压器噪声识别与还原的设备组成示意图;
其中,1是变压器,2是数据库服务器,用于储存变压器噪声辐射指数特征矩阵数据,3是模型计算单元,此处为电脑,其含有用于噪声特征模型生成和噪声识别还原的程序,4是数据采集器,5是激光测振仪,6是传声器。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于激光测振的变压器噪声识别和逆向还原方法,该方法基于一预先构建并训练的声识别与还原神经网络模型,以及各测点的表面振动信号,获得对应的备状态和噪声时域信号估计值,并将噪声时域信号估计值转化为声场指标及声场分布,实现变压器噪声识别与还原。
参考图1所示,该方法具体包括声振耦合模型及测点布置、噪声特征模型构建和噪声识别与还原三个部分。
(a)声振耦合模型及测点布置
在该部分中,通过建立声振耦合模型,获得声场仿真特征变化结果,根据测点布置规范与策略,优化布置噪声及振动测点,包括测点位置和个数的排布。该部分是模型构建和噪声识别还原的基础。如图2所示,该部分的具体实施步骤如下:
①根据变压器1的几何模型及运行工况,构建变压器声振耦合模型;
②基于声振耦合模型,对变压器1进行谐响应声场仿真,得到变压器1表面振动及一米远场声压级分布;
③根据测点布置规范及优化布置策略,在强振动处布置更多测点,优化测点位置和个数。
(b)噪声特征模型构建
在该部分中,测试获得变压器的表面振动信号和噪声声压信号,建立噪声识别与还原的神经网络模型。
针对实际不同工作场景,通过激光测振仪和传声器测试,获得变压器表面振动信号和噪声声压信号;将所述获得的测试信号按特定时间长度分成多个时间片段,计算所述每个时间片段内各频段的噪声辐射指数,并标记对应的设备类型、工况及声压等信息,以构建噪声辐射指数特征库。基于所述噪声辐射指数特征库,建立噪声源识别与还原的神经网络模型。该部分采用如图5所示的设备进行,具体实施步骤如图3所示,包括:
①将激光测振仪5和传声器6分别按(a)中所述步骤得到进行测点位置和个数布置,获取该测点的表面振动信号和声压信号;
②根据测试变压器工况,选择变压器工作频率对应周期的整数倍作为基准片段长度,并通过在模型计算单元3中的处理程序,将测得表面振动和声压的时域信号拆分成多个与基准片段长度相等的信号片段;
③对每个拆分后的表面振动和声压的时域信号片段,应用模型计算单元3中的噪声辐射指数识别算法,求解得到每个片段的噪声辐射指数;噪声辐射指数识别算法的具体步骤如下:
Step1.通过快速傅里叶变换将时域信号片段转化为频域信号片段;
Step2.构造1/3倍频程滤波器对频域信号片段进行倍频程滤波;
Step3.再将滤波后的频域信号片段,进行快速傅里叶逆变换,转化为时域信号片段;
Step4.根据声学理论公式,获得各频带的振速级和声功率级;若变压器表面某测点对应的振动速度有效值为v,测点处的声压有效值为p,则振速级LV和声功率级LW可由下式表示:
振速级:
声功率级:
式中:
v0为基准振速,v0=10-9m/s;
ρc为当前介质的声阻抗;
ρ0c0为基准声阻抗,ρ0c0=400kg/(m2·s);
p0为基准声压,p0=2×10-5Pa;
W为测点处声功率,A为测点处对应的波阵面面积;
W0为基准声功率,A0为单位面积,W0=10-12Pa。
Step5.根据噪声辐射指数计算公式,求解得到每个片段的噪声辐射指数。
噪声辐射指数σ与各频带的振速级LV和声功率级LW的关系为:
式中:
S0为基准结构声辐射面积,S0=1m2;
Si为测点所在表面的结构声辐射面积。
④模型计算单元3中的程序将多个片段的噪声辐射指数合并成噪声辐射指数特征矩阵,添加当前工况、运行状态及声压等与噪声辐射指数特征矩阵的映射关系,并添加到噪声辐射指数特征库中;测试结束后,将其储存在数据库服务器2中。
⑤数据存储完毕后,模型计算单元3中的程序将噪声辐射指数特征库中的数据集按4:1的比例拆分成训练集和测试集,生成用于变压器噪声识别与还原的神经网络模型。
(c)噪声识别与还原
该部分中,通过激光振速法测量声源振动速度,逆推声源对其周围声场的影响,将振动信号转换为声音波形,记录波形数字特征,还原实际变压器工作时的噪声分布情况。
基于(a)中步骤获得待测变压器的优化的测点布置方案;基于所述优化的测点布置方案,基于激光测振和振速法噪声测试原理,获得各测点的表面振动信号;以设定时间长度对所述表面振动信号进行拆分,获得多个表面振动时域信号片段;以所述多个表面振动时域信号片段作为预先训练的噪声识别与还原神经网络模型的输入,该神经网络模型基于(b)中的步骤获得,获得对应的设备状态和噪声时域信号估计值;将所述噪声时域信号估计值转化为声场指标及声场分布,实现变压器噪声识别与还原。该部分采用如图6所示的设备进行,具体实施步骤如图4所示,包括:
①将激光测振仪5按(a)中所述步骤进行测点位置和个数布置,获取测点的表面振动信号;
②根据实际变压器类型,选择变压器工作频率对应周期的整数倍作为基准片段长度,并将测得表面振动时域信号拆分成多个与基准片段长度相等的信号片段;
③将测得表面振动时域信号作为输入,通过生成的神经网络模型,获取设备工况及运行状态和噪声时域信号估计值;
④基于声学基本理论,模型计算单元3中的程序将噪声时域信号估计值表示成声压级、声功率级等声场指标及分布,实现变压器噪声识别与还原。
上述方法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-Only Memory)、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。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,包括以下步骤:
构建待测变压器的声振耦合模型,获得优化的测点布置方案;
基于所述优化的测点布置方案,利用激光测振法获得各测点的表面振动信号;
以设定时间长度对所述表面振动信号进行拆分,获得多个表面振动时域信号片段;
以所述多个表面振动时域信号片段作为预先训练的噪声识别与还原神经网络模型的输入,获得对应的设备状态和噪声时域信号估计值;
将所述噪声时域信号估计值转化为声场指标及声场分布,实现变压器噪声识别与还原。
2.根据权利要求1所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,所述测点布置方案包括测点位置和测点数量。
3.根据权利要求1所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,根据变压器的几何模型及运行工况,构建所述声振耦合模型,基于所述声振耦合模型,对变压器进行谐响应声场仿真,获得所述优化的测点布置方案。
4.根据权利要求1所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,所述设定时间长度为变压器工作频率对应周期的整数倍。
5.根据权利要求1所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,所述噪声识别与还原神经网络模型的训练过程具体为:
获得多组变压器的表面振动信号和声压信号;
以设定时间长度对所述表面振动信号和声压信号进行拆分,获得多个表面振动时域信号片段和声压时域信号片段,计算每个片段的噪声辐射指数;
将多个片段的噪声辐射指数合并成噪声辐射指数特征矩阵,添加设备类型、设备状态、声压与噪声辐射指数特征矩阵的映射关系,形成噪声辐射指数特征库;
以所述噪声辐射指数特征库作为样本集,训练获得噪声识别与还原神经网络模型。
6.根据权利要求5所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,所述计算每个片段的噪声辐射指数具体为:
采用噪声辐射指数识别算法,计算片段中各频段的噪声辐射指数,以多个频段的平均噪声辐射指数作为该片段的噪声辐射指数。
7.根据权利要求5所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,将同工况同设备类型的所述多个片段的噪声辐射指数合成噪声辐射指数特征矩阵。
8.根据权利要求5所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,通过传声器获得所述声压信号。
9.根据权利要求1或5所述的基于激光测振的变压器噪声识别和逆向还原方法,其特征在于,通过激光测振仪获得所述表面振动信号。
10.一种计算机可读存储介质,其特征在于,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-9任一所述基于激光测振的变压器噪声识别和逆向还原方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348818.9A CN114091533A (zh) | 2021-11-15 | 2021-11-15 | 基于激光测振的变压器噪声识别和逆向还原方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348818.9A CN114091533A (zh) | 2021-11-15 | 2021-11-15 | 基于激光测振的变压器噪声识别和逆向还原方法及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091533A true CN114091533A (zh) | 2022-02-25 |
Family
ID=80300852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111348818.9A Pending CN114091533A (zh) | 2021-11-15 | 2021-11-15 | 基于激光测振的变压器噪声识别和逆向还原方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116634052A (zh) * | 2023-07-26 | 2023-08-22 | 荣耀终端有限公司 | 一种参数确定方法及电子设备 |
-
2021
- 2021-11-15 CN CN202111348818.9A patent/CN114091533A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116634052A (zh) * | 2023-07-26 | 2023-08-22 | 荣耀终端有限公司 | 一种参数确定方法及电子设备 |
CN116634052B (zh) * | 2023-07-26 | 2023-10-20 | 荣耀终端有限公司 | 一种参数确定方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multi-kernel support vector machine | |
CN110176762B (zh) | 一种基于频域阻抗的次同步振荡风险在线评估方法及装置 | |
CN107860469B (zh) | 一种基于正交多项式拟合的变电站噪声预测方法 | |
Li et al. | Period-assisted adaptive parameterized wavelet dictionary and its sparse representation for periodic transient features of rolling bearing faults | |
Jia et al. | Localization of partial discharge in electrical transformer considering multimedia refraction and diffraction | |
CN114091533A (zh) | 基于激光测振的变压器噪声识别和逆向还原方法及介质 | |
Wang et al. | Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder | |
CN115758202A (zh) | 一种基于多物理场耦合仿真的变压器噪声信号辨识方法 | |
CN115728612A (zh) | 变压器放电故障诊断方法及装置 | |
CN105203937B (zh) | 一种变压器内部放电模式识别方法及故障诊断系统 | |
CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断系统及方法 | |
Bai et al. | Open circuit fault diagnosis of wind power converter based on VMD energy entropy and time domain feature analysis | |
CN110098610B (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 | |
Chen et al. | Fault diagnosis of full-hydraulic drilling rig based on RS–SVM data fusion method | |
CN114994587B (zh) | 一种局部放电检测仪器抗干扰性能量化评价方法 | |
CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
Xu et al. | Online detection method for variable load conditions and anomalous sound of hydro turbines using correlation analysis and PCA-adaptive-K-means | |
Song et al. | Research on the fault diagnosis method of mine fan based on sound signal analysis | |
CN113919525A (zh) | 一种电站风机状态预警方法、系统及其应用 | |
Anshuman et al. | A novel hybrid algorithm for event detection, localisation and classification | |
CN114384321A (zh) | 一种配电网谐波状态分段估计方法及系统 | |
CN108037386B (zh) | 用于供配电、并网实验的风光互补仿真实验装置 | |
CN109901030B (zh) | 一种电抗器匝间绝缘状态监测方法、系统及应用 | |
Cao et al. | [Retracted] An Operating Status Analysis System of Reactor Equipment Based on Voiceprint Recognition Technology | |
Xiang et al. | Research on Transformer Voiceprint Feature Extraction Oriented to Complex Noise Environment |
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 |