CN114113837B - 一种基于声学特征的变压器带电检测方法及系统 - Google Patents
一种基于声学特征的变压器带电检测方法及系统 Download PDFInfo
- Publication number
- CN114113837B CN114113837B CN202111347463.1A CN202111347463A CN114113837B CN 114113837 B CN114113837 B CN 114113837B CN 202111347463 A CN202111347463 A CN 202111347463A CN 114113837 B CN114113837 B CN 114113837B
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- transformer
- signals
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 94
- 230000005236 sound signal Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 13
- 239000012634 fragment Substances 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000009666 routine test Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于声学特征的变压器带电检测方法及系统，所述方法包括：获取若干个传声器采集的变压器运行声信号基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；基于所述声纹信号提取多个维度的特征向量；基于所述特征向量对变压器进行带电检测。本发明通过若干个传声器组成声学阵列，采集变压器运行声信号，提高了变压器声纹信号的信噪比，提高了抗干扰能力；通过获取声纹信号在连续两段预设时间内的时域波形图的幅值差对声纹信号进行筛选，基于筛选后的数据进行特征值提取，进行变压器检测，减少了后续过程的计算量，同时经过筛选后的数据，对变压器的故障检测识别结果更加准确。
Description
技术领域
本发明涉及变压器检测技术领域，特别涉及一种基于声学特征的变压器带电检测方法及系统。
背景技术
电网主设备在运行全寿命周期内，需要开展必要的检修工作以使设备保持、恢复或改善其运行状态。随着电力行业的发展和进步，设备的检修方式历经变化。目前实施的状态检修仍以周期性停电例行试验为基础，虽然停电例行试验次数已显著减少，但仍存在供电可靠性和设备可用系数受限、试验数据时效性不强、试验缺陷检出率低以及设备陪试率高等问题。
近年来国内外的众多电气领域研究人员根据实际生产需要，在电网变压器不停电检测方面取得了丰硕的研究成果，促使检测技术水平不断提升，形成了电气、化学、光学、振动声学等多位一体的检测新格局，现有技术中的变压器声纹检测技术大多是通过神经网络进行故障识别，计算过程复杂，对硬件资源要求较高，难以应用于实际场景中。
发明内容
为了解决背景技术提出的技术问题，本发明提供一种基于声学特征的变压器带电检测方法及系统，通过对获取的变压器声纹信号进行筛选，减少了后期检测过程中的数据量，计算过程简单适用于实际场景。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于声学特征的变压器带电检测方法，包括如下步骤：
步骤一、获取若干个传声器采集的变压器运行声信号；
步骤二、基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
步骤三、基于所述声纹信号提取多个维度的特征向量；
步骤四、基于所述特征向量对变压器进行带电检测。
进一步地，所述步骤二中的对变压器运行声信号进行转换的具体过程包括：
201)获取若干个声传器采集的变压器运行声信号；
202)基于不同传声器之间位置关系获取不同声传感器采集的声信号之间的延时；
203)基于所述延时对不同传声器采集的声信号进行相位修正，得到修正声信号；
204)构造不同的声信号融合系数矩阵，基于不同的声信号融合系数矩阵对修正信号进行融合，输出多个不同的声纹信号。
进一步地，所述的步骤三中，声纹信号特征向量的提取过程为：
301)获取声纹信号，对声纹信号进行分帧和加窗预处理，得到若干声纹片段
302)基于所述声纹片段提取特征向量，将提取出的特征向量组成多维特征集，其中每个声纹片段提取一个特征向量；
303)对所述多维特征集进行筛选，基于筛选后的多维特征集，计算各个特征向量之间相关系数，基于所述相关系数对特征向量进行特征加强；
304)将特征加强后的特征向量输出为声纹信号的特征向量。
进一步地，所述的步骤三中，基于所述声纹信号提取多个维度的特征向量之前还对多个声纹信号进行筛选，筛选过程为：
1)基于预设时长对声纹信号进行分割，获取连续两个预设时长中的声纹片段；
2)基于获取的声纹片段，构造声纹片段的时域波形图；
3)计算连续两个预设时长中的声纹片段时域波形图中的最大幅值的第一差值；
4)若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量。
若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量，包括：将所述声纹信号与历史声纹信号进行匹配；若历史声纹信号存在连续两个预设时长中的声纹片段时域波形图中的最大幅值差值为第一差值，则基于所述声纹信号提取多个维度的特征向量。
进一步地，所述的步骤四中，基于所述特征向量对变压器进行检测包括：
401)基于变压器的历史声纹信号训练变压器检测模型，所述变压器检测模型基于所述历史声纹信号的相关性进行训练；
402)基于训练完成的变压器检测模型，对变压器进行带电检测。
基于所述历史声纹信号的相关性进行训练包括：
1)基于历史声纹信号提取声纹特征向量，获取声纹特征向量集；
2)在所述特征向量中选取预设数量的特征识别中心，基于所述中心计算特征向量集中各个特征向量的相关性；
3)基于所述相关性大小将所述特征向量集分割成预设数量个特征识别集；
4)计算所述特征识别集中的特征向量的隶属关系比例，若所述隶属关系比例大于预设比例，则训练完成。
进一步地，还包括：
1)若所述隶属关系比例小于预设比例，则基于特征识别集计算选取新的特征识别中心；
2)基于新的特征识别中心，将所述特征向量划分为新的特征识别集；
3)计算特征识别集中的特征向量的隶属关系比例，直到所述隶属关系比例大于预设比例。
一种基于声学特征的变压器带电检测系统，包括：
声信号采集模块，用于获取若干个传声器采集的变压器运行声信号；
声信号处理模块，用于基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
特征提取模块，用于基于所述声纹信号提取多个维度的特征向量；
检测模块，用于基于所述特征向量对变压器进行检测。
与现有技术相比，本发明的有益效果是：
1)本发明通过若干个传声器组成声学阵列，采集变压器运行声信号，然后基于传声器的阵列排布关系对采集到的变压器运行声信号进行转换，融合为声纹信号，提高了变压器声纹信号的信噪比，减小了噪声对变压器带电检测的干扰，提高了本发明的抗干扰能力。
2)本发明获取声纹信号之后，通过获取声纹信号在连续两段预设时间内的时域波形图的幅值差对声纹信号进行筛选，在通过历史声纹信号进行二次筛选，基于筛选后的数据进行特征值提取，进行变压器检测，减少了后续过程的计算量，同时经过筛选后的数据，对变压器的故障检测识别结果更加准确。
附图说明
图1为本发明的基于声学特征的变压器带电检测方法的整体流程图；
图2是本发明的变压器检测模型训练过程流程图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
本发明实施例提供了基于声学特征的变压器带电检测方法，包括如下步骤：
步骤一、获取若干个传声器采集的变压器运行声信号；
其中传声器数量优选为8个，传声器的排布方式根据实际环境可选为平面阵列、空间阵列、随机阵列和共形阵列。
步骤二、基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
具体的是，在本实施例中传声器排列方式优选为平面排列，因此每个传声器的位置不相同，则传声器与声源之间的位置也存在差异，获取每个传声器采集的声信号之后需要对声信号的相位进行调整，再进行融合输出为声纹信号。
步骤三、基于所述声纹信号提取多个维度的特征向量；
步骤四、基于所述特征向量对变压器进行检测。
步骤二具体实施例：
在本申请实施例中，参考图1，通过若干个传声器采集变压器的运行声信号后，根据传声器之间的位置关系将各个传声器采集的变压器运行声信号进行转换，输出为声纹信号，在此过程中会提高声纹信号的信噪比，减小噪声对变压器检测的干扰，其中根据传声器之间的阵列排列关系可以分别获取各个声源的声纹信号，然后对多个声纹信号进行特征值提取，在进行变压器故障检测，可以减少计算过程，同时提高检测的准确率。
基于上述方法，上述步骤二中对变压器运行声信号进行转换具体过程为：
201)获取若干个声传器采集的变压器运行声信号；
202)基于不同传声器之间位置关系获取不同声传感器采集的声信号之间的延时；
203)基于所述延时对不同传声器采集的声信号进行相位修正，得到修正声信号；
204)构造不同的声信号融合系数矩阵，基于不同的声信号融合系数矩阵对修正信号进行融合，输出多个不同的声纹信号。
在本申请实施例中传声器采用整列排列的方式进行排列，因此每个传声器距离变压器声源的位置不同，因此获取声传器采集的变压器运行声信号需要计算不同传声器之间的延时，具体的是，选取中心传声器，计算其他传声器到声源之间距离与中心传声器与到声源之间距离的差值，将得到的差值除以声音的速度就可以得到各个传声器之间的延时。
根据计算出的延时可以对各个传声器进行相位修正，然后根据声信号融合系数矩阵将身心好进行融合，输出为声纹信号。
其中声信号融合系数矩阵存在多个，采用不同的声信号融合系数矩阵得到的声信号的波束方向不同，声信号的波束方向一般指向声源方向，因此可以根据预估声源的方向从而得到多个声纹信号。
步骤三具体实施例：
基于所述声纹信号提取多个维度的特征向量之前还包括对多个声纹信号进行筛选，筛选过程为：
基于预设时长对声纹信号进行分割，获取连续两个预设时长中的声纹片段；
基于获取的声纹片段，构造声纹片段的时域波形图；
计算连续两个预设时长中的声纹片段时域波形图中的最大幅值的第一差值；
若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量。
见图1，在对声纹信号进行特征向量提前之前，需要对数据进行筛选，将获取的声纹信号按照预设时间进行分段处理，其中由于变压器声纹数据较为稳定，预设时间可以设置为500ms。然后获取各个分段声纹信号的时域波形，计算连续两个预设时长中的声纹片段时域波形图中的最大幅值的第一差值，如果得到的第一差值大于预设差值，则说明声纹信号产生了异常波动，则该声纹信号可能代表变压器的某种故障，则对其提取特征向量进行判断，第一差值小于预设差值，则说明该变压器运行平稳，则无需进行声纹特征向量提取，通过该方式减少特征向量提取的计算量。
基于上述方法，上述若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量，包括：
将所述声纹信号与历史声纹信号进行匹配；
若历史声纹信号存在连续两个预设时长中的声纹片段时域波形图中的最大幅值差值为第一差值，则基于所述声纹信号提取多个维度的特征向量。
在一些实施例中，由于外界干扰，导致变压器声纹出现异常波动，因此当检测到第一差值超出预设差值范围后，可以进一步判断历史声纹信号中是否存在连续两个预设时长中的声纹片段时域波形图中的最大幅值差值为第一差值，若存在则说明该声纹信号有极大可能是由变压器故障产生的，若不存在则说明可能是噪声干扰，其中历史声纹信号为以进行声纹特征向量提取的声纹信号。
进一步的，声纹信号特征向量的提取过程为：
301)获取声纹信号，对声纹信号进行分帧和加窗预处理，得到若干声纹片段；
302)基于所述声纹片段提取特征向量，将提取出的特征向量组成多维特征集，其中每个声纹片段提取一个特征向量；
303)对所述多维特征集进行筛选，基于筛选后的多维特征集，计算各个特征向量之间相关系数，基于所述相关系数对特征向量进行特征加强；
304)将特征加强后的特征向量输出为声纹信号的特征向量。
步骤四具体实施例：
基于上述方法，基于所述特征向量对变压器进行检测包括：
401)基于变压器的历史声纹信号训练变压器检测模型，所述变压器检测模型基于所述历史声纹信号的相关性进行训练；
402)基于训练完成的变压器检测模型，对变压器进行带电检测。
在本实施例中，通过变压器的历史声纹信号，提取特征向量训练变压器检测模型，将待检测的变压器声纹信号输入到训练完成的变压器检测模型即可对变压器进行故障检测，根据声纹信号可以获取声纹信号的发声源在变压器上的位置，根据位置信号可以预估出该声纹信号代表的故障类型，再将该声纹信号输入到对应的变压器检测模型中，可以更快的检测出变压器的故障类型，并且计算过程更加简单。其中通过声纹信号进行声源定位的具体过程为：
1)获取不同的声纹信号的峰值，获取每个峰值在传声器阵列平面内得坐标；
2)基于所述坐标设立模拟声源，计算声场中已知两点的声压值；
3)基于已知两点的声压值计算传声器的声压误差，当所述声压误差达到最小值时，模拟声源所在位置即为声源位置。
基于上述方法，基于所述历史声纹信号的相关性进行训练包括：
1)基于历史声纹信号提取声纹特征向量，获取声纹特征向量集；
2)在所述特征向量中选取预设数量的特征识别中心，基于所述中心计算特征向量集中各个特征向量的相关性；
3)基于所述相关性大小将所述特征向量集分割成预设数量个特征识别集；
4)计算所述特征识别集中的特征向量的隶属关系比例，若所述隶属关系比例大于预设比例，则训练完成。
见图2，具体的是，提取历史声纹信号的声纹特征向量，组成声纹特征向量集，在所述特征向量集选取预设数量的特征识别中心，其中特征识别中心的数据量与变压器常见故障数量相同，然后开始计算各个特征向量与特征识别中心的相关性，根据相关性大小可以将特征向量集分割成数量个特征识别集，其中每个特征识别集具有一个特征识别中心，每个特征识别集代表着一种变压器故障。再计算特征识别集中的特征向量的隶属关系比例，若述所有特征识别集的隶属关系比例大于预设比例，则说明特征识别集中的特征向量代表同一种变压器故障，可以用与变压器检测，则变压器检测模型训练完成。
基于上述基于所述历史声纹信号的相关性进行训练，还包括：
1)若所述隶属关系比例小于预设比例，则基于特征识别集计算选取新的特征识别中心；
2)基于新的特征识别中心，将所述特征向量划分为新的特征识别集；
3)计算特征识别集中的特征向量的隶属关系比例，直到所述隶属关系比例大于预设比例。
见图2，进一步的，如果特征识别集的隶属关系比例小于预设比例，说明特征识别集中的特诊向量包括多种变压器故障，此时需要在征识别集中重新选取特征识别中心，其中特征识别中心优选为特征识别集中心点，然后基于新的特征识别中心对特征识别集进行重新划分，直到所有特征识别集的隶属关系比例大于预设比例，完成模型训练。
本发明实施例还提供了基于声学特征的变压器带电检测系统，包括：
声信号采集模块，用于获取若干个传声器采集的变压器运行声信号；
声信号处理模块，用于基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
特征提取模块，用于基于所述声纹信号提取多个维度的特征向量；
检测模块，用于基于所述特征向量对变压器进行检测。
本发明实施例的基于声学特征的变压器带电检测系统与本发明实施例的基于声学特征的变压器带电检测方法相对应，在上述基于声学特征的变压器带电检测方法的实施例阐述的技术特征及其有益效果均适用于基于声学特征的变压器带电检测系统的实施例。
本发明实施例还提供了一种电子设备，上述电子设备包括：
处理器、用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述的基于声学特征的变压器带电检测方法。
其中，对于用于数据处理的处理器而言，在执行处理时，可以采用微处理器、CPU、DSP或FPGA实现。对于存储器来说，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者，存储器中存储有操作指令，该操作指令可以为计算机可执行代码，通过该操作指令来实现上述本申请实施例的基于声学特征的变压器带电检测方法。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，上述指令被处理器执行时实现上述基于声学特征的变压器带电检测方法。
可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器能够存储数据以支持终端的操作。这些数据的示例包括：用于在终端上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
以上实施例在以本发明技术方案为前提下进行实施，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上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (6)
1.一种基于声学特征的变压器带电检测方法，其特征在于，包括如下步骤：
步骤一、获取若干个传声器采集的变压器运行声信号；
步骤二、基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
步骤三、基于所述声纹信号提取多个维度的特征向量；
步骤四、基于所述特征向量对变压器进行带电检测；
所述的步骤三中，声纹信号特征向量的提取过程为：
301）获取声纹信号，对声纹信号进行分帧和加窗预处理，得到若干声纹片段
302）基于所述声纹片段提取特征向量，将提取出的特征向量组成多维特征集，其中每个声纹片段提取一个特征向量；
303）对所述多维特征集进行筛选，基于筛选后的多维特征集，计算各个特征向量之间相关系数，基于所述相关系数对特征向量进行特征加强；
304）将特征加强后的特征向量输出为声纹信号的特征向量；
所述的步骤三中，基于所述声纹信号提取多个维度的特征向量之前还对多个声纹信号进行筛选，筛选过程为：
1）基于预设时长对声纹信号进行分割，获取连续两个预设时长中的声纹片段；
2）基于获取的声纹片段，构造声纹片段的时域波形图；
3）计算连续两个预设时长中的声纹片段时域波形图中的最大幅值的第一差值；
4）若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量；
若所述第一差值超出预设差值范围，则基于所述声纹信号提取多个维度的特征向量，包括：将所述声纹信号与历史声纹信号进行匹配；若历史声纹信号存在连续两个预设时长中的声纹片段时域波形图中的最大幅值差值为第一差值，则基于所述声纹信号提取多个维度的特征向量。
2.根据权利要求1所述的一种基于声学特征的变压器带电检测方法，其特征在于，所述步骤二中的对变压器运行声信号进行转换的具体过程包括：
201）获取若干个声传器采集的变压器运行声信号；
202）基于不同传声器之间位置关系获取不同声传感器采集的声信号之间的延时；
203）基于所述延时对不同传声器采集的声信号进行相位修正，得到修正声信号；
204）构造不同的声信号融合系数矩阵，基于不同的声信号融合系数矩阵对修正信号进行融合，输出多个不同的声纹信号。
3.根据权利要求1所述的一种基于声学特征的变压器带电检测方法，其特征在于，所述的步骤四中，基于所述特征向量对变压器进行检测包括：
401）基于变压器的历史声纹信号训练变压器检测模型，所述变压器检测模型基于所述历史声纹信号的相关性进行训练；
402）基于训练完成的变压器检测模型，对变压器进行带电检测。
4.根据权利要求3所述的一种基于声学特征的变压器带电检测方法，其特征在于，基于所述历史声纹信号的相关性进行训练包括：
1）基于历史声纹信号提取声纹特征向量，获取声纹特征向量集；
2）在所述特征向量中选取预设数量的特征识别中心，基于所述中心计算特征向量集中各个特征向量的相关性；
3）基于所述相关性大小将所述特征向量集分割成预设数量个特征识别集；
4）计算所述特征识别集中的特征向量的隶属关系比例，若所述隶属关系比例大于预设比例，则训练完成。
5.根据权利要求4所述的一种基于声学特征的变压器带电检测方法，其特征在于，还包括：
1）若所述隶属关系比例小于预设比例，则基于特征识别集计算选取新的特征识别中心；
2）基于新的特征识别中心，将所述特征向量划分为新的特征识别集；
3）计算特征识别集中的特征向量的隶属关系比例，直到所述隶属关系比例大于预设比例。
6.一种基于声学特征的变压器带电检测系统，其特征在于，采用权利要求1所述的一种基于声学特征的变压器带电检测方法，所述系统包括：
声信号采集模块，用于获取若干个传声器采集的变压器运行声信号；
声信号处理模块，用于基于不同传声器之间的位置关系，对变压器运行声信号进行转换，输出为声纹信号；
特征提取模块，用于基于所述声纹信号提取多个维度的特征向量；
检测模块，用于基于所述特征向量对变压器进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111347463.1A CN114113837B (zh) | 2021-11-15 | 2021-11-15 | 一种基于声学特征的变压器带电检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111347463.1A CN114113837B (zh) | 2021-11-15 | 2021-11-15 | 一种基于声学特征的变压器带电检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114113837A CN114113837A (zh) | 2022-03-01 |
| CN114113837B true CN114113837B (zh) | 2024-04-30 |
Family
ID=80396377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111347463.1A Active CN114113837B (zh) | 2021-11-15 | 2021-11-15 | 一种基于声学特征的变压器带电检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114113837B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115656341A (zh) * | 2022-11-03 | 2023-01-31 | 江苏光微半导体有限公司 | 基于mems技术的量子声波传感器及阵列声纹系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| CN107993666A (zh) * | 2017-12-19 | 2018-05-04 | 北京华夏电通科技有限公司 | 语音识别方法、装置、计算机设备及可读存储介质 |
| CN108834068A (zh) * | 2018-07-17 | 2018-11-16 | 广东小天才科技有限公司 | 一种基于可穿戴设备的定位方法及可穿戴设备 |
| CN110376455A (zh) * | 2019-06-26 | 2019-10-25 | 深圳供电局有限公司 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
| CN110459242A (zh) * | 2019-08-21 | 2019-11-15 | 广州国音智能科技有限公司 | 变声检测方法、终端及计算机可读存储介质 |
| CN110634493A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 基于声纹图像特征的变压器状态识别方法、系统及介质 |
| CN111222005A (zh) * | 2020-01-08 | 2020-06-02 | 科大讯飞股份有限公司 | 声纹数据重排序方法、装置、电子设备及存储介质 |
| CN111537919A (zh) * | 2020-05-14 | 2020-08-14 | 莫毓昌 | 一种基于声纹特征的变压器故障诊断方法 |
| CN112562691A (zh) * | 2020-11-27 | 2021-03-26 | 平安科技（深圳）有限公司 | 一种声纹识别的方法、装置、计算机设备及存储介质 |
| CN112652312A (zh) * | 2020-11-13 | 2021-04-13 | 杭州鹿扬科技有限公司 | 声纹相似度智能识别系统、方法及存储介质 |
| CN112820299A (zh) * | 2020-12-29 | 2021-05-18 | 马上消费金融股份有限公司 | 声纹识别模型训练方法、装置及相关设备 |
| CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测系统和方法 |
| CN113296029A (zh) * | 2021-05-11 | 2021-08-24 | 江苏翼昇科技有限公司 | 一种配电变压器声纹监测方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108806696B (zh) * | 2018-05-08 | 2020-06-05 | 平安科技（深圳）有限公司 | 建立声纹模型的方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-15 CN CN202111347463.1A patent/CN114113837B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
| CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
| CN107993666A (zh) * | 2017-12-19 | 2018-05-04 | 北京华夏电通科技有限公司 | 语音识别方法、装置、计算机设备及可读存储介质 |
| CN108834068A (zh) * | 2018-07-17 | 2018-11-16 | 广东小天才科技有限公司 | 一种基于可穿戴设备的定位方法及可穿戴设备 |
| CN110376455A (zh) * | 2019-06-26 | 2019-10-25 | 深圳供电局有限公司 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
| CN110459242A (zh) * | 2019-08-21 | 2019-11-15 | 广州国音智能科技有限公司 | 变声检测方法、终端及计算机可读存储介质 |
| CN110634493A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 基于声纹图像特征的变压器状态识别方法、系统及介质 |
| CN111222005A (zh) * | 2020-01-08 | 2020-06-02 | 科大讯飞股份有限公司 | 声纹数据重排序方法、装置、电子设备及存储介质 |
| CN111537919A (zh) * | 2020-05-14 | 2020-08-14 | 莫毓昌 | 一种基于声纹特征的变压器故障诊断方法 |
| CN112652312A (zh) * | 2020-11-13 | 2021-04-13 | 杭州鹿扬科技有限公司 | 声纹相似度智能识别系统、方法及存储介质 |
| CN112562691A (zh) * | 2020-11-27 | 2021-03-26 | 平安科技（深圳）有限公司 | 一种声纹识别的方法、装置、计算机设备及存储介质 |
| CN112820299A (zh) * | 2020-12-29 | 2021-05-18 | 马上消费金融股份有限公司 | 声纹识别模型训练方法、装置及相关设备 |
| CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测系统和方法 |
| CN113296029A (zh) * | 2021-05-11 | 2021-08-24 | 江苏翼昇科技有限公司 | 一种配电变压器声纹监测方法、装置、设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 基于可听声的变压器故障诊断技术综述;谢荣斌;薛静;张霖;申峻;徐舒蓉;赵莉华;;宁夏电力;20170428(第02期);全文 * |
| 基于声信号的发动机故障测试方案及分析研究;任志英;严世榕;;现代机械;20051225(第06期);全文 * |
| 基于声学特征的变压器故障诊断方法应用需求分析;蔡礼;朱建武;帅一;;中国高新技术企业(第03期);全文 * |
| 基于遗传算法的动态优化波叠加噪声源识别方法;李兵;杨殿阁;郑四发;李克强;连小珉;;机械工程学报;20100620(第12期);全文 * |
| 运动声源定位阵列设计及校准研究;李元首;;电声技术;20160417(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114113837A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN112526451B (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
| CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
| CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
| CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
| CN114113837B (zh) | 一种基于声学特征的变压器带电检测方法及系统 | |
| CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
| CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
| CN113033624A (zh) | 一种基于联邦学习的工业图像故障诊断方法 | |
| Yi et al. | Insulator and defect detection model based on improved YOLO-S | |
| CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
| CN111460900B (zh) | 一种复杂电磁环境构建等效性量化评估方法 | |
| CN113886992B (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
| CN112861074B (zh) | 基于Hankel-DMD的电力系统机电参数提取方法 | |
| CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
| CN113888380A (zh) | 一种人员落水轨迹预测方法、装置、设备和介质 | |
| CN113657208A (zh) | 风电塔筒的解决未知源数的振动信号欠定盲源分离方法 | |
| Yoon et al. | Clustering parameter optimization of predictive maintenance algorithm for semiconductor equipment using one-way factorial design | |
| CN110286291A (zh) | 一种利用主成分的变压器运行状态振声检测方法和系统 | |
| CN115063402B (zh) | 基于滑动分析的电缆异物检测方法、系统、终端及介质 | |
| CN114595726A (zh) | 一种基于NExT-递归图的结构损伤检测方法及系统 | |
| Chang | ROTOR VIBRATION FEATURE RECOGNITION BASED ON PARTICLE SWARM OPTIMIZATION (PSO) | |
| CN115684854A (zh) | 基于孪生模型的电力设备内部局部放电定位方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |