CN114155877A - 基于门控循环单元的变压器故障声音识别方法 - Google Patents
基于门控循环单元的变压器故障声音识别方法 Download PDFInfo
- Publication number
- CN114155877A CN114155877A CN202111444596.0A CN202111444596A CN114155877A CN 114155877 A CN114155877 A CN 114155877A CN 202111444596 A CN202111444596 A CN 202111444596A CN 114155877 A CN114155877 A CN 114155877A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- audio
- layer
- gate control
- transformer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000005236 sound signal Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims 1
- 238000009432 framing Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000037433 frameshift Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Protection Of Transformers (AREA)
Abstract
一种基于门控循环单元的变压器故障声音识别方法。包括:使用静音剪切,分帧,Z‑score标准化等手段对音频进行预处理,在预处理后提取MFCC特征参数构成特征序列,将特征序列送入门控循环单元进行识别并得到识别结果。本发明能够自动识别变压器的故障声音,减轻巡检负担,有效监控变压器的工作状态,提升工作安全性。
Description
技术领域
本发明涉及变压器技术领域,特别是一种基于门控循环单元的变压器故障声音识别方法。
背景技术
现代社会中大多数生产生活都伴随着电力的使用,一旦供电中断将给国民经济和人民生活带来重大的损失。减少停电事故,保持电力系统安全可靠运行是生产生活活动顺利进行的重要基础。电力系统中任何一个关键设备的停摆都将引起生产中断,影响人民生活活动的展开。变压器作为升降压,换流等角色广泛的出现在电网的各个角落,是电网中最重要的设备之一,它的可靠性与稳定性直接关系到电网能否安全,长效,经济地运行。据研究调查表明,每次停电每丢失的1千瓦时负荷都将造成约47元的经济损失,一次中小规模的停电就可能造成几十万甚至上百万的损失,供电企业也须为此向用户支付赔偿。如果停电范围涉及医院等重要设施还可能引起人员伤亡和重大事故。在此基础上,可以说变压器故障监测技术的每一点提高在其广泛的应用下都会有巨大的意义,相比出现故障带来的经济损失和可能的人员伤亡,在故障识别上投入无疑划算得多。
随着电力系统向特高压,大容量发展,变压器发生故障的概率与危害性也大大增加。在长期高强度的运行下,变压器可能出现的故障部位和故障种类都呈现多样化,包括缺相,部件松动,绝缘油过热,分接开关故障,局部放电,绕组故障等等。变压器自投运起就不可避免地开始老化,随着时间推移,绝缘层的绝缘性能逐渐变弱,轴承等部件开始磨损,各项指标逐渐劣化,各种因素综合起来最终就会引起故障。相当数量的故障类别如部件松动,异物落入等在线路上并没有明显的电信号改变,传统的保护装置也难以检测,但这些故障在早中期未造成严重后果前就会发出一定的声音信号,如果能捕捉这些信号并识别,将大大提高变压器运行的稳定性和安全性。因此提出了一种基于门控循环单元的变压器故障声音识别方法,通过将声音信号预处理后提取MFCC特征构成特征序列,可以使用门控循环单元实现良好的识别。
发明内容
为解决上述问题,本发明提出一种基于门控循环单元的变压器故障声音识别方法。
本发明是通过以下技术方案实现的:
一种基于门控循环单元的变压器故障声音识别方法,其中:使用静音剪切,分帧,Z-score标准化等手段对音频进行预处理,在预处理后提取MFCC特征参数构成特征序列,将特征序列送入门控循环单元进行识别并得到识别结果
一种基于门控循环单元的变压器故障声音识别方法,其特点在于:包括如下步骤:
S1.对音频信号进行预处理,包括采用静音剪切处理非平稳信号、对音频信号统一采用分帧处理、Z-score标准化处理;
S2.对预处理后的音频信号提取相同形状的MFCC特征参数作为特征序列。
S3.将特征序列送入训练后的门控循环单元进行识别并得到识别结果。
所述步骤S1中采用静音剪切处理非平稳信号,具体是:
①采用变压器及环境声音,计算各音频片段的平均能量Ev,公式如下:
其中:d(n)表示第n个采样点,Ev为截取的包括m个采样点的音频片段的平均能量
②计算整段音频的平均能量Emean,公式如下:
其中:L表示音频采样总点数;
③当音频片段的平均能量Ev小于整段音频的平均能量Emean的40%时,则该音频片段作为无效噪声段进行删除。
所述步骤S1中对任意长度的音频文件以帧长40ms,帧移20ms进行分帧,对每一帧进行Z-score标准化处理,公式如下:
其中:μ为每一帧的均值,σ为每一帧的方差,x表示各个采样点的原始值。
所述步骤S2中对每一帧提取MFCC特征具体为:对每一帧样本进行快速傅立叶变换(fast Fourier transform,简称为FFT),设置一组40个三角滤波器并返回40个倒谱值,每帧提取形状为(1,40)的特征向量作为图2中各门控循环单元的输入xt,每次取19帧组成一组时间上前后连续的特征序列。
所述步骤S3中的门控循环单元的结构由四层神经元组成,分别为一层输入层,两层隐含层与一层输出层,输入层与隐含层的结构相同,使用门控循环单元作为神经元,均由前后相连的19个门控循环单元组成,首层输入层使用前述特征序列作为输入,其输出ht构成的序列将作为下一层的输入xt,输出层为全连接层,全连接层的神经元个数与训练数据中的声音类别数对应相同,激活函数使用Relu激活函数,对输出层以外的所有神经元作dropout处理,概率为0.5。
与现有技术技术相比,本发明具有的有益效果是:
1)摆脱了对电气巡检人员个人经验的依赖,能够在线自动识别变压器的故障声音并自动报警,大大提高了反应速度,降低了人工成本;
2)减轻巡检负担,有效监控变压器的工作状态,提升工作安全性。
3)相比红外、油色谱等监测方式,基于声音的识别技术可以覆盖部件松动等有明显声音变化的故障类型。
附图说明
图1为基于门控循环单元的变压器故障声音识别流程图。
图2为门控循环单元的结构图;
具体实施方式
下面结合实施例和附图对本发明作详细说明:本实施例在以本发明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下述的实施例。
请参阅图1,图1为基于门控循环单元的变压器故障声音识别流程图,如图所示,一种基于门控循环单元的变压器故障声音识别方法,包括如下步骤:
采集变压器声音或环境声音,获得wav等格式的音频信号,对音频信号截取片段并计算平均能量Ev,计算各音频片段的平均能量Ev,公式如下:
其中:d(n)表示第n个采样点,Ev为截取的包括m个采样点的音频片段的平均能量
计算整段音频的平均能量Emean,公式如下:
其中:L表示音频采样总点数;
当音频片段的平均能量Ev小于整段音频的平均能量Emean的40%时,则该音频片段作为无效噪声段进行删除。
对音频信号以帧长40ms,帧移20ms进行分帧,对每一帧进行Z-score标准化处理,公式如下:
其中:μ为每一帧的均值,σ为每一帧的方差,x表示音频信号中各个采样点的原始值。
对每一帧提取MFCC特征:对每一帧音频信号进行FFT,使用一组40个三角滤波器滤波返回40个倒谱值,每帧提取形状为(1,40)的特征向量作为图2中各门控循环单元的输入xt,每次取19帧组成一组时间上前后连续的特征序列。
门控循环单元的结构由四层神经元组成,分别为一层输入层,两层隐含层与一层输出层,输入层与隐含层的结构相同,使用门控循环单元作为神经元,如图2所示,均由前后相连的19个门控循环单元组成,首层输入层使用前述特征序列作为输入,其输出ht构成的序列将作为下一层的输入xt,输出层为全连接层,全连接层的神经元个数与训练数据中的声音类别数对应相同,激活函数使用Relu激活函数,对输出层以外的所有神经元作dropout处理,概率为0.5
将变压器故障声音与各类环境噪声经过上述处理变成特征序列后供门控循环单元作训练,收录要识别的声音后经过相同的处理输入训练好的门控循环单元即可得到全连接层神经元的输出,全连接层神经元的个数与做训练的声音类别对应相同,其中哪个输出层神经元的输出最大即说明输入样本属于哪一类。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (2)
1.一种基于门控循环单元的变压器故障声音识别方法,其特征在于:包括如下步骤:
1)采集变压器声音和/或环境声音,获得音频信号;
2)对所述的音频信号进行预处理,包括下列步骤:
①对音频信号截取片段,并计算音频片段的平均能量Ev,公式如下:
其中,d(n)2表示第n个采样点的音频片段的能量,Ev为截取的包括m个采样点的音频片段的平均能量;
②计算整段音频信号的平均能量Emean,公式如下:
其中,L表示音频信号采样总点数;
③当音频片段的平均能量Ev小于整段音频的平均能量Emean的40%时,则该音频片段作为无效噪声段进行删除;
④Z-score标准化处理:对经过上述处理的音频信号进行分帧,对每一帧进行Z-score标准化处理,公式如下:
其中,μ为每一帧的均值,σ为每一帧的方差,x表示音频信号中各个采样点的原始值;
3)对预处理后的音频信号提取相同形状的MFCC特征参数作为特征序列;
4)构建门控循环单元算法,使用预先获得的样本训练算法,将测试用音频信号的特征序列送入训练后的门控循环单元进行识别并得到识别结果。
2.根据权利要求1所述的基于门控循环单元的变压器故障声音识别方法,其特征在于:所述的门控循环单元的结构由四层神经元组成,分别为一层输入层,两层隐含层与一层输出层,输入层与隐含层的结构相同,使用门控循环单元作为神经元,均由前后相连的19个门控循环单元组成,首层输入层使用前述特征序列作为输入,其输出ht构成的序列将作为下一层的输入xt,输出层为全连接层,全连接层的神经元个数与训练数据中的声音类别数对应相同,激活函数使用Relu激活函数,对输出层以外的所有神经元作dropout处理,概率为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444596.0A CN114155877A (zh) | 2021-11-30 | 2021-11-30 | 基于门控循环单元的变压器故障声音识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444596.0A CN114155877A (zh) | 2021-11-30 | 2021-11-30 | 基于门控循环单元的变压器故障声音识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155877A true CN114155877A (zh) | 2022-03-08 |
Family
ID=80454969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111444596.0A Pending CN114155877A (zh) | 2021-11-30 | 2021-11-30 | 基于门控循环单元的变压器故障声音识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155877A (zh) |
-
2021
- 2021-11-30 CN CN202111444596.0A patent/CN114155877A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322896A (zh) | 一种基于卷积神经网络的变压器故障声音识别方法 | |
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN111814872B (zh) | 基于时域、频域自相似性的电力设备环境噪音识别方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN112857767A (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
CN111860684A (zh) | 一种基于双网络的电厂设备故障预警方法及系统 | |
CN117540235B (zh) | 一种临时用电异常数据实时监测方法 | |
CN114155877A (zh) | 基于门控循环单元的变压器故障声音识别方法 | |
CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
CN116453526B (zh) | 基于声音识别的水轮发电机组多工况异常监测方法及装置 | |
WO2023245991A1 (zh) | 融合频带自向下注意力机制的电厂设备状态听觉监测方法 | |
CN111780868A (zh) | 一种利用Jeffery差异量的变压器运行状态振声检测方法和系统 | |
CN114997749B (zh) | 电力人员智能调度方法和系统 | |
CN115048955A (zh) | 一种基于时域数据切分的变压器振动异常检测方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
Liu et al. | An Automatic Detection Framework for Electrical Anomalies in Electrified Rail Transit System | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
Qi et al. | Transformer Voiceprint Feature Extraction and Fault Recognition Based on MFCC and Deep Learning | |
Chen et al. | Intelligent Environmental Noise Removal for Substations Noise Monitoring via Deep Learning | |
CN102073015A (zh) | 基于频谱分析的质子交换膜燃料电池的在线故障诊断方法 |
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 |