CN114530166A - 基于背景声纹理的变压器有载分接开关故障诊断方法 - Google Patents
基于背景声纹理的变压器有载分接开关故障诊断方法 Download PDFInfo
- Publication number
- CN114530166A CN114530166A CN202210112444.9A CN202210112444A CN114530166A CN 114530166 A CN114530166 A CN 114530166A CN 202210112444 A CN202210112444 A CN 202210112444A CN 114530166 A CN114530166 A CN 114530166A
- Authority
- CN
- China
- Prior art keywords
- sound
- signal
- fault
- time
- 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 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000012950 reanalysis Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000005236 sound signal Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000037433 frameshift Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding 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
- G10L25/27—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- 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
- 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
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于背景声纹理的变压器有载分接开关故障诊断方法,包括以下步骤:对原始音频数据进行预处理;使用深度神经网络得到设备声的时频掩膜,并利用时频掩膜分离出纯净设备声音;对分离出来的声音活动使用初分析模型进行故障状态预判断;对判断为故障状态的音频数据区进行音频事件的开始‑结束端点检测,截取出音频事件片段;对检测出的音频事件片段使用再分析模型进行精确识别,得到故障的类型。该方法有利于提高故障诊断的准确性。
Description
技术领域
本发明属于电力设备故障诊断技术领域,具体涉及一种基于背景声纹理的变压器有载分接开关故障诊断方法。
背景技术
电气设备的工作状态受多种内、外应因素的综合作用,而现有的自动化监测手段主要集中在对电气参数和化学参数的监测,对于一些辅助信息,例如声音,主要依靠运维人员进行现场人工巡视,难以做到实时全面覆盖,加之现场环境背景干扰较大,这使得对设备隐患及故障不能得到第一时间及时发现,从而为设备正常运行埋下隐患。
变压器、电抗器等电力系统中重要的电气设备,承担着系统内电压的变换、变电站电能的分配和传输等关键任务,为提供优质电能服务,保证电力系统安全、可靠、优质、经济运行发挥着重要作用。由于这些电气设备使用量大,容量等级和规格繁多,运行时间长,从而导致其事故率也相应升高。随着技术的发展,对电气设备的监测和诊断技术也逐步提高,声学异常监测,正逐渐成为一种新型、有效的电气设备异常监测方法。
声音是一种机械波由振动向传声介质辐射能量,声信号蕴含着大量的振动信息,是分析设备运行状态的一项重要指标。设备在正常运行时,机身与固件,零件之间,零件本身的相互运动状态发生变化时,设备就会发出声音,运行状态发生变化时声音也随之变化。电气设备的结构非常复杂部件种类繁多,如三相油浸变压器,由三相一、二次绕组,铁芯,油箱,底座,高压及低压套管,散热器(冷却器),净油器,储油柜,气体继电器,安全气道,温度计,分接开关等相关组件和附件所构成。电气设备在高电压和强电磁的环境下会发生各种不同的故障,从而运行所发出的声音也会随之变化。为了判断设备故障类型,变电站值班人员常用绝缘棒的一端放在设备上,另一端放在耳边仔细听声音。该方法虽然操作简单,但无法实现远程的连续的在线检测,与无人值班变电站的发展趋势不相符;同时还要求检测人员具有丰富的实际经验,给判断的准确性带来了不稳定因素。
对比电气设备的其他类型监测方式,声异常监测在进行设备状态诊断时不需设备停运,是一种在线监测方法;此外,声异常监测无需接触被测电测设备,可以在远离被测设备的位置工作,比需要进行接触的测量方法更安全。
然而,由于变压器本体周围声学环境异常复杂,对设备的声异常监测造成了严重的干扰,导致故障识别率不高。这使得现有的声异常监测技术具有一定的局限性,实际使用效果有待提升。
发明内容
本发明的目的在于提供一种基于背景声纹理的变压器有载分接开关故障诊断方法,该方法有利于提高故障诊断的准确性。
为实现上述目的,本发明采用的技术方案是:一种基于背景声纹理的变压器有载分接开关故障诊断方法,包括以下步骤:
对原始音频数据进行预处理;
使用深度神经网络得到设备声的时频掩膜,并利用时频掩膜分离出纯净设备声音;
对分离出来的声音活动使用初分析模型进行故障状态预判断;
对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测,截取出音频事件片段;
对检测出的音频事件片段使用再分析模型进行精确识别,得到故障的类型。
进一步地,对原始音频数据进行预处理的具体方法为:
首先对采集的原始音频数据按照设定的帧长和帧移进行分帧处理,得到分帧后的数据si(n),其中i表示信号的帧下标,n表示离散的时间点数;
对分帧后的数据进行峰归一化,使数据分布在(-1,1)之间;
对分帧后的数据si(n)进行短时傅里叶变换,具体方法为:
式中,S(n,f)表示时域信号si(m)的短时傅里叶变换,w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点,M=1024为窗长,j表示虚数单位,f为信号的瞬时频率;
对S(n,f)取以10为底的对数后进行归一化,得到谱图SD(n,f)=log10S(n,f)。
进一步地,使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集,输入深度神经网络进行训练,使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜,并利用设备声的时频掩膜分离出纯净设备声音;
训练数据集的构建方法为:使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜IRM,所述时频掩膜的计算方法为:
式中,ND(n,f)表示背景声音信号的谱图;
将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换S(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱,并利用S(n,f)的相位得到估计的设备声音频谱SP(n,f),即:
SP(n,f)=|S(n,f)|·IRM(n,f)·ej∠S(n,f)
式中,|S(n,f)|表示信号的幅度谱,∠S(n,f)表示信号的相位;
对设备声音频谱SP(n,f)做逆傅里叶变换,得到纯净的设备声信号sP(n)。
进一步地,使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱SP(n,f)是否为故障状态,该网络结构依次为:二维输入层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、Sigmoid输出层;若预判断的结果为故障,则进行后续处理。
进一步地,对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测,截取出音频事件片段,具体包括以下步骤:
1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据SP(n,f)还原为提纯的声音波形数据sP(n);
式中,*表示卷积运算;
3)根据包络线轮廓设置一个高门限T2,包络线与T2的第一个交点N1;根据背景噪声的能量确定一个低门限T1;从N1点之前开始搜索,找到与T1相交的点N2;将N2作为设备声音活动的起始点,将N3=N2+5.2*Fs作为声音活动的终点,式中Fs为声音信号的采样率;
4)对提纯的声音波形数据sP(n)按照起始点为N2、终止点为N3进行截取,得到再分析数据sR(n)。
进一步地,使用再分析模型对检测出的再分析数据sR(n)进行精确识别,得到故障的类型,所述再分析模型使用深度神经网络进行故障识别,网络类型为卷积神经网络,网络结构依次为:二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、Sigmoid输出层;选择输出层最大概率对应标签类型作为设备的故障类型。
与现有技术相比,本发明具有以下有益效果:提供了一种基于背景声纹理的变压器有载分接开关故障诊断方法,该方法利用分离-检测-初识别-再识别多级处理手段,弥补传统方法存在的不足,提高了变压器有载分接开关故障诊断、识别的准确性和可靠性,为分接开关正常运行提供更加可靠的技术支持。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于背景声纹理的变压器有载分接开关故障诊断方法,包括以下步骤:
(1)对原始音频数据进行预处理。具体方法为:
首先对采集的原始音频数据按照帧长为15.6s、帧移为10.4m秒进行分帧处理,得到分帧后的数据si(n),其中i表示信号的帧下标,n表示离散的时间点数。
对分帧后的数据进行峰归一化,使数据分布在(-1,1)之间。
对分帧后的数据si(n)进行短时傅里叶变换,具体过程为:
式中,S(n,f)表示时域信号si(m)的短时傅里叶变换,w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点,M=1024为窗长,j表示虚数单位,f为信号的瞬时频率。
对S(n,f)取以10为底的对数后进行归一化,得到谱图SD(n,f)=log10S(n,f)。
(2)使用深度神经网络得到设备声的时频掩膜,并利用时频掩膜分离出纯净设备声音。具体方法为:
使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集,输入深度神经网络进行训练,使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜,并利用设备声的时频掩膜分离出纯净设备声音。
训练数据集的构建方法为:使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜IRM,所述时频掩膜的计算方法为:
式中,ND(n,f)表示背景声音信号的谱图。
将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换S(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱,并利用S(n,f)的相位得到估计的设备声音频谱SP(n,f),即:
SP(n,f)=|S(n,f)|·IRM(n,f)·ej∠S(n,f)
式中,|S(n,f)|表示信号的幅度谱,∠S(n,f)表示信号的相位。
对设备声音频谱SP(n,f)做逆傅里叶变换,得到纯净的设备声信号sP(n)。
(3)对分离出来的声音活动使用初分析模型进行故障状态预判断。
具体地,使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱SP(n,f)是否为故障状态,该网络结构依次为:二维输入层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、Sigmoid输出层;若预判断的结果为故障,则进行后续处理。
(4)对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测,截取出音频事件片段。具体包括以下步骤:
1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据SP(n,f)还原为提纯的声音波形数据sP(n)。
式中,*表示卷积运算。
3)根据包络线轮廓设置一个高门限T2,包络线与T2的第一个交点N1;根据背景噪声的能量确定一个低门限T1;从N1点之前开始搜索,找到与T1相交的点N2;将N2作为设备声音活动的起始点,将N3=N2+5.2*Fs作为声音活动的终点,式中Fs为声音信号的采样率。
4)对提纯的声音波形数据sP(n)按照起始点为N2、终止点为N3进行截取,得到再分析数据sR(n)。
(5)对检测出的音频事件片段使用再分析模型进行精确识别,得到故障的类型。
具体地,使用再分析模型对检测出的再分析数据sR(n)进行精确识别,得到故障的类型,所述再分析模型使用深度神经网络进行故障识别,网络类型为卷积神经网络,网络结构依次为:二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、Sigmoid输出层;选择输出层最大概率对应标签类型作为设备的故障类型。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,包括以下步骤:
对原始音频数据进行预处理;
使用深度神经网络得到设备声的时频掩膜,并利用时频掩膜分离出纯净设备声音;
对分离出来的声音活动使用初分析模型进行故障状态预判断;
对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测,截取出音频事件片段;
对检测出的音频事件片段使用再分析模型进行精确识别,得到故障的类型。
2.根据权利要求1所述的基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,对原始音频数据进行预处理的具体方法为:
首先对采集的原始音频数据按照设定的帧长和帧移进行分帧处理,得到分帧后的数据si(n),其中i表示信号的帧下标,n表示离散的时间点数;
对分帧后的数据进行峰归一化,使数据分布在(-1,1)之间;
对分帧后的数据si(n)进行短时傅里叶变换,具体方法为:
式中,S(n,f)表示时域信号si(m)的短时傅里叶变换,w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点,M=1024为窗长,j表示虚数单位,f为信号的瞬时频率;
对S(n,f)取以10为底的对数后进行归一化,得到谱图SD(n,f)=log10 S(n,f)。
3.根据权利要求2所述的基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集,输入深度神经网络进行训练,使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜,并利用设备声的时频掩膜分离出纯净设备声音;
训练数据集的构建方法为:使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜IRM,所述时频掩膜的计算方法为:
式中,ND(n,f)表示背景声音信号的谱图;
将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换S(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱,并利用S(n,f)的相位得到估计的设备声音频谱SP(n,f),即:
SP(n,f)=|S(n,f)|·IRM(n,f)·ej∠S(n,f)
式中,|S(n,f)|表示信号的幅度谱,∠S(n,f)表示信号的相位;
对设备声音频谱SP(n,f)做逆傅里叶变换,得到纯净的设备声信号sP(n)。
4.根据权利要求3所述的基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱SP(n,f)是否为故障状态,该网络结构依次为:二维输入层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、Sigmoid输出层;若预判断的结果为故障,则进行后续处理。
5.根据权利要求4所述的基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测,截取出音频事件片段,具体包括以下步骤:
1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据SP(n,f)还原为提纯的声音波形数据sP(n);
式中,*表示卷积运算;
3)根据包络线轮廓设置一个高门限T2,包络线与T2的第一个交点N1;根据背景噪声的能量确定一个低门限T1;从N1点之前开始搜索,找到与T1相交的点N2;将N2作为设备声音活动的起始点,将N3=N2+5.2*Fs作为声音活动的终点,式中Fs为声音信号的采样率;
4)对提纯的声音波形数据sP(n)按照起始点为N2、终止点为N3进行截取,得到再分析数据sR(n)。
6.根据权利要求5所述的基于背景声纹理的变压器有载分接开关故障诊断方法,其特征在于,使用再分析模型对检测出的再分析数据sR(n)进行精确识别,得到故障的类型,所述再分析模型使用深度神经网络进行故障识别,网络类型为卷积神经网络,网络结构依次为:二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、Sigmoid输出层;选择输出层最大概率对应标签类型作为设备的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112444.9A CN114530166A (zh) | 2022-01-29 | 2022-01-29 | 基于背景声纹理的变压器有载分接开关故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112444.9A CN114530166A (zh) | 2022-01-29 | 2022-01-29 | 基于背景声纹理的变压器有载分接开关故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114530166A true CN114530166A (zh) | 2022-05-24 |
Family
ID=81622425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112444.9A Pending CN114530166A (zh) | 2022-01-29 | 2022-01-29 | 基于背景声纹理的变压器有载分接开关故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114530166A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116264620A (zh) * | 2023-04-21 | 2023-06-16 | 深圳市声菲特科技技术有限公司 | 直播录制的音频数据采集处理方法及相关装置 |
WO2023245990A1 (zh) * | 2022-06-24 | 2023-12-28 | 南方电网调峰调频发电有限公司储能研究院 | 一种多元信息融合的发电厂电气设备分类与异常检测方法 |
CN117316184A (zh) * | 2023-12-01 | 2023-12-29 | 常州分音塔科技有限公司 | 一种基于音频信号的事件检测反馈处理系统 |
-
2022
- 2022-01-29 CN CN202210112444.9A patent/CN114530166A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023245990A1 (zh) * | 2022-06-24 | 2023-12-28 | 南方电网调峰调频发电有限公司储能研究院 | 一种多元信息融合的发电厂电气设备分类与异常检测方法 |
CN116264620A (zh) * | 2023-04-21 | 2023-06-16 | 深圳市声菲特科技技术有限公司 | 直播录制的音频数据采集处理方法及相关装置 |
CN117316184A (zh) * | 2023-12-01 | 2023-12-29 | 常州分音塔科技有限公司 | 一种基于音频信号的事件检测反馈处理系统 |
CN117316184B (zh) * | 2023-12-01 | 2024-02-09 | 常州分音塔科技有限公司 | 一种基于音频信号的事件检测反馈处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114530166A (zh) | 基于背景声纹理的变压器有载分接开关故障诊断方法 | |
WO2021103496A1 (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
Singh et al. | Dissolved gas analysis technique for incipient fault diagnosis in power transformers: A bibliographic survey | |
CN104849628B (zh) | 一种电缆附件故障分析检测方法 | |
Jacob et al. | On-line monitoring of partial discharges in a HVDC station environment | |
Abu-Elanien et al. | Survey on the transformer condition monitoring | |
CN110850249A (zh) | 一种变压器套管绝缘局部放电监测系统及方法 | |
CN109900465B (zh) | 一种基于声音信号的有载分接开关故障诊断方法 | |
CN104089699A (zh) | 一种变电站设备声音重建算法 | |
CN111579937A (zh) | 一种用于高压gil设备的故障单端精确定位方法和系统 | |
CN108181059B (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN110161351B (zh) | 一种振荡波下变压器绕组故障试验系统和诊断方法 | |
CN111044865A (zh) | 一种直流气体绝缘电气设备局部放电小波去噪方法 | |
CN116595459A (zh) | 一种基于电场信号的污闪预警方法及系统 | |
CN112345885A (zh) | 一种高压直流输电线路故障检测方法 | |
CN111693829A (zh) | 非接触式超声波检测的局部放电噪声与放电区分的方法 | |
CN109507503B (zh) | 一种基于多通道噪声的变压器绕组故障诊断方法 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
Adami et al. | New approach to improve high-voltage transmission line reliability | |
CN115435893A (zh) | 变压器有载分接开关振动信号提取方法 | |
CN115459449A (zh) | 一种可实时分析变压器运行性能的变电站监测方法及系统 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 |
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 |