CN115641283A - 基于多传感器信息融合的变压器故障诊断方法及系统 - Google Patents
基于多传感器信息融合的变压器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115641283A CN115641283A CN202211384616.4A CN202211384616A CN115641283A CN 115641283 A CN115641283 A CN 115641283A CN 202211384616 A CN202211384616 A CN 202211384616A CN 115641283 A CN115641283 A CN 115641283A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault diagnosis
- transformer fault
- fault
- channel
- 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
Abstract
本发明涉及变压器故障诊断技术领域,公开了一种基于多传感器信息融合的变压器故障诊断方法及系统,其方法通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像,对多个二维图像进行融合成一个多通道图像,并以此构建变压器故障特征集,通过训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型,并利用测试集对变压器故障诊断模型进行测试,以优化网络参数,从而提高变压器的故障诊断的精度和可靠性。
Description
技术领域
本发明涉及变压器故障诊断技术领域,尤其涉及一种基于多传感器信息融合的变压器故障诊断方法及系统。
背景技术
变压器在运行中出现故障可能会引起事故,造成巨大的经济损失甚至人员伤亡。因此,变压器故障诊断在安全生产和设备维护中具有重要作用,可以有效发现潜在故障,增强工作安全性,降低维护成本。
通过在箱体上安装多个传感器可以全方位掌控变压器的运行状态。基于振动信号的变压器故障诊断得到了广泛的应用。目前,大多数故障诊断研究只考虑了单一传感器的信号进行分析。由于单个信号中与不同故障特征相关的信息有限,这就降低了对变压器的故障诊断的精度和可靠性。
发明内容
本发明提供了一种基于多传感器信息融合的变压器故障诊断方法及系统,解决了变压器的故障诊断的精度和可靠性较低的技术问题。
有鉴于此,本发明第一方面提供了一种基于多传感器信息融合的变压器故障诊断方法,包括以下步骤:
通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签;
采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像;
将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据;
根据多个所述多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将所述变压器故障特征集划分为训练集和测试集;
通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型;
通过训练好的所述变压器故障诊断模型进行所述测试集进行验证,得到测试准确结果,根据所述测试准确结果对所述变压器故障诊断模型的网络参数进行调整,直到所述测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
优选地,采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像的步骤具体包括:
按照采样时间点将所述振动信号的信号幅值构成振动幅值时序信号,记为x={xi,i=1,2,…,N},其中,xi表示第i个采样时间点的振动幅值,N表示总的采样时间点;
将所述振动幅值时序信号进行归一化处理,得到归一化振动幅值信号;
将所述归一化振动幅值信号通过下式转换至角域为,
通过格拉姆角场对变量角度进行转换为二维图像,其中,格拉姆角场的矩阵表示为,
优选地,将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据的步骤具体包括:
利用RGB图像融合算法对每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据。
优选地,通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型的步骤具体包括:
将所述训练集中的每个多通道图像变换成尺度为224×224×3的图像;
采用ResNet18残差神经网络作为基础网络,构建初始的变压器故障诊断模型,其中,ResNet18残差神经网络包括17层卷积层、2层池化层、1层全连接层,除第1层卷积层之外的其余16层卷积层被分成4组残差卷积块,卷积层的运算公式为:
式中,mr为第r个通道的输入,zj为第j个通道的输出,k为卷积核,b为偏置项,Mj为通道个数;
最大池化层放置在第1层卷积层之后,最大池化层的运算公式为:
xx=MaxPool(zj)
其中,xx为最大池化层的输出;
每组卷积块包括2个残差单元,每个残差单元包括依次连接的2层卷积层,在2层卷积层的输入和输出之间建立一个恒等连接,具体为:
xxl+1=xxl+F(xxl,k)
式中,xxl+1和xxl分别表示第l个残差单元的输出和输入,F为残差函数,残差函数包含ReLU激活函数,使用ReLU激活函数对每一个卷积块的输出进行非线性变换,非线性变换的运算公式为:
在ResNet18残差神经网络的最后一网络层之前存在一个平均池化层,有:
yy=AvgPool(xx)
式中,yy表示平均池化层的输出;
ResNet18残差神经网络的输出层采用softmax运算,输出层的运算公式为:
u=f(Wm+bc)
式中,u为输出的结果,m表示与输出层连接的全连接层中的尺寸,W是输出层与全连接层之间的权重,bc为偏置项;
向初始的变压器故障诊断模型输入训练集,其中,以多通道图像为输入,故障类型标签为输出进行训练,得到训练好的变压器故障诊断模型。
第二方面,本发明提供了一种基于多传感器信息融合的变压器故障诊断系统,包括:
数据获取模块,用于通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签;
图像编码模块,用于采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像;
图像融合模块,用于将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据;
特征集构建模块,用于根据多个所述多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将所述变压器故障特征集划分为训练集和测试集;
训练模块,用于通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型;
验证模块,用于通过训练好的所述变压器故障诊断模型进行所述测试集进行验证,得到测试准确结果,根据所述测试准确结果对所述变压器故障诊断模型的网络参数进行调整,直到所述测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像,对多个二维图像进行融合成一个多通道图像,并以此构建变压器故障特征集,通过训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型,并利用测试集对变压器故障诊断模型进行测试,以优化网络参数,从而提高变压器的故障诊断的精度和可靠性。
附图说明
图1为本发明实施例提供的一种基于多传感器信息融合的变压器故障诊断方法的流程图;
图2为本发明实施例提供的一种基于多传感器信息融合的变压器故障诊断系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供的一种基于多传感器信息融合的变压器故障诊断方法,包括以下步骤:
S1、通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签。
在一个示例中,收集来自多个传感器的变压器不同故障状况下的振动信号,比如,某变电站记录的来自三个传感器的三种常见故障类型的振动信号:匝间短路,铁芯松动,绕组变形。标注标签依次为{F1,F2,F3}。将振动信号无重叠的划分为长度为1024个点的子信号,形成原始样本集。
S2、采用格拉姆角场对多个振动信号数据进行图像编码,生成多个包含故障特征的二维图像。
S3、将每个故障状态下的多个二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据。
S4、根据多个多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将变压器故障特征集划分为训练集和测试集。
在一个示例中,按7:3的比例划分为训练集和测试集。
S5、通过训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型。
S6、通过训练好的变压器故障诊断模型进行测试集进行验证,得到测试准确结果,根据测试准确结果对变压器故障诊断模型的网络参数进行调整,直到测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
其中,将变压器故障诊断模型的输出结果与变压器实际标签作比较,计算诊断准确率,完成对变压器故障诊断。
利用准确率作为评估测试准确结果的指标,有:
式中,TP是指正类预测为正类数,TN是指正类预测为负类数,FP是指负类预测为正类数,FN是负类预测为负类数。
本发明提供的一种多传感器信息融合的变压器故障诊断方法,通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,采用格拉姆角场对多个振动信号数据进行图像编码,生成多个包含故障特征的二维图像,对多个二维图像进行融合成一个多通道图像,并以此构建变压器故障特征集,通过训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型,并利用测试集对变压器故障诊断模型进行测试,以优化网络参数,从而提高变压器的故障诊断的精度和可靠性。
在一个具体实施例中,步骤S2具体包括:
S201、按照采样时间点将振动信号的信号幅值构成振动幅值时序信号,记为x={xi,i=1,2,…,N},其中,xi表示第i个采样时间点的振动幅值,N表示总的采样时间点;
S202、将振动幅值时序信号进行归一化处理,得到归一化振动幅值信号;
S203、将归一化振动幅值信号通过下式转换至角域为,
S204、通过格拉姆角场对变量角度进行转换为二维图像,其中,格拉姆角场的矩阵表示为,
在一个具体实施例中,步骤S3具体包括:
利用RGB图像融合算法对每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据。
在一个具体实施例中,步骤S5具体包括:
S501、将训练集中的每个多通道图像变换成尺度为224×224×3的图像;
S502、采用ResNet18残差神经网络作为基础网络,构建初始的变压器故障诊断模型,其中,ResNet18残差神经网络包括17层卷积层、2层池化层、1层全连接层,除第1层卷积层之外的其余16层卷积层被分成4组残差卷积块,卷积层的运算公式为:
式中,mr为第r个通道的输入,zj为第j个通道的输出,k为卷积核,b为偏置项,Mj为通道个数;
最大池化层放置在第1层卷积层之后,最大池化层的运算公式为:
xx=MaxPool(zj)
其中,xx为最大池化层的输出;
每组卷积块包括2个残差单元,每个残差单元包括依次连接的2层卷积层,在2层卷积层的输入和输出之间建立一个恒等连接,具体为:
xxl+1=xxl+F(xxl,k)
式中,xxl+1和xxl分别表示第l个残差单元的输出和输入,F为残差函数,残差函数包含ReLU激活函数,使用ReLU激活函数对每一个卷积块的输出进行非线性变换,非线性变换的运算公式为:
在ResNet18残差神经网络的最后一网络层之前存在一个平均池化层,有:
yy=AvgPool(xx)
式中,yy表示平均池化层的输出;
ResNet18残差神经网络的输出层采用softmax运算,输出层的运算公式为:
u=f(Wm+bc)
式中,u为输出的结果,m表示与输出层连接的全连接层中的尺寸,W是输出层与全连接层之间的权重,bc为偏置项;
其中,训练参数设置如表1所示。
表1训练参数设置
S503、向初始的变压器故障诊断模型输入训练集,其中,以多通道图像为输入,故障类型标签为输出进行训练,得到训练好的变压器故障诊断模型。
以上为本发明提供的一种基于多传感器信息融合的变压器故障诊断方法的实施例的详细描述,以下为本发明提供的一种基于多传感器信息融合的变压器故障诊断系统的实施例的详细描述。
为了方便理解,请参阅图2,本发明提供的一种基于多传感器信息融合的变压器故障诊断系统,包括:
数据获取模块100,用于通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签;
图像编码模块200,用于采用格拉姆角场对多个振动信号数据进行图像编码,生成多个包含故障特征的二维图像;
图像融合模块300,用于将每个故障状态下的多个二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据;
特征集构建模块400,用于根据多个多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将变压器故障特征集划分为训练集和测试集;
训练模块500,用于通过训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型;
验证模块600,用于通过训练好的变压器故障诊断模型进行测试集进行验证,得到测试准确结果,根据测试准确结果对变压器故障诊断模型的网络参数进行调整,直到测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
以上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。
Claims (5)
1.基于多传感器信息融合的变压器故障诊断方法,其特征在于,包括以下步骤:
通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签;
采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像;
将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据;
根据多个所述多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将所述变压器故障特征集划分为训练集和测试集;
通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型;
通过训练好的所述变压器故障诊断模型进行所述测试集进行验证,得到测试准确结果,根据所述测试准确结果对所述变压器故障诊断模型的网络参数进行调整,直到所述测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
3.根据权利要求1所述的多传感器信息融合的变压器故障诊断方法,其特征在于,将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据的步骤具体包括:
利用RGB图像融合算法对每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据。
4.根据权利要求1所述的多传感器信息融合的变压器故障诊断方法,其特征在于,通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型的步骤具体包括:
将所述训练集中的每个多通道图像变换成尺度为224×224×3的图像;
采用ResNet18残差神经网络作为基础网络,构建初始的变压器故障诊断模型,其中,ResNet18残差神经网络包括17层卷积层、2层池化层、1层全连接层,除第1层卷积层之外的其余16层卷积层被分成4组残差卷积块,卷积层的运算公式为:
式中,mr为第r个通道的输入,zj为第j个通道的输出,k为卷积核,b为偏置项,Mj为通道个数;
最大池化层放置在第1层卷积层之后,最大池化层的运算公式为:
xx=MaxPool(zj)
其中,xx为最大池化层的输出;
每组卷积块包括2个残差单元,每个残差单元包括依次连接的2层卷积层,在2层卷积层的输入和输出之间建立一个恒等连接,具体为:
xxl+1=xxl+F(xxl,k)
式中,xxl+1和xxl分别表示第l个残差单元的输出和输入,F为残差函数,残差函数包含ReLU激活函数,使用ReLU激活函数对每一个卷积块的输出进行非线性变换,非线性变换的运算公式为:
在ResNet18残差神经网络的最后一网络层之前存在一个平均池化层,有:
yy=AvgPool(xx)
式中,yy表示平均池化层的输出;
ResNet18残差神经网络的输出层采用softmax运算,输出层的运算公式为:
u=f(Wm+bc)
式中,u为输出的结果,m表示与输出层连接的全连接层中的尺寸,W是输出层与全连接层之间的权重,bc为偏置项;
向初始的变压器故障诊断模型输入训练集,其中,以多通道图像为输入,故障类型标签为输出进行训练,得到训练好的变压器故障诊断模型。
5.基于多传感器信息融合的变压器故障诊断系统,其特征在于,包括:
数据获取模块,用于通过多个传感器采集变压器在不同故障状态下的多个预设测量点的振动信号数据,并根据故障状态对相应的振动信号数据标注故障类型标签;
图像编码模块,用于采用格拉姆角场对多个所述振动信号数据进行图像编码,生成多个包含故障特征的二维图像;
图像融合模块,用于将每个故障状态下的多个所述二维图像进行融合成一个多通道图像,其中,每个通道表示一个振动信号数据;
特征集构建模块,用于根据多个所述多通道图像以及对应的故障类型标签构建变压器故障特征集,按预设比例将所述变压器故障特征集划分为训练集和测试集;
训练模块,用于通过所述训练集输入到深度残差网络中进行训练,构建变压器故障诊断模型;
验证模块,用于通过训练好的所述变压器故障诊断模型进行所述测试集进行验证,得到测试准确结果,根据所述测试准确结果对所述变压器故障诊断模型的网络参数进行调整,直到所述测试准确结果满足预设的测试准确要求,输出相应的变压器故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384616.4A CN115641283A (zh) | 2022-11-07 | 2022-11-07 | 基于多传感器信息融合的变压器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384616.4A CN115641283A (zh) | 2022-11-07 | 2022-11-07 | 基于多传感器信息融合的变压器故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641283A true CN115641283A (zh) | 2023-01-24 |
Family
ID=84949592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211384616.4A Pending CN115641283A (zh) | 2022-11-07 | 2022-11-07 | 基于多传感器信息融合的变压器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641283A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008756A (zh) * | 2023-03-15 | 2023-04-25 | 国网福建省电力有限公司 | 电容式电压互感器绝缘故障诊断方法、系统、设备和介质 |
CN117289067A (zh) * | 2023-11-23 | 2023-12-26 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
-
2022
- 2022-11-07 CN CN202211384616.4A patent/CN115641283A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008756A (zh) * | 2023-03-15 | 2023-04-25 | 国网福建省电力有限公司 | 电容式电压互感器绝缘故障诊断方法、系统、设备和介质 |
CN117289067A (zh) * | 2023-11-23 | 2023-12-26 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
CN117289067B (zh) * | 2023-11-23 | 2024-02-27 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115641283A (zh) | 基于多传感器信息融合的变压器故障诊断方法及系统 | |
CN101504333B (zh) | 基于应变监测的索结构中索系统的递进式健康监测方法 | |
CN103640713A (zh) | 飞机结构疲劳部件的监测系统 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
CN111060844A (zh) | 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112327218B (zh) | 一种变压器在线监测与故障诊断方法 | |
CN107218955A (zh) | 现场设备以及检测器 | |
CN117076935A (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN111679235B (zh) | 一种电磁式互感器测量系统的实时仿真测试方法及装置 | |
Wen et al. | A deep learning approach to recover high-g shock signals from the faulty accelerometer | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN110320802A (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN110146120B (zh) | 一种传感器故障诊断方法及系统 | |
CN105116323B (zh) | 一种基于rbf的电机故障检测方法 | |
CN114897006A (zh) | 智能电表误差分类方法及系统、设备、存储介质 | |
CN111721399B (zh) | 一种水工建筑结构振动测试系统和测试方法 | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 | |
CN117172139B (zh) | 通信用铜包铝合金电缆的性能测试方法及系统 | |
CN116660688B (zh) | 远程型电力线路故障预警监测系统及方法 |
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 |