CN115758082A - 一种轨道交通变压器故障诊断方法 - Google Patents
一种轨道交通变压器故障诊断方法 Download PDFInfo
- Publication number
- CN115758082A CN115758082A CN202211406211.6A CN202211406211A CN115758082A CN 115758082 A CN115758082 A CN 115758082A CN 202211406211 A CN202211406211 A CN 202211406211A CN 115758082 A CN115758082 A CN 115758082A
- Authority
- CN
- China
- Prior art keywords
- transformer
- coefficient
- rail transit
- noise signal
- cepstrum coefficient
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开一种轨道交通变压器故障诊断方法,包括获取轨道交通变压器各工况运行发出的噪声信号;使用小波阈值去噪;由线性预测编码递推到倒谱域得到线性预测倒谱系数;使用快速傅里叶变换获得频谱图提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数;将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集;将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型;采用训练好的轨道交通变压器故障识别模型检测轨道交通变压器噪声。本发明能够对轨道交通变压器故障进行快速、准确有效的识别。
Description
技术领域
本发明属于轨道交通技术领域,特别是涉及一种轨道交通变压器故障诊断方法。
背景技术
近年来,随着轨道交通系统的不断发展,轨道交通的电力系统安全稳定运行是一个重要方面,对其的要求日趋严格。轨道交通变压器有着电压变换和电能分配的重要功能,是轨道交通电力系统的关键核心设备,因此变压器的工况影响着电力系统的安全,因此有效的诊断监测技术对整个轨道交通电力系统的安全可靠运行具有十分重要的意义。由于变压器的种类多、内部结构复杂和运行工况多样等特点,对其进行故障异常检测具有一定的困难。而基于噪声信号分析的变压器故障智能诊断是一种相对有效的非侵入式监测方法,其非接触性的采集信号的方式,不会对变压器的正常运行产生负面影响,并可以准确有效的识别变压器的工况状态。
机器学习算法作为模式识别领域的热门分支,基于深度学习的故障诊断和异常识别算法是识别分类算法的一大热点,近年来被大量运用到变压器故障诊断模型中。但是现有变压器故障诊断模型在进行轨道交通变压器识别的过程中,有的模型为了提高精度模型过于庞大造成了识别速度慢,而有的模型识别精度差,现有的轨道交通变压器识别模型无法在保证识别精度的基础上提高识别速度。
发明内容
为了解决上述问题,本发明提出了一种轨道交通变压器故障诊断方法,能够对轨道交通变压器故障进行快速、有效的识别。
为达到上述目的,本发明采用的技术方案是:一种轨道交通变压器故障诊断方法,包括步骤:
S1:获取轨道交通变压器各工况运行发出的噪声信号;
S2:对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理;
S3:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数;
S4:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数;
S5:将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集;
S6:将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型;
S7:采用训练好的轨道交通变压器故障识别模型检测轨道交通变压器噪声,利用Softmax损失函数进行最终工况分类,继而达到轨道交通变压器故障诊断的目的。
进一步的是,在步骤S1中,在相同拾音器设备采集的轨道交通变压器包括正常运行、过负荷运行、放电和直流偏磁四种工况的噪声信号{s0(n)},1≤n≤Ns0,Ns0为信号{s0(n)}的长度。
进一步的是,在步骤S2中,对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理,包括步骤:
S21:使用小波基sym8且分解层数为2的小波变换将噪声信号进行分解,继而得到与分辨率相关的两个分解值分量;设定阈值处理Fs,阈值选择规则为无偏似然估计阈值,阈值调整依靠各层小波分解得到的变压器噪声信号水平估计,阈值函数为硬阈值函数;
阈值处理时,近似分量部分进行保留,而对于细节分量部分,设定一个阈值,若小波系数的数值比设定的阈值要小,则将其置零,若小波系数的数值比设定的阈值要大,则对其进行保存;
S22:采用一阶FIR高通数字滤波器对噪声信号{s0(n)}进行预加重以提升高频部分,使信号的频谱变得平坦,得到预加重后的信号{s(n)}:
s(n)=s0(n+1)-μ*s0(n),1≤n≤(Ns0-1);
其中,s0(n)为噪声信号{s0(n)}的第n个数据,s0(n+1)为噪声信号{s0(n)}的第n+1个数据,μ的取值范围为0.93~0.97;
S23:对预加重后的噪声信号进行分帧,用于保证噪声信号分析的时间分辨率;设分帧后的第n帧数据为x(n),一帧对应的时间长度为N/变压器噪声采集频率,其中N为一帧信号的长度;
S24:对分帧后的噪声数据施加窗函数以减少频谱泄露;将窗函数设定为汉明窗,自变量为p,因变量w(p)为窗函数的幅度,P为常数,窗函数的总长度L=P+1,L等于帧长N;则窗函数的表达式为:
w(p)=0.54-0.46*cos(2*π*p/P),0≤p≤P;
以避免窗函数边缘数据的衰减,应对数据帧进行重叠处理。
进一步的是,在步骤S3中:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数,包括步骤:
S31:对预处理后的变压器噪声信号数据,对于噪声信号数据n的输出信号通过前面m个样本的线性组合表达,通过各阶线性预测分析系数求导,构成m个方程组成的方程组;
S32:对此方程组,使用Durbin算法求解获得线性预测编码;
S33:对线性预测编码进行快速傅里叶计算,再取对数运算,最后经由快速傅里叶反变换运算得到线性预测倒谱系数。
进一步的是,在步骤S4中:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数,包括步骤:
S41:对预处理后变压器噪声信号数据的每一帧进行N点的快速傅里叶变换,将噪声信号从时域转换到频谱,获得频谱图;
S42:设置梅尔三角滤波器组,并利用梅尔三角滤波器组对频谱图进行滤波,并对滤波后的数据求对数;
S43:使用离散余弦变换将对数梅尔频谱图向时域转化,提取梅尔倒谱系数;
S44:计算梅尔倒谱系数的一阶差分系数和二阶差分系数,将梅尔倒谱系数与一阶差分系数和二阶差分系数进行线性组合得到优化梅尔倒谱系数。
进一步的是,所述梅尔倒谱系数的一阶差分系数和二阶差分系数计算公式为:
dt表示第t个一阶差分,Ct表示第t个梅尔倒谱系数,Q表示倒谱系数的阶数;K表示一阶导数的时间差,取值为1或2,k为累加系数从1至K;
将梅尔倒谱系数带入上式,得到相同个数的一阶差分系数dt;
再将刚求得的dt作为Ct带入上式,即可得到二阶差分系数。
进一步的是,在所述步骤S5中,将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集,包括步骤:
S51:获得每一帧轨道变压器噪声信号的特征参数线性预测倒谱系数和优化梅尔倒谱系数,将二者特征参数序列在每一帧的维度上进行组合,构建组合特征参数序列,得到组合特征参数;
S52:规定组合特征参数序列长度固定为499,超过499部分的截取,未超过的用0来补充,最终构成的特征集输入进网络模型。
进一步的是,在所述步骤S6中,将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型,包括步骤:
S61:在将特征集作为网络模型输入之后,进入3层BiLSTM层;在3层BiLSTM层之后,加入Dropout层,防止网络训练的过拟合状态,Dropout根据设定几率随机抛弃部分神经元,使变压器噪声信号特征信息在训练参数迭代过程中,各层输入与输出神经元数量保持一致;为了后续输入到卷积块,再通过reshape层将参数整形为三维;
S62:以两个卷积块串联以构建卷积神经网络,每个卷积块包括二维卷积层、非线性函数激活层、最大池化层、批归一化层和Dropout层;依次经过二维卷积层、非线性函数激活层和最大池化层,且在最后设置批归一化层和Dropout层,为了增强模型的泛化性能,并在每层权重都使用L2正则化方法。
进一步的是,第一个卷积块包含Conv1、2两个二维卷积层,使用16个5×5的大卷积核,移动步长为1,第一个卷积块以1通道作为输入,输出16个通道,并使用ReLU函数进行非线性拟合;随后设置一个尺寸为2×2的最大池化层来减小特征尺寸,输出的第一特征集。
进一步的是,第二个卷积块包含Conv3、4两个二维卷积层,使用32个5×5的大卷积核,移动步长为1,第二个卷积块以16通道作为输入,输出32个通道,并使用ReLU函数进行非线性拟合,随后设置一个尺寸为2×2的最大池化层,输出第二的特征集。
采用本技术方案的有益效果:
本发明获得变压器噪声信号并对其进行小波阈值去噪在内的预处理;对采集到的变压器噪声信号进行特征提取,得到不同工况下噪声信号的特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合形成特征集;将特征集用所建立的用于特征参数线性预测倒谱系数和优化梅尔倒谱系数组合的深度学习结构模型进行进一步特征学习;利用Softmax损失函数进行最终变压器工况分类,实现对轨道交通变压器故障进行快速有效诊断识别的功能。本发明能在混有干扰噪声的情况下,充分提取变压器噪声信号的倒谱特征,进而利用深度学习算法三层BiLSTM和双串联卷积块的神经卷积混合网络结构实现故障诊断,能在降低检测成本的同时,保证检测的准确有效性。
本发明所建立的小波阈值去噪方法对采集的轨道交通变压器噪声信号进行滤波去噪,基于小波阈值去噪小波基、分解层数和阈值选择规则三种最优参数,以最大程度滤除干扰噪声,达到更好的特征提取效果。
本发明使用特征参数线性预测倒谱系数和优化梅尔倒谱系数组合作为特征向量输入到分类识别模块,该特征包含更多的时域信息与频域信息,有助于最终的工况分类。
本发明所建立的三层BiLSTM和双串联卷积块的神经卷积混合网络结构,使预处理后的噪声序列可以更好的被模型学习提取特征,进而实现轨道交通变压器工况分类,达到故障诊断的目的,使得其十分适合完成基于噪声分析的牵引变压器故障智能诊断模型中的识别分类任务。其特征提取能力表现在两方面,一是两组串联的卷积块能够提取牵引变压器噪声信号参数线性预测倒谱系数和优化梅尔倒谱系数二维数组特征中的能量分布状态,该状态是变压器不同运行状态很重要的判断特征;二是两组串联的卷积块能充分学习变压器不同工况噪声信号参数线性预测倒谱系数和优化梅尔倒谱系数二维数组特征,从而获得其中蕴含的局部时频特性,该特征能更精细地区分变压器不同工况所产生的噪声信号。学习到的特征信息是对输入的变压器噪声信号特征的抽象概括,能表达变压器同一工况下不同噪声样本的共同属性,也包括了变压器不同工况噪声信号之间的判断信息。然而,变压器噪声信号属于序列数据,噪声信号特征参数在时间维度上不同帧之间具有长依赖性,而此关系蕴含了大量重要信息,需要对其进行提取学习。卷积网络在变压器噪声信号时间尺度上,对前后序列特征信息的提取能力有限,不能刻画帧与帧之间的长时依赖关系。故考虑引进改进三层BiLSTM层,三层BiLSTM解决了出现梯度消失或梯度爆炸的现象,而且由于其内含状态记忆单元,具有学习序列特征信息长时依赖关系的能力,能对帧之间的依赖关系进行更好的表征刻画,获得更好的鲁棒性。
本发明提供的基于小波阈值去噪和深度学习组合线性预测倒谱系数和优化梅尔倒谱系数特征的轨道交通变压器故障诊断方法,能在混有干扰噪声的情况下,充分提取变压器噪声信号的时域信息和频域信息特征,进而利用深度学习算法实现包含正常运行、过负荷运行、放电和直流偏磁等变压器工况的分类,识别率较高,具有较好的使用前景。
附图说明
图1为本发明的一种轨道交通变压器故障诊断方法流程示意图;
图2为本发明实施例实验结果的混淆矩阵示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种轨道交通变压器故障诊断方法,包括步骤:
S1:获取轨道交通变压器各工况运行发出的噪声信号;
在步骤S1中,在相同拾音器设备采集的轨道交通变压器包括正常运行、过负荷运行、放电和直流偏磁四种工况的噪声信号{s0(n)},1≤n≤Ns0,Ns0为信号{s0(n)}的长度。采样噪声参数为:8kHz采样率和16bit数字量化。上述数据采集环境、条件应一致,需将拾音器固定在靠近低压套管侧,正对各相绕组的油箱侧面,水平位置在距离上下端部1/2高度处有助于噪声信号的获取。
S2:对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理;
预处理过程包括采样量化、滤波去噪、预加重和加窗分帧。
在步骤S2中,对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理,包括步骤:
S21:使用小波基sym8且分解层数为2的小波变换将噪声信号进行分解,继而得到与分辨率相关的两个分解值分量;设定阈值处理Fs,阈值选择规则为无偏似然估计阈值,阈值调整依靠各层小波分解得到的变压器噪声信号水平估计,阈值函数为硬阈值函数;
阈值处理时,近似分量部分进行保留,而对于细节分量部分,设定一个阈值,若小波系数的数值比设定的阈值要小,则将其置零,若小波系数的数值比设定的阈值要大,则对其进行保存;
S22:采用一阶FIR高通数字滤波器对噪声信号{s0(n)}进行预加重以提升高频部分,使信号的频谱变得平坦,得到预加重后的信号{s(n)}:
s(n)=s0(n+1)-μ*s0(n),1≤n≤(Ns0-1);
其中,s0(n)为噪声信号{s0(n)}的第n个数据,s0(n+1)为噪声信号{s0(n)}的第n+1个数据,μ的取值为0.97;
S23:对预加重后的噪声信号进行分帧,用于保证噪声信号分析的时间分辨率;设分帧后的第n帧数据为x(n),则一帧对应的时间长度为N/变压器噪声采集频率,其中N为一帧信号的长度,本发明中一帧对应的时间长度为10ms;
S24:对分帧后的噪声数据施加窗函数以减少频谱泄露;将窗函数设定为汉明窗,自变量为p,因变量w(p)为窗函数的幅度,P为常数,窗函数的总长度L=P+1,L等于帧长N;则窗函数的表达式为:
w(p)=0.54-0.46*cos(2*π*p/P),0≤p≤P;
以避免窗函数边缘数据的衰减,应对数据帧进行重叠处理,本实施例中,即重叠率为50%。
S3:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数;
在步骤S3中:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数,包括步骤:
S31:对预处理后的变压器噪声信号数据,对于噪声信号数据n的输出信号通过前面m个样本的线性组合表达,通过各阶线性预测分析系数求导,构成m个方程组成的方程组;
S32:对此方程组,使用Durbin算法求解获得线性预测编码;
S33:对线性预测编码进行快速傅里叶计算,再取对数运算,最后经由快速傅里叶反变换运算得到线性预测倒谱系数。
本实例中,使用Durbin算法求取线性预测编码,线性预测编码阶数取值为10,而对线性预测编码进行倒谱运算时,线性预测倒谱系数阶数取39。为了保证训练样本维度一致,会对提取到的特征进行padding操作,线性预测倒谱系数输入模型中特征维度是499×39,其中输入宽度499为噪声信号的时间分量(帧数),输入高度39为线性预测倒谱系数的维度分量。
S4:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数;
在步骤S4中:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数,包括步骤:
S41:对预处理后变压器噪声信号数据的每一帧进行N点的快速傅里叶变换,将噪声信号从时域转换到频谱,获得频谱图;
S42:设置梅尔三角滤波器组,并利用梅尔三角滤波器组对频谱图进行滤波,并对滤波后的数据求对数;
S43:使用离散余弦变换将对数梅尔频谱图向时域转化,提取梅尔倒谱系数;
S44:计算梅尔倒谱系数的一阶差分系数和二阶差分系数,将梅尔倒谱系数与一阶差分系数和二阶差分系数进行线性组合得到优化梅尔倒谱系数。
优选的,所述梅尔倒谱系数的一阶差分系数和二阶差分系数计算公式为:
dt表示第t个一阶差分,Ct表示第t个梅尔倒谱系数,Q表示倒谱系数的阶数;K表示一阶导数的时间差,取值为1或2,k为累加系数从1至K;
将梅尔倒谱系数带入上式,得到相同个数的一阶差分系数dt;
再将刚求得的dt作为Ct带入上式,即可得到二阶差分系数。
变压器噪声信号是连续变化的,每个帧不是独立的。标准的梅尔倒谱系数只反映了噪声参数的静态特性,无法反映变压器噪声信号的动态特性。本发明通过把动、静态特征结合起来才能有效提高系统的识别性能,将轨道交通变压器噪声信号的标准梅尔倒谱系数与一阶差分系数、二阶差分系数三者进行组合,获得优化梅尔倒谱系数,通过这种方式获得优化梅尔倒谱系数更加能够体现噪声信号特征,有利于后期网络模型中更准确的提取故障信息,将动、静态特征组合能有效提高后续分类识别系统的性能。
本实例中,梅尔滤波器阶数选择为24,FFT变换长度选择为256,且为了对梅尔倒谱系数特征优化,将标准梅尔倒谱系数与一阶差分系数、二阶差分系数进行线性组合,得到39维优化梅尔倒谱系数。为了保证训练样本维度一致,会对提取到的特征进行padding操作,优化梅尔倒谱系数输入模型中特征维度是499×39,其中输入宽度499为噪声信号的时间分量(帧数),输入高度39为优化梅尔倒谱系数的维度分量。
S5:将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集;
在所述步骤S5中,将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集,包括步骤:
S51:获得每一帧轨道变压器噪声信号的特征参数线性预测倒谱系数和优化梅尔倒谱系数,将二者特征参数序列在每一帧的维度上进行组合,构建组合特征参数序列,得到组合特征参数;
S52:为了使噪声信号数据可以输入到网络模型中,必须使数据结构整齐划一,在这过程中,规定组合特征参数序列长度固定为499,超过499部分的截取,未超过的用0来补充,最终构成的特征集输入进网络模型[batch_size,499,78],构成的特征集,其中batch_size表示数据批量。
S6:将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型;
在所述步骤S6中,将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型,包括步骤:
S61:在将特征集作为网络模型输入之后,进入3层BiLSTM层,其中的神经元个数为100;在3层BiLSTM层之后,加入Dropout层,防止网络训练的过拟合状态,Dropout根据设定几率随机抛弃部分神经元,使变压器噪声信号特征信息在训练参数迭代过程中,各层输入与输出神经元数量保持一致;为了后续输入到卷积块,再通过reshape层将参数整形为三维,在LSTM部分之后得到[batch_size,499,100,1]的特征集;
S62:以两个卷积块串联以构建卷积神经网络,每个卷积块包括二维卷积层、非线性函数激活层、最大池化层、批归一化层和Dropout层;依次经过二维卷积层、非线性函数激活层和最大池化层,且在最后设置批归一化层和Dropout层,为了增强模型的泛化性能,并在每层权重都使用L2正则化方法。
第一个卷积块包含Conv1、2两个二维卷积层,使用16个5×5的大卷积核,移动步长为1,第一个卷积块以1通道作为输入,输出16个通道,并使用ReLU函数进行非线性拟合;随后设置一个尺寸为2×2的最大池化层来减小特征尺寸,输出的第一特征集。
第二个卷积块包含Conv3、4两个二维卷积层,使用32个5×5的大卷积核,移动步长为1,第二个卷积块以16通道作为输入,输出32个通道,并使用ReLU函数进行非线性拟合,随后设置一个尺寸为2×2的最大池化层,输出第二的特征集。
以两个卷积块串联以构建,每个卷积块包括二维卷积层、非线性函数激活层、最大池化层、批归一化层和Dropout层;在卷积层部分,第一个卷积块包含Conv1、2两个二维卷积层,使用16个5×5的大卷积核,移动步长为1,第一个卷积块以1通道作为输入,输出16个通道,并使用ReLU函数进行非线性拟合;随后设置一个尺寸为2×2的最大池化层来减小特征尺寸,输出[batch_size,249,50,16]的特征集,第二个卷积块包含Conv3、4两个二维卷积层,使用32个5×5的大卷积核,移动步长为1,第二个卷积块以16通道作为输入,输出32个通道,并使用ReLU函数进行非线性拟合,随后设置一个尺寸为2×2的最大池化层,输出[batch_size,124,25,32]的特征集;在最后设置批归一化层和Dropout层,为了增强CNN-LSTM模型的泛化性能,每层权重都使用L2正则化方法。
S7:采用训练好的轨道交通变压器故障识别模型检测轨道交通变压器噪声,利用Softmax损失函数进行最终工况分类,继而达到轨道交通变压器故障诊断的目的。
卷积块输出的变压器噪声信号特征信息最后将被输入到全连接层,对噪声信号特征进行降维,输出[batch_size,3200]的特征集,然后Softmax函数以概率的形式展现变压器各工况噪声信号多分类的结果。
实验采用4分类实验,利用到的轨道交通变压器工况分别为正常运行、过负荷运行、放电和直流偏磁,实验结果产生混淆矩阵,并获得准确率、精度、召回率和F1分数相关评价指标。图2中,轨道交通变压器正常运行、过负荷运行、放电和直流偏磁四种工况的标签分别为0,1,2,3,可以看出在变压器各工况噪声类别上正确分类的真正例和真负例占绝大多数,表明该模型对轨道交通变压器噪声的分类识别具有很高的可靠性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种轨道交通变压器故障诊断方法,其特征在于,包括步骤:
S1:获取轨道交通变压器各工况运行发出的噪声信号;
S2:对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理;
S3:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数;
S4:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数;
S5:将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集;
S6:将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型;
S7:采用训练好的轨道交通变压器故障识别模型检测轨道交通变压器噪声,利用Softmax损失函数进行最终工况分类,继而达到轨道交通变压器故障诊断的目的。
2.根据权利要求1所述的一种轨道交通变压器故障诊断方法,其特征在于,在步骤S1中,在相同拾音器设备采集的轨道交通变压器包括正常运行、过负荷运行、放电和直流偏磁四种工况的噪声信号{s0(n)},1≤n≤Ns0,Ns0为信号{s0(n)}的长度。
3.根据权利要求2所述的一种轨道交通变压器故障诊断方法,其特征在于,在步骤S2中,对变压器噪声信号进行预处理,使用小波阈值去噪对噪声信号进行滤波去噪处理,包括步骤:
S21:使用小波基sym8且分解层数为2的小波变换将噪声信号进行分解,继而得到与分辨率相关的两个分解值分量;设定阈值处理Fs,阈值选择规则为无偏似然估计阈值,阈值调整依靠各层小波分解得到的变压器噪声信号水平估计,阈值函数为硬阈值函数;
阈值处理时,近似分量部分进行保留,而对于细节分量部分,设定一个阈值,若小波系数的数值比设定的阈值要小,则将其置零,若小波系数的数值比设定的阈值要大,则对其进行保存;
S22:采用一阶FIR高通数字滤波器对噪声信号{s0(n)}进行预加重以提升高频部分,使信号的频谱变得平坦,得到预加重后的信号{s(n)}:
s(n)=s0(n+1)-μ*s0(n),1≤n≤(Ns0-1);
其中,s0(n)为噪声信号{s0(n)}的第n个数据,s0(n+1)为噪声信号{s0(n)}的第n+1个数据,μ的取值范围为0.93~0.97;
S23:对预加重后的噪声信号进行分帧,用于保证噪声信号分析的时间分辨率;设分帧后的第n帧数据为x(n),一帧对应的时间长度为N/变压器噪声采集频率,其中N为一帧的长度;
S24:对分帧后的噪声数据施加窗函数以减少频谱泄露;将窗函数设定为汉明窗,自变量为p,因变量w(p)为窗函数的幅度,P为常数,窗函数的总长度L=P+1,L等于帧长N;则窗函数的表达式为:
w(p)=0.54-0.46*cos(2*π*p/P),0≤p≤P;
以避免窗函数边缘数据的衰减,应对数据帧进行重叠处理。
4.根据权利要求1所述的一种轨道交通变压器故障诊断方法,其特征在于,在步骤S3中:对预处理后的变压器噪声信号数据,使用Durbin算法获得线性预测编码,再将得到的线性预测编码递推到倒谱域得到线性预测倒谱系数,包括步骤:
S31:对预处理后的变压器噪声信号数据,对于噪声信号数据n的输出信号通过前面m个样本的线性组合表达,通过各阶线性预测分析系数求导,构成m个方程组成的方程组;
S32:对此方程组,使用Durbin算法求解获得线性预测编码;
S33:对线性预测编码进行快速傅里叶计算,再取对数运算,最后经由快速傅里叶反变换运算得到线性预测倒谱系数。
5.根据权利要求1所述的一种轨道交通变压器故障诊断方法,其特征在于,在步骤S4中:对预处理后的变压器噪声信号数据,使用快速傅里叶变换获得频谱图,对频谱图进行梅尔滤波,对滤波后的数据求对数,进行离散余弦变换提取梅尔倒谱系数,并将梅尔倒谱系数与一阶差分系数、二阶差分系数进行组合得到优化梅尔倒谱系数,包括步骤:
S41:对预处理后变压器噪声信号数据的每一帧进行N点的快速傅里叶变换,将噪声信号从时域转换到频谱,获得频谱图;
S42:设置梅尔三角滤波器组,并利用梅尔三角滤波器组对频谱图进行滤波,并对滤波后的数据求对数;
S43:使用离散余弦变换将对数梅尔频谱图向时域转化,提取梅尔倒谱系数;
S44:计算梅尔倒谱系数的一阶差分系数和二阶差分系数,将梅尔倒谱系数与一阶差分系数和二阶差分系数进行线性组合得到优化梅尔倒谱系数。
7.根据权利要求1所述的一种轨道交通变压器故障诊断方法,其特征在于,在所述步骤S5中,将特征参数线性预测倒谱系数和优化梅尔倒谱系数进行组合,获得特征集,包括步骤:
S51:获得每一帧轨道变压器噪声信号的特征参数线性预测倒谱系数和优化梅尔倒谱系数,将二者特征参数序列在每一帧的维度上进行组合,构建组合特征参数序列,得到组合特征参数;
S52:规定组合特征参数序列长度固定为499,超过499部分的截取,未超过的用0来补充,最终构成的特征集输入进网络模型。
8.根据权利要求1所述的一种轨道交通变压器故障诊断方法,其特征在于,在所述步骤S6中,将特征集用深度学习结构进行进一步特征学习,训练建立轨道交通变压器故障识别模型,包括步骤:
S61:在将特征集作为网络模型输入之后,进入3层BiLSTM层;在3层BiLSTM层之后,加入Dropout层,防止网络训练的过拟合状态,Dropout根据设定几率随机抛弃部分神经元,使变压器噪声信号特征信息在训练参数迭代过程中,各层输入与输出神经元数量保持一致;为了后续输入到卷积块,再通过reshape层将参数整形为三维;
S62:以两个卷积块串联以构建卷积神经网络,每个卷积块包括二维卷积层、非线性函数激活层、最大池化层、批归一化层和Dropout层;依次经过二维卷积层、非线性函数激活层和最大池化层,且在最后设置批归一化层和Dropout层,为了增强模型的泛化性能,并在每层权重都使用L2正则化方法。
9.根据权利要求8所述的一种轨道交通变压器故障诊断方法,其特征在于,第一个卷积块包含Conv1、2两个二维卷积层,使用16个5×5的大卷积核,移动步长为1,第一个卷积块以1通道作为输入,输出16个通道,并使用ReLU函数进行非线性拟合;随后设置一个尺寸为2×2的最大池化层来减小特征尺寸,输出的第一特征集。
10.根据权利要求8或9所述的一种轨道交通变压器故障诊断方法,其特征在于,第二个卷积块包含Conv3、4两个二维卷积层,使用32个5×5的大卷积核,移动步长为1,第二个卷积块以16通道作为输入,输出32个通道,并使用ReLU函数进行非线性拟合,随后设置一个尺寸为2×2的最大池化层,输出第二的特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406211.6A CN115758082A (zh) | 2022-11-10 | 2022-11-10 | 一种轨道交通变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406211.6A CN115758082A (zh) | 2022-11-10 | 2022-11-10 | 一种轨道交通变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758082A true CN115758082A (zh) | 2023-03-07 |
Family
ID=85369071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211406211.6A Pending CN115758082A (zh) | 2022-11-10 | 2022-11-10 | 一种轨道交通变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758082A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN117636908A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 数字化矿山生产管控系统 |
-
2022
- 2022-11-10 CN CN202211406211.6A patent/CN115758082A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN116449255B (zh) * | 2023-03-09 | 2023-12-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN117636908A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 数字化矿山生产管控系统 |
CN117636908B (zh) * | 2024-01-26 | 2024-03-26 | 长春黄金设计院有限公司 | 数字化矿山生产管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220318635A1 (en) | Energy identification method for micro-energy device based on bp neural network | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
CN109949823A (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
CN105321525A (zh) | 一种降低voip通信资源开销的系统和方法 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN117079665A (zh) | 基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统 | |
Hamdaoui et al. | Improved signal processing for bearing fault diagnosis in noisy environments using signal denoising, time–frequency transform, and deep learning | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN115452378A (zh) | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 | |
CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
CN115064175A (zh) | 一种说话人识别方法 | |
CN112735477A (zh) | 语音情感分析方法和装置 | |
Morovati | Increase the accuracy of speech signal categories in high noise environments | |
CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
CN113177536B (zh) | 基于深度残差收缩网络的车辆碰撞检测方法及装置 | |
CN111833885B (zh) | 一种基于卷积模糊神经网络的音源识别方法 |
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 |