CN115993503B - 一种变压器的运行检测方法、装置、设备及存储介质 - Google Patents
一种变压器的运行检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115993503B CN115993503B CN202310280098.XA CN202310280098A CN115993503B CN 115993503 B CN115993503 B CN 115993503B CN 202310280098 A CN202310280098 A CN 202310280098A CN 115993503 B CN115993503 B CN 115993503B
- Authority
- CN
- China
- Prior art keywords
- audio
- network
- feature
- audio feature
- features
- 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 description 25
- 230000005236 sound signal Effects 0.000 claims abstract description 137
- 230000036541 health Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种变压器的运行检测方法、装置、设备及存储介质,该方法包括:从原始音频信号提取至少两种第一原始音频特征;在原始音频信号消除与参考音频信号相同或相似的信号,得到目标音频信号;从目标音频信号中提取至少两种第二原始音频特征;加载音频识别网络;将至少两种第一原始音频特征输入主干网络中提取第一目标音频特征;将至少两种第二原始音频特征输入支路网络中提取第二目标音频特征;将第一目标音频特征与第二目标音频特征连接为第三目标音频特征;将第三目标音频特征输入分类网络中识别变压器运行时的健康等级;根据健康等级识别变压器的运行状态。本实施例提高检测变压器的运行状态的精确度。
Description
技术领域
本发明涉及电网的技术领域,尤其涉及一种变压器的运行检测方法、装置、设备及存储介质。
背景技术
变压器是电网中能量转换、传输的核心,其运行安全对电网的可靠运行具有十分重要的地位。如果发生变压器故障,可能会造成大面积停电,从而带来较大的直接和间接损失。
变压器运行在非正常状态、甚至是发生故障时,其内部结构组件会产生一定量的形变,变压器因振动而产生的音频信号也会随之发生改变,这种变化可作为监测变压器状态的特征。
因此,在变压器周边多部署拾音器采集变压器产生的音频信号,从音频信号中提取声纹,通过声纹分析变压器的状态。
但是,众多变压器是部署在户外的环境中,环境中存在各种形式的噪音,如风声、雨声等,对音频信号造成干扰,降低识别变压器的状态的精确度。
发明内容
本发明提供了一种变压器的运行检测方法、装置、设备及存储介质,以解决如何提高使用音频信号识别变压器的状态的精确度的问题。
根据本发明的一方面,提供了一种变压器的运行检测方法,包括:
在接收到拾音器对变压器采集的原始音频信号时,从所述原始音频信号提取至少两种第一原始音频特征;
计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种所述参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;
若所述总相似度大于预设的相似阈值,则在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号;
从所述目标音频信号中提取至少两种与所述第一原始音频特征的类型均不相同的第二原始音频特征;
加载音频识别网络,所述音频识别网络包括主干网络、支路网络与分类网络;
将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征;
将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征;
将所述第一目标音频特征与所述第二目标音频特征连接为第三目标音频特征;
将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级;
根据所述健康等级识别所述变压器的运行状态。
根据本发明的另一方面,提供了一种变压器的运行检测装置,包括:
第一原始音频特征提取模块,用于在接收到拾音器对变压器采集的原始音频信号时,从所述原始音频信号提取至少两种第一原始音频特征;
相似度计算模块,用于计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种所述参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;
音频消除模块,用于若所述总相似度大于预设的相似阈值,则在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号;
第二原始音频特征提取模块,用于从所述目标音频信号中提取至少两种与所述第一原始音频特征的类型均不相同的第二原始音频特征;
音频识别网络加载模块,用于加载音频识别网络,所述音频识别网络包括主干网络、支路网络与分类网络;
第一目标音频特征提取模块,用于将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征;
第二目标音频特征提取模块,用于将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征;
第三目标音频特征生成模块,用于将所述第一目标音频特征与所述第二目标音频特征连接为第三目标音频特征;
健康等级识别模块,用于将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级;
运行状态识别模块,用于根据所述健康等级识别所述变压器的运行状态。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的变压器的运行检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的变压器的运行检测方法。
在本实施例中,在接收到拾音器对变压器采集的原始音频信号时,从原始音频信号提取至少两种第一原始音频特征;计算至少两种第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;若总相似度大于预设的相似阈值,则在原始音频信号消除与参考音频信号相同或相似的信号,得到目标音频信号;从目标音频信号中提取至少两种与第一原始音频特征的类型均不相同的第二原始音频特征;加载音频识别网络,音频识别网络包括主干网络、支路网络与分类网络;将至少两种第一原始音频特征输入主干网络中提取第一目标音频特征;将至少两种第二原始音频特征输入支路网络中提取第二目标音频特征;将第一目标音频特征与第二目标音频特征连接为第三目标音频特征;将第三目标音频特征输入分类网络中识别变压器运行时的健康等级;根据健康等级识别变压器的运行状态。本实施例在变压器运行时产生的原始音频信号中剥离出潜在的噪声、异常音频等目标音频信号,在支路网络中对目标音频信号提取特征,可以提高特征的丰富度,以此辅助检测变压器运行时的健康等级,可以提高检测变压器运行时的健康等级的精确度,从而提高检测变压器的运行状态的精确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种变压器的运行检测方法的流程图;
图2是根据本发明实施例一提供的一种音频识别网络的结构示意图;
图3是根据本发明实施例二提供的一种变压器的运行检测装置的结构示意图;
图4是实现本发明实施例三提供的一种电子设备的结构示意图。
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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种变压器的运行检测方法的流程图,该方法可以由变压器的运行检测装置来执行,该变压器的运行检测装置可以采用硬件和/或软件的形式实现,该变压器的运行检测装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、在接收到拾音器对变压器采集的原始音频信号时,从原始音频信号提取至少两种第一原始音频特征。
在本实施例中,可以在变压器的周边安装拾音器,在变压器运行的过程中,同步运行拾音器,拾音器采集变压器运行时产生的原始音频信号,将原始音频信号发送至采集器,采集器通过有线或无线的方式将原始音频信号发送至云端。
在云端的服务器中,在接收到变压器运行时产生的原始音频信号时,以实时或离线的方式从原始音频信号提取至少两种特征,记为第一原始音频特征。
示例性地,第一原始音频特征包括基频特征Pitch、梅尔频率倒谱系数(MelFrequency Cepstral Coefficients,MFCC)。
基频特征Pitch跟声音的基频fundamental frequency(F0)有关,反应的是音高的信息,即声调,可使用YIN等算子提取。
使用快速傅里叶变换(Fast Fourier Transform,FFT)等方式将语音信号从时域的信号转换为频域的信号,对频域中的语音信号计算能量谱,对能量谱进行梅尔频率Mel的滤波(降维),对滤波的之后的能量谱取对数Log,得到滤波器组特征Fbank。
滤波器组特征Fbanks相邻的特征高度相关(相邻滤波器组有重叠),因此,对滤波器组特征Fbanks进行倒谱转换,可以得到梅尔频率倒谱系数MFCC,即,梅尔频率倒谱系数MFCC的提取是在滤波器组特征FBank的基础上再进行离散余弦变换(DCT变换)。
步骤102、计算至少两种第一原始音频特征与至少两种参考音频特征之间的总相似度。
在本实施例中,可以预先在隔离环境中、使变压器正常运行,采集变压器在运行过程中产生的音频信号,记为参考音频信号,因此,参考音频信号可以排除环境噪声的干扰,是较为纯净的信息。
针对参考音频信号,可以提取至少两种参考音频特征,如基频特征Pitch、梅尔频率倒谱系数MFCC,即,至少两种参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号。
至少两种第一原始音频特征与至少两种参考音频特征的类型相同,可以对至少两种第一原始音频特征与至少两种参考音频特征进行比较,得到两者之间在整体上的相似度,记为总相似度。
示例性地,使用余弦夹角、皮尔森相关系数等方式对属于第一原始音频特征的基频特征Pitch与属于参考音频特征的基频特征Pitch计算相似度,记为第一子相似度。
使用余弦夹角、皮尔森相关系数等方式对属于第一原始音频特征的梅尔频率倒谱系数MFCC与属于参考音频特征的梅尔频率倒谱系数MFCC计算相似度,记为第二子相似度。
将第一子相似度与第二子相似度线性融合为总相似度,即,对第一子相似度与第二子相似度加权(权重)求和,得到总相似度,其中,第一子相似度的权重小于第二子相似度的权重。
步骤103、若总相似度大于预设的相似阈值,则在原始音频信号消除与参考音频信号相同或相似的信号,得到目标音频信号。
在实际应用中,由于拾音器长时间运行,容易发生故障,因此,可以将总相似度与预设的相似阈值进行比较,一般情况下,相似阈值的数值较低,以提高检测的灵敏度。
如果总相似度小于相似阈值,表示原始音频信号与参考音频信号之间的差异较大,可能是拾音器异常,无法采集变压器运行时产生原始音频信号,也可能是变压器发生故障。
如果总相似度大于相似阈值,表示原始音频信号与参考音频信号具有一定的相似度,拾音器可以正常采集变压器运行时产生原始音频信号,此时,可以在原始音频信号消除与参考音频信号相同或相似的信号,过滤出非变压器正常运行产生的音频信号,记为目标音频信号,这些目标音频信号可能是风声、雨声等噪音,也可能是变压器发生异常/故障时产生的音频信号。
在具体实现中,可以将参考音频信号设置为回声信号,为了提高参考音频信号的泛化程度,可以对回声信号进行均值滤波,降低其能量,增强回声模糊的效果。
通过自适应滤波算法等方法对原始音频信号执行回声消除,得到消除回声信号的目标音频信号,此时,回声路径可以认为是0。
步骤104、从目标音频信号中提取至少两种与第一原始音频特征的类型均不相同的第二原始音频特征。
在本实施例中,可以从目标音频信号中提取至少两种第二原始音频特征,其中,第一原始音频特征的类型与第二原始音频特征的类型均不相同。
由于参考音频信号与当前变压器正常运行产生的音频信号并不完全一致,因而目标音频信号中可能残留的变压器正常运行产生的音频信号,第一原始音频特征的类型与第二原始音频特征的类型均不相同可以多维度描述原始音频信号,避免对相同或相似的音频信号产生相同或相似的音频特征、对检测的精确度造成影响。
示例性地,第二原始音频特征包括滤波器组特征Fbanks、通道归一化特征(Per-channel energy normalization,PCEN),通道归一化特征PCEN是分别求取FFT、MFCC、Fbank等特征中每一维特征的累积平均值,通过当前帧的特征除以平均值,进而实现归一化操作。
步骤105、加载音频识别网络。
在本实施例中,可以预先构建音频识别网络并使用有监督的方式训练音频识别网络的参数,使得音频识别网络可以用于根据原始音频信号、目标音频信号识别变压器运行时的健康等级。
一般情况下,音频识别网络属于深度学习的模型,音频识别网络的结构不局限于人工设计的神经网络,也可以通过模型量化方法优化的神经网络,通过NAS(NeuralArchitecture Search,神经网络结构搜索)方法针对变压器的特性搜索的神经网络,等等,本实施例对此不加以限制。
在实际应用中,音频识别网络包括主干网络、支路网络与分类网络,其中,主干网络用于从原始音频信号中提取特征,分支网络用于从目标音频信号提取特征,分类网络用于汇总原始音频信号的特征与目标音频信号的特征、从而划分变压器运行时的健康等级。
在对变压器检测运行状态时,可以将音频识别网络及其参数加载至内存中运行。
步骤106、将至少两种第一原始音频特征输入主干网络中提取第一目标音频特征。
在本实施例中,可以将至少两种第一原始音频特征输入主干网络中,主干网络按照其结构对至少两种第一原始音频特征进行处理,输出第一目标音频特征。
在具体实现中,如图2所示,第一原始音频特征包括基频特征Pitch、梅尔频率倒谱系数MFCC,主干网络包括第一时延神经网络TDNN_1、第一残差网络Res_block_1、第一卷积层Conv_1、第二残差网络Res_block_2、第一全连接层FC_1。
其中,第一时延神经网络TDNN_1属于时延神经网络(Time Delay NeuralNetwork,TDNN),时延神经网络是一种使用多个CNN(convolutional neural network,卷积神经网络)层的模型,这种模型在时间轴和频率轴上都应用了卷积运算,可以将二维的音频信号转换为三维的特征,便于进行卷积等操作。
第一残差网络Res_block_1、第二残差网络Res_block_2均为残差块(Residualblock),残差块为一些包含残差的网络结构的封装,例如,某些残差块中具有多层(如6层、8层、12层等)卷积层,每两层卷积层插入快捷连接shortcut(又称跳跃连接)。
第一卷积层Conv_1属于卷积层(Convolution Layer),卷积层由若干卷积单元组成,卷积层提供卷积操作,可提取输入信息的不同特征,浅层的卷积层可提取一些低级的特征如边缘、线条和角等层级,深层的卷积层能从低级特征中迭代提取更复杂的特征。
第一全连接层FC_1属于全连接层(fully connected layers,FC),卷积层、池化层和激活函数等操作是将数据映射到隐层特征空间,而全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
那么,可以将基频特征Pitch与梅尔频率倒谱系数MFCC连接concatenate为第一主干音频特征。
将第一主干音频特征输入第一时延神经网络TDNN_1中转换为三维的第二主干音频特征。
将第二主干音频特征输入第一残差网络Res_block_1中进行处理,得到第三主干音频特征。
将第三主干音频特征输入第一卷积层Conv_1中进行卷积处理,得到第四主干音频特征。
对第四主干音频特征依次进行平均池化操作Avg Pooling、使用ReLU(RectifiedLinear Unit,线性整流函数)等激活函数进行激活操作、进行批量标准化操作(BatchNormlization,BN),得到第五主干音频特征。
其中,平均池化操作Avg Pooling又称均值池化mean-pooling,对池化区域内的数据取均值,这种方法得到的特征数据对背景信息更敏感。
ReLU函数可以为神经元在线性变换之后的非线性输出结果。
将第三主干音频特征与第五主干音频特征相加Add得到第六主干音频特征;
将第二主干音频特征与第六主干音频特征相加Add得到第七主干音频特征。
将第七主干音频特征输入第二残差网络Res_block_2中进行处理,得到第八主干音频特征。
将第八主干音频特征输入第一全连接层FC_1中映射为第一目标音频特征。
由于变压器在运行时产生的音频信号、环境噪声具有较为明显的层次感,因而本实施例中通过层级的结构,拆分出不同层级的音频信号的特征,将不同层次的音频信号的特征组成第一目标音频特征,可以丰富第一目标音频特征的信息量,从而提高检测变压器运行健康等级的精确度。
步骤107、将至少两种第二原始音频特征输入支路网络中提取第二目标音频特征。
在本实施例中,将至少两种第二原始音频特征输入支路网络中,支路网络按照其结构对至少两种第二原始音频特征进行处理,输出第二目标音频特征。
考虑到参考音频信号并非与当前变压器正常运行时产生的音频信号具有一定的相似性,但并非完全一致,因而在滤除与参考音频信号相同或相似的信号之后的目标音频信号仍可能存在变压器正常运行产生的音频信号,但这些音频信号的能量较弱,而支路网络提取特征的过程属于下采样的过程,在下采样的过程中,这些能量微弱的音频信号会逐步减少特征的占比,从而突出非变压器正常运行产生的音频信号的特征的占比。
在具体实现中,如图2所示,第二原始音频特征包括滤波器组特征Fbanks、通道归一化特征PCEN,支路网络包括第二时延神经网络TDNN_2、第二卷积层Conv_2、第三残差网络Res_block_3、第三时延神经网络TDNN_3、第三卷积层Conv_3、第四残差网络Res_block_4、第五残差网络Res_block_5、第二全连接层FC_2。
其中,第二时延神经网络TDNN_2、第三时延神经网络TDNN_3均属于时延神经网络,第二卷积层Conv_2、第三卷积层Conv_3均属于卷积层,第三残差网络Res_block_3、第四残差网络Res_block_4、第五残差网络Res_block_5均属于残差块,第二全连接层FC_2属于全连接层。
将滤波器组特征Fbanks输入第二时延神经网络TDNN_2转换为三维的第一支路音频特征。
将第一支路音频特征输入第二卷积层Conv_2中进行卷积处理,得到第二支路音频特征。
将第二支路音频特征输入第三残差网络Res_block_3中进行处理,得到第三支路音频特征。
将通道归一化特征PCEN输入第三时延神经网络TDNN_3转换为三维的第四支路音频特征。
将第四支路音频特征输入第三卷积层Conv_3中进行卷积处理,得到第五支路音频特征。
将第五支路音频特征输入第四残差网络Res_block_4中进行处理,得到第六支路音频特征。
将第三支路音频特征与第六支路音频特征连接concatenate为第七支路音频特征。
将第七支路音频特征输入第五残差网络Res_block_5中进行处理,得到第八支路音频特征。
将第八支路音频特征输入第二全连接层FC_2中映射为第二目标音频特征。
在本实施例中,对于滤波器组特征Fbanks、通道归一化特征PCEN提供了更为独立的分支结构提取特征,可以提供不同角度的音频特征,将不同角度的音频特征组成第二目标音频特征,可以丰富第二目标音频特征的信息量,从而提高检测变压器运行健康等级的精确度。
步骤108、将第一目标音频特征与第二目标音频特征连接为第三目标音频特征。
在本实施例中,如图2所示,可以汇总主干网络与分支网络,将主干网络输出的第一目标音频特征与分支网络输出的第二目标音频特征连接concatenate为新的特征,记为第三目标音频特征。
步骤109、将第三目标音频特征输入分类网络中识别变压器运行时的健康等级。
在本实施例中,将第三目标音频特征输入分类网络中,分类网络按照其结构对第三目标音频特征进行处理,输出变压器运行时的健康等级。
其中,健康等级为对变压器量化健康程度的指标,一般情况下,健康等级越小,变压器的健康程度越好,反之,健康等级越大,变压器的健康程度越差。
示例性地,可以对变压器划分为五个健康等级,分别为1、2、3、4、5,其中,等级1表示变压器一切正常,运行时产生的音频信号较为理想,等级2表示变压器的零部件出现了可控范围的耗损,其运行时产生的音频信号产生了轻微的改变,等级3表示变压器表示变压器的零部件因老化等原因,其运行时产生的音频信号发生了一定程度的改变,等级4表示变压器表示变压器的零部件出现了异常,其运行时产生的音频信号具有轻微的异响,具有发生故障的可能,等级5表示变压器表示变压器的零部件出现了故障,其运行时产生的音频信号发生了明显的异响,存在安全风险。
在具体实现中,如图2所示,分类网络包括自注意力池化层(Self-attentivepooling,SAP)、第六残差网络Res_block_6、第三全连接层FC_3。
其中,自注意力池化层SAP是利用自注意力机制,将语音帧级别的第一目标音频特征与第二目标音频特征聚合成句子级别特征表达的结构设计,这种对语音帧的注意力机制,可以使得提取的特征更具有信息表达能力。
第六残差网络Res_block_6属于残差块,第三全连接层FC_3属于全连接层。
进一步而言,第一残差网络Res_block_1、第二残差网络Res_block_2、第三残差网络Res_block_3、第四残差网络Res_block_4、第五残差网络Res_block_5、第六残差网络Res_block_6的结构可以依据检测变压器在运行时的健康等级的业务需求(如实时性、精确度等)进行设置,第一残差网络Res_block_1、第二残差网络Res_block_2、第三残差网络Res_block_3、第四残差网络Res_block_4、第五残差网络Res_block_5、第六残差网络Res_block_6的结构可以相同、也可以不同,本实施例对此不加以限制。
将第三目标音频特征输入自注意力池化层SAP中聚合为第四目标音频特征。
将第四目标音频特征输入第六残差网络Res_block_6中进行处理,得到第五目标音频特征。
将第五目标音频特征输入第三全连接层FC_3中映射为变压器运行时的健康等级。
步骤110、根据健康等级识别变压器的运行状态。
在本实施例中,考虑到使用帧级的原始音频信号、目标音频信号检测变压器运行时的健康等级具有一定的误检率,因而可以通过累积一定量的健康等级识别变压器的运行状态,从而根据运行状态对制定相应的检修计划。
在具体实现中,可以按照时间的先后顺序对健康等级进行排列,得到健康序列;在健康序列中添加可滑动的窗口window,窗口按照一定的步长step滑动,其中,滑动的步长小于窗口的长度。
在每次滑动窗口时,对窗口内的健康等级统计平均等级与主等级,其中,平均统计为窗口内的健康等级的平均值,主等级为窗口内数量超过预设的有效阈值、且等级最高的健康等级,使用有效阈值筛选主等级可以降低随机的误检带来的影响。
将平均等级与主等级线性融合为风险系数,即,对平均等级与主等级线加权(权重)求和,得到风险系数,其中,主等级的权重高于平均等级的权重。
若风险系数在第一风险范围内,则确定变压器的运行状态为异常(或故障),此时,可以生成警报信号,提示运维人员(如变压器所在变电站的工作人员)立即对变压器进行检修。
若风险系数在第二风险范围内,则确定变压器的运行状态为风险,即,变压器存在一定的安全风险,此时,可以生成提示信号,提示运维人员(如变压器所在变电站的工作人员)提高对变压器检修的频次。
若风险系数在第三风险范围内,则确定变压器的运行状态为正常,此时,可以生成安全信号,提示运维人员(如变压器所在变电站的工作人员)维持原有对变压器检修的计划。
一般情况下,第一风险范围中的数值、第二风险范围中的数值与第三风险范围中的数值连续,而第一风险范围中的数值大于第二风险范围中的数值,第二风险范围中的数值大于第三风险范围中的数值。
在本实施例中,在接收到拾音器对变压器采集的原始音频信号时,从原始音频信号提取至少两种第一原始音频特征;计算至少两种第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;若总相似度大于预设的相似阈值,则在原始音频信号消除与参考音频信号相同或相似的信号,得到目标音频信号;从目标音频信号中提取至少两种与第一原始音频特征的类型均不相同的第二原始音频特征;加载音频识别网络,音频识别网络包括主干网络、支路网络与分类网络;将至少两种第一原始音频特征输入主干网络中提取第一目标音频特征;将至少两种第二原始音频特征输入支路网络中提取第二目标音频特征;将第一目标音频特征与第二目标音频特征连接为第三目标音频特征;将第三目标音频特征输入分类网络中识别变压器运行时的健康等级;根据健康等级识别变压器的运行状态。本实施例在变压器运行时产生的原始音频信号中剥离出潜在的噪声、异常音频等目标音频信号,在支路网络中对目标音频信号提取特征,可以提高特征的丰富度,以此辅助检测变压器运行时的健康等级,可以提高检测变压器运行时的健康等级的精确度,从而提高检测变压器的运行状态的精确度。
实施例二
图3为本发明实施例二提供的一种变压器的运行检测装置的结构示意图。如图3所示,该装置包括:
第一原始音频特征提取模块301,用于在接收到拾音器对变压器采集的原始音频信号时,从所述原始音频信号提取至少两种第一原始音频特征;
相似度计算模块302,用于计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种所述参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;
音频消除模块303,用于若所述总相似度大于预设的相似阈值,则在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号;
第二原始音频特征提取模块304,用于从所述目标音频信号中提取至少两种与所述第一原始音频特征的类型均不相同的第二原始音频特征;
音频识别网络加载模块305,用于加载音频识别网络,所述音频识别网络包括主干网络、支路网络与分类网络;
第一目标音频特征提取模块306,用于将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征;
第二目标音频特征提取模块307,用于将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征;
第三目标音频特征生成模块308,用于将所述第一目标音频特征与所述第二目标音频特征连接为第三目标音频特征;
健康等级识别模块309,用于将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级;
运行状态识别模块310,用于根据所述健康等级识别所述变压器的运行状态。
在本发明的一个实施例中,所述相似度计算模块302还用于:
对属于所述第一原始音频特征的基频特征与属于所述参考音频特征的基频特征计算第一子相似度;
对属于所述第一原始音频特征的梅尔频率倒谱系数与属于所述参考音频特征的梅尔频率倒谱系数计算第二子相似度;
将所述第一子相似度与所述第二子相似度线性融合为总相似度。
在本发明的一个实施例中,所述音频消除模块303还用于:
将所述参考音频信号设置为回声信号;
对所述原始音频信号执行回声消除,得到消除所述回声信号的目标音频信号。
在本发明的一个实施例中,所述第一原始音频特征包括基频特征、梅尔频率倒谱系数,所述主干网络包括第一时延神经网络、第一残差网络、第一卷积层、第二残差网络、第一全连接层;
所述第一目标音频特征提取模块306还用于:
将所述基频特征与所述梅尔频率倒谱系数连接为第一主干音频特征;
将所述第一主干音频特征输入所述第一时延神经网络中转换为三维的第二主干音频特征;
将所述第二主干音频特征输入所述第一残差网络中进行处理,得到第三主干音频特征;
将所述第三主干音频特征输入所述第一卷积层中进行卷积处理,得到第四主干音频特征;
对所述第四主干音频特征依次进行平均池化操作、激活操作、批量标准化操作,得到第五主干音频特征;
将所述第三主干音频特征与所述第五主干音频特征相加得到第六主干音频特征;
将所述第二主干音频特征与所述第六主干音频特征相加得到第七主干音频特征;
将所述第七主干音频特征输入所述第二残差网络中进行处理,得到第八主干音频特征;
将所述第八主干音频特征输入所述第一全连接层中映射为第一目标音频特征。
在本发明的一个实施例中,所述第二原始音频特征包括滤波器组特征、通道归一化特征,所述支路网络包括第二时延神经网络、第二卷积层、第三残差网络、第三时延神经网络、第三卷积层、第四残差网络、第五残差网络、第二全连接层;
所述第二目标音频特征提取模块307还用于:
将所述滤波器组特征输入所述第二时延神经网络转换为三维的第一支路音频特征;
将所述第一支路音频特征输入所述第二卷积层中进行卷积处理,得到第二支路音频特征;
将所述第二支路音频特征输入所述第三残差网络中进行处理,得到第三支路音频特征;
将所述通道归一化特征输入所述第三时延神经网络转换为三维的第四支路音频特征;
将所述第四支路音频特征输入所述第三卷积层中进行卷积处理,得到第五支路音频特征;
将所述第五支路音频特征输入所述第四残差网络中进行处理,得到第六支路音频特征;
将所述第三支路音频特征与所述第六支路音频特征连接为第七支路音频特征;
将所述第七支路音频特征输入所述第五残差网络中进行处理,得到第八支路音频特征;
将所述第八支路音频特征输入所述第二全连接层中映射为第二目标音频特征。
在本发明的一个实施例中,所述分类网络包括自注意力池化层、第六残差网络、第三全连接层;
所述健康等级识别模块309还用于:
将所述第三目标音频特征输入所述自注意力池化层中聚合为第四目标音频特征;
将所述第四目标音频特征输入所述第六残差网络中进行处理,得到第五目标音频特征;
将所述第五目标音频特征输入所述第三全连接层中映射为所述变压器运行时的健康等级。
在本发明的一个实施例中,所述运行状态识别模块310还用于:
按照时间对所述健康等级进行排列,得到健康序列;
在所述健康序列中添加可滑动的窗口;
在每次滑动所述窗口时,对所述窗口内的所述健康等级统计平均等级与主等级,所述平均统计为所述窗口内的所述健康等级的平均值,所述主等级为所述窗口内数量超过预设的有效阈值、且等级最高的所述健康等级;
将所述平均等级与所述主等级线性融合为风险系数;
若所述风险系数在第一风险范围内,则确定所述变压器的运行状态为异常;
若所述风险系数在第二风险范围内,则确定所述变压器的运行状态为风险;
若所述风险系数在第三风险范围内,则确定所述变压器的运行状态为正常,所述第一风险范围中的数值大于所述第二风险范围中的数值,所述第二风险范围中的数值大于所述第三风险范围中的数值。
本发明实施例所提供的变压器的运行检测装置可执行本发明任意实施例所提供的变压器的运行检测方法,具备执行变压器的运行检测方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,如变压器的运行检测方法。
在一些实施例中,变压器的运行检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的变压器的运行检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行变压器的运行检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的变压器的运行检测方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (7)
1.一种变压器的运行检测方法,其特征在于,包括:
在接收到拾音器对变压器采集的原始音频信号时,从所述原始音频信号提取至少两种第一原始音频特征;
计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种所述参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;
若所述总相似度大于预设的相似阈值,则在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号;
从所述目标音频信号中提取至少两种与所述第一原始音频特征的类型均不相同的第二原始音频特征;
加载音频识别网络,所述音频识别网络包括主干网络、支路网络与分类网络;
将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征;
将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征;
将所述第一目标音频特征与所述第二目标音频特征连接为第三目标音频特征;
将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级;
根据所述健康等级识别所述变压器的运行状态;
其中,所述第一原始音频特征包括基频特征、梅尔频率倒谱系数,所述主干网络包括第一时延神经网络、第一残差网络、第一卷积层、第二残差网络、第一全连接层;
所述将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征,包括:
将所述基频特征与所述梅尔频率倒谱系数连接为第一主干音频特征;
将所述第一主干音频特征输入所述第一时延神经网络中转换为三维的第二主干音频特征;
将所述第二主干音频特征输入所述第一残差网络中进行处理,得到第三主干音频特征;
将所述第三主干音频特征输入所述第一卷积层中进行卷积处理,得到第四主干音频特征;
对所述第四主干音频特征依次进行平均池化操作、激活操作、批量标准化操作,得到第五主干音频特征;
将所述第三主干音频特征与所述第五主干音频特征相加得到第六主干音频特征;
将所述第二主干音频特征与所述第六主干音频特征相加得到第七主干音频特征;
将所述第七主干音频特征输入所述第二残差网络中进行处理,得到第八主干音频特征;
将所述第八主干音频特征输入所述第一全连接层中映射为第一目标音频特征;
所述第二原始音频特征包括滤波器组特征、通道归一化特征,所述支路网络包括第二时延神经网络、第二卷积层、第三残差网络、第三时延神经网络、第三卷积层、第四残差网络、第五残差网络、第二全连接层;
所述将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征,包括:
将所述滤波器组特征输入所述第二时延神经网络转换为三维的第一支路音频特征;
将所述第一支路音频特征输入所述第二卷积层中进行卷积处理,得到第二支路音频特征;
将所述第二支路音频特征输入所述第三残差网络中进行处理,得到第三支路音频特征;
将所述通道归一化特征输入所述第三时延神经网络转换为三维的第四支路音频特征;
将所述第四支路音频特征输入所述第三卷积层中进行卷积处理,得到第五支路音频特征;
将所述第五支路音频特征输入所述第四残差网络中进行处理,得到第六支路音频特征;
将所述第三支路音频特征与所述第六支路音频特征连接为第七支路音频特征;
将所述第七支路音频特征输入所述第五残差网络中进行处理,得到第八支路音频特征;
将所述第八支路音频特征输入所述第二全连接层中映射为第二目标音频特征;
所述分类网络包括自注意力池化层、第六残差网络、第三全连接层;
所述将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级,包括:
将所述第三目标音频特征输入所述自注意力池化层中聚合为第四目标音频特征;
将所述第四目标音频特征输入所述第六残差网络中进行处理,得到第五目标音频特征;
将所述第五目标音频特征输入所述第三全连接层中映射为所述变压器运行时的健康等级。
2.根据权利要求1所述的方法,其特征在于,所述计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,包括:
对属于所述第一原始音频特征的基频特征与属于所述参考音频特征的基频特征计算第一子相似度;
对属于所述第一原始音频特征的梅尔频率倒谱系数与属于所述参考音频特征的梅尔频率倒谱系数计算第二子相似度;
将所述第一子相似度与所述第二子相似度线性融合为总相似度。
3.根据权利要求1所述的方法,其特征在于,所述在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号,包括:
将所述参考音频信号设置为回声信号;
对所述原始音频信号执行回声消除,得到消除所述回声信号的目标音频信号。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述健康等级识别所述变压器的运行状态,包括:
按照时间对所述健康等级进行排列,得到健康序列;
在所述健康序列中添加可滑动的窗口;
在每次滑动所述窗口时,对所述窗口内的所述健康等级统计平均等级与主等级,所述平均等级为所述窗口内的所述健康等级的平均值,所述主等级为所述窗口内数量超过预设的有效阈值、且等级最高的所述健康等级;
将所述平均等级与所述主等级线性融合为风险系数;
若所述风险系数在第一风险范围内,则确定所述变压器的运行状态为异常;
若所述风险系数在第二风险范围内,则确定所述变压器的运行状态为风险;
若所述风险系数在第三风险范围内,则确定所述变压器的运行状态为正常,所述第一风险范围中的数值大于所述第二风险范围中的数值,所述第二风险范围中的数值大于所述第三风险范围中的数值。
5.一种变压器的运行检测装置,其特征在于,包括:
第一原始音频特征提取模块,用于在接收到拾音器对变压器采集的原始音频信号时,从所述原始音频信号提取至少两种第一原始音频特征;
相似度计算模块,用于计算至少两种所述第一原始音频特征与至少两种参考音频特征之间的总相似度,至少两种所述参考音频特征均提取自变压器在隔离环境中、正常运行时产生的参考音频信号;
音频消除模块,用于若所述总相似度大于预设的相似阈值,则在所述原始音频信号消除与所述参考音频信号相同或相似的信号,得到目标音频信号;
第二原始音频特征提取模块,用于从所述目标音频信号中提取至少两种与所述第一原始音频特征的类型均不相同的第二原始音频特征;
音频识别网络加载模块,用于加载音频识别网络,所述音频识别网络包括主干网络、支路网络与分类网络;
第一目标音频特征提取模块,用于将至少两种所述第一原始音频特征输入所述主干网络中提取第一目标音频特征;
第二目标音频特征提取模块,用于将至少两种所述第二原始音频特征输入所述支路网络中提取第二目标音频特征;
第三目标音频特征生成模块,用于将所述第一目标音频特征与所述第二目标音频特征连接为第三目标音频特征;
健康等级识别模块,用于将所述第三目标音频特征输入所述分类网络中识别所述变压器运行时的健康等级;
运行状态识别模块,用于根据所述健康等级识别所述变压器的运行状态;
其中,所述第一原始音频特征包括基频特征、梅尔频率倒谱系数,所述主干网络包括第一时延神经网络、第一残差网络、第一卷积层、第二残差网络、第一全连接层;
所述第一目标音频特征提取模块还用于:
将所述基频特征与所述梅尔频率倒谱系数连接为第一主干音频特征;
将所述第一主干音频特征输入所述第一时延神经网络中转换为三维的第二主干音频特征;
将所述第二主干音频特征输入所述第一残差网络中进行处理,得到第三主干音频特征;
将所述第三主干音频特征输入所述第一卷积层中进行卷积处理,得到第四主干音频特征;
对所述第四主干音频特征依次进行平均池化操作、激活操作、批量标准化操作,得到第五主干音频特征;
将所述第三主干音频特征与所述第五主干音频特征相加得到第六主干音频特征;
将所述第二主干音频特征与所述第六主干音频特征相加得到第七主干音频特征;
将所述第七主干音频特征输入所述第二残差网络中进行处理,得到第八主干音频特征;
将所述第八主干音频特征输入所述第一全连接层中映射为第一目标音频特征;
所述第二原始音频特征包括滤波器组特征、通道归一化特征,所述支路网络包括第二时延神经网络、第二卷积层、第三残差网络、第三时延神经网络、第三卷积层、第四残差网络、第五残差网络、第二全连接层;
所述第二目标音频特征提取模块还用于:
将所述滤波器组特征输入所述第二时延神经网络转换为三维的第一支路音频特征;
将所述第一支路音频特征输入所述第二卷积层中进行卷积处理,得到第二支路音频特征;
将所述第二支路音频特征输入所述第三残差网络中进行处理,得到第三支路音频特征;
将所述通道归一化特征输入所述第三时延神经网络转换为三维的第四支路音频特征;
将所述第四支路音频特征输入所述第三卷积层中进行卷积处理,得到第五支路音频特征;
将所述第五支路音频特征输入所述第四残差网络中进行处理,得到第六支路音频特征;
将所述第三支路音频特征与所述第六支路音频特征连接为第七支路音频特征;
将所述第七支路音频特征输入所述第五残差网络中进行处理,得到第八支路音频特征;
将所述第八支路音频特征输入所述第二全连接层中映射为第二目标音频特征;
所述分类网络包括自注意力池化层、第六残差网络、第三全连接层;
所述健康等级识别模块还用于:
将所述第三目标音频特征输入所述自注意力池化层中聚合为第四目标音频特征;
将所述第四目标音频特征输入所述第六残差网络中进行处理,得到第五目标音频特征;
将所述第五目标音频特征输入所述第三全连接层中映射为所述变压器运行时的健康等级。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的变压器的运行检测方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1-4中任一项所述的变压器的运行检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280098.XA CN115993503B (zh) | 2023-03-22 | 2023-03-22 | 一种变压器的运行检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280098.XA CN115993503B (zh) | 2023-03-22 | 2023-03-22 | 一种变压器的运行检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993503A CN115993503A (zh) | 2023-04-21 |
CN115993503B true CN115993503B (zh) | 2023-06-06 |
Family
ID=85992343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280098.XA Active CN115993503B (zh) | 2023-03-22 | 2023-03-22 | 一种变压器的运行检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993503B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109730B (zh) * | 2023-10-23 | 2024-01-12 | 山东和兑智能科技有限公司 | 基于人工智能的变压器故障诊断系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1118321A (ja) * | 1997-06-30 | 1999-01-22 | Fujitsu Denso Ltd | 出力リレー多重動作検出回路 |
US10855237B1 (en) * | 2019-06-03 | 2020-12-01 | Bose Corporation | Method for changing audio limiter settings under low alternating-current (AC) line voltage condition |
CN112289341A (zh) * | 2020-11-03 | 2021-01-29 | 国网智能科技股份有限公司 | 变电站设备声音异常识别方法及系统 |
WO2022042812A1 (en) * | 2020-08-31 | 2022-03-03 | OKTO Acoustics ApS | Method and device for analysing the state, condition and power quality of transformers in power grids |
JP3237232U (ja) * | 2022-02-09 | 2022-04-22 | 国網新疆電力有限公司哈密供電公司 | 変圧器の空間ノイズ検出電気回路 |
CN114487733A (zh) * | 2022-01-28 | 2022-05-13 | 河南宏博测控技术有限公司 | 一种基于声纹的局部放电检测方法 |
CN115438685A (zh) * | 2022-07-22 | 2022-12-06 | 云南电网有限责任公司文山供电局 | 一种基于神经网络的变压器故障声音特征识别方法 |
CN115547308A (zh) * | 2022-09-01 | 2022-12-30 | 北京达佳互联信息技术有限公司 | 一种音频识别模型训练方法、音频识别方法、装置、电子设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5578453B2 (ja) * | 2010-05-17 | 2014-08-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 音声分類装置、方法、プログラム及び集積回路 |
CN103069481B (zh) * | 2010-07-20 | 2014-11-05 | 华为技术有限公司 | 音频信号合成器 |
CN109507510A (zh) * | 2018-11-28 | 2019-03-22 | 深圳桓轩科技有限公司 | 一种变压器故障诊断系统 |
CN110398647B (zh) * | 2019-06-26 | 2022-02-15 | 深圳供电局有限公司 | 变压器状态监测方法 |
CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
CN112201260B (zh) * | 2020-09-07 | 2021-10-12 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
CN113051426A (zh) * | 2021-03-18 | 2021-06-29 | 深圳市声扬科技有限公司 | 音频信息分类方法、装置、电子设备及存储介质 |
CN113296029B (zh) * | 2021-05-11 | 2022-02-18 | 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 |
CN113805105A (zh) * | 2021-08-23 | 2021-12-17 | 浙江讯飞智能科技有限公司 | 三相变压器检测方法和系统 |
CN114372409A (zh) * | 2021-12-17 | 2022-04-19 | 西安铂力特增材技术股份有限公司 | 3d打印设备故障的检测方法、装置、设备及存储介质 |
CN114550702A (zh) * | 2022-03-28 | 2022-05-27 | 京东科技信息技术有限公司 | 一种语音识别方法和装置 |
CN114974306A (zh) * | 2022-05-24 | 2022-08-30 | 深圳亿嘉和科技研发有限公司 | 一种基于深度学习的变压器异常声纹检测识别方法和装置 |
CN115394317A (zh) * | 2022-08-24 | 2022-11-25 | 广州趣丸网络科技有限公司 | 一种音频评测方法和装置 |
-
2023
- 2023-03-22 CN CN202310280098.XA patent/CN115993503B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1118321A (ja) * | 1997-06-30 | 1999-01-22 | Fujitsu Denso Ltd | 出力リレー多重動作検出回路 |
US10855237B1 (en) * | 2019-06-03 | 2020-12-01 | Bose Corporation | Method for changing audio limiter settings under low alternating-current (AC) line voltage condition |
WO2022042812A1 (en) * | 2020-08-31 | 2022-03-03 | OKTO Acoustics ApS | Method and device for analysing the state, condition and power quality of transformers in power grids |
CN112289341A (zh) * | 2020-11-03 | 2021-01-29 | 国网智能科技股份有限公司 | 变电站设备声音异常识别方法及系统 |
CN114487733A (zh) * | 2022-01-28 | 2022-05-13 | 河南宏博测控技术有限公司 | 一种基于声纹的局部放电检测方法 |
JP3237232U (ja) * | 2022-02-09 | 2022-04-22 | 国網新疆電力有限公司哈密供電公司 | 変圧器の空間ノイズ検出電気回路 |
CN115438685A (zh) * | 2022-07-22 | 2022-12-06 | 云南电网有限责任公司文山供电局 | 一种基于神经网络的变压器故障声音特征识别方法 |
CN115547308A (zh) * | 2022-09-01 | 2022-12-30 | 北京达佳互联信息技术有限公司 | 一种音频识别模型训练方法、音频识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于音频识别的无人值守变电站设备在线监测;曹文明;王耀南;;湖南大学学报(自然科学版);第40卷(第09期);第48-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115993503A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
US20230123117A1 (en) | Method and Apparatus for Inspecting Wind Turbine Blade, And Device And Storage Medium Thereof | |
CN115993503B (zh) | 一种变压器的运行检测方法、装置、设备及存储介质 | |
CN110502751B (zh) | 大电网运行态势感知方法、终端设备和存储介质 | |
CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN117351307B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN113835947B (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN111414354A (zh) | 一种风电场数据的处理方法、装置及计算机可读存储介质 | |
CN110085264B (zh) | 语音信号检测方法、装置、设备及存储介质 | |
CN116611732A (zh) | 一种电能质量数据建模方法及计算机可读存储介质 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN115754692A (zh) | 一种电气设备刀闸状态的识别系统、方法、设备及介质 | |
CN114550731A (zh) | 一种音频识别方法、装置、电子设备及存储介质 | |
CN112466322A (zh) | 一种机电设备噪声信号特征提取方法 | |
CN113783750B (zh) | 电网指标波动异常的检测方法及装置 | |
CN115361584B (zh) | 一种视频数据处理方法、装置、电子设备及可读存储介质 | |
Wang et al. | Research Progress on the Application of Machine Learning in Power System Security | |
Li et al. | An Enhanced Interval‐Based Approach for Anomaly Detection in Time Series | |
CN113899944B (zh) | 一种电力负荷投切点的检测方法及装置 | |
CN115858325B (zh) | 一种项目日志的调整方法、装置、设备和存储介质 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN113903359A (zh) | 音频检测模型训练和音频检测方法、装置、设备及介质 |
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 |