CN116189711B - 基于声波信号监测的变压器故障识别方法及装置 - Google Patents

基于声波信号监测的变压器故障识别方法及装置 Download PDF

Info

Publication number
CN116189711B
CN116189711B CN202310462230.9A CN202310462230A CN116189711B CN 116189711 B CN116189711 B CN 116189711B CN 202310462230 A CN202310462230 A CN 202310462230A CN 116189711 B CN116189711 B CN 116189711B
Authority
CN
China
Prior art keywords
fault
signal
audio
signals
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.)
Active
Application number
CN202310462230.9A
Other languages
English (en)
Other versions
CN116189711A (zh
Inventor
赵成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Airport Group Co ltd
Original Assignee
Sichuan Airport Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Airport Group Co ltd filed Critical Sichuan Airport Group Co ltd
Priority to CN202310462230.9A priority Critical patent/CN116189711B/zh
Publication of CN116189711A publication Critical patent/CN116189711A/zh
Application granted granted Critical
Publication of CN116189711B publication Critical patent/CN116189711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • 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

Abstract

本申请公开了一种基于声波信号监测的变压器故障识别方法及装置，包括：预先在变压器的指定位置布置数个音频信号接收器；基于各音频信号接收器在同一时刻采集变压器的多个音频子信号；对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号；对疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号；生成疑似故障增强音频信号的边际谱系数和MFCC系数；基于所生成的边际谱系数和MFCC系数，生成待识的高斯检测模型；将待识别的高斯检测模型与预先训练的高斯检测模型进行匹配，完成识别。本申请根据接收的声波信号来与预先训练的故障信号进行匹配，提出了一种根据声音信号识别变压器故障类型的手段。

Description

基于声波信号监测的变压器故障识别方法及装置
技术领域
本申请涉及变压器故障识别技术领域，尤其涉及一种基于声波信号监测的变压器故障识别方法及装置。
背景技术
电力变压器作为电力网的重要组成部分，承担着电压转换和电能传输的重要作用。电力系统中变压器使用量大，容量等级和规格种类繁多，运行时间长，导致其事故率也相应升高。一旦变压器出现故障,将可能对电网带来巨大的经济损失，并危及运维人员人身安全。因此，对变压器工作状态进行有效监测，及早发现潜在故障隐患，成为了电力行业研究人员重点关注的问题。传统的检测方法主要包括：油色谱检测法、超声检测法、超高频检测法和振动检测法等，然而这些传统方法存在着检测不全面和安装使用不方便等局限性。
现有技术中多属于利用主动声波探测来实现变压器的故障定位，例如CN115079042A公开了基于变压器的绕线方式配置相应的声波发射模式，不同的声波发射模式具有对应的声波发射参数；利用配置的声波发射模式，在指定位置持续向变压器绕组发射第一预设时长的声波，同时，在变压器绕组的低压侧或高压侧的各项绕组，检测声波信号；基于在变压器绕组的各项绕组检测到的声波信号判断变压器该项绕组是否存在匝间短路。
但如何基于声波信号对于变压器实现分类，对复杂的噪声机理进行有效分析并识别出不同的设备状态，还未有较为有效的手段。
发明内容
本申请实施例提供一种基于声波信号监测的变压器故障识别方法及装置，预先在变压器的指定位置布置数个音频信号接收器，并根据接收的声波信号来与预先训练的故障信号进行匹配，从而提出一种根据声音信号识别变压器故障类型的手段。
本申请实施例提出一种基于声波信号监测的变压器故障识别方法，包括如下步骤：
预先在变压器的指定位置布置数个音频信号接收器；
基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号；
对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号；
对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号；
生成所述疑似故障增强音频信号的边际谱系数和MFCC系数；
基于所生成的边际谱系数和MFCC系数，计算高斯概率密度函数，以生成待识的高斯检测模型；
将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别。
可选的，预先在变压器的指定位置布置数个音频信号接收器包括：
预先在变压器的各项分别布置一个音频信号接收器；
基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号包括：
控制各音频信号接收器，按照设定的采样间隔，同时启动采样，且所述采样间隔至少大于声音信号沿所述变压器的绕组的最长传输路径所对应的时长，其中在所述变压器绕组为三角形连接的情况下，所述变压器绕组最长传输路径为三项绕组的长度之和，在所述变压器绕组为星形连接的情况下，所述变压器绕组最长传输路径为任意两项绕组的长度之和。
可选的，对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号包括：
以在先运行过程中采集到的变压器各项绕组的音频子信号作为背景信号，对当前采集到的各音频子信号进行过滤，以获得过滤后的各音频子信号；
在同一坐标系下，对比过滤后的各音频子信号，确定出最先出现疑似峰值频点的音频子信号；以及，
确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号。
可选的，确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号包括：
在所述变压器绕组为三角形连接，其余音频子信号的峰值频点之间具有时间间隔，且在后的音频子信号的峰值低于在前音频子信号的峰值的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
在所述变压器绕组为星形连接，且其余音频子信号的峰值频点出现位置、峰值均相近的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
若上述情况均不满足，则选取最先出现疑似峰值频点的两个音频子信号作为疑似故障音频信号。
可选的，对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号包括：
在确定出单一疑似故障音频信号的情况下，复制所述疑似故障音频信号，并进行信号叠加，以完成信号增强；
在确定出两个疑似故障音频信号的情况下，将两个所述疑似故障音频信号进行叠加，以完成信号增强。
可选的，预先基于不同故障音频信号训练的高斯检测模型(GMM)是对多个高斯概率密度函数加权求和来构建的，满足：
Figure SMS_1
其中，/>
Figure SMS_2
表示S维随机向量，/>
Figure SMS_3
表示估计参数，/>
Figure SMS_4
表示子分布，/>
Figure SMS_5
，N表示子分布的数量，/>
Figure SMS_6
表示子分布的混合权重，/>
Figure SMS_7
，每个子分布是S维的联合高斯概率分布，满足：
Figure SMS_8
其中，/>
Figure SMS_9
表示均值向量，/>
Figure SMS_10
表示协方差矩阵，S表示子分布维度，/>
Figure SMS_11
表示给定的时间序数；
对不同故障音频信号分别生成MFCC系数和边际谱系数以构建训练序列；
利用构建的训练序列，训练高斯检测模型，其中GMM似然度表示为：
Figure SMS_12
其中，/>
Figure SMS_13
表示训练序列，/>
Figure SMS_14
表示训练序列的数量；
训练过程采用EM（Expectation Maximization）算法估计出一个新的参数
Figure SMS_15
，使得新的模型参数下的似然度/>
Figure SMS_16
，迭代运算直到模型收敛。
可选的，对不同的故障音频信号采用如下方式生成边际谱系数：
对任一故障音频信号执行经验模态分解(EMD)筛选，以获得多个IMF分量；
对各IMF分量，进行希尔伯特变换(Hilbert变换)；
根据Hilbert变换的结果，以及Hilbert谱，确定Hilbert边际谱和瞬时能量密度级：
Figure SMS_17
/>
Figure SMS_18
其中，/>
Figure SMS_19
表示信号边际谱，/>
Figure SMS_20
表示边际谱的一阶差分系数，/>
Figure SMS_21
表示Hilbert谱，T表示信号采样时间；
基于信号边际谱确定边际谱系数；
基于不同故障音频信号训练高斯检测模型还包括：
将生成的MFCC系数、边际谱系数以及边际谱的一阶差分系数作为子分布
Figure SMS_22
，来训练高斯混合模型。
可选的，将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别包括：
基于贝叶斯理论的最大后验概率，将所述疑似故障音频信号的故障类型识别为与其匹配的故障音频信号的故障类型，满足：
Figure SMS_23
其中，/>
Figure SMS_24
表示识别出的故障信号种类，/>
Figure SMS_25
表示最大后验概率。
本申请实施例还提出一种基于声波信号监测的变压器故障识别装置，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于声波信号监测的变压器故障识别方法的步骤。
本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于声波信号监测的变压器故障识别方法的步骤。
本申请实施例的识别方法预先在变压器的指定位置布置数个音频信号接收器，并根据接收的声波信号来与预先训练的故障信号进行匹配，从而提出一种根据声音信号识别变压器故障类型的手段。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的基于声波信号监测的变压器故障识别方法的基本流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种基于声波信号监测的变压器故障识别方法，如图1所示，包括如下步骤：
在步骤S101中，预先在变压器的指定位置布置数个音频信号接收器。在一些实施例中，预先在变压器的指定位置布置数个音频信号接收器包括：
预先在变压器的各项分别布置一个音频信号接收器，也即一些具体示例中，例如变压器包括高压侧和低压侧共六项，则在高压侧和低压侧的六项均设置一个音频信号接收器，具体的音频信号接收器可以是例如拾音器等设备。
在步骤S102中，基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号。在一些实施例中，基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号包括：控制各音频信号接收器，按照设定的采样间隔，同时启动采样，且所述采样间隔至少大于声音信号沿所述变压器的绕组的最长传输路径所对应的时长，其中在所述变压器绕组为三角形连接的情况下，所述变压器绕组最长传输路径为三项绕组的长度之和，在所述变压器绕组为星形连接的情况下，所述变压器绕组最长传输路径为任意两项绕组的长度之和。
在步骤S103中，对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号。例如可以设置信号背景，并基于信号背景来完成信号过滤。
在步骤S104中，对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号。一些示例中通过信号增强可以让故障信号更加突出，便于后续识别流程。
在步骤S105中，生成所述疑似故障增强音频信号的边际谱系数和MFCC系数。一些示例中，生成所述疑似故障增强音频信号的MFCC系数可以采用如下流程，对于疑似故障增强音频信号进行预处理，例如预加重、分帧、加窗函数。预加重用于补偿高频分量的损失，提升高频分量，加窗可以加汉明窗函数。然后执行FFT变换，对每帧信号进行FFT变换，从时域数据变为频域数据。接着对每一帧FFT后的数据，计算谱线能量，上述过程可以采用现有技术实现在此不做赘述。再然后对每一帧谱线能量，与美尔滤波器的频域响应相乘并相加，以确定通过美尔滤波器的能量；
Figure SMS_26
基于通过美尔滤波器的能量，计算离散余弦变换DCT，以确定MFCC系数和第一差谱系数。具体可以先计算计算DCT倒谱系数，示例性的序列/>
Figure SMS_27
的FFT倒谱/>
Figure SMS_28
为：
Figure SMS_29
式中/>
Figure SMS_30
，/>
Figure SMS_31
和/>
Figure SMS_32
表示傅里叶变换和傅里叶逆变换，序列/>
Figure SMS_33
的DCT倒谱为：
Figure SMS_34
式中，参数Q是序列/>
Figure SMS_35
的长度；/>
Figure SMS_36
是正交因子。
把美尔滤波器能量取对数后，计算DCT得：
Figure SMS_37
Figure SMS_38
式中，/>
Figure SMS_39
表示美尔滤波器的能量，l表示第l个美尔滤波器（共有L个）；i表示第i帧数据；q表示DCT后的谱线，/>
Figure SMS_40
为一阶差分系数，由此生成MFCC系数。生成所述疑似故障增强音频信号的边际谱系数参见后续实施例。
在步骤S106中，基于所生成的边际谱系数和MFCC系数，计算高斯概率密度函数，以生成待识的高斯检测模型。
在步骤S107中，将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别。其中，预先基于不同故障音频信号训练高斯检测模型的信号处理过程可以参考前述实施例，仅为输入信号的区别，其他过程在此不做赘述。通过匹配基于不同故障音频信号训练的高斯检测模型，从而概率最大模型即为对应的故障音频信号类型，完成识别。本申请实施例的识别方法预先在变压器的指定位置布置数个音频信号接收器，并根据接收的声波信号来与预先训练的故障信号进行匹配，从而提出一种根据声音信号识别变压器故障类型的手段。
在一些示例中，对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号包括：
以在先运行过程中采集到的变压器各项绕组的音频子信号作为背景信号，对当前采集到的各音频子信号进行过滤，以获得过滤后的各音频子信号。可以根据具体的运行情况，将例如在前指定时间采集的音频子信号作为背景信号，来完成过滤。
在同一坐标系下，对比过滤后的各音频子信号，确定出最先出现疑似峰值频点的音频子信号；以及，
确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号。
在一些实施例中，确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号包括：
在所述变压器绕组为三角形连接，其余音频子信号的峰值频点之间具有时间间隔，且在后的音频子信号的峰值低于在前音频子信号的峰值的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
在所述变压器绕组为星形连接，且其余音频子信号的峰值频点出现位置、峰值均相近的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
若上述情况均不满足，例如故障发生在相间，则选取最先出现疑似峰值频点的两个音频子信号作为疑似故障音频信号。通过本申请的设计，能够覆盖多场景的故障信号分类，提高检测的准确度。
在一些实施例中，对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号包括：
在确定出单一疑似故障音频信号的情况下，复制所述疑似故障音频信号，并进行信号叠加，以完成信号增强；
在确定出两个疑似故障音频信号的情况下，将两个所述疑似故障音频信号进行叠加，以完成信号增强。
也即本申请实施例将两个疑似故障音频信号进行叠加，从而可以更加突出信号特征，提高模型识别的准确度。
在一些实施例中，预先基于不同故障音频信号训练的高斯检测模型(GMM)是对多个高斯概率密度函数加权求和来构建的，满足：
Figure SMS_41
其中，/>
Figure SMS_42
表示S维随机向量，/>
Figure SMS_43
表示估计参数，/>
Figure SMS_44
表示子分布，/>
Figure SMS_45
，N表示子分布的数量，/>
Figure SMS_46
表示子分布的混合权重，/>
Figure SMS_47
，每个子分布是S维的联合高斯概率分布，满足：
Figure SMS_48
其中，/>
Figure SMS_49
表示均值向量，/>
Figure SMS_50
表示协方差矩阵，S表示子分布维度，/>
Figure SMS_51
表示给定的时间序数。
对不同故障音频信号分别生成MFCC系数和边际谱系数以构建训练序列；
利用构建的训练序列，训练高斯检测模型，其中GMM似然度可以表示为：
Figure SMS_52
其中，/>
Figure SMS_53
表示训练序列，/>
Figure SMS_54
表示训练序列的数量。
训练过程采用EM（Expectation Maximization）算法估计出一个新的参数
Figure SMS_55
，使得新的模型参数下的似然度/>
Figure SMS_56
，迭代运算直到模型收敛。
在一些实施例中，对不同的故障音频信号采用如下方式生成边际谱系数：
对任一故障音频信号执行经验模态分解(EMD)筛选，在进行EMD筛选之前，也可以对任一故障音频信号进行预处理，预处理的方式参见前述。执行EMD筛选获得多个IMF分量。EMD方法依据信号的特征时间尺度来确定其固有振动模态，然后依次进行分解；采用连续极值间的时间间隔作为信号内部固有模态的时间尺度定义，因为它不仅提供高时频分辨率，而且对于不存在零穿越点的信号也同样适用。具体的将原始故障音频信号
Figure SMS_57
上下包络的均值，记为/>
Figure SMS_58
，则/>
Figure SMS_59
与/>
Figure SMS_60
之差为第一个分量，记为/>
Figure SMS_61
：
Figure SMS_62
在第二次筛选中，把/>
Figure SMS_63
视为原始信号，运用同样的方法，可得到：
Figure SMS_64
然后同样地重复筛选过程k次，直到/>
Figure SMS_65
满足IMF的条件，为第一个IMF分量。这一过程表示如下：
Figure SMS_66
记/>
Figure SMS_67
，则/>
Figure SMS_68
即为从原始信号/>
Figure SMS_69
中筛选出的第一个IMF分量，从而完成内层筛选。内层筛选过程仅依靠特征时间尺度最先从信号中分解出最细尺度的局部模态。通过下式将/>
Figure SMS_70
与/>
Figure SMS_71
的其它分量分离开来：
Figure SMS_72
其中/>
Figure SMS_73
中包含/>
Figure SMS_74
除外/>
Figure SMS_75
的其余分量，将
Figure SMS_76
视为新的待分解信号，运用相同的内层筛选过程作用于/>
Figure SMS_77
。重复以上步骤，从而获得多个IMF分量。
对各IMF分量，进行希尔伯特变换(Hilbert变换)，通过分解之后，舍弃非IMF分量。
Hilbert谱的定义为：
Figure SMS_78
根据Hilbert变换的结果，以及Hilbert谱，确定Hilbert边际谱和瞬时能量密度级：
Figure SMS_79
Figure SMS_80
其中，/>
Figure SMS_81
表示信号边际谱，/>
Figure SMS_82
表示边际谱的一阶差分系数，/>
Figure SMS_83
表示Hilbert谱，T表示信号采样时间，/>
Figure SMS_84
反映了每个频率点上幅度值的分布，代表在概率意义上沿整个数据跨度的累积幅度，基于信号边际谱确定边际谱系数。对于疑似故障音频信号的边际谱系数的提取也可以采用前述步骤，将该系数作为疑似故障音频信号中边际谱的一种特征系数，作为识别疑似故障音频信号的一种特征。一些示例中，对于疑似故障增强音频信号也可以采用相同的信号处理流程来生成MFCC系数和边际谱系数，具体过程在此不做一一赘述。
基于前述实施例，本申请中基于不同故障音频信号训练的高斯检测模型(GMM)是对多个高斯概率密度函数加权求和来构建的，满足：
Figure SMS_85
对于给定的时间序列/>
Figure SMS_86
，/>
Figure SMS_87
表示时间序数，利用GMM模型求得的对数似然度可定义为：
Figure SMS_88
基于不同故障音频信号训练高斯检测模型还包括：将生成的MFCC系数、边际谱系数以及边际谱的一阶差分系数作为子分布/>
Figure SMS_89
，来训练高斯混合模型。
在一些实施例中，将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别包括：
基于贝叶斯理论的最大后验概率：
Figure SMS_90
Figure SMS_91
由于/>
Figure SMS_92
的先验概率未知，假定未知声音(疑似故障音频信号)属于训练集中每类的概率相等，则将所述疑似故障音频信号的故障类型识别为与其匹配的故障音频信号的故障类型，满足：
Figure SMS_93
其中，/>
Figure SMS_94
表示识别出的故障信号种类，/>
Figure SMS_95
表示最大后验概率。
利用本申请的方法能够识别出疑似故障音频信号中的非线性非平稳声信号的局部时域特征，通过与训练好的高斯混合模型进行匹配，从而最大概率所对应的故障信号的种类，能够提高基于声音信号对变压器故障类型识别的准确度。
本申请实施例还提出一种基于声波信号监测的变压器故障识别装置，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于声波信号监测的变压器故障识别方法的步骤。
本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的基于声波信号监测的变压器故障识别方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种基于声波信号监测的变压器故障识别方法，其特征在于，包括如下步骤：
预先在变压器的指定位置布置数个音频信号接收器；
基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号；
对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号；
对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号；
生成所述疑似故障增强音频信号的边际谱系数和MFCC系数；
基于所生成的边际谱系数和MFCC系数，计算高斯概率密度函数，以生成待识的高斯检测模型；
将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别；
对各音频子信号进行过滤，并基于过滤后的多个音频子信号确定出疑似故障音频信号包括：
以在先运行过程中采集到的变压器各项绕组的音频子信号作为背景信号，对当前采集到的各音频子信号进行过滤，以获得过滤后的各音频子信号；
在同一坐标系下，对比过滤后的各音频子信号，确定出最先出现疑似峰值频点的音频子信号；以及，
确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号；
确定其余音频子信号的峰值频点，对比其余音频子信号的峰值频点的出现位置和峰值，以确定疑似故障位置和疑似故障音频信号包括：
在所述变压器绕组为三角形连接，其余音频子信号的峰值频点之间具有时间间隔，且在后的音频子信号的峰值低于在前音频子信号的峰值的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
在所述变压器绕组为星形连接，且其余音频子信号的峰值频点出现位置、峰值均相近的情况下，则确定最先出现疑似峰值频点的项为故障项，相应的音频子信号为疑似故障音频信号；
若上述情况均不满足，则选取最先出现疑似峰值频点的两个音频子信号作为疑似故障音频信号。
2.如权利要求1所述的基于声波信号监测的变压器故障识别方法，其特征在于，预先在变压器的指定位置布置数个音频信号接收器包括：
预先在变压器的各项分别布置一个音频信号接收器；
基于各所述音频信号接收器在同一时刻采集变压器的多个音频子信号包括：
控制各音频信号接收器，按照设定的采样间隔，同时启动采样，且所述采样间隔至少大于声音信号沿所述变压器的绕组的最长传输路径所对应的时长，其中在所述变压器绕组为三角形连接的情况下，所述变压器绕组最长传输路径为三项绕组的长度之和，在所述变压器绕组为星形连接的情况下，所述变压器绕组最长传输路径为任意两项绕组的长度之和。
3.如权利要求1所述的基于声波信号监测的变压器故障识别方法，其特征在于，对所述疑似故障音频信号进行信号增强，以获得疑似故障增强音频信号包括：
在确定出单一疑似故障音频信号的情况下，复制所述疑似故障音频信号，并进行信号叠加，以完成信号增强；
在确定出两个疑似故障音频信号的情况下，将两个所述疑似故障音频信号进行叠加，以完成信号增强。
4.如权利要求1所述的基于声波信号监测的变压器故障识别方法，其特征在于，预先基于不同故障音频信号训练的高斯检测模型是对多个高斯概率密度函数加权求和来构建的，满足：
Figure QLYQS_3
其中，/>
Figure QLYQS_5
表示S维随机向量，/>
Figure QLYQS_7
表示估计参数，/>
Figure QLYQS_2
表示子分布，/>
Figure QLYQS_4
，/>
Figure QLYQS_6
表示子分布的数量，/>
Figure QLYQS_8
表示子分布的混合权重，/>
Figure QLYQS_1
，每个子分布是S维的联合高斯概率分布，满足：
Figure QLYQS_9
其中，/>
Figure QLYQS_10
表示均值向量，/>
Figure QLYQS_11
表示协方差矩阵，S表示子分布维度，/>
Figure QLYQS_12
表示给定的时间序数；
对不同故障音频信号分别生成MFCC系数和边际谱系数以构建训练序列；
利用构建的训练序列，训练高斯检测模型，其中GMM的似然度表示为：
Figure QLYQS_13
其中，/>
Figure QLYQS_14
表示训练序列，/>
Figure QLYQS_15
表示训练序列的数量；
训练过程采用期望最大化算法估计出一个新的参数
Figure QLYQS_16
，使得新的模型参数下的似然度
Figure QLYQS_17
，迭代运算直到模型收敛。
5.如权利要求4所述的基于声波信号监测的变压器故障识别方法，其特征在于，对不同的故障音频信号采用如下方式生成边际谱系数：
对任一故障音频信号执行经验模态分解筛选，以获得多个IMF分量；
对各IMF分量，进行希尔伯特变换；
根据Hilbert变换的结果，以及Hilbert谱，确定Hilbert边际谱和瞬时能量密度级：
Figure QLYQS_18
Figure QLYQS_19
其中，/>
Figure QLYQS_20
表示信号边际谱，/>
Figure QLYQS_21
表示边际谱的一阶差分系数，/>
Figure QLYQS_22
表示Hilbert谱，T表示信号采样时间；
基于信号边际谱确定边际谱系数；
基于不同故障音频信号训练高斯检测模型还包括：将生成的MFCC系数、边际谱系数以及边际谱的一阶差分系数作为子分布
Figure QLYQS_23
，来训练高斯混合模型。
6.如权利要求5所述的基于声波信号监测的变压器故障识别方法，其特征在于，将待识别的高斯检测模型与预先基于不同故障音频信号训练的高斯检测模型进行匹配，确定出最大概率所对应的故障音频信号类型，以完成故障识别包括：
基于贝叶斯理论的最大后验概率，将所述疑似故障音频信号的故障类型识别为与其匹配的故障音频信号的故障类型，满足：
Figure QLYQS_24
其中，/>
Figure QLYQS_25
表示识别出的故障信号种类，/>
Figure QLYQS_26
表示最大后验概率。
7.一种基于声波信号监测的变压器故障识别装置，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于声波信号监测的变压器故障识别方法的步骤。
8.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于声波信号监测的变压器故障识别方法的步骤。
CN202310462230.9A 2023-04-26 2023-04-26 基于声波信号监测的变压器故障识别方法及装置 Active CN116189711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310462230.9A CN116189711B (zh) 2023-04-26 2023-04-26 基于声波信号监测的变压器故障识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310462230.9A CN116189711B (zh) 2023-04-26 2023-04-26 基于声波信号监测的变压器故障识别方法及装置

Publications (2)

Publication Number Publication Date
CN116189711A CN116189711A (zh) 2023-05-30
CN116189711B true CN116189711B (zh) 2023-06-30

Family

ID=86438763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310462230.9A Active CN116189711B (zh) 2023-04-26 2023-04-26 基于声波信号监测的变压器故障识别方法及装置

Country Status (1)

Country Link
CN (1) CN116189711B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031154B (zh) * 2023-08-07 2024-03-22 国网山西省电力公司超高压变电分公司 一种基于声纹识别的变压器故障分析方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统
CN113314144A (zh) * 2021-05-19 2021-08-27 中国南方电网有限责任公司超高压输电公司广州局 声音识别及电力设备故障预警方法、系统、终端及介质
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法
CN114067829A (zh) * 2021-10-21 2022-02-18 佳源科技股份有限公司 一种电抗器故障诊断方法、装置、计算机设备及存储介质
CN115079042A (zh) * 2022-03-10 2022-09-20 重庆科创职业学院 一种基于声波的变压器匝间短路检测定位方法及装置
CN115219015A (zh) * 2022-08-22 2022-10-21 四川思极科技有限公司 一种基于多维时频特征的变压器故障声纹识别方法
CN115331696A (zh) * 2022-08-09 2022-11-11 华北电力大学 一种用于变压器异常诊断的多通道声纹信号盲源分离方法
CN115954017A (zh) * 2022-12-01 2023-04-11 中国人民解放军陆军炮兵防空兵学院 一种基于hht的发动机小样本声音异常故障识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统
CN113314144A (zh) * 2021-05-19 2021-08-27 中国南方电网有限责任公司超高压输电公司广州局 声音识别及电力设备故障预警方法、系统、终端及介质
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法
CN114067829A (zh) * 2021-10-21 2022-02-18 佳源科技股份有限公司 一种电抗器故障诊断方法、装置、计算机设备及存储介质
CN115079042A (zh) * 2022-03-10 2022-09-20 重庆科创职业学院 一种基于声波的变压器匝间短路检测定位方法及装置
CN115331696A (zh) * 2022-08-09 2022-11-11 华北电力大学 一种用于变压器异常诊断的多通道声纹信号盲源分离方法
CN115219015A (zh) * 2022-08-22 2022-10-21 四川思极科技有限公司 一种基于多维时频特征的变压器故障声纹识别方法
CN115954017A (zh) * 2022-12-01 2023-04-11 中国人民解放军陆军炮兵防空兵学院 一种基于hht的发动机小样本声音异常故障识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Review of Automatic Fault Diagnosis Systems Using Audio and Vibration Signals;Patricia Henriquez等;IEEE Transactions on Systems, Man, and Cybernetics: Systems;第44卷(第5期);全文 *
基于EMD的时频分析方法的电力故障信号检测;祝志慧等;武汉大学学报(工学版)(第05期);全文 *
基于振动分析法的变压器非电量状态监测与诊断研究;袁国刚等;发电技术(第02期);全文 *

Also Published As

Publication number Publication date
CN116189711A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109357749B (zh) 一种基于dnn算法的电力设备音频信号分析方法
CN110175508B (zh) 一种应用于超声波局放检测的特征值提取方法
CN108734192B (zh) 一种基于投票机制的支持向量机机械故障诊断方法
CN103033567B (zh) 一种基于导波的管道缺陷信号识别方法
CN116189711B (zh) 基于声波信号监测的变压器故障识别方法及装置
CN106908663A (zh) 一种基于小波变换的电动汽车充电谐波辨识方法
CN106771598A (zh) 一种自适应谱峭度信号处理方法
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
CN115574922A (zh) 一种基于交叉熵的水电机组振动信号降噪方法及系统
Geng et al. Mechanical fault diagnosis of power transformer by GFCC time-frequency map of acoustic signal and convolutional neural network
Wang et al. Partial discharge detection with convolutional neural networks
Dang et al. Fault diagnosis of power transformer by acoustic signals with deep learning
CN117111155A (zh) 一种基于集成框架的微地震数据去噪方法
CN115389888B (zh) 一种基于高压电缆的局部放电实时监测系统
Dang et al. Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer
CN116667920A (zh) 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法
CN110909827A (zh) 一种适用于风机叶片声音信号的降噪方法
CN114492543A (zh) 一种基于时频域特征的局部放电分类识别方法
Zhang et al. Flaw classification in ultrasonic guided waves signal using Wavelet Transform and PNN classifier
Shu-Guang et al. Isolated word recognition in reverberant environments
CN113702821A (zh) 一种提取gis局部放电信号的方法及系统
Aggarwal et al. Recognition of voltage sag causes using vector quantization based orthogonal wavelet
Dwivedi et al. A robust energy features estimation for detection and classification of power quality disturbances
CN109614937A (zh) 一种基于组稀疏性的小波域信号增强方法
Li et al. Unsupervised Anomalous Sound Detection for Machine Condition Monitoring Using Temporal Modulation Features on Gammatone Auditory Filterbank.

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