CN116432027A - 基于振动信号的变压器运行状态检测方法及系统 - Google Patents
基于振动信号的变压器运行状态检测方法及系统 Download PDFInfo
- Publication number
- CN116432027A CN116432027A CN202310267296.2A CN202310267296A CN116432027A CN 116432027 A CN116432027 A CN 116432027A CN 202310267296 A CN202310267296 A CN 202310267296A CN 116432027 A CN116432027 A CN 116432027A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- sample point
- data
- clustering
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010079 rubber tapping Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明涉及基于振动信号的变压器运行状态检测方法及系统,包括以下步骤:获取变压器上有载调压分接开关的振动信号,基于训练完毕的识别模型和获取的振动信号实现运行状态检测;识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
Description
技术领域
本发明涉及变压器技术领域,具体为基于振动信号的变压器运行状态检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
变压器通过配备的有载分接开关(On-Load Tap-Changer,OLTC)对变压器绕组分接连接位置进行改变以实现调压,在对变压器进行运行状态检测时同样需要对该开关进行状态监测,变压器运行时产生的机械冲击和电气冲击同样由有载分接开关承受,其性能下降时会引起变压器的事故,当有载分接开关发生故障时,往往引发调压失败甚至造成变压器损毁等严重事故,现有技术通过机器学习的方式训练状态监测模型时,由于故障的偶发性和随机性强,导致故障样本的数量较少,从而使得模型的识别效果不理想。
此外,部分方法采用数据扩充的方式提高故障样本的数据量,虽然能够帮助模型的识别效果得到提升,但扩充出的小样本由于是算法生成的,并非实际采集的故障数据,导致训练所需的数据可能会偏离真实的故障情况,间接的影响模型的识别效果。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供基于振动信号的变压器运行状态检测方法及系统,获取有载分接开关(OLTC)的正常振动信息和故障振动信息,通过算法将获取到故障振动信息经聚类和过滤后合成一些新的少数样本以实现样本扩充,利用扩充后的样本训练识别模型,最终利用训练完毕的识别模型实现状态检测,以识别OLTC处于正常状态还是故障状态。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于振动信号的变压器运行状态检测方法,包括以下步骤:
获取变压器上有载调压分接开关的振动信号,基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
每一个聚类组中,生成的故障数据所占的比例,与原始数据中故障数据所占的比例相同。
识别模型的训练过程包括:
利用布置在有载分接开关的顶部和机箱中的振动传感器获取故障样本和正常样本,经预处理后得到故障数据集和正常数据集;
故障数据集和正常数据集依次经卷积、池化和分类处理后,输出识别结果。
预处理包括数据分割和数据扩充,数据分割具体为:对故障样本和正常样本进行分割处理,得到矩阵大小相同的样本点。
当聚类数为k时计算公式依据下式进行:
其中,Sj和Cj分别为第j个分类的曲线和对应的聚类中心;Ck1和Ck2为当分类数为k个时的两个不同聚类中心;Ns为数据集中数据的个数。
故障样本经扩充后与正常样本含有的数据量相同。
本发明的第二个方面提供实现上述方法所需的系统,包括:
信号采集模块,被配置为:获取变压器上有载调压分接开关的振动信号;
检测模块,被配置为:基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于振动信号的变压器运行状态检测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于振动信号的变压器运行状态检测方法中的步骤。
与现有技术相比,以上一个或多个技术方案存在以下有益效果:
1、由于有载分接开关发生故障时对变压器的影响巨大,因此故障样本的数据量较少,通过获取有载分接开关(OLTC)故障状态和正常状态下的振动信号,经预处理后将样本聚类,在聚类组中选择故障样本占比较高的数据,经过滤后合成一些新的样本以实现样本扩充,聚类组中,合成的故障数据所占的比例,与原始数据中故障数据所占的比例是相同的,可以尽可能的保存原始数据的信息,使得训练所需的数据在扩充后尽可能的贴近真实的故障情况,间接的提高模型的识别效果。
2、利用扩充后的样本训练检测模型,通过扩充故障样本事件数据集可以提高识别模型判别的准确性,有效提取数据的深层次特征。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的人工神经网络结构示意图;
图2是本发明一个或多个实施例提供的识别算法的整体流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
ANN(Artificial Neural Network,简称ANN)人工神经网络,是计算机领域用于处理机器学习问题的强大工具,其广泛应用于回归与分类等问题中,它模拟了生物体神经细胞的运作原理,将一个个具有层次关系,连接关系的人工神经元组成网络结构,通过数学表达的方式模拟神经元之间的信号传递,从而可建立一个具有输入与输出关系、并可通过网络方式可视化的的非线性方程,从而称之为人工神经网络。
K-means SMOTE,由三个步骤组成:聚类、滤波和过采样。在聚类步骤中,使用k-均值聚类将输入空间聚类成k个组。滤波步骤选择用于过采样的聚类,保留少数类样本比例高的聚类。然后分配要生成的合成样本的数量,将更多的样本分配给少数样本稀疏分布的集群。最后,在过采样步骤中,在每个选定的聚类中应用SMOTE,以实现少数和多数实例的目标比率。
SMOTE,全称Synthetic Minority Over-Sampling Technique即“人工少数类过采样法”,通过设计算法来人工合成一些新的少数样本,而不是直接对少数类进行重采样。
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发明的示例性实施方式。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。
正如背景技术中所描述的,通过机器学习的方式训练状态监测模型时,由于故障的偶发性和随机性强,导致故障样本的数量较少,从而使得监测模型的效果不理想。
因此以下实施例给出基于振动信号的变压器运行状态检测方法及系统,获取有载分接开关(OLTC)的正常振动信息和故障振动信息,通过算法基于获取到故障振动信息人工合成一些新的少数样本以实现样本扩充,利用扩充后的样本训练识别模型,最终利用训练完毕的识别模型实现状态检测,以识别OLTC处于正常状态还是故障状态。
实施例一:
基于振动信号的变压器运行状态检测方法,包括以下步骤:
获取变压器上有载调压分接开关的振动信号,基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
具体的:
(1)将振动传感器布置在OLTC的顶部和机箱。
(2)基于振动传感器分别采集OLTC的故障信息和正常信息。
(3)利用K-means-SMOTE算法对DAS采集到的故障信息进行扩充。
(4)将采集到的数据送入ANN网络,进行训练。
步骤(2)中,对所采集数据进行分割预处理,构建数据库。本实施例在OLTC变压器上进行数据采集,共采集包括正常情况和故障情况两种事件类型。通过python对数据进行分割处理,最终每个数据矩阵的大小为20000*1,得到训练所需的故障振动数据和正常振动数据。
步骤(3),利用K-means-SMOTE算法将采集到的数据进行均衡,将故障信息的数据量扩充到和正常信息一样多的数据量,K-MEANS-smote算法将原始数据样本中的故障样本进行分类,得到k个类,随后将k个类分开,每一个聚类组中,故障数据与正常数据所占的比例不同,选取故障样本比例超过设定阈值的若干个聚类组,再对这部分聚类组进行smote扩充,最终使得生成的故障数据与正常数据的数量是一致的,扩充后的数据用于训练。
在k个聚类组中,合成的故障数据所占的比例,与原始数据中故障数据所占的比例是相同的,则可以尽可能的保存原始数据的信息,使得训练所需的数据在扩充后尽可能的贴近真实的故障情况,间接的提高模型的识别效果。
具体为:
聚类,采用k-means聚类方法,使用k-均值聚类将故障振动数据和正常振动数据聚类成k个组。
滤波,选择k个组中用于过采样的聚类,保留少数类样本比例高的聚类,分配要生成的合成样本的数量,将更多的样本分配给少数样本稀疏分布的集群。
过采样,在每个选定的聚类中应用SMOTE,以实现少数和多数实例的目标比率;即,随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本。
将生成的新样本和原始故障样本合并作为训练输入的故障数据集。
对于k-means聚类方法为基础对样本进行分类,并引入对各分类中样本数量的判断流程,当样本数少于设定值时判定该类样本异常,剔除后重新进行分类,其中的K值为总共有n个分类。
当聚类数为k时计算公式依据式(1)进行:
其中,Sj和Cj分别为第j个分类的曲线和对应的聚类中心;Ck1和Ck2为当分类数为k个时的两个不同聚类中心;Ns为数据集中数据的个数。
步骤(4),将采集到的数据和扩充后的数据集一起送入ANN网络结构进行识别,最终得出识别结果。在送入ANN网络前,首先对所选取的数据集进行归一化处理,从而可以方便后期网络的识别。其中ANN网络一共有五层,在前四层的激活函数采用的都是relu激活函数,最后一层采取sigmoid激活函数。其中归一化方法,relu,sigmoi d的激活函数的数学计算如下所示。
归一化方法是将变压器整点负荷值、预测日最高、最低温度依据式(2)进行归一化处理,将样本数据变换到[0,1]区间内;
其中xmax,xmin分别代表变压器监测到的最大值和最小值。
reLU,全称为:Rectified Linear Unit,是一种人工神经网络中常用的激活函数,通常意义下,其指代数学中的斜坡函数,如式(3):
f(x)=max (0,x) (3)
而在神经网络中,relu函数作为神经元的激活函数,为神经元在线性变换wTx+b之后的非线性输出结果。如式(4)
max (0,wT+b) (4)
换言之,对于进入神经元的来自上一层神经网络的输入向量x,使用relu函数的神经元会输出至下一层神经元或作为整个神经网络的输出(取决现神经元在网络结构中所处位置)。
sigmoid函数也叫Logistic函数,用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以用来做二分类。在特征相差比较复杂或是相差不是特别大时效果比较好。Sigmoid作为激活函数有以下优缺点:
优点:平滑、易于求导。
缺点:激活函数计算量大,反向传播求误差梯度时,求导涉及除法;反向传播时,很容易就会出现梯度消失的情况,从而无法完成深层网络的训练。Sigmoid函数由下列式(5)定义
其对x的导数可以用自身表示,如式(6)
由于有载分接开关发生故障时对变压器的影响巨大,因此故障样本的数据量较少,通过扩充故障样本事件数据集可以提高识别模型判别的准确性,有效提取数据的深层次特征。
将所采集的一维振动信号作为输入,从而有效避免了数据转化过程中容易造成的特征丢失问题。
实施例二:
实现上述方法的系统,包括:
信号采集模块,被配置为:获取变压器上有载调压分接开关的振动信号;
检测模块,被配置为:基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
实施例三:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于振动信号的变压器运行状态检测方法中的步骤。
实施例四:
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于振动信号的变压器运行状态检测方法中的步骤。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于振动信号的变压器运行状态检测方法,其特征在于,包括以下步骤:
获取变压器上有载调压分接开关的振动信号,基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
2.如权利要求1所述的基于振动信号的变压器运行状态检测方法,其特征在于,每一个聚类组中,生成的故障数据所占的比例,与原始数据中故障数据所占的比例相同。
3.如权利要求1所述的基于振动信号的变压器运行状态检测方法,其特征在于,所述识别模型的训练过程包括,利用布置在有载分接开关的顶部和机箱中的振动传感器获取故障样本和正常样本,经预处理后得到故障数据集和正常数据集。
4.如权利要求3所述的基于振动信号的变压器运行状态检测方法,其特征在于,所述识别模型的训练过程还包括,故障数据集和正常数据集依次经卷积、池化和分类处理后,输出识别结果。
5.如权利要求3所述的基于振动信号的变压器运行状态检测方法,其特征在于,所述预处理包括数据分割和数据扩充,数据分割具体为:对故障样本和正常样本进行分割处理,得到矩阵大小相同的样本点。
7.如权利要求1所述的基于振动信号的变压器运行状态检测方法,其特征在于,所述故障样本经扩充后与正常样本含有的数据量相同。
8.基于振动信号的变压器运行状态检测系统,其特征在于,包括:
检测模块,被配置为:基于训练完毕的识别模型和获取的振动信号实现运行状态检测;
其中,识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入,具体为:
预处理后的故障振动信号和正常振动信号聚类为K个组,保留故障样本比例超过设定阈值的聚类组,向该聚类组分配要合成的样本数量,并在该聚类组内随机认定一个故障样本点作为原始样本点,以该样本点为中心,搜索离它距离最近的N个样本点,随机选择一个被搜索到的样本点,在原始样本点和搜索到的样本点之间生成一个新的样本,将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
9.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述权利要求1-7任一项所述的基于振动信号的变压器运行状态检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于振动信号的变压器运行状态检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267296.2A CN116432027A (zh) | 2023-03-15 | 2023-03-15 | 基于振动信号的变压器运行状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267296.2A CN116432027A (zh) | 2023-03-15 | 2023-03-15 | 基于振动信号的变压器运行状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432027A true CN116432027A (zh) | 2023-07-14 |
Family
ID=87078808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310267296.2A Pending CN116432027A (zh) | 2023-03-15 | 2023-03-15 | 基于振动信号的变压器运行状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432027A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251738A (zh) * | 2023-11-17 | 2023-12-19 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
-
2023
- 2023-03-15 CN CN202310267296.2A patent/CN116432027A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251738A (zh) * | 2023-11-17 | 2023-12-19 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
CN117251738B (zh) * | 2023-11-17 | 2024-01-23 | 四川中测仪器科技有限公司 | 一种基于数据的调节阀组振动阈值设置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN116432027A (zh) | 基于振动信号的变压器运行状态检测方法及系统 | |
CN111256965A (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
CN109902731B (zh) | 一种基于支持向量机的性能故障的检测方法及装置 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
Addeh et al. | A Hierarchical System for Recognition of Control Chart Patterns | |
CN113921041A (zh) | 基于分组卷积注意力网络的录音设备识别方法及系统 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN115879046A (zh) | 基于改进特征选择和分层模型的物联网异常数据检测方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 |
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 |