CN116758922A - 一种用于变压器的声纹监测与诊断方法 - Google Patents
一种用于变压器的声纹监测与诊断方法 Download PDFInfo
- Publication number
- CN116758922A CN116758922A CN202310452477.2A CN202310452477A CN116758922A CN 116758922 A CN116758922 A CN 116758922A CN 202310452477 A CN202310452477 A CN 202310452477A CN 116758922 A CN116758922 A CN 116758922A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- transformer
- data
- monitoring
- fault
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 22
- 230000035772 mutation Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种用于变压器的声纹监测与诊断方法,包括以下步骤:S1:收集变压器的声纹数据;S2:采用EMD分解对声纹数据做相应的处理;S3:采用希伯尔变换,对信号进行进一步的处理;S4:声纹分解的数据处理,将分解后的数据加入相应的故障标签集;S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数;S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。相较于传统声纹故障监测具有更强的鲁棒性,可以抵抗强磁场干扰,不会出现二次混叠的现象,且解决了对声纹这一信号辨别的难度,对故障诊断准确性强。
Description
技术领域
本发明涉及变压器故障排查技术领域,尤其涉及一种用于变压器的声纹监测与诊断方法。
背景技术
变压器运行工况多变、噪音种类繁多、内部结构复杂、振动传播路径纷乱等原因造成加速度传感器采集的声纹振动信号是非线性非平稳的,如何监测处理此类信号,并对该类信号加以处理是变压器故障诊断的关键。希尔伯特黄变换算法(Hilbert-HuangTransform,HHT)自适应地将原始信号分解成一组本征模态分量(Intrinsic ModeFunction,IMF),各个IMF包含了一定的能显示在不同分辨率下信号特征的原始信号时间尺度固有模态。因为每一个IMF分量的频率成分与信号本身有关,它可以随着原始信号变化而变化,所以HHT可以处理此类非线性非平稳信号,但是由于变压器内部存在强磁场干扰,会出现二次混叠的现象,加剧对声纹这一信号辨别的难度,导致故障诊断的困难。
发明内容
本发明所述的一种用于变压器的声纹监测与诊断方法,解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种用于变压器的声纹监测与诊断方法,包括以下步骤:
S1:收集加速度传感器上变压器的声纹数据;
S2:采用EMD(Empirical Mode Decomposition,经验模态分解)分解对声纹数据的高频和低频部分做相应的处理;
S3:采用希伯尔变换,对信号进行进一步的处理;
S4:声纹分解的数据处理,将分解后的数据按照信号特征的不同,加入相应的故障标签集;
S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数;
S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。
优选的,所述步骤S2具体如下:
S201:应用三次样条算法拟合振动信号x(t)所有的局部极大值、极小值点的包络线,求出这两个包络线的平均值m1,计算h1=x(t)-m1;
S201:判断h1是否满足两个条件:极值点和零点的个数相差不多于一个且极大值和极小值点的包络线的平均值等于零,如果h1满足条件,那么就是第一个本征模态函数c1,如果不满足条件,则把h1作为原始数据,重复S201,判断h1k=h1-m1k是否满足条件,若不满足条件,则重复循环k次,直到h1k满足条件,并记为c1=h1k为第一个本征模态函数;
S203:把第一个本征模态函数c1从原始信号x(t)中分离出来,从而得到r1,r1=x(t)-c1;
S204:将r1当作原始数据重复上面的三个步骤,得出x(t)的第2个满足条件的IMF分量c2,如此重复n次,得出x(t)的n个IMF分量;
S205:基于x(t)的n个IMF分量和一个残余项rn,重构原始信号,重构了的原始信号如下所示:
x(t)=∑ci(t)+rn(t)
其中,x(t)为重构了的原始信号,ci(t)为第i个本征模态函数,rn(t)为残余项。
优选的,所述步骤S3具体如下:
S301:对所述步骤S204中求出的每一个IMF分量进行希尔伯特变换得到解析函数;
S302:求出每一个IMF分量的幅值和相位函数;
S303:求出每一个IMF的分量瞬时频率;
S304:将残余项rn省略不计,从而得出省略残余项rn的重构的原始信号;
S305:得出Hilbert谱。
优选的,所述步骤S4具体如下:
S401:计算变压器运行状态变化点的检测指标峭度变化率Wi,计算公式如下:
Wi=ΔMi-ΔMi-1;i=2,3,....n-1
其中,Wi为检测指标峭度变化率,ΔMi为第i个样本前反向滑动平均序列差。ΔMi-1为第i-1个样本的前反向滑动平均序列差;
S402:设置峭度变化指标Wi的门限E0、滑动检测窗口k及最大累计检测样本数M0;
S403:迭代计算Wi,当再次出现Wj≥E0时,则认为当前采样点为该运行模式的终点(下一模式的起点);
S404:当累计采样数f=M0时,将当前采样点设置为该变压器运行状态识别的终点;
S405:基于步骤S401-S404,将分解后的数据按照信号特征的不同,加入相应的故障标签集。
优选的,所述前反向滑动平均序列差ΔMi的计算流程如下:
对时间序列X={xi|k=1,2,...n},μf_i和μb_i分别为第i个样本前向和反向两个子序列的均值,构建前向滑动平均序列如下式所示:
其中,n为序列的总长度,p为变量xi的常规物理周期;
构建反向滑动平均序列如下式所示:
其中,n为序列的总长度,p为序列的采集周期长度;
计算前反向滑动平均序列差ΔMi,计算公式如下:
ΔMi=|μf_i-μb_i|。
优选的,所述步骤S405中的所述故障标签集中包含四类故障标签,分别为:
关机、开机、稳定状态、不稳定状态。
优选的,所述步骤S5中进行训练的各故障数目采取不平衡设置,即各故障序列数目的数量不一致。
本发明的有益效果为:
本发明通过步骤S1:收集加速度传感器上变压器的声纹数据;S2:采用EMD(Empirical Mode Decomposition,经验模态分解)分解对声纹数据的高频和低频部分做相应的处理;S3:采用希伯尔变换,对信号进行进一步的处理;S4:声纹分解的数据处理,将分解后的数据按照信号特征的不同,加入相应的故障标签集;S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数;S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。基于卷积神经网络的故障诊断模型,相较于传统声纹故障监测具有更强的鲁棒性,可以抵抗强磁场干扰,不会出现二次混叠的现象,且解决了对声纹这一信号辨别的难度,对故障诊断准确性强。
附图说明
图1为本发明一种用于变压器的声纹监测与诊断方法的流程图;
图2为残差网络短路连接示意图;
图3为基于数据驱动的变压器状态识别算法流程图。
具体实施方式
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合图1-3,进行本实施例的进一步说明。
基于信号分解的声纹故障监测中,采用HHT这一声纹信号分解在Wigner分布会中产生二次混叠等现象,难以选择合适的核函数处理Cohen类,且在小波变换不具有自适应的特性。因此,变压器的声纹信息的监测与故障诊断不能继承以往简单的信号分解的思路,卷积神经网络因其较好的非线性拟合能力,能够通过大量的数据建构声纹监测信息与故障之间的关联。基于数据驱动的思想,本实施例提出一种融合突变点检测与卷积神经网络的变压器声纹监测与诊断系统。首先通过突变点检测提取变压器状态切分点,并构建声纹故障诊断数据集,然后利用卷积神经网络进行细致分割,最后通过全连接网络输出声纹故障诊断的结果。采用该方法可以提高对变压器声纹数据的识别精度,从而实现对变压器故障的提前诊断。
本发明提供的一种用于变压器的声纹监测与诊断方法,包括以下步骤:
S1:收集加速度传感器上变压器的声纹数据。
S2:采用EMD(Empirical Mode Decomposition,经验模态分解)分解对声纹数据的高频和低频部分做相应的处理。
经验模态分解算法得到本征模态函数必须满足以下两个条件:极值点和零点的个数相差不多于一个;极大值和极小值点的包络线的平均值等于零。经验模态分解实测信号x(t)的步骤如下:
Step1:应用三次样条算法拟合振动信号x(t)所有的局部极大值、极小值点的包络线,求出这两个包络线的平均值m1。计算h1=x(t)-m1;
Step2:如果h1满足上述的条件,那么就是第一个本征模态函数c1,如果不满足条件,则把h1作为原始数据,重复Step1,判断h1k=h1-m1k是否满足条件,若不满足条件,则重复循环k次,直到h1k满足条件,并记为c1=h1k为第一个本征模态函数;
Step3:把第一个本征模态函数c1从原始信号x(t)中分离出来,从而得到r1,r1=x(t)-c1;
Step4:将r1当作原始数据重复上面的三个步骤,得出x(t)的第2个满足条件的IMF分量c2,如此重复n次,得出x(t)的n个IMF分量。
按照如上四步可得到
当余下的函数不能再满足提取分量的条件时,循环结束,余下的函数为残余项rn。于是原始信号x(t)可以表示为n个IMF函数和一个残余项rn之和,这样就重构了原始信号,即为:
x(t)=∑ci(t)+rn(t)
其中,x(t)为重构了的原始信号,ci(t)为第i个本征模态函数,rn(t)为残余项。
S3:采用希伯尔变换,对信号进行进一步的处理。
对上述求得的每一个IMF分量进行希尔伯特变换得到解析函数如下:
于是求得每一个IMF分量的幅值和相位函数分别如下:
进而求得每一个IMF的分量瞬时频率如下:
由于残余项rn对重构原始信号影响较小,故省略不计,从而得到重构的原始信号为:
Re为实部,n为IMF分量的个数。由此式可以看出幅值αi(t)和频率ωi(t)都是时间t的函数,从而得到Hilbert谱,记为:
S4:声纹分解的数据处理,将分解后的数据按照信号特征的不同,加入相应的故障标签集;
在变压器运行状态数据x(t)中,详细的记录着变压器处于各工作状态以及故障状态时各传感器检测数据的变化。将基于滑动平均差(MoveMean)的突变点检测法应用于变压器模式划分,并将变压器状态数据划分为4类,分别是关机、开机、稳定状态、不稳定状态。
对时间序列X={xi|k=1,2,...n},μf_i和μb_i分别为第i个样本前向和反向两个子序列的均值,构建前向滑动平均序列
其中,n为序列的总长度,p为变量xi的常规物理周期。类似的反向滑动平均序列为
其中,n为序列的总长度,p为序列的采集周期长度。
计算前反向滑动平均序列差ΔMi,计算公式如下:
ΔMi=|μf_i-μb_i|。
该方法结构简单、物理意义明确,不同于传统的突变点检测算法,其对突变点的检测更加精确,并能够检测出所有突变点的位置和其突变强在此方法的基础上,进一步提出一种适用于变压器运行状态变化点的检测指标峭度变化率Wi,表示为
Wi=ΔMi-ΔMi-1;i=2,3,....n-1
式中,ΔMi第i个样本的前反向滑动平均序列差,ΔMi-1为第i-1个样本的前反向滑动平均序列差。
同理ΔMi-1为第i-1个样本的前反向滑动平均序列差。Wi指标反映了相邻数据点之间峭度的变化程度,而峭度的改变是变压器发生运行状态发生改变的主要特征,因此通过该指标判定运行状态变化点更为合适。定义突变点i为峭度变化最大值的对应点,该指标与确定门限值有关,表示为:
Qcr=max{Wi}
定义峭度变化强度检测指标Pcr,该指标与确定门限值有关。
实现该滑动平均差(MoveMean)的突变点检测法的具体流程如下:
1)设置峭度变化指标Wi的门限E0,门限值由Qcr和Pcr共同确定、滑动检测窗口k及最大累计检测样本数M0;
2)依次计算采样点i至采样点i-k+1之间的Wi,当出现第一个点j满足Wj≥E0认为当前采样点是运行状态变化的起始点,该检测窗口内剩余采样点不再检测,默认为同一模式;
3)根据公式迭代计算Wi,当再次出现Wj≥E0时,则认为当前采样点为该运行模式的终点(下一模式的起点);
4)当累计采样数f=M0时,将当前采样点设置为该变压器运行状态识别的终点。其中峭度变化指标Wi的门限E0和滑动检测窗口k对端点检测的结果有一定影响,需要通过对具体数据分析进行确定。
根据该算法将EMD分解和希尔伯变换后的故障信号大致化分为四个类别(关机、开机、稳定状态、不稳定状态),用于后续的基于突变点检测算法和卷积神经网络,提取不同类别故障对应的故障信号的特征,将其划分到标注好的故障类别(关机、开机、稳定状态、不稳定状态)中。
本实施例以以某输电线路的船用变压器为研究对象。该输电线路对通过对船用变压器进行故障模拟试验并进行实时检测,正在运行的实时数据库中存储了变压器在正常状态下以及出现各种故障时的运行状态数据。数据采集时长为600min,每个测点数据采集频率为1s。考虑到变压器故障类型繁多,本发明仅选取了其中的五种运行状态进行试验研究,对各故障序列数目采取不平衡设置以更好的模拟真实故障情况。具体如下表所示,下表描述了声纹数据样本信息。
S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数。
若将输入设为X(t),将某一有参网络层设为F,那么以X为输入的此层的输出将为F(X)。一般的CNN网络如Alexnet/VGG等会直接通过训练学习出参数函数F的表达,从而直接学习X到的特征表达F(X)。而残差学习则是致力于使用多个有参网络层来学习输入、输出之间的参差即F(X)->X即学习X->F(X)->F(X)+X。其中X这一部分为直接的输入映射,而F(X)->X则为有参网络层要学习的输入输出间残差,图2为残差学习思想的基本表示。
ResNet解决的是深度网络的退化问题,一般认为深度卷积网络自然的整合了低中高不同层次的特征,特征的层次可以靠加深网络的层次来丰富。因此在构建卷积网络时,网络的深度越高,可抽取的特征层次就越丰富越抽象。但实际情况是网络层数的加深网络的准确率却下降了。考虑这样一个事实:一个浅层网络,想通过向上堆积新层来建立深层网络,一个极端情况是这些增加的层什么也不学习,仅仅复制浅层网络的特征,即这样新层是恒等映射。在这种情况下,深层网络保持和浅层网络性能一样,即不出现退化现象。
本实施例将以ResNet50作为特征提取网络,用于提取变压器故障信号的特征,ResNet共可分为四个阶段,以ResNet50为例第一个阶段接受输入为112*112的数据输出为56*56的数据,依次类推每一个阶段都会对前一个阶段的数据进行一倍的缩放,最后得到7*7的输出经由全连接层得到输出结果。其具体结构如下表所示。
S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。
在卷积神经网络中,经过多个卷积作用后连接一个全连接层,全连接层中的每个神经元与其前池化层的所有神经元进行连接,全连接层可以整合卷积层和池化层中具有类别区分性的局部信息,将滤波层(卷积层和池化层以及激活函数)提取的特征进行分类。全连接层首先对最后池化操作的输出进行展铺,将长度为3,深度为3,宽度为1的最后的池化层输出特征展铺为长度为9,深度为1,宽连接层类似于多层感知器,全连接层和隐藏层一般选用relu激活函数,最后度为1的一维特征。一层分类采用softmax函数进行类别概率输出。全连接层采用多层感知器的向前和向后传播算法。
对ResNet50提取得到的变压器信号的7*7特征信息采用全连接层输出5个故障类别,由此实现基于数据驱动的变压器状态识别。
综上所述,本实施例通过步骤S1:收集加速度传感器上变压器的声纹数据;S2:采用EMD(Empirical Mode Decomposition,经验模态分解)分解对声纹数据的高频和低频部分做相应的处理;S3:采用希伯尔变换,对信号进行进一步的处理;S4:声纹分解的数据处理,将分解后的数据按照信号特征的不同,加入相应的故障标签集;S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数;S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。基于卷积神经网络的故障诊断模型,相较于传统声纹故障监测具有更强的鲁棒性,可以抵抗强磁场干扰,不会出现二次混叠的现象,且解决了对声纹这一信号辨别的难度,对故障诊断准确性强,解决了背景技术中提出的问题。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种用于变压器的声纹监测与诊断方法,其特征在于,包括以下步骤:
S1:收集加速度传感器上变压器的声纹数据;
S2:采用EMD(Empirical Mode Decomposition,经验模态分解)分解对声纹数据的高频和低频部分做相应的处理;
S3:采用希伯尔变换,对信号进行进一步的处理;
S4:声纹分解的数据处理,将分解后的数据按照信号特征的不同,加入相应的故障标签集;
S5:设计专用的残差网络对声纹分解数据的特征信息进行提取,构建残差模块并训练其中的参数;
S6:设计全连接层对特征信号进行特征降维,并映射到对应的分类维度,通过反向传播训练整体卷积神经网络的参数,最终形成变压器声纹监测与诊断系统。
2.根据权利要求1所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述步骤S2具体如下:
S201:应用三次样条算法拟合振动信号x(t)所有的局部极大值、极小值点的包络线,求出这两个包络线的平均值m1,计算h1=x(t)-m1;
S201:判断h1是否满足两个条件:极值点和零点的个数相差不多于一个且极大值和极小值点的包络线的平均值等于零,如果h1满足条件,那么就是第一个本征模态函数c1,如果不满足条件,则把h1作为原始数据,重复S201,判断h1k=h1-m1k是否满足条件,若不满足条件,则重复循环k次,直到h1k满足条件,并记为c1=h1k为第一个本征模态函数;
S203:把第一个本征模态函数c1从原始信号x(t)中分离出来,从而得到r1,r1=x(t)-c1;
S204:将r1当作原始数据重复上面的三个步骤,得出x(t)的第2个满足条件的IMF分量c2,如此重复n次,得出x(t)的n个IMF分量;
S205:基于x(t)的n个IMF分量和一个残余项rn,重构原始信号,重构了的原始信号如下所示:
x(t)=Σci(t)+rn(t)
其中,x(t)为重构了的原始信号,ci(t)为第i个本征模态函数,rn(t)为残余项。
3.根据权利要求1所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述步骤S3具体如下:
S301:对所述步骤S204中求出的每一个IMF分量进行希尔伯特变换得到解析函数;
S302:求出每一个IMF分量的幅值和相位函数;
S303:求出每一个IMF的分量瞬时频率;
S304:将残余项rn省略不计,从而得出省略残余项rn的重构的原始信号;
S305:得出Hilbert谱。
4.根据权利要求1所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述步骤S4具体如下:
S401:计算变压器运行状态变化点的检测指标峭度变化率Wi,计算公式如下:
Wi=ΔMi-ΔMi-1;i=2,3,....n-1
其中,Wi为检测指标峭度变化率,ΔMi为第i个样本前反向滑动平均序列差,ΔMi-1为第i-1个样本的前反向滑动平均序列差;
S402:设置峭度变化指标Wi的门限E0、滑动检测窗口k及最大累计检测样本数M0;
S403:迭代计算Wi,当再次出现Wj≥E0时,则认为当前采样点为该运行模式的终点(下一模式的起点);
S404:当累计采样数f=M0时,将当前采样点设置为该变压器运行状态识别的终点;
S405:基于步骤S401-S404,将分解后的数据按照信号特征的不同,加入相应的故障标签集。
5.根据权利要求4所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述前反向滑动平均序列差ΔMi的计算流程如下:
对时间序列X={xi|k=1,2,...n},μf_i和μb_i分别为第i个样本前向和反向两个子序列的均值,构建前向滑动平均序列如下式所示:
其中,n为序列的总长度,p为变量xi的常规物理周期;
构建反向滑动平均序列如下式所示:
其中,n为序列的总长度,p为序列的采集周期长度;
计算前反向滑动平均序列差ΔMi,计算公式如下:
ΔMi=|μf_i-μb_i|。
6.根据权利要求4所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述步骤S405中的所述故障标签集中包含四类故障标签,分别为:关机、开机、稳定状态、不稳定状态。
7.根据权利要求1所述的一种用于变压器的声纹监测与诊断方法,其特征在于,所述步骤S5中进行训练的各故障数目采取不平衡设置,即各故障序列数目的数量不一致。
8.一种电子设备,包括:处理器和存储装置;所述存储装置上存储有程序,所述程序被所述处理器执行,实现如权利要求1-7中任意一所述的方法。
9.一种计算机介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任意一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452477.2A CN116758922A (zh) | 2023-04-25 | 2023-04-25 | 一种用于变压器的声纹监测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452477.2A CN116758922A (zh) | 2023-04-25 | 2023-04-25 | 一种用于变压器的声纹监测与诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758922A true CN116758922A (zh) | 2023-09-15 |
Family
ID=87946701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452477.2A Pending CN116758922A (zh) | 2023-04-25 | 2023-04-25 | 一种用于变压器的声纹监测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056814A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
-
2023
- 2023-04-25 CN CN202310452477.2A patent/CN116758922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056814A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
CN117056814B (zh) * | 2023-10-11 | 2024-01-05 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism | |
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
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 | |
Nair et al. | A life cycle on processing large dataset-LCPL | |
Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
Hamdaoui et al. | Improved signal processing for bearing fault diagnosis in noisy environments using signal denoising, time–frequency transform, and deep learning | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和系统 | |
Ganesan et al. | A deep learning approach to fault detection in a satellite power system using Gramian angular field | |
Zhi-hong et al. | Sensor Fault Diagnosis Based on Wavelet Analysis and LSTM Neural Network | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN113095381A (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 |
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 |