CN116884432A - 基于vmd-js散度的电力变压器故障声纹诊断方法 - Google Patents
基于vmd-js散度的电力变压器故障声纹诊断方法 Download PDFInfo
- Publication number
- CN116884432A CN116884432A CN202310709104.9A CN202310709104A CN116884432A CN 116884432 A CN116884432 A CN 116884432A CN 202310709104 A CN202310709104 A CN 202310709104A CN 116884432 A CN116884432 A CN 116884432A
- Authority
- CN
- China
- Prior art keywords
- fault
- voiceprint
- divergence
- signals
- vmd
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- 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
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于VMD‑JS散度的电力变压器故障声纹诊断方法，包括以下步骤：S1：采集故障声纹信号；S2：对采集到的故障声纹信号进行VMD分解，将分解得到的IMF信号进行JS散度计算，筛选JS散度值小于设定值的IMF信号作为故障信号；S3：利用筛选出的IMF信号制作故障数据集；S4：将故障数据训练集输入到CNN模型中构建CNN‑SVM故障模型；S5：将故障数据测试集输入训练完毕的CNN‑SVM故障模型中。本发明采用上述基于VMD‑JS散度的电力变压器故障声纹诊断方法，可以受到噪声干扰的变压器声纹信号进行降噪处理，有效提取故障特征，同时增强了算法分类器在处理多分类问题时的泛化能力。
Description
技术领域
本发明涉及电力变压器故障声纹诊断技术领域，尤其涉及基于VMD-JS散度的电力变压器故障声纹诊断方法。
背景技术
电力变压器作为一种电能转换的大型电气设备，在电能输送中发挥着重要作用。变压器运行过程中会出现如短路冲击、局部放电、直流偏磁等典型故障，影响电力系统运行的稳定性。故有必要对变压器运行状态进行监测与诊断，维护电网的稳定运行。
目前，变压器故障监测主要集中在振动信号与油中溶解气体成分分析两种方法。其中，振动信号的测量需要将传感器贴附在设备表面进行接触性测量；油中溶解气体分析方法需要深入设备内部，操作复杂且会影响变压器的正常运行，影响电力系统的正常生产工作。相比于上述两种方法，由于声纹信号的诊断具有非接触、操作简便的优点，在电力设备的故障诊断中有较好的应用前景。
例如：王荣昊等在《基于FISVDD与GRU的变压器声纹识别技术》中提出了一种基于快速增量式支持向量数据，描述与门控循环单元的变压器机械故障声纹识别方法，对铁芯松动等故障下的声纹信号进行了分析。
李楠等在《电力变压器绕组振动声纹特性分析》中提出了一种基于多物理场耦合仿真的变压器绕组振动声纹特性分析方法，提取出了变压器的机械故障特征频率。
He P等在《Core looseness fault identification model based on Melspectrogram-CNN》中将声音信号谱图数据集引入卷积神经网络进行训练，得到变压器声纹故障识别模型。
刘云鹏等在《基于等效源法的变压器瞬态声场重构与声学监测测点位置定量评价方法》中采用基于WGAN-GP的无监督学习异常检测方法对变压器设备的电气和机械异常情况展开分析。
Zhu K J等在《Optimization Research on Abnormal Diagnosis ofTransformer Voiceprint Recognition based on Improved Wasserstein GAN》中提出了改进小波包-BP神经网络算法对不同类型放电和机械故障进行了诊断。
可知上述通过采集声纹信号实现对变压器故障进行诊断的研究均未对声纹信号进行深入预处理，采取的深度学习算法大都为通过分析声纹信号产生的特征图像进行训练分析，且存在分类器在多分类问题上识别模型泛化能力不足、分析流程复杂且时间过长等问题。
发明内容
为了解决常规工况下电力变压器声纹信号受到不同种类噪声严重干扰时会影响诊断效果的问题，本发明提供一种基于VMD-JS散度的电力变压器故障声纹诊断方法，可以受到噪声干扰的变压器声纹信号进行降噪处理，有效提取故障特征，同时增强了算法分类器在处理多分类问题时的泛化能力。
为实现上述目的，本发明提供了基于VMD-JS散度的电力变压器故障声纹诊断方法，包括以下步骤：
步骤S1：利用声学传感器采集不同故障类型的电力变压器的故障声纹信号；
步骤S2：对采集到的故障声纹信号进行VMD分解，将分解得到的IMF信号进行JS散度计算，筛选JS散度值最小的IMF信号作为故障信号，并提取筛选出的IMF信号；
步骤S3：利用筛选出的IMF信号构建特征矩阵，制作故障数据集，并将故障数据集分为故障数据训练集和故障数据测试集；
步骤S4：将故障数据训练集输入到CNN模型中构建CNN-SVM故障模型；
步骤S5：将故障数据测试集输入训练完毕的CNN-SVM故障模型中，测试CNN-SVM故障模型对电力变压器故障声纹信号的诊断与分类能力。
优选的，步骤S1具体包括以下步骤：
步骤S11：在不同故障类型的电力变压器周围固定声学传感器；
步骤S12：将声学传感器通过数据采集装置与分析计算机连接；
步骤S13：设定数据采样频率；
步骤S14：声学传感器采集故障声纹信号，并通过数据采集装置将故障声纹信号输送至分析计算机中。
优选的，步骤S11所述的不同故障类型包括短路冲击、局部放电、直流偏磁故障；
电力变压器为安装于户外且受到噪声干扰的110kV电力变压器；
步骤S13所述的采样频率为16000Hz，频率响应范围为10Hz～20kHz。
优选的，步骤S2具体包括以下步骤：
步骤S21：通过Hilbert变换计算IMF分量uk(t)对应的单边谱：
式中，δ(t)为脉冲函数；j为虚部；t为时间；
步骤S22：计算各IMF分量的中心频率wk：
步骤S23：计算梯度平方范数L2以及各IMF分量信号带宽：
式中，{uk}为分解后的IMF分量；k为提前确定的IMF分量的数量，f(t)为采集的故障声纹信号；
步骤S24：通过将两种随机概率平均分布计算JS散度：
式中，P和Q分别表示两种随机概率平均分布；DKL为概率分布的KL散度。
步骤S4具体包括以下步骤：
步骤S41：对卷积核与导入的故障数据训练集进行卷积计算以提取相应特征，卷积运算计算公式为：
式中，与/>分别表示第e层网络的输出与输入特征；Mj表示输入特征的集合；f(·)表示激活函数，/>表示卷积核的权重矩阵；/>表示卷积操作中的偏置项；
步骤S42：利用最大池化层降维，其计算公式为：
式中，Pij表示池化操作中的最大输出值；Uij表示池化区域；ak表示卷积操作的输出矩阵；
步骤S43：利用全连接层将池化层的所有特征矩阵转化成一维的特征向量，对经过多层卷积池化的特征矩阵进行分类。
优选的，在步骤S43中用SVM代替Softmax作为算法的分类器。
优选的，步骤S4所述的CNN-SVM故障模型的结构参数由网格寻优方法获取最优解；
卷积层和全连接层的激活函数均为Relu；
损失函数为Categorical-crossentropy，并通过Rmsprop算法进行优化；
核函数为RBF；惩罚系数设为1；迭代次数设为100次。
优选的，在步骤S5中采用混淆矩阵表示CNN-SVM故障模型的分类效果。
本发明具有以下有益效果：
(1)针对变压器运行环境复杂，声学信息在产生和传递过程中容易受到传递路径耦合的非线性因素影响的问题，本发明采用VMD-JS散度方法可对受到噪声干扰的变压器故障声纹信号进行降噪处理，有效提取故障特征。
(2)针对传统CNN算法采取的Softmax分类器泛化能力不足的问题，本发明采用CNN-SVM算法，其在处理非线性非平稳的故障声纹数据时，具有良好的鲁棒性，训练的模型分类效果优于传统算法。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的基于VMD-JS散度的电力变压器故障声纹诊断方法的流程图；
图2为本发明的实施例的局部放电故障时域图；
图3为本发明的实施例的局部放电故障频谱图；
图4为本发明的实施例的短路冲击故障时域图；
图5为本发明的实施例的短路冲击故障频谱图；
图6为本发明的实施例的带噪声局部放电故障时域图；
图7为本发明的实施例的带噪声局部放电故障频谱图；
图8为本发明的实施例的带噪声短路冲击故障时域图；
图9为本发明的实施例的带噪声短路冲击故障频谱图；
图10为本发明的实施例的局部放电IMF2分量时域图；
图11为本发明的实施例的局部放电IMF2分量频谱图；
图12为本发明的实施例的短路冲击IMF1分量时域图；
图13为本发明的实施例的IMF1分量频谱图；
图14为本发明的实施例的故障分类混淆矩阵图；
图15为本发明的实施例的不同模型下预测准确率曲线对比图；
图16为本发明的实施例的不同模型下预测损失值曲线对比图。
具体实施方式
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是，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、产品或服务器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。
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，基于VMD-JS散度的电力变压器故障声纹诊断方法，包括以下步骤：
步骤S1：利用声学传感器采集不同故障类型的电力变压器的故障声纹信号；
优选的，步骤S1具体包括以下步骤：
步骤S11：在不同故障类型的电力变压器周围固定声学传感器；
优选的，步骤S11所述的不同故障类型包括短路冲击、局部放电、直流偏磁故障；
电力变压器为安装于户外且受到噪声干扰的110kV电力变压器；
步骤S12：将声学传感器通过数据采集装置与分析计算机连接；
步骤S13：设定数据采样频率；
步骤S13所述的采样频率为16000Hz，频率响应范围为10Hz～20kHz。
步骤S14：声学传感器采集故障声纹信号，并通过数据采集装置将故障声纹信号输送至分析计算机中。
步骤S2：对采集到的故障声纹信号进行VMD分解，将分解得到的IMF信号进行JS散度计算，筛选JS散度值最小的IMF信号作为故障信号，并提取筛选出的IMF信号；
优选的，步骤S2具体包括以下步骤：
步骤S21：通过Hilbert变换计算IMF分量uk(t)对应的单边谱：
式中，δ(t)为脉冲函数；j为虚部；t为时间；
步骤S22：计算各IMF分量的中心频率wk：
步骤S23：计算梯度平方范数L2以及各IMF分量信号带宽：
式中，{uk}为分解后的IMF分量；k为提前确定的IMF分量的数量，f(t)为采集的故障声纹信号；
步骤S24：通过将两种随机概率平均分布计算JS散度：
式中，P和Q分别表示两种随机概率平均分布；DKL为概率分布的KL散度。
步骤S3：利用筛选出的IMF信号构建特征矩阵，制作故障数据集，并将故障数据集分为故障数据训练集和故障数据测试集；
步骤S4：将故障数据训练集输入到CNN模型中构建CNN-SVM故障模型；
优选的，步骤S4具体包括以下步骤：
步骤S41：对卷积核与导入的故障数据训练集进行卷积计算以提取相应特征，卷积运算计算公式为：
式中，与/>分别表示第e层网络的输出与输入特征；Mj表示输入特征的集合；f(·)表示激活函数，/>表示卷积核的权重矩阵；/>表示卷积操作中的偏置项；
步骤S42：利用最大池化层降维，其计算公式为：
式中，Pij表示池化操作中的最大输出值；Uij表示池化区域；ak表示卷积操作的输出矩阵；
步骤S43：利用全连接层将池化层的所有特征矩阵转化成一维的特征向量，对经过多层卷积池化的特征矩阵进行分类。
优选的，从全连接层到输出层再一次减少数据，变成更加低维的向量进行分类，但是由于传统全连接层的Softmax方法泛化性能偏低，在数据类别增加与处理离散数据时效果偏差，同时考虑到变压器声纹信号离散型偏高，所以在步骤S43中用SVM代替Softmax作为算法的分类器，提高泛化能力。
优选的，步骤S4所述的CNN-SVM故障模型的结构参数由网格寻优方法获取最优解；
卷积层和全连接层的激活函数均为Relu；
损失函数为Categorical-crossentropy，具体的，利用交叉熵评估当前训练得到的概率分布与真实分布的差异情况。刻画实际输出(概率)与期望输出(概率)的距离，即交叉熵的值越小，两个概率分布就越接近。并通过Rmsprop算法进行优化；使用梯度的平方缩放系数与泄露平均值来调整系数顺序的预处理。
核函数为RBF；惩罚系数设为1；迭代次数设为100次。
步骤S5：将故障数据测试集输入训练完毕的CNN-SVM故障模型中，测试CNN-SVM故障模型对电力变压器故障声纹信号的诊断与分类能力。
优选的，在步骤S5中采用混淆矩阵表示CNN-SVM故障模型的分类效果。
实施例
以110kv电力变压器故障声纹信号为研究对象，采集环境为户外变电站环境，采集时受到说话声与鸟叫声、风噪等非周期的噪声干扰，采集到短路冲击、局部放电、直流偏磁故障与正常状态下电力变压器的可听声纹信号，如图2-图16所示，可以看出VMD-JS散度方法具有良好的去噪效果。
因此，本发明采用上述基于VMD-JS散度的电力变压器故障声纹诊断方法，可以受到噪声干扰的变压器声纹信号进行降噪处理，有效提取故障特征，同时增强了算法分类器在处理多分类问题时的泛化能力。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：包括以下步骤：
步骤S1：利用声学传感器采集不同故障类型的电力变压器的故障声纹信号；
步骤S2：对采集到的故障声纹信号进行VMD分解，将分解得到的IMF信号进行JS散度计算，筛选JS散度值最小的IMF信号作为故障信号，并提取筛选出的IMF信号；
步骤S3：利用筛选出的IMF信号构建特征矩阵，制作故障数据集，并将故障数据集分为故障数据训练集和故障数据测试集；
步骤S4：将故障数据训练集输入到CNN模型中构建CNN-SVM故障模型；
步骤S5：将故障数据测试集输入训练完毕的CNN-SVM故障模型中，测试CNN-SVM故障模型对电力变压器故障声纹信号的诊断与分类能力。
2.根据权利要求1所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：步骤S1具体包括以下步骤：
步骤S11：在不同故障类型的电力变压器周围固定声学传感器；
步骤S12：将声学传感器通过数据采集装置与分析计算机连接；
步骤S13：设定数据采样频率；
步骤S14：声学传感器采集故障声纹信号，并通过数据采集装置将故障声纹信号输送至分析计算机中。
3.根据权利要求2所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：步骤S11所述的不同故障类型包括短路冲击、局部放电、直流偏磁故障；
电力变压器为安装于户外且受到噪声干扰的110kV电力变压器；
步骤S13所述的采样频率为16000Hz，频率响应范围为10Hz～20kHz。
4.根据权利要求1所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：步骤S2具体包括以下步骤：
步骤S21：通过Hilbert变换计算IMF分量uk(t)对应的单边谱：
式中，δ(t)为脉冲函数；j为虚部；t为时间；
步骤S22：计算各IMF分量的中心频率wk：
步骤S23：计算梯度平方范数L2以及各IMF分量信号带宽：
式中，{uk}为分解后的IMF分量；k为提前确定的IMF分量的数量，f(t)为采集的故障声纹信号；
步骤S24：通过将两种随机概率平均分布计算JS散度：
式中，P和Q分别表示两种随机概率平均分布；DKL为概率分布的KL散度。
5.根据权利要求1所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：步骤S4具体包括以下步骤：
步骤S41：对卷积核与导入的故障数据训练集进行卷积计算以提取相应特征，卷积运算计算公式为：
式中，与/>分别表示第e层网络的输出与输入特征；Mj表示输入特征的集合；f(·)表示激活函数，/>表示卷积核的权重矩阵；/>表示卷积操作中的偏置项；
步骤S42：利用最大池化层降维，其计算公式为：
式中，Pij表示池化操作中的最大输出值；Uij表示池化区域；ak表示卷积操作的输出矩阵；
步骤S43：利用全连接层将池化层的所有特征矩阵转化成一维的特征向量，对经过多层卷积池化的特征矩阵进行分类。
6.根据权利要求5所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：在步骤S43中用SVM代替Softmax作为算法的分类器。
7.根据权利要求1所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：步骤S4所述的CNN-SVM故障模型的结构参数由网格寻优方法获取最优解；
卷积层和全连接层的激活函数均为Relu；
损失函数为Categorical-crossentropy，并通过Rmsprop算法进行优化；
核函数为RBF；惩罚系数设为1；迭代次数设为100次。
8.根据权利要求1所述的基于VMD-JS散度的电力变压器故障声纹诊断方法，其特征在于：在步骤S5中采用混淆矩阵表示CNN-SVM故障模型的分类效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709104.9A CN116884432A (zh) | 2023-06-15 | 2023-06-15 | 基于vmd-js散度的电力变压器故障声纹诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709104.9A CN116884432A (zh) | 2023-06-15 | 2023-06-15 | 基于vmd-js散度的电力变压器故障声纹诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116884432A true CN116884432A (zh) | 2023-10-13 |
Family
ID=88267123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310709104.9A Pending CN116884432A (zh) | 2023-06-15 | 2023-06-15 | 基于vmd-js散度的电力变压器故障声纹诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116884432A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
-
2023
- 2023-06-15 CN CN202310709104.9A patent/CN116884432A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
| CN117153193B (zh) * | 2023-10-30 | 2024-02-13 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
| CN109507510A (zh) | 一种变压器故障诊断系统 | |
| CN110969096A (zh) | 基于粒子群优化支持向量机的电机故障模式诊断方法 | |
| KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
| CN116884432A (zh) | 基于vmd-js散度的电力变压器故障声纹诊断方法 | |
| CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
| CN109443717B (zh) | 一种有载分接开关机械故障在线监测方法 | |
| CN113537328B (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
| CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
| CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
| CN110954779A (zh) | 一种基于s变换与多维分形的电压暂降源特征识别方法 | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
| CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
| CN116383661A (zh) | 离心泵故障诊断模型训练方法、故障诊断方法及装置 | |
| CN115828144A (zh) | 一种信号稀疏表示与融合检测方法、存储介质及电子装置 | |
| CN115577584A (zh) | 一种基于时频分析和多场耦合的干式变压器绕组状态识别方法 | |
| CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
| CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
| CN117110989B (zh) | 用于电力设备的噪声故障定位检测方法及系统 |
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 |