CN116929539A - 一种基于可视化声源技术的电抗器故障诊断方法与系统 - Google Patents

一种基于可视化声源技术的电抗器故障诊断方法与系统 Download PDF

Info

Publication number
CN116929539A
CN116929539A CN202310924959.3A CN202310924959A CN116929539A CN 116929539 A CN116929539 A CN 116929539A CN 202310924959 A CN202310924959 A CN 202310924959A CN 116929539 A CN116929539 A CN 116929539A
Authority
CN
China
Prior art keywords
sound source
sensor
acoustic signal
sound
expression
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
Application number
CN202310924959.3A
Other languages
English (en)
Inventor
邵宇鹰
彭鹏
周华
王枭
唐懿颖
孙宁
杨嘉禹
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202310924959.3A priority Critical patent/CN116929539A/zh
Publication of CN116929539A publication Critical patent/CN116929539A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于可视化声源技术的电抗器故障诊断方法与系统，包括：采用传感器阵列收集声信号；通过加权求和加强所述声信号，进行空域滤波；基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；通过所述计算结果，判断电抗器故障种类并予以排除，本发明运用仿真计算的方式，从两种计算方式中取得结果更为准确的一项作为分析依据，极大地提升了声信号的精确性，更为准确地判断电抗器的故障。

Description

一种基于可视化声源技术的电抗器故障诊断方法与系统
技术领域
本发明涉及电抗器诊断技术领域，具体涉及一种基于可视化声源技术的电抗器故障诊断方法与系统。
背景技术
随着经济高质量发展、能源转型加快以及电力体制改革的深入推进，电力设备状态检测和故障诊断是泛在电力物联网建设的基础和重要组成部分，关系到整个电力系统的安全稳定运行。泛在电力物联网强调人-机-物之间的高效交互，以实现的电力系统各环节互联、人机交互、状态全面感知、信息高效处理，将高效推进智能运检体系的建设完善。
高压电抗器在运行时会发出频率范围在20Hz～20KHz的可听声，声音包含了电抗器设备大量的状态信息，当电抗器出现故障时其声信号会相应发生改变，进而产生异响。泛在电力物联网的建设要求感知层实现设备状态的全面感知，但电抗器运行时产生的声音作为其状态评价的重要参量，现有技术中缺少利用电抗器运行时产生的声音对电抗器的故障，难以对单一声源噪声水平进行准确采集，进而影响了噪声定位，变电站噪声源测试中常受到来自周边社会生活与自然环境噪声的干扰，导致高压电抗器的异响故障检测结果与实际值存在较大偏差。
发明内容
本发明的目的是为了提供一种基于可视化声源技术的电抗器故障诊断方法与系统。此方法旨在解决现有技术中的设备难以对单一声源噪声水平进行准确采集，进而影响了噪声定位，使得故障检测结果与实际值存在较大偏差的问题。
为达到上述目的，本发明通过以下技术方案实现：
一方面，本发明提供一种基于可视化声源技术的电抗器故障诊断方法，包括：
步骤S1：采用传感器阵列收集声信号，建立声信号模型；
步骤S2：通过对所述声信号模型加权求和的方式加强所述声信号，进行空域滤波；
步骤S3：基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
步骤S4：对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
步骤S5：通过所述计算结果，判断电抗器故障种类并予以排除。
优选的，所述的步骤S1中采用传感器阵列收集声信号，具体包括：
声场中任一单点声源，则空间中任意位置处的声压表达式为：
其中，t为声源发声后经过的时间，p为声源处的声强，c为声音在所处空间中的传播速度，为测点的空间位置，/>为声源的空间位置，等式左边为声源的分布函数，其中p0(t)为声源表面的声强，/>为脉冲函数；
距离声源r处的传感器接收的声信号的表达式为：
其中，τ＝r/c表示声音传播到传感器所用的时间，对于空间中不同位置/>处的传感器，均可采用上式求解得到相应的声压值/>
根据声音与传感器距离的不同，将声信号模型划分为近场模型和远场模型，所述近场模型与所述远场模型的区分表达式为：
式中L表示阵列孔径大小，λ表示声信号的波长，
当时，将声信号模型定义为近场模型；
当时，将声信号模型定义为远场模型，
通常应用中，还可利用声源距离声阵列中阵元参考点r0与r的距离来判断近场模型和远场模型，当声源距离声阵列中阵元参考点r0的距离远大于r时，将所述传感器接收到的所述声信号定义所述远场模型。
优选的，所述的步骤S1中采用传感器阵列收集声信号，其具体还包括：
所述远场模型中，相较于首个接收到所述声信号的传感器，阵列中的其它传感器接收到声信号的时间存在延时Δt，对于阵列面内的第l号传感器的延时Δtl的表达式为：
式中，dl为首个接收到声信号的传感器到第l号传感器的距离，θ为第l号传感器与来波方向的夹角，
第l号传感器接收到的声信号的表达式为：
sl(t)＝p(t+Δtl)
式中，sl(t)表示第l号传感器接收到的声信号，
所述近场模型中，声源到各个传感器之间的距离分别为r1，r2，r3，...，rl，选取首个接收到声信号的传感器为参考，则与第l号传感器之间的延时Δtl′的表示式为：
Δtl′＝(r1-rl)/c
由几何关系求解得到rl与r1之间的关系式：
参考传感器选定后，将rl代入Δtl′＝(r1-rl)/c，得到不同传感器之间的时延值，通过sl(t)＝p(t+Δtl)，得到所述传感器阵列中任意一个传感器接收到的信号值。
优选的，所述步骤S2中通过加权求和加强声信号进行空域滤波，其具体包括：
声源信号频域表达式为：
式中，ω为声源信号的角频率；
阵列接收到的信号经过加权求和处理后，得到阵列输出结果，采用wl表示第l号传感器的权向量，M表示传感器的个数，阵列输出的表达式为：
式中，*表示共轭，采用向量形式分别表示各阵元的输出S及加权系数W，则其表达式分别为：
S(ω)＝[s1(ω),s2(ω),…,sM(ω)]
W＝[w1,w2,…,wM]
优选的，所述步骤S3中基于延时求和对所述声信号的相关参数进行仿真计算，其具体包括：
传感器阵列接收到的信号表达式利用各阵元到网格点与参考阵元到网格点延时Δτ1进行相位补偿，将补偿后的信号与阵列采集到的信号进行加权求和，按传感器标准化后得到传统波束输出表达式为：
其中ωl为第l号传感器的加权系数，
定位过程中对不同频段的声源进行定位，对Y(r,t)的表达式进行傅里叶变换后，得到波束形成的频域表达式：
式中，pl(ω)为阵列接收到的信号；
第l号传感器接收到的来自空间某处声源的声压信号pl(ω)表达式为：
式中，表示聚焦点与第l号传感器之间的距离，k为波束，定义/>为指向矢量，则pl(ω)的表达式简化为：
声场聚焦模型点的第l号传感器与第n号传感器之间产生的互谱的表达式为：
式中a为幅值系数，实质为声波幅值的平方，定义声源互谱与聚焦点互谱的和方差为差函数，则所述差函数的表达式为：
定义向量g＝|GIn|，向量则所述差函数/>的表达式简化为：
式中a反应了声源的真实强度，反应了声源的位置信息，所述/>差函数取值最小的聚焦点即为声源真实位置，关于a对所述差函数进行最小化，令/>得到：将/>代入/>的表达式，得到所述差函数/>
则所述差函数最小化即为与相关的互谱成像函数的最大化，互谱函数的定义式为:
将上式经过通道归一化以后得：
上式中当与声源位置一致时输出最大值，即为声源位置，但是/>输出的量纲是能量的平方，所以对上式开方并进行简化得：
式中定义为聚焦点的转向向量，/>为构造的列向量，I表示单位矩阵，求解该式可以得到声源的位置，还能获得较为精确的声源强度。
优选的，所述步骤S3中，基于反卷积算法对所述声信号的相关参数进行仿真计算，具体流程包括：
利用波束形成算法输出结果、声源分布及psfs之间的卷积关系建立线性方程组，以矩阵形式表达：
式中，是互谱成像波束形成算法输出结果组成的S维列向量，/>是声源源强的声压水平组成的列向量，A为元素psf(r/rs)组成的矩阵，是一个线性卷积矩阵，当聚焦面上有S个聚焦点数时，矩阵A则是一个S2规模的矩阵，将波束形成算法输出结果表示为声源分布和psf(r/rs)函数的卷积，并由反卷积变换将其化为波数域的乘积，如下式所示：
式中，“F”代表傅里叶正变换，“F-1”代表傅里叶逆变换，psfs为空间转移不变阵列点传播函数，其详细迭代求解过程如下：
计算波数域内psfs(k)＝F(psfs(r))，其中k为波数向量；
计算常数a＝∑r|psfs(r)|；
令q(0)＝0，(0)代表第0次迭代结果，由第n次迭代计算结果q(n)计算q(n+1)为：
式中，ψ(kx,ky)为高斯正则化滤波函数，如下式所示，kx、ky分别为x、y方向的波数；
式中，kc＝hπ/Δ是滤波器截断波数，Δ为聚焦点之间的间隔，h是常数，取0.5。
优选的，所述步骤S4中，对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果，其具体包括：
步骤S4.1：获取所述传感器阵列的坐标；
步骤S4.2：根据所述第一仿真结果和所述第二仿真结果，建立声源声压模型；
步骤S4.3：根据所述传感器阵列的坐标、声源点参数一致的重构点和声源边界条件，构建声源面测点声压模型；
步骤S4.4：通过所述声源声压模型和所述声源面测点声压模型，对重构点进行扫描聚焦；
步骤S4.5：通过对重构点的扫描聚焦，输出声源面识别结果图像，根据所述图像判断所述第一仿真结果和所述第二仿真结果的准确度，选取所述第一仿真结果和所述第二仿真结果中准确度较高的为所述计算结果。
另一方面，一种基于可视化声源技术的电抗器诊断系统，其用于实现上述的基于可视化声源技术的电抗器故障诊断方法，所述系统包括：
收集模块，其用于收集声信号；
滤波处理模块，其通过加权求和加强声信号，进行空域滤波；
声信号参数计算模块，其基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
仿真计算模块，其对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
故障排除模块，其通过所述计算结果，判断电抗器故障种类并予以排除。
一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的基于可视化声源技术的电抗器诊断方法。
一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述的基于可视化声源技术的电抗器诊断方法。
与现有技术相比，本发明具有以下有益效果：
本发明运用仿真计算的方式，从两种计算方式中取得结果更为准确的一项作为分析依据，极大地提升了声信号的精确性，更为准确地判断电抗器的故障。
本发明使用传感器阵列收集声信号，传感器阵列是由多个传感器单元按照一定的空间几何规律排列构成，与仅用单个传感器的测试手段相比，声阵列在信号接收及处理过程中有着一系列明显优势，主要表现在抗混响、去噪声、语音分离的能力更强，空间分辨率更高，传感器阵列的多通道信号处理方式丰富了声音信号的处理域，在时间域与频率域外增加了空间域，使得声源定位的准确性更高，适应能力更为突出。
本发明在传感器阵列中引入近场模型与远场模型，减弱了声信号的延迟给传感器数据带来的影响，使结果更贴近实际情况。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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为本发明一实施例提供的一种基于可视化声源技术的电抗器故障诊断方法的流程示意图；
图2为本发明一实施例提供的远场阵列接收模型图；
图3为本发明一实施例提供的近场阵列接收模型图；
图4为本发明一实施例提供的波束形成计算模型图。
具体实施方式
以下结合附图1-4和具体实施方式对本发明提出的基于可视化声源技术的电抗器故障诊断方法与系统作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
参考图1所示，一方面，本实施例提供一种基于可视化声源技术的电抗器故障诊断方法，包括：
步骤S1：采用传感器阵列收集声信号；
步骤S2：通过加权求和加强所述声信号，进行空域滤波；
步骤S3：基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
步骤S4：对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
步骤S5：通过所述计算结果，判断电抗器故障种类并予以排除。
所述的步骤S1中采用传感器阵列收集声信号，具体包括：
声场中任一单点声源，则空间中任意位置处的声压表达式为：
其中，t为声源发声后经过的时间，p为声源处的声强，c为声音在所处空间中的传播速度，为测点的空间位置，/>为声源的空间位置，等式左边为声源的分布函数，其中p0(t)为声源表面的声强，/>为脉冲函数；
距离声源r处的传感器接收的声信号的表达式为：
其中，τ＝r/c表示声音传播到传感器所用的时间，对于空间中不同位置/>处的传感器，均可采用上式求解得到相应的声压值/>
根据声音与传感器距离的不同，将声信号模型划分为近场模型和远场模型，所述近场模型与所述远场模型的区分表达式为：
式中L表示阵列孔径大小，λ表示声信号的波长，
当时，将声信号模型定义为近场模型；
当时，将声信号模型定义为远场模型，
通常应用中，还可利用声源距离声阵列中阵元参考点r0与r的距离来判断近场模型和远场模型，当声源距离声阵列中阵元参考点r0的距离远大于r时，则将所述传感器接收到的所述声信号定义所述远场模型。
所述的步骤S1中采用传感器阵列收集声信号，其具体还包括：
所述远场模型中，相较于首个接收到所述声信号的传感器，阵列中的其它传感器接收到声信号的时间存在延时Δt，对于阵列面内的第l号传感器的延时Δtl的表达式为：
式中，dl为首个接收到声信号的传感器到第l号传感器的距离，θ为第l号传感器与来波方向的夹角，
第l号传感器接收到的声信号的表达式为：
sl(t)＝p(t+Δtl) (5)
式中，sl(t)表示第l号传感器接收到的声信号。
所述近场模型中，声源到各个传感器之间的距离分别为r1，r2，r3，...，rl，选取首个接收到声信号的传感器为参考，则与第l号传感器之间的延时Δtl′的表示式为：
Δtl′＝(r1-rl)/c (6)
由几何关系求解得到rl与r1之间的关系式：
参考传感器选定后，将rl代入Δtl′＝(r1-rl)/c，得到不同传感器之间的时延值，通过sl(t)＝p(t+Δtl)，得到其它传感器接收到的信号值。
所述步骤S2中通过加权求和加强声信号进行空域滤波，其具体包括：
声源信号频域表达式为：
式中，ω为声源信号的角频率；
阵列接收到的信号经过加权求和处理后，得到阵列输出结果，采用wl表示第l号传感器的权向量，M表示传感器的个数，阵列输出的表达式为：
式中，*表示共轭，采用向量形式分别表示各阵元的输出S及加权系数W，则其表达式分别为：
S(ω)＝[s1(ω),s2(ω),…,sM(ω)]
W＝[w1,w2,…,wM] (10)
所述步骤S3中基于延时求和对所述声信号的相关参数进行仿真计算，其具体包括：
传感器阵列接收到的信号表达式利用各阵元到网格点与参考阵元到网格点延时Δτ1进行相位补偿，将补偿后的信号与阵列采集到的信号进行加权求和，按传感器标准化后得到传统波束输出表达式为：
其中ωl为第l号传感器的加权系数，
定位过程中对不同频段的声源进行定位，对Y(r,t)的表达式进行傅里叶变换后，得到波束形成的频域表达式：
式中，pl(ω)为阵列接收到的信号；
第l号传感器接收到的来自空间某处声源的声压信号pl(ω)表达式为：
式中，表示聚焦点与第l号传感器之间的距离，k为波束，定义/>为指向矢量，则pl(ω)的表达式简化为：
声场聚焦模型点的第l号传感器与第n号传感器之间产生的互谱的表达式为：
式中a为幅值系数，实质为声波幅值的平方，定义声源互谱与聚焦点互谱的和方差为差函数，则所述差函数的表达式为：
定义向量g＝|GIn|，向量则所述差函数/>的表达式简化为：
式中a反应了声源的真实强度，反应了声源的位置信息，所述/>差函数取值最小的聚焦点即为声源真实位置，关于a对所述差函数进行最小化，令/>得到：将/>代入/>的表达式，得到所述差函数/>
则所述差函数最小化即为与相关的互谱成像函数的最大化，互谱函数的定义式为:
将上式经过通道归一化以后得：
上式中当与声源位置一致时输出最大值，即为声源位置，但是/>输出的量纲是能量的平方，所以对上式开方并进行简化得：
式中定义为聚焦点的转向向量，/>为构造的列向量，I表示单位矩阵，求解该式可以得到声源的位置，还能获得较为精确的声源强度。
所述步骤S3中，基于反卷积算法对所述声信号的相关参数进行仿真计算，具体流程包括：
利用波束形成算法输出结果、声源分布及psfs之间的卷积关系建立线性方程组，以矩阵形式表达：
式中，是互谱成像波束形成算法输出结果组成的S维列向量，/>是声源源强的声压水平组成的列向量，A为元素psf(r/rs)组成的矩阵，是一个线性卷积矩阵，当聚焦面上有S个聚焦点数时，矩阵A则是一个S2规模的矩阵，将波束形成算法输出结果表示为声源分布和psf(r/rs)函数的卷积，并由反卷积变换将其化为波数域的乘积，如下式所示：
式中，“F”代表傅里叶正变换，“F-1”代表傅里叶逆变换，psfs为空间转移不变阵列点传播函数，其详细迭代求解过程如下：
计算波数域内psfs(k)＝F(psfs(r))，其中k为波数向量；
计算常数a＝∑r|psfs(r)|；
令q(0)＝0，(0)代表第0次迭代结果，由第n次迭代计算结果q(n)计算q(n+1)为：
式中，ψ(kx,ky)为高斯正则化滤波函数，如下式所示，kx、ky分别为x、y方向的波数；
式中，kc＝hπ/Δ是滤波器截断波数，Δ为聚焦点之间的间隔，h是常数，本实施例中h取0.5。
所述步骤S4中，对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果，其具体包括：
步骤S4.1：获取所述传感器阵列的坐标；
步骤S4.2：根据所述第一仿真结果和所述第二仿真结果，建立声源声压模型；
步骤S4.3：根据所述传感器阵列的坐标、声源点参数一致的重构点和声源边界条件，构建声源面测点声压模型；
步骤S4.4：通过所述声源声压模型和所述声源面测点声压模型，对重构点进行扫描聚焦；
步骤S4.5：通过对重构点的扫描聚焦，输出声源面识别结果图像，根据所述图像判断所述第一仿真结果和所述第二仿真结果的准确度，选取所述第一仿真结果和所述第二仿真结果中准确度较高的为所述计算结果。
另一方面，本实施例还提供了一种基于可视化声源技术的电抗器诊断系统，其用于实现上述的基于可视化声源技术的电抗器故障诊断方法，所述系统包括：
收集模块，其用于收集声信号；
滤波处理模块，其通过加权求和加强声信号，进行空域滤波；
声信号参数计算模块，其基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
仿真计算模块，其对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
故障排除模块，其通过所述计算结果，判断电抗器故障种类并予以排除。
一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的基于可视化声源技术的电抗器诊断方法。
一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述的基于可视化声源技术的电抗器诊断方法。
综上所述，本实施例运用仿真计算的方式，从两种计算方式中取得结果更为准确的一项作为分析依据，极大地提升了声信号的精确性，能够更好也更为准确地判断电抗器的故障。使用传感器阵列收集声信号，传感器阵列是由多个传感器单元按照一定的空间几何规律排列构成，与仅用单个传感器的测试手段相比，声阵列在信号接收及处理过程中有着一系列明显优势，主要表现在抗混响、去噪声、语音分离的能力更强，空间分辨率更高，传感器阵列的多通道信号处理方式丰富了声音信号的处理域，在时间域与频率域外增加了空间域，使得声源定位的准确性更高，适应能力更为突出。在传感器阵列中引入近场模型与远场模型，减弱了声信号的延迟给传感器数据带来的影响，使结果更贴近实际情况。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于可视化声源技术的电抗器故障诊断方法，其特征在于，包括：
步骤S1：采用传感器阵列收集声信号，建立声信号模型；
步骤S2：对所述声信号模型进行加权求和，以加强所述声信号，进行空域滤波；
步骤S3：基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
步骤S4：对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
步骤S5：通过所述计算结果，判断电抗器故障种类并予以排除。
2.如权利要求1所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述的步骤S1中采用传感器阵列收集声信号，建立声信号模型，具体包括：
计算声场中任一单点声源，则空间中任意位置处的声压表达式为：
其中，t为声源发声后经过的时间，p为声源处的声强，c为声音在所处空间中的传播速度，为测点的空间位置，/>为声源的空间位置，等式左边为声源的分布函数，其中p0(t)为声源表面的声强，/>为脉冲函数；
根据所述脉冲函数，得到距离声源r处的传感器接收的声信号的表达式为：
其中，τ＝r/c表示声音传播到传感器所用的时间；
根据声音与传感器距离的不同，将声信号模型划分为近场模型和远场模型，所述近场模型与所述远场模型的区分表达式为：
式中，L表示阵列孔径大小，λ表示声信号的波长，
当时，将声信号模型定义为近场模型；
当时，将声信号模型定义为远场模型。
3.如权利要求2所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述的步骤S1中采用传感器阵列收集声信号，其具体还包括：
所述远场模型中，相较于首个接收到所述声信号的传感器，阵列中的其它传感器接收到声信号的时间存在延时Δt，对于阵列面内的第l号传感器的延时Δtl的表达式为：
式中，dl为首个接收到声信号的传感器到第l号传感器的距离，θ为第l号传感器与来波方向的夹角，
第l号传感器接收到的声信号的表达式为：
sl(t)＝p(t+Δtl)
式中，sl(t)表示第l号传感器接收到的声信号，
所述近场模型中，声源到各个传感器之间的距离分别为r1，r2，r3，...，rl，选取首个接收到声信号的传感器为参考，则与第l号传感器之间的延时Δt′l的表示式为：
Δt′l＝(r1-rl)/c
由几何关系求解得到rl与r1之间的关系式：
参考传感器选定后，将rl代入Δt′l＝(r1-rl)/c，得到不同传感器之间的时延值，通过sl(t)＝p(t+Δtl)，得到所述传感器阵列中任一传感器接收到的信号值。
4.如权利要求3所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述步骤S2中通过加权求和加强声信号进行空域滤波，其具体包括：
声源信号频域表达式为：
式中ω为声源信号的角频率；
阵列接收到的信号经过加权求和处理后，得到阵列输出结果，采用wl表示第l号传感器的权向量，M表示传感器的个数，阵列输出的表达式为：
式中，*表示共轭，采用向量形式分别表示各阵元的输出S及加权系数W，则其表达式分别为：
S(ω)＝[s1(ω),s2(ω),…,sM(ω)]
W＝[w1,w2,…,wM]。
5.如权利要求4所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述步骤S3中基于延时求和对所述声信号的相关参数进行仿真计算，其具体包括：
传感器阵列接收到的信号表达式利用各阵元到网格点与参考阵元到网格点延时Δτ1进行相位补偿，将补偿后的信号与阵列采集到的信号进行加权求和，按传感器标准化后得到传统波束输出表达式为：
其中ωl为第l号传感器的加权系数，
定位过程中对不同频段的声源进行定位，对Y(r,t)的表达式进行傅里叶变换后，得到波束形成的频域表达式：
式中，pl(ω)为阵列接收到的信号；
第l号传感器接收到的来自空间某处声源的声压信号pl(ω)表达式为：
式中，表示聚焦点与第l号传感器之间的距离，k为波束，定义/>为指向矢量，则pl(ω)的表达式简化为：
声场聚焦模型点的第l号传感器与第n号传感器之间产生的互谱的表达式为：
式中a为幅值系数，实质为声波幅值的平方，定义声源互谱与聚焦点互谱的和方差为差函数，则所述差函数的表达式为：
定义向量g＝|GIn|，向量则所述差函数/>的表达式简化为：
式中，所述差函数取值最小的聚焦点即为声源真实位置，关于a对所述差函数进行最小化，令/>得到：/>将/>代入/>的表达式，得到所述差函数的表达式为：
所述差函数最小化即为与相关的互谱成像函数的最大化，互谱函数的定义式为:
将上式经过通道归一化以后得：
式中当与声源位置一致时输出最大值，即为声源位置，但是/>输出的量纲是能量的平方，所以对上式开方并进行简化得：
式中，定义为聚焦点的转向向量，/>为构造的列向量，I表示单位矩阵，求解/>得到声源位置和声源强度。
6.如权利要求5所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述步骤S3中，基于反卷积算法对所述声信号的相关参数进行仿真计算，其具体包括：
利用波束形成算法输出结果、声源分布及psfs之间的卷积关系，建立线性方程组，所述线性方程组以矩阵形式表达：
式中，是互谱成像波束形成算法输出结果组成的S维列向量，/>是声源源强的声压水平组成的列向量，A为元素psf(r/rs)组成的矩阵，是一个线性卷积矩阵，当聚焦面上有S个聚焦点数时，矩阵A则是一个S2规模的矩阵，将波束形成算法输出结果表示为声源分布和psf(r/rs)函数的卷积，并由反卷积变换将其化为波数域的乘积，如下式所示：
式中，“F”代表傅里叶正变换，“F-1”代表傅里叶逆变换，psfs为空间转移不变阵列点传播函数，
计算波数域内psfs(k)＝F(psfs(r))，其中k为波数向量；计算常数a＝∑r|psfs(r)|，
令q(0)＝0，(0)代表第0次迭代结果，由第n次迭代计算结果q(n)计算q(n+1)为：
式中，ψ(kx,ky)为高斯正则化滤波函数，kx、ky分别为x、y方向的波数；
式中，kc＝hπ/Δ是滤波器截断波数，Δ为聚焦点之间的间隔，h是常数。
7.如权利要求6所述的基于可视化声源技术的电抗器故障诊断方法，其特征在于，所述步骤S4中，对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果，其具体包括：
步骤S4.1：获取所述传感器阵列的坐标；
步骤S4.2：根据所述第一仿真结果和所述第二仿真结果，建立声源声压模型；
步骤S4.3：根据所述传感器阵列的坐标、声源点参数一致的重构点和声源边界条件，构建声源面测点声压模型；
步骤S4.4：通过所述声源声压模型和所述声源面测点声压模型，对重构点进行扫描聚焦；
步骤S4.5：通过对重构点的扫描聚焦，输出声源面识别结果图像，根据所述图像判断所述第一仿真结果和所述第二仿真结果的准确度，选取所述第一仿真结果和所述第二仿真结果中准确度较高的为所述计算结果。
8.一种基于可视化声源技术的电抗器诊断系统，其特征在于，其用于实现如权利要求1-7中任意一项所述的基于可视化声源技术的电抗器故障诊断方法，所述系统包括：
收集模块，其用于收集声信号，建立声信号模型；
滤波处理模块，其通过对所述声信号模型加权求和的方式加强声信号，进行空域滤波；
声信号参数计算模块，其基于延时求和对所述声信号的相关参数进行仿真计算，得到第一仿真结果，基于反卷积算法对所述声信号的相关参数进行仿真计算，得到第二仿真结果；
仿真计算模块，其对所述第一仿真结果和所述第二仿真结果进行判定，得到所述声信号的相关参数的计算结果；
故障排除模块，其通过所述计算结果，判断电抗器故障种类并予以排除。
9.一种电子设备，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，所述计算机程序被所述处理器执行时，实现权利要求1至7中任一项所述的方法。
10.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的方法。
CN202310924959.3A 2023-07-26 2023-07-26 一种基于可视化声源技术的电抗器故障诊断方法与系统 Pending CN116929539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310924959.3A CN116929539A (zh) 2023-07-26 2023-07-26 一种基于可视化声源技术的电抗器故障诊断方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310924959.3A CN116929539A (zh) 2023-07-26 2023-07-26 一种基于可视化声源技术的电抗器故障诊断方法与系统

Publications (1)

Publication Number Publication Date
CN116929539A true CN116929539A (zh) 2023-10-24

Family

ID=88384128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310924959.3A Pending CN116929539A (zh) 2023-07-26 2023-07-26 一种基于可视化声源技术的电抗器故障诊断方法与系统

Country Status (1)

Country Link
CN (1) CN116929539A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117825898A (zh) * 2024-03-04 2024-04-05 国网浙江省电力有限公司电力科学研究院 一种gis分布式振声联合监测方法、装置及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117825898A (zh) * 2024-03-04 2024-04-05 国网浙江省电力有限公司电力科学研究院 一种gis分布式振声联合监测方法、装置及介质
CN117825898B (zh) * 2024-03-04 2024-06-11 国网浙江省电力有限公司电力科学研究院 一种gis分布式振声联合监测方法、装置及介质

Similar Documents

Publication Publication Date Title
CN112560822B (zh) 一种基于卷积神经网络的道路声信号分类方法
EP3232686B1 (en) Neural network-based loudspeaker modeling with a deconvolution filter
CN102089633B (zh) 用于重建声学场的方法
JP5220922B2 (ja) 音場の再構成
CN112565119B (zh) 一种基于时变混合信号盲分离的宽带doa估计方法
CN110109058A (zh) 一种平面阵列反卷积声源识别方法
Fernandez-Grande et al. Generative models for sound field reconstruction
CN116929539A (zh) 一种基于可视化声源技术的电抗器故障诊断方法与系统
Bai et al. Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas
Kershenbaum et al. An image processing based paradigm for the extraction of tonal sounds in cetacean communications
Emmetiere et al. Passive source depth discrimination in deep-water
Tian et al. Joint learning model for underwater acoustic target recognition
Zhongming et al. A monotonic two-step iterative shrinkage/thresholding algorithm for sound source identification based on equivalent source method
CN112014791B (zh) 存在阵列误差的阵列pca-bp算法的近场源定位方法
CN1659926B (zh) 表示声场的方法和系统
Adalbjörnsson et al. Sparse localization of harmonic audio sources
Tsokaktsidis et al. Using rectified linear unit and swish based artificial neural networks to describe noise transfer in a full vehicle context
US6996481B2 (en) Reconstruction of transient acoustic radiation from a finite object subject to arbitrarily time-dependent excitation
Olivieri et al. Physics-informed neural network for volumetric sound field reconstruction of speech signals
CN113919389A (zh) 一种基于声纹成像的gis故障诊断方法及系统
Johnson et al. Surface shape reconstruction from phaseless scattered acoustic data using a random forest algorithm
Niu et al. Deep learning for ocean acoustic source localization using one sensor
CN107907591B (zh) 多组分固液两相混合物组分浓度的超声检测系统和方法
CN114252148B (zh) 一种基于长椭球波叠加的声场重建方法
Scholte Fourier based high-resolution near-field sound imaging

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