CN117056814B - 一种变压器声纹振动故障诊断方法 - Google Patents
一种变压器声纹振动故障诊断方法 Download PDFInfo
- Publication number
- CN117056814B CN117056814B CN202311313870.XA CN202311313870A CN117056814B CN 117056814 B CN117056814 B CN 117056814B CN 202311313870 A CN202311313870 A CN 202311313870A CN 117056814 B CN117056814 B CN 117056814B
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer
- vibration
- voiceprint
- space
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 108
- 239000013598 vector Substances 0.000 claims description 174
- 230000002123 temporal effect Effects 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000004804 winding Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种变压器声纹振动故障诊断方法,其包括:获取变压器正常状态以及故障状态下的声纹振动信号,分类后形成声纹振动数据样本集,提取获取的所述声纹振动信号频谱图中的数字特征,通过空间—时间特征提取模型搭建待训练网络诊断模型,将获取的变压器声纹信号输入至所述待训练网络诊断模型进行训练,得到网络诊断模型,将获取的故障变压器声纹振动信号输入至所述网络诊断模型,判断故障类型。本申请通过提取获取的所述声纹振动信号频谱图中的数字特征,空间—时间特征提取模型能完成对空间特征信息和时间特征信息的提取,建立的网络诊断模型能够对变压器的故障类型给出更为准确、迅速的识别结果,提高识别准确率。
Description
技术领域
本申请涉及电力设备故障诊断领域,具体地,涉及一种变压器声纹振动故障诊断方法。
背景技术
在电力系统高速发展和电压等级不断提高、电力变压器日益小型化的情况下﹐电力变压器的故障监测对电力系统的稳定运行具有重要意义。传统的检测方法通常是离线检测,即需要变压器退出运行,此类方法不能在线的反映变压器的运行状态,而且对变压器的内部机械损伤检测效果不明显。近年来,变压器的在线检测手段应用广泛,其中比较常见的就是声纹振动信号的判别,检测时与设备无电气连接,对绕组细微形变反应灵敏,声纹振动信号的识别是判断变压器运行状况的有效手段,高效准确检测和处理振动信号并对设备做出状态评估,已成为相关工作人员十分重视的问题。
电力变压器的噪声来自振动,振动是由内部多个元件共同振动产生的,其中主要包括绕组所受的电磁力发生轴向和辐向运动,绕组所受的力超出承受范围就会发生形变,绝缘强度损坏,从而造成事故的发生。铁芯的磁致伸缩效应、与铁芯连接的螺栓松动、温度变化、绝缘垫块破损等都会导致硅钢片发生位移从而产生振动信号。通过对其振动模型进行力学分析,可得到振动基频是电源频率的两倍。因此,可以提取有效的振动特征信息判断当前变压器运行状况。变压器内部缺陷类型识别相关学者做了大量的工作,也在实际应用中避免了很多故障的发生,但是由于振动信号的复杂性,关于振动信号准确识别仍然是目前电力设备亟需解决却具有很大挑战的难题。长期以来,对于振动信号的采集都伴随着外界噪声信号的干扰和传播过程中的衰减,这些噪声信号会对本体振动信号特征信息有影响。近几年,有许多学者通过采用多种办法对声纹信号诊断,但都需要大量的经验数据,对不同的变压器诊断效果适应性较差。总之,为了解决以上问题,需要提出一种新的方法诊断声纹振动故障。
发明内容
基于上述问题,本申请实施例提供了一种变压器声纹振动故障诊断方法,以解决上述现有技术中存在的问题。
本申请实施例公开了如下技术方案:本申请实施例提供了一种变压器声纹振动故障诊断方法,包括对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集,所述声纹振动数据样本集包括:变压器声纹振动信号中的频谱特征向量。提取所述声纹振动数据样本集中的运行状态表征特征。通过空间—时间特征提取模型搭建待训练网络诊断模型。基于所述运行状态表征特征对所述待训练网络诊断模型进行训练,得到训练完成的网络诊断模型。将待识别的故障变压器声纹振动信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型。
可选地,在本申请的任一实施例中,所述对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集,包括:对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签。基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集。
可选地,在本申请的任一实施例中,所述基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集,包括:对具有标签的变压器声纹振动样本数据进行时频谱转换,以得到时频谱图。提取所述时频谱图中的特征向量,以形成所述声纹振动数据样本集。
可选地,在本申请的任一实施例中,所述对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签,包括:对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,得到正常类型以及故障类型。为所述正常类型以及故障类型分别设置标签,并将所述标签进行汇总,以形成所述声纹振动数据样本集。
可选地,在本申请的任一实施例中,所述空间—时间特征提取模型包括空间特征提取模型、时间特征提取模型。所述基于所述运行状态表征特征对所述待训练网络诊断模型进行训练,得到训练完成的网络诊断模型,包括:所述空间特征提取模型基于所述运行状态表征特征得到空间特征向量,以对所述空间特征提取模型进行训练。所述时间特征提取模型基于所述空间特征向量得到时间特征向量,以对所述时间特征提取模型进行训练。
可选地,在本申请的任一实施例中,所述时间特征提取模型执行如下步骤以基于所述空间特征向量得到时间特征向量:对所述空间特征向量进行模数转换处理,得到空间特征数字化值。对所述空间特征数字化值进行逻辑处理,得到逻辑化空间特征数字化值。对所述逻辑化空间特征数字化值进行筛选处理,得到时间特征向量。
可选地,在本申请的任一实施例中,所述时间特征提取模型包括:输出层。
所述输出层用于执行如下操作以输出故障变压器的故障类型以训练所述空间特征提取模型和所述时间特征提取模型中至少其一:对所述空间特征向量和时间特征向量型进行优化,得到优化后的空间特征向量和时间特征向量。对所述优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量。根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值。
选出其中所述每种声纹振动故障类别的概率值最大的类型所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
可选地,在本申请的任一实施例中,所述输出层,包括:Dropout层、全连接层、Softmax层组成和输出结果层。
所述Dropout层基于所述空间特征向量和时间特征向量型得到优化后的空间特征向量和时间特征向量。所述全连接层将优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量。所述Softmax层根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值。所述输出结果层选出其中概率值最大所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
可选地,在本申请的任一实施例中,所述时间特征提取模型包括:输入门,输出门,遗忘门。所述输入门用于确定当前时刻输入的空间特征向量保存到所述当前时刻的数量。所述输出门用于确定所述空间特征向量的输出数量。所述遗忘门用于确定所述当前时刻中保存的上一时刻的空间特征向量的数量。
可选地,在本申请的任一实施例中,所述将待识别的故障变压器声纹信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型,包括:所述训练完成的网络诊断模型从所述待识别的故障变压器声纹信号中提取对应的空间特征向量和时间特征向量,以基于所述待识别的故障变压器声纹信号对应的空间特征向量和时间特征向量判断所述故障变压器的故障类型。
本实施例提供了一种变压器声纹振动故障诊断方法,其包括:获取变压器正常状态以及故障状态下的声纹振动信号,分类后形成声纹振动数据样本集,提取获取的所述声纹振动信号频谱图中的数字特征,通过空间—时间特征提取模型搭建待训练网络诊断模型,将获取的变压器声纹信号输入至所述待训练网络诊断模型进行训练,得到网络诊断模型,将获取的故障变压器声纹振动信号输入至所述网络诊断模型,判断故障类型。本申请通过提取获取的所述声纹振动信号频谱图中的数字特征,空间—时间特征提取模型能完成对空间特征信息和时间特征信息的提取,建立的网络诊断模型能够对变压器的故障类型给出更为准确、迅速的识别结果,提高识别准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一中变压器声纹振动故障诊断方法流程示意图;
图2为本申请实施例一中空间—时间特征提取模型声纹信号时域图及其频域图;
图3为本申请实施例一中时间特征提取模型结构图;
图4为本申请实施例一中空间—时间特征提取模型框架;
图5为本申请实施例一中网络诊断模型诊断变压器运行状态识别结果。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅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。
图1为本申请实施例提供的一种变压器声纹振动故障诊断方法的流程示意图。如图1所示,其包括:S101、对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集。
其中所述声纹振动数据样本集包括变压器声纹振动信号中的频谱特征向量。
可选地,在本申请的任一实施例中,为获得变压器声纹振动样本数据,所述方法还包括:收集所述变压器声纹振动样本数据,并对其进行模数转换处理,经过处理得到数字化声纹振动数据。对所述数字化声纹振动数据进行时频转换处理,得到所述频谱特征向量,以形成所述声纹振动数据样本集。在其他实施例中,如果已存在变压器声纹振动样本数据,不包括收集所述变压器声纹振动样本数据过程。
可选地,在本申请的任一实施例中,基于数据处理单元实施上述收集、频谱转换等步骤,其可以包括:数据计算单元、存储单元。所述数据计算单元对所述变压器声纹振动样本数据进行时频转换处理得到所述频谱特征向量,并将其按照所述正常状态和故障状态进行分类,汇总后形成所述声纹振动数据样本集。所述存储单元用于储存所述声纹振动数据样本集。通过存储单元对声纹振动数据样本集进行存储,便于后续操作时对声纹振动数据样本集的调用。
可选地,在本申请的任一实施例中,所述故障状态为内部机械故障,其包括但不限于:铁芯的磁致伸缩效应、与铁芯连接的螺栓松动、温度变化、绝缘垫块破损等。
可选地,在本申请的任一实施例中,所述变压器为干式变压器,此处干式变压器仅为示例,并非为唯一限定。
可选地,在本申请的任一实施例中,所述对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集包括:对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签。
示例性的,本申请中标签指变压器故障类型,所述标签是一个离散的类别变量,用于训练和评估机器学习模型的目标变量。本申请中标签仅为示例,标签内容并非唯一性限定。
示例性的,所述声纹振动数据样本集包括变压器声纹振动信号中的频谱特征向量。所述正常状态为变压器正常工作未发生故障时,对正常状态下的变压器声纹振动样本数据进行收集并分类,其作用是用以与故障状态下变压器声纹振动样本数据进行对比,从而判别是否出现故障。基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集。所述声纹振动数据样本集是一个包含了变压器声纹振动信号中的频谱特征向量的数据集合,通常以表格形式出现。每一列代表一个特定频谱特征向量,每一行都对应于某一特定频谱特征向量数据集的数值或问题。本申请对所述声纹振动数据样本集的内容不做具体限定。
示例性的,所述声纹振动数据样本集的创建主要包括,内部标注、第三方标注以及众包标注,本申请对创建声纹振动数据样本集的方法不做具体限定。声纹振动数据样本集的创建可以使输入的数据更加规范,便于搭建的空间—时间特征提取模型进行学习,且数据集中,更加高效地处理,在一定范围内便于评估网络诊断模型的效果。
可选地,在本申请的任一实施例中,所述对基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集,包括:对具有标签的变压器声纹振动样本数据进行时频谱转换,以得到时频谱图。提取所述时频谱图中的特征向量,以形成所述声纹振动数据样本集。
可选地,在本申请的任一实施例中,所述对具有标签的变压器声纹振动样本数据进行时频谱转换,即采用傅里叶变换将声纹振动数据信号在时间轴随时间变化的总体概括的时域信号转换为频率域,以得到时频谱图,包括:对具有标签的变压器声纹振动样本数据进行截取以得到变压器声纹振动样本数据段对所述变压器声纹振动样本数据段进行时频谱转换,以得到时频谱图。通过时频谱转换将难以表示的时域信号分解得到正弦信号,更加直观方便的对所述变压器声纹振动信号进行分析。
图2为本申请实施例一中空间—时间特征提取模型声纹信号时域图及其频域图,如图2所示:示例性的,基于截取的0.1s内,基频为100Hz变压器声纹振动样本数据,绘制时域图,经傅里叶变换将声纹振动数据信号在时间轴随时间变化的时域信号转换为频率域,绘制频谱图,从而得到时频谱图。
可选地,在本申请的任一实施例中,所述变压器声纹振动样本数据段根据所述具有标签的变压器声纹振动样本数据按照如下方式进行截取:获取变压器正常状态以及故障状态下的时间为0.1s、采样频率为51200Hz的所述声纹振动数据。
本申请中对变压器声纹振动样本数据段取值仅为示例,取值参数并非唯一性限定。
可选地,在本申请的任一实施例中,所述对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签,包括:对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,得到正常类型以及故障类型。为所述正常类型以及故障类型分别设置标签,并将所述标签进行汇总,以形成所述声纹振动数据样本集。
S102、提取所述声纹振动数据样本集中的运行状态表征特征。
可选地,在本申请的任一实施例中,所述运行状态表征特征,包括但不限于:基频比重,振动熵,频率重心。本申请通过空间—时间特征提取模型,可以实现变压器带电作业条件下,对空间特征信息和时间特征信息的提取,提高模型检测准确度。
示例性的,所述基频比重P100的计算公式为,f为频率,f max为声纹信号中的最大频率,A f 为频率分量f处频率幅值,A100为频率分量100Hz处的频率幅值。一般认为变压器箱体振动频率以电源频率的两倍为基频,根据变压器振动信号的特性,基频的频率分量范围一般处于100Hz~1200Hz的频率区间内。本实施例中,以100Hz为基频对应的频率分量为例。
示例性的,所述振动熵H的计算公式为,p f 为声纹信号在各个频率分量中占的比重。
本实施例中,通过振动熵表征声纹信号频谱中频率的多样性。
示例性的,所述频率重心f G的计算公式为。
上述实例中,计算基频比重、振动熵、频率重心具体的公式为示例,并非唯一性限定。在基频比重中,选取频率分量为100Hz去计算为示例,并非唯一性限定。所述变压器出现的故障,基频比重、频率重心和振动熵所对应的故障类型仅为示例,并非唯一限定。
本实施例中,通过比较振动熵、频率重心、基频比重判断变压器故障类型。当振动熵值超过阈值,且基频比重值减小,则表明变压器出现故障。再通过将频率重心值与不同的变压器故障类型频率重心预设值进行比较,判断变压器故障类型。
S103、通过空间—时间特征提取模型搭建待训练网络诊断模型。
可选地,将所述频谱特征向量的尺寸设置为所述空间特征提取模型、所述时间特征提取模型的输入尺寸,将所述故障变压器的故障类型的标签数量作为所述空间—时间特征提取模型的输出,以搭建所述空间—时间特征提取模型。
可选地,在本申请的任一实施例中,所述空间—时间特征提取模型包括空空间特征提取模型、时间特征提取模型。所述空间特征提取模型、时间特征提取模型的结构不做唯一性限定,根据具体应用场景来确定。
可选地,所述空间特征提取模型基于所述运行状态表征特征得到空间特征向量,以对所述空间特征提取模型进行训练。
可选地,在本申请的任一实施例中,空间特征提取模型比如可以为人工神经网络。所述空间特征提取模型的结构不做唯一性限定,根据具体应用场景来确定其结构。
示例性的,通过将提取的所述运行状态表征特征输入至所述输入层中转化成向量表示。所述卷积层基于所述向量表示进行特征提取得到故障类型特征向量。
所述卷积层中设置有卷积核矩阵,所述向量表示与所述卷积核矩阵进行卷积,从而得到故障类型特征向量。可选地,如果要提取到更高维度的故障类型特征向量,卷积核矩阵的维度可以设置的更高。所述池化层对所述故障类型特征向量进行压缩,以得到空间特征向量。为此,通过池化层有效地降低故障类型特征向量中的冗余信息,提升空间特征提取模型的尺度不变性、旋转不变性,且防止空间特征提取模型在训练时出现过拟合。在得到所述空间特征向量之后,所述时间特征提取模型基于所述空间特征向量得到时间特征向量,以对所述时间特征提取模型进行训练。
可选地,在本申请的任一实施例中,所述时间特征提取模型比如利用时间序列对输入的空间特征向量进行处理得到时间特征向量。比如,通过时间序列与所述空间特征向量进行结合,从而得到空间—时间特征向量。
可选地,在本申请的任一实施例中,所述时间特征提取模型,包括:输入门,输出门,遗忘门。
示例性的,所述输入门用于确定当前时刻输入的空间特征向量保存到所述当前时刻的数量;所述输出门用于确定所述空间特征向量的输出数量;所述遗忘门用于确定所述当前时刻中保存的上一时刻的空间特征向量的数量。
图3为本申请实施例一中时间特征提取模型结构图,如图3所示:Ct为当前时刻空间特征向量的数量;Ct-1为上一时刻的空间特征向量的数量;ht为当前时刻输出的空间特征向量;ht-1为上一时刻的空间特征向量;tanh、为运算函数;It为输入函数(取值为0—1);Ot为输出函数;ft为遗忘函数;Xt为当前时刻输入的空间特征向量。
将上一时刻的空间特征向量ht-1、上一时刻的空间特征向量的数量Ct-1和当前时刻输入的空间特征向量Xt作为输入。基于由遗忘函数ft和运算函数组成的遗忘门,对空间特征向量ht-1和当前时刻输入的空间特征向量Xt进行变换得到变换后的空间特征向量A1。基于由输入函数It和运算函数组成的输入门,对空间特征向量ht-1进行变换得到变换后的空间特征向量A2;基于由运算函数tanh对空间特征向量ht-1和当前时刻输入的空间特征向量Xt进行变换得到变换后的空间特征向量A3。基于由输出函数Ot和运算函数组成的输出门,对空间特征向量ht-1进行变换得到变换后的空间特征向量B1,基于由运算函数tanh对空间特征向量A4。基于逻辑运算对所述Ct-1、A1、A2、A3、A4进行运算,得到当前时刻空间特征向量的数量Ct;基于逻辑运算对B1进行运算,得到当前时刻输出的空间特征向量。
上述实例中,输入门,输出门,遗忘门为示例,并非唯一性限定,可以根据具体的网络诊断模型变换三者的组合方式。通过引入输入门,输出门,遗忘门三种结构,可以控制空间特征向量的流向,因此能有效地进行对空间特征向量中的时间特征信息进行筛选,从而提高模型运行速度。
图4为本申请实施例一中空间—时间特征提取模型框架,如图4所示,其包括:两个卷积层、两个池化层、时间特征提取模型、Dropout层、全连接层、softmax层。将上述向量表示的运行状态特征,第一卷积层基于所述向量表示的运行状态特征进行特征提取得到故障类型特征向量;第一池化层对所述故障类型特征向量进行压缩,以得到一次压缩空间特征向量。第二卷积层基于所述一次压缩空间特征向量进行特征提取得到二次故障类型特征向量;第二池化层对所述二次故障类型特征向量进行压缩,以得到二次压缩空间特征向量。第一时间特征提取模型基于二次压缩空间特征向量得到时间特征向量。第二时间特征提取模型基于时间特征向量得到二次时间特征向量。所述Dropout层基于所述二次时间特征向量得到优化后的时间特征向量。全连接层将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量;Softmax层根据所述时间特征映射向量,预测每种声纹振动故障类别的概率值;输出结果层选出其中概率值最大所对应的声纹振动故障类别作为故障标签,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
经过二次卷积层提取和二次池化层压缩后的特征向量,提取到的空间特征向量可以有效地减少训练参数,提高空间特征提取模型训练效率,降低信息的冗余,避免过拟合的情况。经过两次时间特征提取模型对特征向量的提取,能够提高时间特征提取模型训练的效率,获得更高的准确性。所述空间-时间特征提取模型的结构不做唯一性限定,根据具体应用场景来确定其结构。
可选地,在本申请的任一实施例中,所述时间特征提取模型包括:输出层。所述输出层用于执行如下操作以输出故障变压器的故障类型以训练所述空间特征提取模型和所述时间特征提取模型中至少其一:对所述空间特征向量和时间特征向量型进行优化,得到优化后的空间特征向量和时间特征向量;对所述优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量;根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值;选出其中所述每种声纹振动故障类别的概率值最大的类型所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。在训练所述空间特征提取模型和所述时间特征提取模型中至少其一时,比如通过梯度下降法来调整所述空间特征提取模型和所述时间特征提取模型中至少其一的模型参数,以达到概率值最大的类型所对应的声纹振动故障类别匹配实际对应的声纹振动故障类别(即后续标签)。
可选地,在本申请的任一实施例中,所述输出层,包括:Dropout层、全连接层、Softmax层组成和输出结果层。
示例性的,所述Dropout层基于所述空间特征向量和时间特征向量型得到优化后的空间特征向量和时间特征向量。Dropout层随机删掉输入的空间特征向量和时间特征向量中一半的隐藏神经元,输入输出神经元保持不变,然后把得到的损失结果通过修改的网络反向传播。训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数,继续重复这一过程:经过Dropout层之后,解决了空间特征模型和时间特征模型容易过拟合和空间特征模型和时间特征模型网络费时的问题。
示例性的,所述全连接层将优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量。根据习惯全连接层设置为3层。全连接层在整个空间—时间特征提取模型中起到“分类器”的作用,是将Dropout层的优化后的全部空间特征向量和时间特征向量,重新通过权值矩阵组装成完整的向量。本申请中对全连接层取值仅为示例,取值参数并非唯一性限定。所述Softmax层根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值。Softmax层所采用的Softmax是非线性的,可以处理线性模型无法处理的问题,且输出为概率分布,为空间特征向量提取模型和时间特征向量提取模型此类非线性模型的输出提供了方便。所述输出结果层选出其中概率值最大所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
图5为本申请实施例一中网络诊断模型诊断变压器运行状态识别结果;如图5所示:通过采用本申请中的网络诊断模型分别对正常变压器、变压器绕组松动故障、变压器铁芯松动故障进行诊断,分别得到正确率88%、93%、98%,总体准确度为92.6%。通过采用CNN诊断模型分别对正常变压器、变压器绕组松动故障、变压器铁芯松动故障进行诊断,分别得到正确率71%、95.6%、97.8%,总体准确度为88.1%。通过采用LSTM诊断模型分别对正常变压器、变压器绕组松动故障、变压器铁芯松动故障进行诊断,分别得到正确率73%、83%、83%,总体准确度为79.3%。
从以上数据可以看出,本申请所提供的网络诊断模型对变压器正常状态下的诊断正确率高于CNN诊断模型和LSTM诊断模型;对变压器绕组松动故障的诊断正确率略低于CNN诊断模型,高于LSTM诊断模型;对变压器铁芯松动的诊断正确率高于CNN诊断模型,高于LSTM诊断模型;总体准确对高于CNN诊断模型,高于LSTM诊断模型。
采用空间—时间特征提取模型搭建的待训练网络诊断模型,以提取的频谱特征向量作为输入,空间特征提取模型一次提取空间特征信息,时间特征提取模型二次提取时间特征信息,经过长短期记忆网络的学习,可逐层逐步更新模型参数,从而对变压器的故障类型给出更为准确、迅速的识别结果。通过对比单独模型训练过程和识别准确率,空间—时间特征提取模型的准确率和鲁棒性优于传统的CNN模型和LSTM模型。本申请中的空间—时间特征提取模型在面对不能实现复合故障解耦的情况,完成对空间特征信息和时间特征信息的提取,保证了在变压器运行状态下对故障类型的诊断。
上述实例中,以空间—时间特征提取模型搭建待训练网络诊断模型为示例,并非唯一性限定,也可采用其他方式搭建待训练网络诊断模型。
S104、基于所述运行状态表征特征对所述待训练网络诊断模型进行训练,得到训练完成的网络诊断模型。
S105、将待识别的故障变压器声纹振动信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型。
所述待识别的故障变压器即为实际中需要诊断的故障变压器。通过本申请的方法,能够在面对不能实现复合故障解耦的情况,完成对空间特征信息和时间特征信息的提取,建立的网络诊断模型能够对变压器的故障类型给出更为准确、迅速的识别结果,提高识别准确率。
可选地,在本申请的任一实施例中,所述将待识别的故障变压器声纹信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型,包括:所述训练完成的网络诊断模型从所述待识别的故障变压器声纹信号中提取对应的空间特征向量和时间特征向量,以判断所述故障变压器的故障类型。
可选地,在本申请的任一实施例中,所述空间特征提取模型、所述时间特征提取模型中的神经元分别设置为2层和5层。本申请中对空间特征提取模型、所述时间特征提取模型中的神经元参数取值仅为示例,取值参数并非唯一性限定。
可选地,在本申请的任一实施例中,所述声纹振动数据样本集,包括:训练集和验证集。所述训练集用于训练所述待训练网络诊断模型,所述训练集对应有训练配置参数,其包括:每次训练所选取的样本数量、初试学习率、学习率衰减系数、迭代次数。
示例性的,每次训练所选取的样本数量用于控制每次输入至所述待训练网络诊断模型的训练集次数,所述每次训练所选取的样本数量取值为10、所述初试学习率取值为0.001、所述学习率衰减系数设置为0.5、所述迭代次数取值为900次,每5次学习率递减一次。
上述实例中,每次训练所选取的样本数量、初试学习率、学习率衰减系数、迭代次数、学习率递减循环次数等,取值并非唯一性限定,也可采用其他取值。
所述验证集用于验证所述训练完成的网络诊断模型识别故障类型的准确性。
示例性的,本实施例中,获取变压器声纹振动样本数据,包括但不限于如下步骤:对所述变压器声纹振动样本数据可通过变压器声纹在线监测装置进行收集,将声纹在线监测装置布置离变压器1m左右的位置,采用声纹在线监测装置,声纹在线监测装置之间距离小于1m,模拟干式变压器正常、压紧三相上螺栓和改变铁芯的预紧力三种不同的机械状态采集变压器声纹振动样本数据;收集所述变压器声纹振动样本数据,并对其进行模数转换处理,经过处理得到数字化声纹振动数据;对所述数字化声纹振动数据进行时频转换处理,得到所述频谱特征向量,以形成所述声纹振动数据样本集。
上述实例中,收集变压器声纹振动样本数据方法仅为示例,并非唯一性限定,也可采用其他方式收集变压器声纹振动样本数据。
以上所描述的实施例仅仅是示意性的,可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种变压器声纹振动故障诊断方法,其特征在于,包括:
对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集,所述声纹振动数据样本集包括变压器声纹振动信号中的频谱特征向量;
提取所述声纹振动数据样本集中的运行状态表征特征;
通过空间—时间特征提取模型搭建待训练网络诊断模型;
基于所述运行状态表征特征对所述待训练网络诊断模型进行训练,得到训练完成的网络诊断模型;
将待识别的故障变压器声纹振动信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型;
所述空间—时间特征提取模型包括空间特征提取模型、时间特征提取模型;
所述基于所述运行状态表征特征对所述待训练网络诊断模型进行训练,得到训练完成的网络诊断模型,包括:
所述空间特征提取模型基于所述运行状态表征特征得到空间特征向量,以对所述空间特征提取模型进行训练;
所述时间特征提取模型基于所述空间特征向量得到时间特征向量,以对所述时间特征提取模型进行训练;
所述时间特征提取模型执行如下步骤以基于所述空间特征向量得到时间特征向量:
对所述空间特征向量进行模数转换处理,得到空间特征数字化值;
对所述空间特征数字化值进行逻辑处理,得到逻辑化空间特征数字化值;
对所述逻辑化空间特征数字化值进行筛选处理,得到时间特征向量。
2.根据权利要求1所述的一种变压器声纹振动故障诊断方法,其特征在于,所述对变压器声纹振动样本数据按照正常状态和故障状态进行分类,以形成声纹振动数据样本集,包括:
对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签;
基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集。
3.根据权利要求2所述的一种变压器声纹振动故障诊断方法,其特征在于,所述基于具有标签的变压器声纹振动样本数据,形成所述声纹振动数据样本集,包括:
对具有标签的变压器声纹振动样本数据进行时频谱转换,以得到时频谱图;
提取所述时频谱图中的特征向量,以形成所述声纹振动数据样本集。
4.根据权利要求2所述的一种变压器声纹振动故障诊断方法,其特征在于,所述对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,以设置对应的标签,包括:
对所述变压器声纹振动样本数据按照正常状态和故障状态进行分类,得到正常类型以及故障类型;
为所述正常类型以及故障类型分别设置标签,并将所述标签进行汇总,以形成所述声纹振动数据样本集。
5.根据权利要求1所述的一种变压器声纹振动故障诊断方法,其特征在于,所述时间特征提取模型包括:输出层;
所述输出层用于执行如下操作以输出故障变压器的故障类型以训练所述空间特征提取模型和所述时间特征提取模型中至少其一:
对所述空间特征向量和时间特征向量型进行优化,得到优化后的空间特征向量和时间特征向量;
对所述优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量;
根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值;
选出其中所述每种声纹振动故障类别的概率值最大的类型所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
6.根据权利要求5所述的一种变压器声纹振动故障诊断方法,其特征在于,所述输出层,包括:Dropout层、全连接层、Softmax层组成和输出结果层;
所述Dropout层基于所述空间特征向量和时间特征向量型得到优化后的空间特征向量和时间特征向量;
所述全连接层将优化后的空间特征向量映射到样本标记空间后得到空间特征映射向量,以及将优化后的时间特征向量映射到样本标记空间后得到时间特征映射向量;
所述Softmax层根据所述空间特征映射向量和所述时间特征映射向量,预测每种声纹振动故障类别的概率值;
所述输出结果层选出其中概率值最大所对应的声纹振动故障类别,以训练所述空间特征提取模型和所述时间特征提取模型中至少其一。
7.根据权利要求6所述的一种变压器声纹振动故障诊断方法,其特征在于,所述时间特征提取模型包括输入门,输出门,遗忘门;
所述输入门用于确定当前时刻输入的空间特征向量保存到所述当前时刻的数量;
所述输出门用于确定所述空间特征向量的输出数量;
所述遗忘门用于确定所述当前时刻中保存的上一时刻的空间特征向量的数量。
8.根据权利要求1所述的一种变压器声纹振动故障诊断方法,其特征在于,所述将待识别的故障变压器声纹信号输入至所述训练完成的网络诊断模型,以判断故障变压器的故障类型,包括;
所述训练完成的网络诊断模型从所述待识别的故障变压器声纹信号中提取对应的空间特征向量和时间特征向量,以基于所述待识别的故障变压器声纹信号对应的空间特征向量和时间特征向量判断所述故障变压器的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313870.XA CN117056814B (zh) | 2023-10-11 | 2023-10-11 | 一种变压器声纹振动故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313870.XA CN117056814B (zh) | 2023-10-11 | 2023-10-11 | 一种变压器声纹振动故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056814A CN117056814A (zh) | 2023-11-14 |
CN117056814B true CN117056814B (zh) | 2024-01-05 |
Family
ID=88664818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311313870.XA Active CN117056814B (zh) | 2023-10-11 | 2023-10-11 | 一种变压器声纹振动故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056814B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
CN112577745A (zh) * | 2020-12-02 | 2021-03-30 | 上海应用技术大学 | 一种基于1d-cnn的滚动轴承故障诊断方法 |
CN113191240A (zh) * | 2021-04-23 | 2021-07-30 | 石家庄铁道大学 | 轴承故障诊断的多任务深度神经网络方法及装置 |
US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
CN115270860A (zh) * | 2022-07-18 | 2022-11-01 | 国网信息通信产业集团有限公司 | 一种变压器异常诊断方法、系统及诊断设备 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
CN115753101A (zh) * | 2022-06-22 | 2023-03-07 | 河北工业大学 | 一种基于权重自适应特征融合的轴承故障诊断方法 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN116028865A (zh) * | 2023-01-06 | 2023-04-28 | 哈尔滨工业大学 | 基于特征扩增的航空发动机故障诊断方法 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN116399592A (zh) * | 2023-04-14 | 2023-07-07 | 上海海事大学 | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 |
CN116680561A (zh) * | 2023-03-29 | 2023-09-01 | 南京航空航天大学 | 一种变转速和样本不均衡下基于gan-ae-lstm的锥齿轮故障诊断方法 |
CN116758922A (zh) * | 2023-04-25 | 2023-09-15 | 广西电网有限责任公司来宾供电局 | 一种用于变压器的声纹监测与诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210397177A1 (en) * | 2020-06-18 | 2021-12-23 | Villanova University | Fault diagnostics systems and methods |
CN114235415B (zh) * | 2022-02-28 | 2022-06-03 | 浙江大学 | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 |
-
2023
- 2023-10-11 CN CN202311313870.XA patent/CN117056814B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
CN112577745A (zh) * | 2020-12-02 | 2021-03-30 | 上海应用技术大学 | 一种基于1d-cnn的滚动轴承故障诊断方法 |
CN113191240A (zh) * | 2021-04-23 | 2021-07-30 | 石家庄铁道大学 | 轴承故障诊断的多任务深度神经网络方法及装置 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN115753101A (zh) * | 2022-06-22 | 2023-03-07 | 河北工业大学 | 一种基于权重自适应特征融合的轴承故障诊断方法 |
CN115270860A (zh) * | 2022-07-18 | 2022-11-01 | 国网信息通信产业集团有限公司 | 一种变压器异常诊断方法、系统及诊断设备 |
CN116028865A (zh) * | 2023-01-06 | 2023-04-28 | 哈尔滨工业大学 | 基于特征扩增的航空发动机故障诊断方法 |
CN116680561A (zh) * | 2023-03-29 | 2023-09-01 | 南京航空航天大学 | 一种变转速和样本不均衡下基于gan-ae-lstm的锥齿轮故障诊断方法 |
CN116399592A (zh) * | 2023-04-14 | 2023-07-07 | 上海海事大学 | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 |
CN116758922A (zh) * | 2023-04-25 | 2023-09-15 | 广西电网有限责任公司来宾供电局 | 一种用于变压器的声纹监测与诊断方法 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于开机过程信息融合的水电机组故障诊断方法;彭兵;周建中;方仍存;向秀桥;张勇传;;电力系统自动化(第13期);80-84 * |
基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法;李恒;张氢;秦仙蓉;孙远韬;;振动与冲击(第19期);132-139 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056814A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11474163B2 (en) | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN108398268A (zh) | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN111259921A (zh) | 一种基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN110287583B (zh) | 基于循环神经网络的工业设备剩余寿命预测方法 | |
CN107545307A (zh) | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 | |
CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和系统 | |
CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
CN117056814B (zh) | 一种变压器声纹振动故障诊断方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN110110784B (zh) | 一种基于变压器相关运行数据的变压器故障辨识方法 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 |
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 |