CN117109730B - 基于人工智能的变压器故障诊断系统及方法 - Google Patents
基于人工智能的变压器故障诊断系统及方法 Download PDFInfo
- Publication number
- CN117109730B CN117109730B CN202311370675.0A CN202311370675A CN117109730B CN 117109730 B CN117109730 B CN 117109730B CN 202311370675 A CN202311370675 A CN 202311370675A CN 117109730 B CN117109730 B CN 117109730B
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer
- real
- target transformer
- time
- 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 98
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000012634 fragment Substances 0.000 claims abstract description 110
- 230000007246 mechanism Effects 0.000 claims abstract description 78
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 230000000875 corresponding effect Effects 0.000 claims description 150
- 238000013528 artificial neural network Methods 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 28
- 239000000725 suspension Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
- 238000012360 testing method 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
- 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
-
- 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
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/16—Measuring asymmetry of polyphase networks
-
- 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
- G01R31/40—Testing power supplies
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于人工智能的变压器故障诊断系统及方法,涉及变压器管理领域,所述系统包括:声音采集机构,用于采集运行中的目标变压器所在环境的持续设定时长的实时声音片段;标识存储机构,用于存储与声音异常相关的各类故障类型分别对应的各个故障编码;数据鉴定机构,用于采用AI鉴定模型基于目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码。本发明还涉及一种基于人工智能的变压器故障诊断方法。通过本发明,能够在判断变压器声音异常时,采用定制的智能模型基于筛选出的各项基础数据完成对变压器当前与声音关联的故障类型的有效定位,从而提升了故障诊断的智能化水准。
Description
技术领域
本发明涉及变压器智能运维领域,尤其涉及一种基于人工智能的变压器故障诊断系统及方法。
背景技术
声音异常是变压器运行不正常的主要原因之一。变压器正常运行时,会发出连续均匀的嗡嗡声。如果声音不均匀或有其他特殊的响声,就应视为变压器运行不正常。变压器常见的故障原因包括固定螺丝松动、高压侧电源缺相、负荷过高或过载等。此外,变压器内部部件的损坏、短路等也会导致声音异常。通过分析声音异常,可以判断变压器是否发生故障,并采取相应的措施。
示例地,中国发明专利公开文本CN114333907A提出了一种变压器运行健康值评价方法,该方法包括以下步骤:1)选取多个声音特征并为每个声音特征确定声音特征第一阈值与声音特征第二阈值;2)为每个声音特征赋予权重;3)根据声音特征权重与声音特征第一阈值、声音特征第二阈值确定变压器运行健康指标,所述变压器运行健康指标包括第一健康指标阈值与第二健康指标阈值。本发明能够实现对变压器运行健康值的量化评价。
示例地,中国发明专利公开文本CN116451079A提出了一种面向超算平台的电力变压器故障声音诊断方法,该方法包括以下步骤:构建电力变压器故障声音诊断的教师模型的训练系统;对教师模型进行训练;根据训练后的教师模型构建电力变压器故障声音诊断的知识蒸馏系统;将教师模型的知识转移到学生模型;用学生模型进行运维现场的变压器故障声音诊断。本发明同时训练多个大规模的教师模型,使得每个模型都具有良好的诊断准确率。
显然,上述现有技术仅仅限于基于简单的智能分析模式对变压器进行基于声音信息的故障诊断,诊断的结果是一个粗糙的评价数值,无法具体定位到哪一种与声音异常关联的具体变压器故障类型,同时需要对所有声音进行诊断,而不是仅仅对异常声音进行诊断,关键原因在于缺乏高精度、针对性的智能分析模式以及难以有效判断变压器异常声音,从而使得诊断数据精度较差、定位能力低下,同时无差别的基于声音信号的故障诊断又浪费了大量的系统能耗。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种基于人工智能的变压器故障诊断系统及方法,能够采用针对性的判断机制判断变压器的异常声音,尤为关键的是,引用定制构建的智能模型基于筛选出的各项基础数据完成对变压器当前与声音关联的故障类型的精确定位,从而提升了变压器故障诊断的针对性,同时缩减了整个诊断系统的能耗。
根据本发明的一方面,提供了一种基于人工智能的变压器故障诊断系统,所述系统包括:
声音采集机构,设置在到达目标变压器为设定距离的位置处,用于在目标变压器运行时,采集目标变压器所在环境的持续设定时长的实时声音片段,还用于在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
异常分析机构,与所述声音采集机构连接,用于在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
标识存储机构,用于存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
模型学习机构,用于对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
数据鉴定机构,分别与所述声音采集机构、所述模型学习机构、所述异常分析机构以及所述标识存储机构连接,用于在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练。
根据本发明的另一方面,提供了一种基于人工智能的变压器故障诊断方法,所述方法包括:
在目标变压器运行时,在到达目标变压器为设定距离的位置处采集目标变压器所在环境的持续设定时长的实时声音片段,以及在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练。
由此可见,本发明至少具备以下四处显著的技术进步:
(1)筛选用于后续目标变压器故障类型智能鉴定所需要的各项基础数据,包括在到达目标变压器为设定距离的位置处采集的持续设定时长的实时声音片段对应的多点信号幅值、目标变压器的各项配置数据、持续设定时长以及设定距离,从而为与声音相关的故障类型的智能鉴定提供全面数据;
(2)仅仅在目标变压器对应的实时声音片段处于分布不均匀或者幅值超过设定幅值限量的状态时,方判定目标变压器异常以启动对目标变压器与声音异常关联的故障类型的诊断,从而在保证诊断针对性的同时尽可能减少误动作发生,降低了整个诊断系统的工作能耗;
(3)采用AI鉴定模型执行与声音相关的故障类型的智能鉴定,为保证AI鉴定模型的鉴定结果的可靠性和稳定性,对前馈神经网络执行设定数目的各次训练以获得AI鉴定模型,训练的次数与目标变压器的体积正向关联,同时对前馈神经网络执行的每一次训练为定制模式的训练,以保证每一次训练的效果;
(4)对实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级,其中,所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的基于人工智能的变压器故障诊断系统及方法的技术流程图。
图2为根据本发明的第一实施例示出的基于人工智能的变压器故障诊断系统的内部结构图。
图3为根据本发明的第二实施例示出的基于人工智能的变压器故障诊断系统的内部结构图。
图4为根据本发明的第三实施例示出的基于人工智能的变压器故障诊断系统的内部结构图。
图5为根据本发明的第四实施例示出的基于人工智能的变压器故障诊断系统的内部结构图。
图6为根据本发明的第五实施例示出的基于人工智能的变压器故障诊断系统的内部结构图。
图7为根据本发明的第六实施例示出的基于人工智能的变压器故障诊断方法的步骤流程图。
具体实施方式
如图1所示,给出了根据本发明示出的基于人工智能的变压器故障诊断系统及方法的技术流程图。
如图1所示,本发明的具体的技术流程如下:
第一步:建立AI鉴定模型,用于执行与目标变压器异常声音关联的故障类型的智能鉴定;
具体地,为了保证AI鉴定模型的鉴定结果的可靠性和稳定性,对前馈神经网络执行设定数目的各次训练以获得AI鉴定模型,训练的次数与目标变压器的体积正向关联,同时对前馈神经网络执行的每一次训练为定制模式的训练,以保证每一次训练的效果;
第二步:筛选用于智能鉴定的各项基础数据,为智能鉴定提供充足、有效的鉴定依赖信息;
示例地,所述各项基础数据包括在到达目标变压器为设定距离的位置处采集的持续设定时长的实时声音片段对应的多点信号幅值、目标变压器的各项配置数据、持续设定时长以及设定距离;
进一步地,实时声音片段对应的多点信号幅值的获取模式如下:对实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,将所述多个信号幅值作为实时声音片段对应的多点信号幅值;
第三步:采用第一步建立的AI鉴定模型基于第二步筛选的各项基础数据智能鉴定目标变压器当前与声音异常关联的故障类型,从而完成对目标变压器的定向故障类型的针对性诊断;
其中,仅仅在目标变压器对应的实时声音片段处于分布不均匀或者幅值超过设定幅值限量的状态时,方判定目标变压器异常以启动对目标变压器与声音异常关联的故障类型的诊断,从而在保证诊断针对性的同时尽可能减少误动作发生,降低了整个诊断系统的工作能耗;
以及给出了目标变压器对应的实时声音片段处于分布不均匀状态的判断机制如下:
对实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级,其中,所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低,在确定的对应的信号分布均匀等级大于设定等级限量时,判断接收到的实时声音片段信号分布均匀,否则,判断接收到的实时声音片段信号分布不均匀。
本发明的关键点在于:AI鉴定模型的定制构造机制、各项基础数据的针对性筛选机制、目标变压器当前与声音异常关联的故障类型的智能鉴定以及实时声音片段处于分布不均匀状态的有效判断机制。
下面,将对本发明的基于人工智能的变压器故障诊断系统及方法以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于人工智能的变压器故障诊断系统的内部结构图。
如图2所示,所述基于人工智能的变压器故障诊断系统包括以下部件:
声音采集机构,设置在到达目标变压器为设定距离的位置处,用于在目标变压器运行时,采集目标变压器所在环境的持续设定时长的实时声音片段,还用于在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
进一步地,所述目标变压器可以为射频变压器、音频变压器或者固态变压器中的一种;
异常分析机构,与所述声音采集机构连接,用于在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
进一步地,可以选择采用可编程逻辑器件来实现在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号的数据处理;
标识存储机构,用于存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
例如,可以采用多种类型的数据库来实现目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码的存储;
具体地,可以采用多种类型的数据库来实现目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码的存储包括:所述多种类型的数据库可以为Oracle、MySQL、微软的SQL Server、PostgreSQL、IBM的DB2、装机量最多的数据库SQLite以及大数据库的数据库Hive;
模型学习机构,用于对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
进一步地,训练的次数与目标变压器的体积正向关联包括:目标变压器的体积为4.656立方米,则训练的次数为50,目标变压器的体积为4.656立方米的两倍,则训练的次数为60,目标变压器的体积为4.656立方米的三倍,则训练的次数为80;
具体地,1600kva变压器体积是4.656立方米,其中,1600kva变压器的长、宽、高分别是1.92米、1.25米、1.94米;
数据鉴定机构,分别与所述声音采集机构、所述模型学习机构、所述异常分析机构以及所述标识存储机构连接,用于在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
进一步地,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:选择使用MATLAB工具箱实现采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码的处理过程;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练;
其中,在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号包括:对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级;
其中,对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级包括:所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低;
进一步地,所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低包括:可以采用数值映射函数表示所述多个信号幅值的标准差的数值与确定的对应的信号分布均匀等级越低的反向关联关系;
以及其中,在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号还包括:在确定的对应的信号分布均匀等级小于等于设定等级限量时,判断接收到的实时声音片段信号分布不均匀。
实施例2
图3为根据本发明的实施例2示出的基于人工智能的变压器故障诊断系统的内部结构图。
如图3所示,相比较于图2,所述基于人工智能的变压器故障诊断系统还包括:
运行判断机构,与所述声音采集机构连接,用于检测目标变压器的当前状态,并在目标变压器的当前状态为运行状态时,驱动所述声音采集机构采集目标变压器所在环境的持续设定时长的实时声音片段;
其中,所述运行判断机构还用于在目标变压器的当前状态为暂缓运行状态时,驱动所述声音采集机构停止采集目标变压器所在环境的持续设定时长的实时声音片段。
实施例3
图4为根据本发明的实施例3示出的基于人工智能的变压器故障诊断系统的内部结构图。
如图4所示,相比较于图2,所述基于人工智能的变压器故障诊断系统还包括:
模型存储机构,与所述模型学习机构连接,用于存储所述AI鉴定模型的各项模型参数;
进一步地,可以选择MMC存储器件、TF存储器件、SD存储器件或者FLASH闪存来实现所述模型存储机构。
实施例4
图5为根据本发明的实施例4示出的基于人工智能的变压器故障诊断系统的内部结构图。
如图5所示,相比较于图2,所述基于人工智能的变压器故障诊断系统还包括:
即时显示机构,与所述数据鉴定机构连接,用于接收并即时显示目标变压器当前故障类型对应的故障编码;
进一步地,可以选择LED显示阵列、LCD显示阵列或者液晶显示屏幕来实现所述即时显示机构,用于接收并即时显示目标变压器当前故障类型对应的故障编码。
实施例5
图6为根据本发明的实施例5示出的基于人工智能的变压器故障诊断系统的内部结构图。
如图6所示,相比较于图2,所述基于人工智能的变压器故障诊断系统还包括:
无线通信机构,与所述数据鉴定机构连接,用于接收并无线发送目标变压器当前故障类型对应的故障编码;
进一步地,可以选择时分双工通信机构、频分双工通信机构或者5G通信机构来实现所述无线通信机构,用于接收并无线发送目标变压器当前故障类型对应的故障编码。
接着,将继续对本发明的各个实施例进行进一步地说明。
在上述各个实施例内,进一步地,在所述基于人工智能的变压器故障诊断系统中:
针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练包括:故障变压器的各项配置数据为故障变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练还包括:在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值为,对所述实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
进一步地,对所述实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值包括:所述时间长度为2分钟,多个时间点分别为10毫秒。
在上述各个实施例内,进一步地,在所述基于人工智能的变压器故障诊断系统中:
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号还包括:在确定的对应的信号分布均匀等级大于所述设定等级限量时,判断接收到的实时声音片段信号分布均匀;
其中,所述数据鉴定机构还用于在接收到故障诊断中断信号时,暂停执行采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码的数据鉴定操作。
在上述各个实施例内,进一步地,在所述基于人工智能的变压器故障诊断系统中:
采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:将持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值并行输入到所述AI鉴定模型;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:运行所述AI鉴定模型以获得所述AI鉴定模型输出的目标变压器当前故障类型对应的故障编码;
其中,存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障包括:固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障分别对应的各个故障编码分别为0B0001、0B0010、0B0011、0B0100、0B0101和0B0110。
实施例6
图7为根据本发明的实施例6示出的基于人工智能的变压器故障诊断方法的步骤流程图。
如图7所示,所述基于人工智能的变压器故障诊断方法包括以下步骤:
在目标变压器运行时,在到达目标变压器为设定距离的位置处采集目标变压器所在环境的持续设定时长的实时声音片段,以及在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
进一步地,所述目标变压器可以为射频变压器、音频变压器或者固态变压器中的一种;
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
进一步地,可以选择采用可编程逻辑器件来实现在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号的数据处理;
存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
例如,可以采用多种类型的数据库来实现目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码的存储;
具体地,可以采用多种类型的数据库来实现目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码的存储包括:所述多种类型的数据库可以为Oracle、MySQL、微软的SQL Server、PostgreSQL、IBM的DB2、装机量最多的数据库SQLite以及大数据库的数据库Hive;
对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
进一步地,训练的次数与目标变压器的体积正向关联包括:目标变压器的体积为4.656立方米,则训练的次数为50,目标变压器的体积为4.656立方米的两倍,则训练的次数为60,目标变压器的体积为4.656立方米的三倍,则训练的次数为80;
具体地,1600kva变压器体积是4.656立方米,其中,1600kva变压器的长、宽、高分别是1.92米、1.25米、1.94米;
在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
进一步地,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:选择使用MATLAB工具箱实现采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码的处理过程;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练;
其中,在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号包括:对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级;
其中,对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级包括:所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低;
进一步地,所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低包括:可以采用数值映射函数表示所述多个信号幅值的标准差的数值与确定的对应的信号分布均匀等级越低的反向关联关系;
以及其中,在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号还包括:在确定的对应的信号分布均匀等级小于等于设定等级限量时,判断接收到的实时声音片段信号分布不均匀。
另外,在根据本发明的基于人工智能的变压器故障诊断系统及方法中:
针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练包括:选择使用MATLAB工具箱实现针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练的数据处理过程的仿真和测试;
其中,针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练还包括:采用各个故障变压器分别完成对前馈神经网络执行的各次训练。
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 (6)
1.一种基于人工智能的变压器故障诊断系统,其特征在于,所述系统包括:
声音采集机构,设置在到达目标变压器为设定距离的位置处,用于在目标变压器运行时,采集目标变压器所在环境的持续设定时长的实时声音片段,还用于在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
异常分析机构,与所述声音采集机构连接,用于在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
标识存储机构,用于存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
模型学习机构,用于对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
数据鉴定机构,分别与所述声音采集机构、所述模型学习机构、所述异常分析机构以及所述标识存储机构连接,用于在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号包括:对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级;
其中,对接收到的实时声音片段持续的时间长度范围内进行均匀分割以获得多个时间点,获取所述多个时间点分别对应的多个信号幅值,基于所述多个信号幅值的标准差的数值确定对应的信号分布均匀等级包括:所述多个信号幅值的标准差的数值越大,确定的对应的信号分布均匀等级越低;
其中,在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号还包括:在确定的对应的信号分布均匀等级小于等于设定等级限量时,判断接收到的实时声音片段信号分布不均匀;
所述系统还包括:
运行判断机构,与所述声音采集机构连接,用于检测目标变压器的当前状态,并在目标变压器的当前状态为运行状态时,驱动所述声音采集机构采集目标变压器所在环境的持续设定时长的实时声音片段;
其中,所述运行判断机构还用于在目标变压器的当前状态为暂缓运行状态时,驱动所述声音采集机构停止采集目标变压器所在环境的持续设定时长的实时声音片段;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
所述系统还包括:
模型存储机构,与所述模型学习机构连接,用于存储所述AI鉴定模型的各项模型参数;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
所述系统还包括:
即时显示机构,与所述数据鉴定机构连接,用于接收并即时显示目标变压器当前故障类型对应的故障编码;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练。
2.如权利要求1所述的基于人工智能的变压器故障诊断系统,其特征在于,所述系统还包括:
无线通信机构,与所述数据鉴定机构连接,用于接收并无线发送目标变压器当前故障类型对应的故障编码。
3.如权利要求1所述的基于人工智能的变压器故障诊断系统,其特征在于:
针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练包括:故障变压器的各项配置数据为故障变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练还包括:在故障变压器运行时在到达故障变压器为设定距离处采集的持续设定时长的实时声音片段对应的多点信号幅值为,对所述实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值。
4.如权利要求2所述的基于人工智能的变压器故障诊断系统,其特征在于:
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号还包括:在确定的对应的信号分布均匀等级大于所述设定等级限量时,判断接收到的实时声音片段信号分布均匀;
其中,所述数据鉴定机构还用于在接收到故障诊断中断信号时,暂停执行采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码的数据鉴定操作。
5.如权利要求2所述的基于人工智能的变压器故障诊断系统,其特征在于:
采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:将持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值并行输入到所述AI鉴定模型;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:运行所述AI鉴定模型以获得所述AI鉴定模型输出的目标变压器当前故障类型对应的故障编码;
其中,存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障包括:固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障分别对应的各个故障编码分别为0B0001、0B0010、0B0011、0B0100、0B0101和0B0110。
6.一种基于人工智能的变压器故障诊断方法,应用如权利要求1-5任一项所述的基于人工智能的变压器故障诊断系统,其特征在于,所述方法包括:
在目标变压器运行时,在到达目标变压器为设定距离的位置处采集目标变压器所在环境的持续设定时长的实时声音片段,以及在目标变压器暂缓运行时,停止采集目标变压器所在环境的持续设定时长的实时声音片段;
在接收到的实时声音片段信号分布不均匀或者幅值超过设定幅值限量时,发出故障诊断触发信号,否则,发出故障诊断中断信号;
存储目标变压器与声音异常相关的各类故障类型分别对应的各个故障编码,所述与声音异常相关的各类故障类型包括固定螺丝松动故障、高压侧电源缺相故障、负荷过高故障、负载过载故障、部件损坏故障和部件短路故障;
对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联;
在接收到故障诊断触发信号时,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码包括:目标变压器的各项配置数据为目标变压器的体积、重量、输入电压、输出电压以及变压器整体阻抗;
其中,采用AI鉴定模型基于持续设定时长、设定距离、目标变压器的各项配置数据以及实时声音片段对应的多点信号幅值智能鉴定目标变压器当前故障类型对应的故障编码还包括:实时声音片段对应的多点信号幅值为对实时声音片段持续的时间长度范围内进行均匀分割所获得的多个时间点分别对应的多个信号幅值;
其中,对前馈神经网络执行设定数目的各次训练以获得完成各次训练后的前馈神经网络,并作为AI鉴定模型输出,训练的次数与目标变压器的体积正向关联包括:针对已知发生某一故障类型的故障变压器,将所述某一故障类型对应的故障编码作为前馈神经网络的输出内容,将在故障变压器运行时采集的持续设定时长的实时声音片段对应的多点信号幅值、设定距离、持续设定时长以及故障变压器的各项配置数据作为前馈神经网络的并行输入内容,完成对前馈神经网络执行的单次训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370675.0A CN117109730B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的变压器故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370675.0A CN117109730B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的变压器故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117109730A CN117109730A (zh) | 2023-11-24 |
CN117109730B true CN117109730B (zh) | 2024-01-12 |
Family
ID=88795075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370675.0A Active CN117109730B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的变压器故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117109730B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10288639A (ja) * | 1997-02-13 | 1998-10-27 | Toshiba Corp | 電気機器の異常監視装置および方法 |
JP2010230455A (ja) * | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 漏電検出装置 |
CN110672313A (zh) * | 2019-10-22 | 2020-01-10 | 上海声茵科技有限公司 | 一种基于声音信号的故障诊断方法及其设备 |
CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 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 |
CN111398723A (zh) * | 2020-04-17 | 2020-07-10 | 上海数深智能科技有限公司 | 一种变压器故障智能诊断的模型方法 |
CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
CN112880750A (zh) * | 2021-03-26 | 2021-06-01 | 山东和兑智能科技有限公司 | 一种变压器多维度综合在线监测智能诊断系统 |
KR102264773B1 (ko) * | 2020-11-30 | 2021-06-15 | 주식회사 국제기술인증원 | 센서를 이용한 변압기의 온도, 부분방전 및 소음의 진단 및 제어를 위한 고장진단시스템 |
CN114333907A (zh) * | 2021-12-30 | 2022-04-12 | 国网江苏省电力有限公司宿迁供电分公司 | 一种变压器运行健康值评价方法 |
CN115993503A (zh) * | 2023-03-22 | 2023-04-21 | 广东电网有限责任公司东莞供电局 | 一种变压器的运行检测方法、装置、设备及存储介质 |
CN116840743A (zh) * | 2023-06-01 | 2023-10-03 | 中国三峡新能源(集团)股份有限公司 | 电力变压器故障处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2023
- 2023-10-23 CN CN202311370675.0A patent/CN117109730B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10288639A (ja) * | 1997-02-13 | 1998-10-27 | Toshiba Corp | 電気機器の異常監視装置および方法 |
JP2010230455A (ja) * | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 漏電検出装置 |
CN110672313A (zh) * | 2019-10-22 | 2020-01-10 | 上海声茵科技有限公司 | 一种基于声音信号的故障诊断方法及其设备 |
CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 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 |
CN111398723A (zh) * | 2020-04-17 | 2020-07-10 | 上海数深智能科技有限公司 | 一种变压器故障智能诊断的模型方法 |
CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
KR102264773B1 (ko) * | 2020-11-30 | 2021-06-15 | 주식회사 국제기술인증원 | 센서를 이용한 변압기의 온도, 부분방전 및 소음의 진단 및 제어를 위한 고장진단시스템 |
CN112880750A (zh) * | 2021-03-26 | 2021-06-01 | 山东和兑智能科技有限公司 | 一种变压器多维度综合在线监测智能诊断系统 |
CN114333907A (zh) * | 2021-12-30 | 2022-04-12 | 国网江苏省电力有限公司宿迁供电分公司 | 一种变压器运行健康值评价方法 |
CN115993503A (zh) * | 2023-03-22 | 2023-04-21 | 广东电网有限责任公司东莞供电局 | 一种变压器的运行检测方法、装置、设备及存储介质 |
CN116840743A (zh) * | 2023-06-01 | 2023-10-03 | 中国三峡新能源(集团)股份有限公司 | 电力变压器故障处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Research on bearing fault diagnosis method based on transformer neural network;Yang, Zhuohon;MEASUREMENT SCIENCE AND TECHNOLOGY;全文 * |
基于声学特征和深度学习的电力变压器绕组短路故障诊断方法;韩松涛;硕士电子期刊工程科技Ⅱ辑;全文 * |
基于遗传算法进化小波神经网络的电力变压器故障诊断研究;张超;自动化与仪器仪表;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117109730A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209647A (zh) | 模拟装置及方法 | |
RU2757436C9 (ru) | Устройство и способ контроля указаний на неисправность от транспортного средства, компьютерочитаемый носитель | |
CN104978630A (zh) | 一种智能测试方法和装置 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
US11619610B2 (en) | Computer-implemented processing for non-destructive evaluation of wooden specimen | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN112084220B (zh) | 一种电能计量装置异常诊断方法、装置及可读存储介质 | |
CN110765189A (zh) | 互联网产品的异常管理方法和系统 | |
CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN117109730B (zh) | 基于人工智能的变压器故障诊断系统及方法 | |
CN114691521A (zh) | 一种基于人工智能的软件测试平台 | |
Emmanouilidis et al. | Machinery self-awareness with wireless sensor networks: a means to sustainable operation | |
CN114216558A (zh) | 一种无线振动传感器电池剩余寿命预测方法及系统 | |
CN110413482B (zh) | 检测方法和装置 | |
CN111949502A (zh) | 数据库的预警方法、装置、计算设备和介质 | |
CN116566839A (zh) | 一种电力企业通信资源质量评估系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
CN110337118A (zh) | 用户投诉快速处理方法及装置 | |
CN116679139A (zh) | 电缆更换监测系统及方法 | |
CN114692487B (zh) | 电子装备维修备件预投方法、装置、设备及存储介质 |
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 |