CN117423345A - 一种电力设备声纹识别监测系统 - Google Patents
一种电力设备声纹识别监测系统 Download PDFInfo
- Publication number
- CN117423345A CN117423345A CN202311420319.5A CN202311420319A CN117423345A CN 117423345 A CN117423345 A CN 117423345A CN 202311420319 A CN202311420319 A CN 202311420319A CN 117423345 A CN117423345 A CN 117423345A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- data
- power equipment
- monitoring
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 173
- 238000011156 evaluation Methods 0.000 claims abstract description 94
- 239000000463 material Substances 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000003990 capacitor Substances 0.000 claims description 15
- 239000005060 rubber Substances 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000004033 plastic Substances 0.000 claims description 7
- 239000007769 metal material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000010616 electrical installation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电力设备声纹识别监测系统。该电力设备声纹识别监测系统，包括声纹数据采集模块、声纹识别综合监测模块和声纹监测分析模块。本发明通过构建声纹识别综合监测系数模型并对电力设备声纹数据进行机械运动声纹评估、电器元件声纹评估、材料特征声纹评估、工况变化声纹评估和振动频率声纹评估得到声纹识别综合监测系数，从而根据声纹识别综合监测系数在声纹监测分析模块中判断电力设备是否出现故障，对判断结果分析准确性并根据相关人员现场处理反馈结果进行数据训练，进而提高电力设备声纹识别监测的准确性，解决了现有技术中，存在不能有效提高电力设备声纹识别监测的综合正确率的问题。
Description
技术领域
本发明涉及声纹识别技术领域，尤其涉及一种电力设备声纹识别监测系统。
背景技术
电力设备声纹识别是电力行业中的一个新兴领域，随着传感技术、大数据和人工智能的进步，设备生成的声音可以更容易地采集和分析、大数据技术的普及使得处理大量声音数据变得更加可行、人工智能技术的进步提供了更强大的声纹识别工具，这些都使得电力设备声纹识别也随之不断发展。在设备健康监测、安全性和可靠性提升、实时监测、自动化运维和能源效率提升方面均有广泛的应用前景。
现有的电力设备声纹识别监测系统通过以下技术实现，包括：声音分析：声音分析是通过监测和分析电力设备产生的声音来了解其状态和性能的技术。这包括声学特征提取和信号处理。机器学习和深度学习：机器学习和深度学习技术被广泛应用于声纹识别，用于训练模型以区分设备特定声音特征。噪音过滤和降噪技术：电力设备通常在嘈杂的环境中运行，因此需要噪音过滤和降噪技术来提高声音信号的质量。
例如公开号为：CN114371353A公开了一种基于声纹识别的电力设备异常监测方法及系统，包括：通过采集预设周期内电力设备正常运行的第一声音信号并进行去噪处理、AD转换获取第一声纹数据；对第一声纹数据进行音频频谱分析，提取第一音频特征存储至第一音频数据库；实时采集电力设备运行的第二声音信号并进行去噪处理、AD转换获取第二声纹数据；对第二声纹数据进行音频频谱分析，提取第二音频特征；通过神经网络识别判断第一音频数据库中是否存在第二音频特征：若否，则发出异常报警信号。
例如公开号为：CN116705039A公开了一种基于AI的电力设备声纹监测系统及方法，包括：声纹采集模块用于采集声纹信号；数据处理模块用于获取声纹信号并进行预处理；声纹识别模块用于识别出目标电力设备以及目标电力设备对应的声纹信号数据；故障识别模块用于判断目标电力设备是否出现故障以及对故障类型的识别；故障预警模块，用于向管理者发出警报。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中，由于电力设备变化的工况和设备多样性使得声音特征繁杂多样使得监测系统无法正确识别不同类型的声音特征，存在不能有效提高电力设备声纹识别监测的综合正确率的问题。
发明内容
本申请实施例通过提供一种电力设备声纹识别监测系统，存在不能有效提高电力设备声纹识别监测的综合正确率的问题，实现了提高电力设备声纹识别监测的准确性的效果。
本申请实施例提供了一种电力设备声纹识别监测系统，包括：声纹数据采集模块，用于采集电力设备声纹数据；声纹识别综合监测模块，用于根据声纹监测评估数据，构建声纹识别综合监测系数模型；声纹监测分析模块，用于获取声纹识别综合监测模块计算得到的声纹识别综合监测系数，并将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，判断电力设备是否出现故障。
进一步的，所述声纹监测分析模块具体分析方法为：故障监测对比判断：将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，若声纹识别综合监测系数在预定义误差允许范围外，则判断出现电力设备故障；故障类型判断：根据历史电力设备故障监测数据，生成电力设备故障监测训练集，将当前电力设备故障数据与训练集中的数据进行对比，若对比的两组数据相同，则判断为历史故障，否则，判断为新故障；数据训练和反馈：对新故障数据加入电力设备故障监测训练集并对电力设备故障监测训练集进行数据训练，判断故障的准确性并反馈。
进一步的，所述声纹数据采集模块，用于采集电力设备声纹数据的具体方法为：电力设备各部件编号：将待监测电力设备中各类别电力设备部件记为各类电力设备部件，将各类电力设备部件按照预定义顺序依次编号；电力设备机械运动声纹采集：采集各类电力设备部件中机械运动的声纹数据，提取各类电力设备部件中机械运动的声纹参数特征数据，得到各类机械运动声纹数据组；电力设备电器元件声纹采集：采集各类电力设备部件中电器元件的声纹数据，提取各类电力设备部件中电器元件的声纹参数特征数据，得到各类电器元件声纹数据组；电力设备材料特征声纹采集：采集各类电力设备部件中材料特征的声纹数据，提取各类电力设备部件中材料特征的声纹参数特征数据，得到各类材料特征声纹数据组；电力设备工况变化声纹采集：采集各类电力设备部件中工况变化的声纹数据，提取各类电力设备部件中工况变化的声纹参数特征数据，得到各类工况变化声纹补正数据组；电力设备振动频率声纹采集：采集各类电力设备部件中振动频率的声纹数据，提取各类电力设备部件中振动频率的声纹参数特征数据，得到各类振动频率声纹补正数据组。
进一步的，所述构建声纹识别综合监测系数模型公式如下：式中，a0＝1,2,...,a，a0表示各类电力设备部件的类别编号，a表示各类电力设备部件的类别编号总数，α表示声纹识别综合监测系数；/>表示第a0类机械运动声纹评估指数，/>表示第a0类电器元件声纹评估指数，/>表示第a0类材料特征声纹评估指数，/>表示第a0类工况变化声纹评估补正系数，/>表示第a0类振动频率声纹评估补正系数，/>和/>分别表示第a0类机械运动声纹评估指数和第a0类电器元件声纹评估指数对声纹识别综合监测系数的准确性权重因子，/>和/>分别表示第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数对声纹识别综合监测系数的补正权重因子，/>表示各类时间点采样频率对第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数的影响匹配因子，e表示自然常数。
进一步的，所述机械运动声纹评估指数的具体计算公式为：式中，/>表示第a0类机械运动声纹数据组的电动机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义电动机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的发电机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义发电机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的齿轮声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义齿轮声纹特征标准数据，/>和/>分别表示第a0类机械运动声纹数据组的电动机声纹特征数据、发电机声纹特征数据和齿轮声纹特征数据对应第a0类机械运动声纹评估指数的权重因子。
进一步的，所述电器元件声纹评估指数的具体计算公式为：式中，表示第a0类电器元件声纹数据组的电器元件声纹特征数据综合重合度，/>表示第a0类电器元件声纹数据组的变压器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义变压器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电气开关声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电气开关声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电容器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电容器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的预定义电容器电气特性声纹影响修正因子，/>和/>分别表示第a0类电器元件声纹数据组的变压器声纹特征数据、电气开关声纹特征数据、电容器声纹特征数据和电器元件声纹特征数据综合重合度对应第a0类电器元件声纹评估指数的权重因子。
进一步的，所述材料特征声纹评估指数的具体计算公式为：式中，/>表示实际环境综合特征数据，θ表示实际环境影响材料声纹特征匹配影响系数，/>表示第a0类材料特征声纹数据组的金属材料声纹特征数据，/>表示第a0类材料特征声纹数据组的塑料材料声纹特征数据，/>表示第a0类材料特征声纹数据组的橡胶材料声纹特征数据，μ表示橡胶材料声纹特征数据对各类材料特征声纹评估指数的负向影响匹配系数,和/>分别表示第a0类材料特征声纹数据组的变压器金属材料声纹特征数据、塑料材料声纹特征数据、橡胶材料声纹特征数据对应第a0类材料特征声纹评估指数的影响匹配因子，/>表示第a0类材料特征声纹评估指数对应的第a0类机械运动声纹评估指数匹配修正系数。
进一步的，所述工况变化声纹评估补正系数的具体计算公式为：式中，将第a0类工况变化声纹补正数据组对应的电力设备部件启停工况到正常运行工况的时间段按照预定义监测时间点间隔启停工况到正常运行工况的时间段并依次编号对应的监测时间点记为启停时间点，b0＝1,2,...,b，b0表示启停时间点的编号，b表示启停时间点的编号总数，将第a0类工况变化声纹补正数据组对应的电力设备部件过载工况到正常运行工况的时间段按照预定义监测时间点间隔过载工况到正常运行工况的时间段并依次编号对应的监测时间点记为过载时间点，c0＝1,2,...,c，c0表示过载时间点的编号，c表示过载时间点的编号总数，表示第a0类工况变化声纹补正数据组第b0个启停时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组第b0个过载时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组对应的电力设备部件正常运行工况的声纹特征数据，γ1表示电力设备部件启停工况对应机械振动的补正因子，γ2表示电力设备部件过载工况对应机械振动的补正因子，/>和/>分别表示第a0类电器元件声纹数据组对应的电力设备部件启停工况的声纹特征数据和第a0类电器元件声纹数据组对应的电力设备部件过载工况的声纹特征数据对应第a0类工况变化声纹评估补正系数的权重因子。
进一步的，所述振动频率声纹评估补正系数的具体计算公式为：式中，将第a0类振动频率声纹补正数据组对应的电力设备部件声纹数据采集频率点按照预定义采集频率采集的时间点记为采样时间点，d0＝1,2,...,d，d0表示采样时间点的编号，d表示采样时间点的编号总数，/>表示第a0类振动频率声纹补正数据组第d0个采样时间点的主要振动频率声纹特征数据，/>表示第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据，/>和/>分别表示第a0类振动频率声纹补正数据组对应的第d0个采样时间点的主要振动频率声纹特征数据和第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据对应第a0类振动频率声纹评估补正系数的权重因子。
进一步的，所述数据训练和反馈还包括：若检测到新故障，则根据预定义故障监测算法对电力设备故障监测训练集计算生成电力设备故障解决方案，立即通知相关人员按照电力设备故障解决方案处理电力设备故障并将电力设备故障处理实际情况反馈，根据反馈的电力设备故障处理实际情况判断电力设备声纹识别监测的准确性并加入已有的电力设备故障监测训练集，并根据电力设备故障监测训练集对新故障数据进行数据训练。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过构建声纹识别综合监测系数模型并对电力设备声纹数据进行机械运动声纹评估、电器元件声纹评估、材料特征声纹评估、工况变化声纹评估和振动频率声纹评估得到声纹识别综合监测系数，从而根据声纹识别综合监测系数在声纹监测分析模块中判断电力设备是否出现故障，对判断结果分析准确性并根据相关人员现场处理反馈结果进行数据训练，进而提高电力设备声纹识别监测的准确性，有效解决了现有技术中，存在不能有效提高电力设备声纹识别监测的综合正确率的问题。
2、通过声纹监测分析模块故障监测对比判断、故障类型判断和数据训练和反馈，便于进行早期故障检测和故障类型准确判断，将新的故障数据加入训练集，并对训练集进行数据训练，从而通过历史故障数据的分析，可以为未来的设备维护和改进提供数据支持，进而实现了提高电力设备声纹识别监测的决策支持性。
3、通过数据训练和反馈，通过在检测到新故障时及时生成故障解决方案并通知相关人员，将反馈数据加入训练集有助于提高声纹识别监测的准确性，从而提高了电力设备声纹识别监测系统的快速响应能力，有效的故障解决方案和准确的监测系统可以降低维护成本，进而实现了提高电力设备声纹识别监测的可持续性。
附图说明
图1为本申请实施例提供的电力设备声纹识别监测系统的结构示意图；
图2为本申请实施例提供的电力设备声纹识别监测系统中声纹监测分析模块的结构示意图；
图3为本申请实施例提供的构建声纹识别综合监测系数模型的结构示意图。
具体实施方式
本申请实施例通过提供一种电力设备声纹识别监测系统，解决了现有技术中存在不能有效提高电力设备声纹识别监测的综合正确率的问题，通过构建声纹识别综合监测系数模型对电力设备声纹数据进行综合评估并判断反馈，实现了提高电力设备声纹识别监测的准确性的效果。
本申请实施例中的技术方案为解决上述存在不能有效提高电力设备声纹识别监测的综合正确率的问题，总体思路如下：
通过通过构建声纹识别综合监测系数模型并对电力设备声纹数据进行机械运动声纹评估、电器元件声纹评估、材料特征声纹评估、工况变化声纹评估和振动频率声纹评估得到声纹识别综合监测系数，从而根据声纹识别综合监测系数在声纹监测分析模块中判断电力设备是否出现故障，对判断结果分析准确性并根据相关人员现场处理反馈结果进行数据训练，达到了提高电力设备声纹识别监测的准确性的效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，为本申请实施例提供的电力设备声纹识别监测系统的结构示意图，本申请实施例提供的电力设备声纹识别监测系统包括：声纹数据采集模块，用于采集电力设备声纹数据；声纹识别综合监测模块，用于根据声纹监测评估数据，构建声纹识别综合监测系数模型；声纹监测分析模块，用于获取声纹识别综合监测模块计算得到的声纹识别综合监测系数，并将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，判断电力设备是否出现故障。
进一步的，声纹监测分析模块具体分析方法为：故障监测对比判断：将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，若声纹识别综合监测系数在预定义误差允许范围外，则判断出现电力设备故障；故障类型判断：根据历史电力设备故障监测数据，生成电力设备故障监测训练集，将当前电力设备故障数据与训练集中的数据进行对比，若对比的两组数据相同，则判断为历史故障，否则，判断为新故障；数据训练和反馈：对新故障数据加入电力设备故障监测训练集并对电力设备故障监测训练集进行数据训练，判断故障的准确性并反馈。
在本实施例中，如图2所示，为本申请实施例提供的电力设备声纹识别监测系统中声纹监测分析模块的结构示意图，早期故障检测：通过对比实时采集的声纹数据与预定义阈值，可以及时发现电力设备中的故障。这意味着可以在故障进一步恶化之前就采取措施进行修理，从而减少停机时间，提高设备可靠性。故障类型准确判断：通过与历史故障监测数据进行对比，可以判断出故障类型是已知的历史故障还是新的未知故障。这有助于快速识别问题的根源，指导维修人员采取正确的修复措施。持续改进：将新的故障数据加入训练集，并对训练集进行数据训练，可以持续改进监测系统的准确性。随着时间的推移，系统会变得越来越智能，能够更好地应对新型故障。减少误报率：预定义误差允许范围的引入，可以降低误报率。系统不会因为一些小幅度的波动就报警，而是只有当监测数据明显偏离预期范围时才发出警报。降低维护成本：通过提前发现故障并准确判断故障类型，可以避免不必要的维护工作，从而降低维护成本。只有真正需要维修的设备才会被维修，避免了对正常运行设备的干预。提高生产效率：减少了因为设备故障引起的停机时间，提高了生产效率。及时维修和准确判断故障类型可以使维修过程更加迅速高效。数据驱动决策：通过历史故障数据的分析，可以为未来的设备维护和改进提供数据支持。这种数据驱动的决策有助于优化设备性能，延长设备寿命，提高整体生产效益。
进一步的，声纹数据采集模块，用于采集电力设备声纹数据的具体方法为：电力设备各部件编号：将待监测电力设备中各类别电力设备部件记为各类电力设备部件，将各类电力设备部件按照预定义顺序依次编号；电力设备机械运动声纹采集：采集各类电力设备部件中机械运动的声纹数据，提取各类电力设备部件中机械运动的声纹参数特征数据，得到各类机械运动声纹数据组；电力设备电器元件声纹采集：采集各类电力设备部件中电器元件的声纹数据，提取各类电力设备部件中电器元件的声纹参数特征数据，得到各类电器元件声纹数据组；电力设备材料特征声纹采集：采集各类电力设备部件中材料特征的声纹数据，提取各类电力设备部件中材料特征的声纹参数特征数据，得到各类材料特征声纹数据组；电力设备工况变化声纹采集：采集各类电力设备部件中工况变化的声纹数据，提取各类电力设备部件中工况变化的声纹参数特征数据，得到各类工况变化声纹补正数据组；电力设备振动频率声纹采集：采集各类电力设备部件中振动频率的声纹数据，提取各类电力设备部件中振动频率的声纹参数特征数据，得到各类振动频率声纹补正数据组。
在本实施例中，各类机械运动声纹数据组包括第a0类机械运动声纹数据组、第a1类机械运动声纹数据组直到第a类机械运动声纹数据组；以上其它数据组同理。
进一步的，构建声纹识别综合监测系数模型公式如下：式中，a0＝1,2,...,a，a0表示各类电力设备部件的类别编号，a表示各类电力设备部件的类别编号总数，α表示声纹识别综合监测系数；/>表示第a0类机械运动声纹评估指数，/>表示第a0类电器元件声纹评估指数，/>表示第a0类材料特征声纹评估指数，/>表示第a0类工况变化声纹评估补正系数，/>表示第a0类振动频率声纹评估补正系数，/>和/>分别表示第a0类机械运动声纹评估指数和第a0类电器元件声纹评估指数对声纹识别综合监测系数的准确性权重因子，/>和/>分别表示第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数对声纹识别综合监测系数的补正权重因子，/>表示各类时间点采样频率对第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数的影响匹配因子，e表示自然常数。
在本实施例中，如图3所示，为本申请实施例提供的构建声纹识别综合监测系数模型的结构示意图，多维度故障诊断：通过不同声纹评估，涵盖了多个方面的电力设备健康状况，包括机械运动、电器元件、材料特征、工况变化和振动频率。这使得系统能够全面监测设备状态，而不仅仅依赖于单一指标。综合性评估：将不同声纹评估整合成综合监测系数，能够综合考虑多个因素，从而提供更全面和准确的设备健康状态评估。这有助于减少误报和漏报，提高故障检测的可靠性。早期故障检测：通过对多个声纹评估的综合监测系数进行实时监测，可以更早地发现电力设备中的潜在问题。这有助于采取预防性维护措施，减少故障导致的停机时间。精确的故障类型诊断：不同声纹评估可以提供关于故障类型的信息。通过综合这些信息，可以更准确地诊断故障类型，有助于指导维修人员采取适当的维修措施。这种综合声纹监测方法提供了更全面、更准确的电力设备健康状况评估，有助于提高设备可靠性、降低维护成本，以及优化生产效率。
进一步的，机械运动声纹评估指数的具体计算公式为：式中，/>表示第a0类机械运动声纹数据组的电动机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义电动机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的发电机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义发电机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的齿轮声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义齿轮声纹特征标准数据，/>和/>分别表示第a0类机械运动声纹数据组的电动机声纹特征数据、发电机声纹特征数据和齿轮声纹特征数据对应第a0类机械运动声纹评估指数的权重因子。
在本实施例中，声纹特征数据均由实验室实测或模拟得到，根据具体的电力设备，可将声纹采集传感器放在对应的机械运动部件的对应的位置，有针对性的集中监测某些特征的声纹数据。
进一步的，电器元件声纹评估指数的具体计算公式为：式中，表示第a0类电器元件声纹数据组的电器元件声纹特征数据综合重合度，/>表示第a0类电器元件声纹数据组的变压器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义变压器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电气开关声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电气开关声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电容器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电容器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的预定义电容器电气特性声纹影响修正因子，/>和/>分别表示第a0类电器元件声纹数据组的变压器声纹特征数据、电气开关声纹特征数据、电容器声纹特征数据和电器元件声纹特征数据综合重合度对应第a0类电器元件声纹评估指数的权重因子。
在本实施例中，提取电力设备声纹识别监测数据库中存储的待监测的各类电器元件对应的各类电器元件声纹特征标准数据，对比得到第a0类电器元件声纹数据组的电器元件声纹特征数据综合重合度，即为第a0类电器元件声纹数据组的预定义电容器电气特性声纹影响修正因子表示电容器电气特性包括容值、电容频率、外型大小和内在电容化学液等均会对电容器的声纹有影响，针对具体的电容器可以预先录入运行时的声纹，作为预定义声波特征数据方便对比。
进一步的，材料特征声纹评估指数的具体计算公式为：式中，/>表示实际环境综合特征数据，θ表示实际环境影响材料声纹特征匹配影响系数，/>表示第a0类材料特征声纹数据组的金属材料声纹特征数据，/>表示第a0类材料特征声纹数据组的塑料材料声纹特征数据，/>表示第a0类材料特征声纹数据组的橡胶材料声纹特征数据，μ表示橡胶材料声纹特征数据对各类材料特征声纹评估指数的负向影响匹配系数,和/>分别表示第a0类材料特征声纹数据组的变压器金属材料声纹特征数据、塑料材料声纹特征数据、橡胶材料声纹特征数据对应第a0类材料特征声纹评估指数的影响匹配因子，/>表示第a0类材料特征声纹评估指数对应的第a0类机械运动声纹评估指数匹配修正系数。
在本实施例中，材料特征声纹评估指数与电器元件声纹评估指数和机械运动声纹评估指数不同，并不是直接用来评估判断是否异常的，电力设备的材料声纹特征不一定会出故障，但是仍需评估监测，因为电力设备的材料声纹特征一般会作为背景噪音，干扰故障判断，需要评估其对整体综合的负面影响。金属、塑料、橡胶材料等材质在受到相同外在环境影响时会产生不同的声音，实际环境影响材料声纹特征匹配影响系数表示在实际环境包括温度，湿度；风力等外在环境的影响下，对各类材料特征声纹评估指数的影响系数，可以通过实验室模拟或者神经卷积网络算法训练得到，实际环境综合特征数据表示以上与之对应的包括温度，湿度；风力等外在环境的实际环境数据，两者相乘得到具体的外在环境影响值。橡胶材料的化学性质很不活泼，一般不会对外在环境刺激发出声音，有时反而会起到缓冲作用，阻碍其它材料发出声音，需要将橡胶材料的对各类材料特征声纹评估指数的负向影响效果量化，可以由实验室模拟具体情况下的最大阻碍发声能力，模拟出一种匹配系数值，即为橡胶材料声纹特征数据对各类材料特征声纹评估指数的负向影响匹配系数，电力设备的材料特征声纹会受机械运动的影响而放大，需要实验室模拟得到匹配关系，对于具体的情况，即为第a0类材料特征声纹评估指数对应的第a0类机械运动声纹评估指数匹配修正系数。
进一步的，工况变化声纹评估补正系数的具体计算公式为：式中，将第a0类工况变化声纹补正数据组对应的电力设备部件启停工况到正常运行工况的时间段按照预定义监测时间点间隔启停工况到正常运行工况的时间段并依次编号对应的监测时间点记为启停时间点，b0＝1,2,...,b，b0表示启停时间点的编号，b表示启停时间点的编号总数，将第a0类工况变化声纹补正数据组对应的电力设备部件过载工况到正常运行工况的时间段按照预定义监测时间点间隔过载工况到正常运行工况的时间段并依次编号对应的监测时间点记为过载时间点，c0＝1,2,...,c，c0表示过载时间点的编号，c表示过载时间点的编号总数，表示第a0类工况变化声纹补正数据组第b0个启停时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组第b0个过载时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组对应的电力设备部件正常运行工况的声纹特征数据，γ1表示电力设备部件启停工况对应机械振动的补正因子，γ2表示电力设备部件过载工况对应机械振动的补正因子，/>和/>分别表示第a0类电器元件声纹数据组对应的电力设备部件启停工况的声纹特征数据和第a0类电器元件声纹数据组对应的电力设备部件过载工况的声纹特征数据对应第a0类工况变化声纹评估补正系数的权重因子。
在本实施例中，启动和停机工况：启动冲击：在设备启动时，可能会发生冲击和振动，这会在声音中产生瞬时的特征，包括高频成分。过载工况：增加的振动：当电力设备处于过载状态时，机械部件可能会受到额外的力，导致振动增加，这可能会引起更强烈的声音。均需要特别评估补正。
进一步的，振动频率声纹评估补正系数的具体计算公式为：式中，将第a0类振动频率声纹补正数据组对应的电力设备部件声纹数据采集频率点按照预定义采集频率采集的时间点记为采样时间点，d0＝1,2,...,d，d0表示采样时间点的编号，d表示采样时间点的编号总数，/>表示第a0类振动频率声纹补正数据组第d0个采样时间点的主要振动频率声纹特征数据，/>表示第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据，/>和/>分别表示第a0类振动频率声纹补正数据组对应的第d0个采样时间点的主要振动频率声纹特征数据和第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据对应第a0类振动频率声纹评估补正系数的权重因子。
在本实施例中，正常声音特征：在正常运行条件下，电力设备通常会产生稳定的声音特征，这些声音特征具有一定的频谱和振幅。低频率成分：通常情况下，电机和变压器等电力设备可能会产生低频率的嗡嗡声，这是正常运行的一部分。振动频率声纹：不同部件的振动频率会导致产生不同频谱的声音信号。这些频谱可以用于区分不同部件的声音特征。频率特征提取：从采集的声音数据中提取频谱特征。这可以通过傅里叶变换或其他频谱分析方法完成。同时，还可以从振动数据中提取振动频率特征，例如主要振动频率和谐波频率。
进一步的，数据训练和反馈还包括：若检测到新故障，则根据预定义故障监测算法对电力设备故障监测训练集计算生成电力设备故障解决方案，立即通知相关人员按照电力设备故障解决方案处理电力设备故障并将电力设备故障处理实际情况反馈，根据反馈的电力设备故障处理实际情况判断电力设备声纹识别监测的准确性并加入已有的电力设备故障监测训练集，并根据电力设备故障监测训练集对新故障数据进行数据训练。
在本实施例中，这种数据训练和反馈循环的方法有以下好处：持续性改进：通过在检测到新故障时及时生成故障解决方案并通知相关人员，系统可以快速响应问题。这有助于降低故障造成的停机时间，提高设备可靠性。提高准确性：将反馈数据加入训练集有助于提高声纹识别监测的准确性。系统从实际情况中学习，可以更好地适应设备的特定运行状况和故障模式。降低人为错误：通过自动通知相关人员并提供预定义的解决方案，可以降低人为错误的可能性。这有助于更迅速地采取适当的措施来处理电力设备故障。提高效率：通过将反馈信息整合到训练集中，可以更好地理解和预测设备行为，从而优化维护计划和提高生产效率。资源节省：有效的故障解决方案和准确的监测系统可以降低维护成本，减少不必要的维修和替换，以及提高设备的使用寿命。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：相对于公开号为：CN114371353A公开了一种基于声纹识别的电力设备异常监测方法及系统，本申请实施例通过声纹监测分析模块故障监测对比判断、故障类型判断和数据训练和反馈，从而通过历史故障数据的分析，可以为未来的设备维护和改进提供数据支持，进而实现了提高电力设备声纹识别监测的决策支持性；相对于公开号为：CN116705039A公开了一种基于AI的电力设备声纹监测系统及方法，本申请实施例通过数据训练和反馈，通过在检测到新故障时及时生成故障解决方案并通知相关人员，将反馈数据加入训练集有助于提高声纹识别监测的准确性，从而提高了电力设备声纹识别监测系统的快速响应能力，进而实现了提高电力设备声纹识别监测的可持续性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的系统、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电力设备声纹识别监测系统，其特征在于，包括：
声纹数据采集模块，用于采集电力设备声纹数据；
声纹识别综合监测模块，用于根据声纹监测评估数据，构建声纹识别综合监测系数模型；
声纹监测分析模块，用于获取声纹识别综合监测模块计算得到的声纹识别综合监测系数，并将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，判断电力设备是否出现故障。
2.如权利要求1所述电力设备声纹识别监测系统，其特征在于，所述声纹监测分析模块具体分析方法为：
故障监测对比判断：将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，若声纹识别综合监测系数在预定义误差允许范围外，则判断出现电力设备故障；
故障类型判断：根据历史电力设备故障监测数据，生成电力设备故障监测训练集，将当前电力设备故障数据与训练集中的数据进行对比，若对比的两组数据相同，则判断为历史故障，否则，判断为新故障；
数据训练和反馈：对新故障数据加入电力设备故障监测训练集并对电力设备故障监测训练集进行数据训练，判断故障的准确性并反馈。
3.如权利要求1所述电力设备声纹识别监测系统，其特征在于，所述声纹数据采集模块，用于采集电力设备声纹数据的具体方法为：
电力设备各部件编号：将待监测电力设备中各类别电力设备部件记为各类电力设备部件，将各类电力设备部件按照预定义顺序依次编号；
电力设备机械运动声纹采集：采集各类电力设备部件中机械运动的声纹数据，提取各类电力设备部件中机械运动的声纹参数特征数据，得到各类机械运动声纹数据组；
电力设备电器元件声纹采集：采集各类电力设备部件中电器元件的声纹数据，提取各类电力设备部件中电器元件的声纹参数特征数据，得到各类电器元件声纹数据组；
电力设备材料特征声纹采集：采集各类电力设备部件中材料特征的声纹数据，提取各类电力设备部件中材料特征的声纹参数特征数据，得到各类材料特征声纹数据组；
电力设备工况变化声纹采集：采集各类电力设备部件中工况变化的声纹数据，提取各类电力设备部件中工况变化的声纹参数特征数据，得到各类工况变化声纹补正数据组；
电力设备振动频率声纹采集：采集各类电力设备部件中振动频率的声纹数据，提取各类电力设备部件中振动频率的声纹参数特征数据，得到各类振动频率声纹补正数据组。
4.如权利要求1所述电力设备声纹识别监测系统，其特征在于，所述构建声纹识别综合监测系数模型公式如下：
式中，a0＝1,2,...,a，a0表示各类电力设备部件的类别编号，a表示各类电力设备部件的类别编号总数，α表示声纹识别综合监测系数；表示第a0类机械运动声纹评估指数，表示第a0类电器元件声纹评估指数，/>表示第a0类材料特征声纹评估指数，/>表示第a0类工况变化声纹评估补正系数，/>表示第a0类振动频率声纹评估补正系数，/>和分别表示第a0类机械运动声纹评估指数和第a0类电器元件声纹评估指数对声纹识别综合监测系数的准确性权重因子，/>和/>分别表示第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数对声纹识别综合监测系数的补正权重因子，/>表示各类时间点采样频率对第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数的影响匹配因子，e表示自然常数。
5.如权利要求4所述电力设备声纹识别监测系统，其特征在于，所述机械运动声纹评估指数的具体计算公式为：
式中，表示第a0类机械运动声纹数据组的电动机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义电动机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的发电机声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义发电机声纹特征标准数据，/>表示第a0类机械运动声纹数据组的齿轮声纹特征数据，/>表示第a0类机械运动声纹数据组的预定义齿轮声纹特征标准数据，/>和/>分别表示第a0类机械运动声纹数据组的电动机声纹特征数据、发电机声纹特征数据和齿轮声纹特征数据对应第a0类机械运动声纹评估指数的权重因子。
6.如权利要求4所述电力设备声纹识别监测系统，其特征在于，所述电器元件声纹评估指数的具体计算公式为：
式中，表示第a0类电器元件声纹数据组的电器元件声纹特征数据综合重合度，/>表示第a0类电器元件声纹数据组的变压器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义变压器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电气开关声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电气开关声纹特征标准数据，/>表示第a0类电器元件声纹数据组的电容器声纹特征数据，/>表示第a0类电器元件声纹数据组的预定义电容器声纹特征标准数据，/>表示第a0类电器元件声纹数据组的预定义电容器电气特性声纹影响修正因子，/>和/>分别表示第a0类电器元件声纹数据组的变压器声纹特征数据、电气开关声纹特征数据、电容器声纹特征数据和电器元件声纹特征数据综合重合度对应第a0类电器元件声纹评估指数的权重因子。
7.如权利要求4所述电力设备声纹识别监测系统，其特征在于，所述材料特征声纹评估指数的具体计算公式为：
式中，表示实际环境综合特征数据，θ表示实际环境影响材料声纹特征匹配影响系数，/>表示第a0类材料特征声纹数据组的金属材料声纹特征数据，/>表示第a0类材料特征声纹数据组的塑料材料声纹特征数据，/>表示第a0类材料特征声纹数据组的橡胶材料声纹特征数据，μ表示橡胶材料声纹特征数据对各类材料特征声纹评估指数的负向影响匹配系数,/>和/>分别表示第a0类材料特征声纹数据组的变压器金属材料声纹特征数据、塑料材料声纹特征数据、橡胶材料声纹特征数据对应第a0类材料特征声纹评估指数的影响匹配因子，/>表示第a0类材料特征声纹评估指数对应的第a0类机械运动声纹评估指数匹配修正系数。
8.如权利要求4所述电力设备声纹识别监测系统，其特征在于，所述工况变化声纹评估补正系数的具体计算公式为：
式中，将第a0类工况变化声纹补正数据组对应的电力设备部件启停工况到正常运行工况的时间段按照预定义监测时间点间隔启停工况到正常运行工况的时间段并依次编号对应的监测时间点记为启停时间点，b0＝1,2,...,b，b0表示启停时间点的编号，b表示启停时间点的编号总数，将第a0类工况变化声纹补正数据组对应的电力设备部件过载工况到正常运行工况的时间段按照预定义监测时间点间隔过载工况到正常运行工况的时间段并依次编号对应的监测时间点记为过载时间点，c0＝1,2,...,c，c0表示过载时间点的编号，c表示过载时间点的编号总数，表示第a0类工况变化声纹补正数据组第b0个启停时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组第b0个过载时间点的声纹特征数据，/>表示第a0类工况变化声纹补正数据组对应的电力设备部件正常运行工况的声纹特征数据，γ1表示电力设备部件启停工况对应机械振动的补正因子，γ2表示电力设备部件过载工况对应机械振动的补正因子，/>和/>分别表示第a0类电器元件声纹数据组对应的电力设备部件启停工况的声纹特征数据和第a0类电器元件声纹数据组对应的电力设备部件过载工况的声纹特征数据对应第a0类工况变化声纹评估补正系数的权重因子。
9.如权利要求4所述电力设备声纹识别监测系统，其特征在于，所述振动频率声纹评估补正系数的具体计算公式为：
式中，将第a0类振动频率声纹补正数据组对应的电力设备部件声纹数据采集频率点按照预定义采集频率采集的时间点记为采样时间点，d0＝1,2,...,d，d0表示采样时间点的编号，d表示采样时间点的编号总数，表示第a0类振动频率声纹补正数据组第d0个采样时间点的主要振动频率声纹特征数据，/>表示第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据，/>和/>分别表示第a0类振动频率声纹补正数据组对应的第d0个采样时间点的主要振动频率声纹特征数据和第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据对应第a0类振动频率声纹评估补正系数的权重因子。
10.如权利要求2所述电力设备声纹识别监测系统，其特征在于，所述数据训练和反馈还包括：
若检测到新故障，则根据预定义故障监测算法对电力设备故障监测训练集计算生成电力设备故障解决方案，立即通知相关人员按照电力设备故障解决方案处理电力设备故障并将电力设备故障处理实际情况反馈，根据反馈的电力设备故障处理实际情况判断电力设备声纹识别监测的准确性并加入已有的电力设备故障监测训练集，并根据电力设备故障监测训练集对新故障数据进行数据训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311420319.5A CN117423345A (zh) | 2023-10-30 | 2023-10-30 | 一种电力设备声纹识别监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311420319.5A CN117423345A (zh) | 2023-10-30 | 2023-10-30 | 一种电力设备声纹识别监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117423345A true CN117423345A (zh) | 2024-01-19 |
Family
ID=89527997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311420319.5A Pending CN117423345A (zh) | 2023-10-30 | 2023-10-30 | 一种电力设备声纹识别监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423345A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118659736A (zh) * | 2024-08-16 | 2024-09-17 | 环晟新能源(天津)有限公司 | 光伏组件使用寿命的评估方法 |
-
2023
- 2023-10-30 CN CN202311420319.5A patent/CN117423345A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118659736A (zh) * | 2024-08-16 | 2024-09-17 | 环晟新能源(天津)有限公司 | 光伏组件使用寿命的评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN117423345A (zh) | 一种电力设备声纹识别监测系统 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN118408583B (zh) | 一种编码器故障诊断方法及系统 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN116880309A (zh) | 一种工厂环境监测管理系统及方法 | |
| CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及系统 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| 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 | |
| CN118439469A (zh) | 一种电梯运行噪声诊断与维保方法及系统 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN117993562A (zh) | 基于人工智能大数据分析的风电机组故障预测方法及系统 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN117032102A (zh) | 一种基于大数据的设备故障预测方法和系统 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
| Sobha et al. | A comprehensive approach for gearbox fault detection and diagnosis using sequential neural networks | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN117854245B (zh) | 一种基于设备运行音频的异常设备监控方法及系统 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 |
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 |