CN117493844A - 一种变压器声学特征识别与故障诊断系统 - Google Patents
一种变压器声学特征识别与故障诊断系统 Download PDFInfo
- Publication number
- CN117493844A CN117493844A CN202311287600.6A CN202311287600A CN117493844A CN 117493844 A CN117493844 A CN 117493844A CN 202311287600 A CN202311287600 A CN 202311287600A CN 117493844 A CN117493844 A CN 117493844A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault
- parameter
- diagnosis system
- sound
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims description 8
- 241001014642 Rasta Species 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- KAESVJOAVNADME-UHFFFAOYSA-N Pyrrole Chemical compound C=1C=CNC=1 KAESVJOAVNADME-UHFFFAOYSA-N 0.000 description 8
- 238000004804 winding Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 229910000976 Electrical steel Inorganic materials 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种变压器声学特征识别与故障诊断系统,包括操作用户、人机交互接口界面、管理模块、获取模块、提取模块、故障知识库和推理机制模块,管理模块用于工作人员通过诊断系统界面对诊断系统进行应用状态的管理,获取模块用于获取变压器运行时振动、声强和声音特征量,提取模块用于通过RMFCC参数特征模型进行特征提取,推理机制模块用于对提取的特征参数进行有效范围判别,如果一个参数超出了推理的设定范围,则该参数对应推理规则被激活,激活的推理规则提供初步诊断,同时分析其变化趋势做出诊断预警;本发明针对变压器声学原理,采集声音变化,分析声音变化规律,建立典型故障库,比较现场声音变化,现场对各类故障进行诊断和预警。
Description
技术领域
本发明属于电力变压器故障诊断技术领域,具体涉及一种变压器声学特征识别与故障诊断系统。
背景技术
变压器运行过程中,在内部电流、磁场等多种因素的共同作用下会产生机械性变形,然后经自身结构传导,表现为振动信号,这一信号经周围空气介质传播,产生了变压器的运行的声音信号。这些声音信号能够在很大程度上反映变压器的运行状况。现场巡检操作中,有经验的技术人员往往可以通过工业听诊器贴紧变压器箱体,仔细听取变压器内部的声音来判断变压器运行状况,发现故障类型甚至对故障进行粗略定位。这种广泛运用的诊断方式严重依靠技术人员的主观判断和个人经验,具有很大的不确定性。但这一现象充分证明了通过声学信号诊断变压器故障的可行性,借助高灵敏度的传感器和现代数字信号处理识别技术,必然可以实现比人耳更加客观可靠的变压器声学检测和诊断。
为解决上述问题,开发一种变压器声学特征识别与故障诊断系统很有必要。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种变压器声学特征识别与故障诊断系统,主要针对变压器声学变化,对变压器典型故障进行分析判断,通过采集变压器声音变化,分析其变化规律,建立典型故障库,对绕组松动、螺丝松动、变压器内部放电等故障进行分析、诊断和排查。
本发明的目的是这样实现的:一种变压器声学特征识别与故障诊断系统,包括操作用户、人机交互接口界面、管理模块、获取模块、提取模块、故障知识库和推理机制模块,其中操作用户为监控中心的工作人员,人机交互接口界面为计算机显示屏上显示的诊断系统界面,管理模块用于工作人员通过诊断系统界面对诊断系统进行应用状态的管理,获取模块用于获取变压器运行时振动、声强和声音特征量,提取模块用于获取的变压器运行时振动、声强和声音特征量通过RMFCC参数特征模型进行特征提取,故障知识库为历史标准故障的特征参数数据库,推理机制模块用于对提取的特征参数进行有效范围判别,如果一个参数超出了推理的设定范围,则该参数对应推理规则将被激活,激活的推理规则提供变压器故障的初步诊断,同时根据各个参数的历史数据分析其变化趋势,并对其可能出现的故障做出诊断预警,最后初步诊断结果和诊断预警结果显示于人机交互接口界面,被操作用户所获知。
优选的,所述应用状态包括现场诊断和故障知识库维护。
优选的,所述RMFCC参数特征模型为采用RASTA滤波技术结合MFCC参数后的RMFCC参数特征模型,其中RMFCC特征参数的提取过程具体为:对声音信号依次进行预处理、分帧、加窗、滤波器组、DCT、MFCC、RASTA处理,然后输出特征参数。
优选的,所述故障知识库为通过对历史标准故障通过RMFCC参数特征模型所提取的特征参数组成。
优选的,所述推理规则采用隐马尔可夫模型构建。
由于采用了上述技术方案,本发明的有益效果是:本发明分析变压器的发声原理,根据大量试验数据结合声信号的物理参数描述故障类型,运用诊断系统软件实现声信号物理参数特征的数字化管理,集合各种故障的声音特征信息库,在将声信号传感器安装在变压器箱体上的情况下,还可实现声特征的在线监测技术。
附图说明
图1是本发明的变压器故障诊断系统方框图。
图2是本发明的变压器故障识别原理图。
图3是本发明的RMFCC特征参数提取步骤图。
图4是本发明的变压器振动与声音传播途径图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体的说明。
变压器运行时都伴随一定的声响,声信息包含了设备运行的状态信息,当设备的某些部件或其运行条件运行参数发生变化时,设备发出的声音会有一定程度的改变。设备产生的声信号其声波差异主要表现在声音的音质、音律以及音调等方面。工作年份长的工人对设备运行声音较为熟悉,在判断设备是否正常运行方面较为有经验。故障运行声音较为明显时人耳是可辨别其故障类型,长期工作有经验的工人总结出以下声响特征与变压器的运行状态。
变压器通电正常运行情况下,因电流流过线圈在铁芯产生交变的磁通,这时变压器内声音较为均匀发出“嗡嗡”的电磁声,声音的响度随着负荷电流增加而变强。
当过负荷时,线圈电流增大磁通密度也增大,导致铁芯的硅钢片振动变强烈“嗡、嗡……”且有沉闷感。
铁芯上有洒落的铁器零件或者用于固定夹紧铁芯的穿心螺杆有松动,螺杆在振动时发生移动等情况,可听到类似锤击声或强风吹的声音,如有“叮、叮、当、当”,“呼呼……”声。
变压器负载出现急剧变化的情况时,铁芯便会出现振荡,同时发出“咯、咯……咯、咯……”的间断性声音,还可观察到变压器的监视测量仪表上指针出现摆动。
变压器的高压套管因出现污秽,表面的光面釉质材料发生脱落或出现裂痕,遇到雾、露等潮湿天气时发生表面发电或闪络,这是在变压器旁可听到“嘶、嘶……”的电晕声,夜晚还可发现有丝状的火花。变压器内部绕组间或线圈间发生短路故障时,箱体内会产生“噼噼啪啪……”的放电声响。放电时间过长,强度较大还会出现巨大的轰鸣声,甚至会出现冒烟着火的严重事故。
变压器内部有部件接触不良、接头松动以及有部分绝缘部件击穿时,变压器内传出“吱、吱……”或者是“噼啪……”的放电声;变压器的跌落式熔断器以及分接头开关出现接触不良,也会发出“吱、吱……”声。变压器内部严重的放电现象会产生气体导致瓦斯保护动作。
由以上可知变压器发出的声信号与其运行状态有着必然的联系,对声波信号进行处理和定量分析,可用来检测变压器的运行状态和诊断其发生故障。
如图4所示,正常运行的变压器声音主要来源于油箱(也包括磁屏蔽)、绕组、铁芯及冷却装置风扇等发生振动,主要表现为硅钢片的磁致伸缩、硅钢片之间的接缝处及叠片相互间的漏磁产生的电磁动力导致铁心振动,以及电流流过绕组时,绕组之间及线匝间产生动态电磁力从而引起绕组的振动;另外因漏磁引起的油箱壁的振动等。铁心、绕组和冷却装置的振动通过铁芯垫脚和绝缘油传递给油箱壁,使油箱壁振动而产生声音,就是所谓的噪声。因此,可根据噪声的特征不同以及噪声的发展趋势,来判断故障的类型以及预知发展趋势,提前预警,提前防备安全事故的发生。
本发明重点研究变压器正常运行发声机理,声信号的频率范围,分析变压器故障类型及发声机理,同时根据不同故障所发出声信号的特征确定故障种类。
如图1所示,本发明提供了一种变压器声学特征识别与故障诊断系统,包括操作用户、人机交互接口界面、管理模块、获取模块、提取模块、故障知识库和推理机制模块,其中操作用户为监控中心的工作人员,人机交互接口界面为计算机显示屏上显示的诊断系统界面,管理模块用于工作人员通过诊断系统界面对诊断系统进行应用状态的管理,获取模块用于获取变压器运行时振动、声强和声音特征量,提取模块用于获取的变压器运行时振动、声强和声音特征量通过RMFCC参数特征模型进行特征提取,故障知识库为历史标准故障的特征参数数据库,推理机制模块用于对提取的特征参数进行有效范围判别,如果一个参数超出了推理的设定范围,则该参数对应推理规则将被激活,激活的推理规则提供变压器故障的初步诊断,同时根据各个参数的历史数据分析其变化趋势,并对其可能出现的故障做出诊断预警,最后初步诊断结果和诊断预警结果显示于人机交互接口界面,被操作用户所获知。
其中,获取模块用于获取变压器运行时振动、声强和声音特征量,这些特征量来源于现场测试变压器内部及周围环境下各声学数据,由于使各声学数据为了达到更好的抗干扰能力,最大限度地获取目标声源的声音信号,优先采用麦克风阵列进行采集。
其中,应用状态包括现场诊断和故障知识库维护。
其中,RMFCC参数特征模型为采用RASTA滤波技术结合MFCC参数后的RMFCC参数特征模型。如图3所示,RMFCC特征参数的提取过程具体为:对声音信号依次进行预处理、分帧、加窗、滤波器组、DCT、MFCC、RASTA处理,然后输出特征参数。变压器声学特征信号提取,从声音信号中提取出随时间变化的声音信号特征参数,特征参数与识别性能密切相关,在研究调查基础上变压器声学特征信号提取采用RASTA滤波技术结合MFCC参数后的RMFCC参数特征模型,RMFCC特征提取是模拟人耳听觉特性,将频谱转化为基于Mel频标的非线性频谱,然后转换到谱频域上,由于充分考虑了人的听觉特性,而且没有任何前提假设,更接近于现场人员判别。
其中,故障知识库为通过对历史标准故障通过RMFCC参数特征模型所提取的特征参数组成。
其中,推理规则采用隐马尔可夫模型(HMM)构建,因为马尔可夫模型(HMM)不关心所有识别声学的具体语法,完全可以适用于变压器声学故障诊断。
综上,变压器的声学特征识别与故障诊,就是让检测设备能听懂变压器运行“声音”,明白变压器在说些什么,从其运行声音中辨别变压器运行状况。可见,本发明的变压器声学特征识别与故障诊断一般包括两个步骤:第一步是系统“学习”阶段,第二步是“识别”阶段。第一步根据RMMFC识别法识别声学特征参数,这些参数作为标准模式由机器存储起来,形成专家知识库(即故障知识库)。第二步“识别”阶段,采用隐马尔可夫模型(HMM)分析RMFCC识别方法的语音特征参数,按照一定的准则和测度与系统模型进行比较,通过判决得出识别结果,其原理如图2所示。
综上,本发明通过分析变压器的发声原理,根据大量试验数据结合声信号的物理参数描述故障类型,运用诊断系统软件实现声信号物理参数特征的数字化管理,集合各种故障的声音特征信息库,在将声信号传感器安装在变压器箱体上的情况下,还可实现声特征的在线监测技术。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种变压器声学特征识别与故障诊断系统,其特征在于:包括操作用户、人机交互接口界面、管理模块、获取模块、提取模块、故障知识库和推理机制模块,其中操作用户为监控中心的工作人员,人机交互接口界面为计算机显示屏上显示的诊断系统界面,管理模块用于工作人员通过诊断系统界面对诊断系统进行应用状态的管理,获取模块用于获取变压器运行时振动、声强和声音特征量,提取模块用于获取的变压器运行时振动、声强和声音特征量通过RMFCC参数特征模型进行特征提取,故障知识库为历史标准故障的特征参数数据库,推理机制模块用于对提取的特征参数进行有效范围判别,如果一个参数超出了推理的设定范围,则该参数对应推理规则将被激活,激活的推理规则提供变压器故障的初步诊断,同时根据各个参数的历史数据分析其变化趋势,并对其可能出现的故障做出诊断预警,最后初步诊断结果和诊断预警结果显示于人机交互接口界面,被操作用户所获知。
2.根据权利要求1所述的变压器声学特征识别与故障诊断系统,其特征在于;所述应用状态包括现场诊断和故障知识库维护。
3.根据权利要求1所述的变压器声学特征识别与故障诊断系统,其特征在于:所述RMFCC参数特征模型为采用RASTA滤波技术结合MFCC参数后的RMFCC参数特征模型,其中RMFCC特征参数的提取过程具体为:对声音信号依次进行预处理、分帧、加窗、滤波器组、DCT、MFCC、RASTA处理,然后输出特征参数。
4.根据权利要求1所述的变压器声学特征识别与故障诊断系统,其特征在于:所述故障知识库为通过对历史标准故障通过RMFCC参数特征模型所提取的特征参数组成。
5.根据权利要求1所述的变压器声学特征识别与故障诊断系统,其特征在于:所述推理规则采用隐马尔可夫模型构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287600.6A CN117493844A (zh) | 2023-10-07 | 2023-10-07 | 一种变压器声学特征识别与故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287600.6A CN117493844A (zh) | 2023-10-07 | 2023-10-07 | 一种变压器声学特征识别与故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493844A true CN117493844A (zh) | 2024-02-02 |
Family
ID=89669768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287600.6A Pending CN117493844A (zh) | 2023-10-07 | 2023-10-07 | 一种变压器声学特征识别与故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493844A (zh) |
-
2023
- 2023-10-07 CN CN202311287600.6A patent/CN117493844A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748314A (zh) | 基于声波震荡检测的变压器故障分析系统 | |
EP0121395B1 (en) | Improvements in or relating to the testing of structures by impact | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN110208022A (zh) | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 | |
CN104575486B (zh) | 基于声掩蔽原理的声泄漏防护方法及系统 | |
CN110864801A (zh) | 变压器噪声与振动在线监测及故障分析系统 | |
US20200332775A1 (en) | Method and apparatus for monitoring a wind turbine | |
US7079959B2 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
JP2012166935A (ja) | エレベータの異常音検出装置 | |
CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
CN116705039A (zh) | 一种基于ai的电力设备声纹监测系统及方法 | |
CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
CN103519785A (zh) | 基于实时语音多维建模的语音障碍多维测量系统及其方法 | |
CN117493844A (zh) | 一种变压器声学特征识别与故障诊断系统 | |
CN114242085A (zh) | 旋转设备的故障诊断方法、装置 | |
JP3693644B2 (ja) | 設備の運転状態音響監視方法および設備の運転状態音響監視装置 | |
Secic et al. | Using deep neural networks for on-load tap changer audio-based diagnostics | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
JP2009175077A (ja) | 異音判定装置 | |
WO2022004627A1 (ja) | 故障診断方法、騒音測定装置、及び故障診断システム | |
CN113805105A (zh) | 三相变压器检测方法和系统 | |
CN117912198A (zh) | 一种用于电抗器的预警预测系统 | |
JP4062993B2 (ja) | 音源判別装置及び音源判別方法 | |
JP6959420B1 (ja) | 信号処理装置、及び、信号処理方法 |
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 |