CN117554798A - 高压断路器异常监测模型训练方法、装置和设备 - Google Patents
高压断路器异常监测模型训练方法、装置和设备 Download PDFInfo
- Publication number
- CN117554798A CN117554798A CN202311514559.1A CN202311514559A CN117554798A CN 117554798 A CN117554798 A CN 117554798A CN 202311514559 A CN202311514559 A CN 202311514559A CN 117554798 A CN117554798 A CN 117554798A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- voltage circuit
- monitoring model
- type information
- sound data
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 192
- 238000012544 monitoring process Methods 0.000 title claims abstract description 183
- 238000012549 training Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 129
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 19
- 230000005236 sound signal Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
- G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
Abstract
本申请涉及一种高压断路器异常监测模型训练方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取高压断路器运行异常时的样本声音数据，以及样本声音数据对应的实际运行异常种类信息，并将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型；通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息；根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。采用本方法能够得到高效监测高压断路器异常的高压断路器异常监测模型。
Description
技术领域
本申请涉及特高压输电技术领域，特别是涉及一种高压断路器异常监测模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着特高压输电技术领域的发展，出现了一种高压断路器异常监测方法，该方法通过检测设备内气体分解产物来监测高压断路器是否运行异常。
然而，高压断路器具有封闭式的结构特性，检测设备内气体分解产物需要打开高压断路器，导致检测时间较长并耗费大量的人力和物力，使得高压断路器异常监测非常低效。
发明内容
基于此，有必要针对上述技术问题，提供一种能够高效监测高压断路器异常的高压断路器异常监测模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种高压断路器异常监测模型训练方法。所述方法包括：
获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
在其中一个实施例中，所述通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息，包括：通过所述高压断路器异常监测模型的卷积层，获取所述样本声音数据对应的特征向量，并将所述特征向量输入至所述高压断路器异常监测模型的池化层；通过所述池化层，降低所述特征向量的空间维度，得到降维后的特征向量，并将所述降维后的特征向量输入至所述高压断路器异常监测模型的全连接层；通过所述全连接层，获取所述降维后的特征向量对应的映射结果，并将所述映射结果输入至所述高压断路器异常监测模型的输出层；通过所述输出层，获取所述映射结果对应的分类类别，即所述样本声音数据对应的预测运行异常种类信息。
在其中一个实施例中，所述通过所述高压断路器异常监测模型的卷积层，获取所述样本声音数据对应的特征向量，包括：获取所述样本声音数据对应的时域信号，并将所述时域信号划分为多个子时域信号；将各所述个子时域信号进行离散傅立叶变换，得到所述样本声音数据对应的频谱图；基于所述频谱图，得到所述样本声音数据对应的特征向量。
在其中一个实施例中，所述得到训练完成的高压断路器异常监测模型之后，还包括：获取所述高压断路器运行时的当前声音数据，并将所述当前声音数据输入至所述高压断路器异常监测模型；若通过所述高压断路器异常监测模型，得到所述当前声音数据对应的当前运行异常种类信息，则发出告警信息，并上报所述当前运行异常种类信息；若所述高压断路器异常监测模型的输出为空，则上报所述高压断路器运行正常的运行正常信息。
在其中一个实施例中，所述上报所述当前运行异常种类信息之后，还包括：基于所述当前运行异常种类信息，得到与所述当前运行异常种类信息对应的应急方案；根据所述应急方案，对所述高压断路器进行应急处理。
在其中一个实施例中，所述根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型，包括：若所述差异大于预设阈值，则更新所述高压断路器异常监测模型的模型参数，直到所述差异小于或等于所述预设阈值，得到训练完成的高压断路器异常监测模型。
第二方面，本申请还提供了一种高压断路器异常监测模型训练装置。所述装置包括：
样本数据获取模块，用于获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
预测信息获取模块，用于通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
模型训练模块，用于根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
上述高压断路器异常监测模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取高压断路器运行异常时的样本声音数据，以及样本声音数据对应的实际运行异常种类信息，并将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型；通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息；根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。本申请通过将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息，然后根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到能够高效监测高压断路器异常的高压断路器异常监测模型。
附图说明
图1为一个实施例中高压断路器异常监测模型训练方法的流程示意图；
图2为一个实施例中高压断路器异常应急处理的流程示意图；
图3为一个实施例中获取预测运行异常种类信息的流程示意图；
图4为一个实施例中获取特征向量的流程示意图；
图5为一个实施例中高压断路器异常监测模型训练装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在一个实施例中，如图1所示，提供了一种高压断路器异常监测模型训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S101，获取高压断路器运行异常时的样本声音数据，以及样本声音数据对应的实际运行异常种类信息，并将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型。
其中，高压断路器为额定电压3千伏及以上主要用于开断和关合导电回路的电器，而运行异常为该高压断路器开闸和闭闸时发生故障，至于样本声音数据，指的是该高压断路器工作历史上运行异常时产生的声音信息。然后实际运行异常种类信息为样本声音数据对应的真实运行异常种类信息，该实际运行异常种类信息为专业人员预先判断产生样本声音数据的高压断路器的真实运行异常种类信息，例如，该实际运行异常种类信息包括设备操作机构储能电机电压失常、储能电机空转、断路器速度过低、驱动电机电压失常、开关分合闸不到位等高压断路器运行异常种类。最后，待训练的高压断路器异常监测模型为以BP神经网络为基础构建的监测模型，该高压断路器异常监测模型用于监测高压断路器是否异常。
具体地，从预先构建的高压断路器运行异常声音数据库中获取样本声音数据，以及样本声音数据对应的实际运行异常种类信息，然后将样本声音数据，以及实际运行异常种类信息输入到待训练的高压断路器异常监测模型中。
步骤S102，通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息。
其中，预测运行异常种类信息为基于样本声音数据估算得到的运行异常种类信息预测值。
具体地，通过高压断路器异常监测模型，获取样本声音数据对应的声音信号特征，基于声音信号特征，得到样本声音数据对应的预测运行异常种类信息。
步骤S103，根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
其中，根据预测运行异常种类信息与实际运行异常种类信息的之间的差异为该高压断路器异常监测模型对应的损失函数。
具体地，获取预测运行异常种类信息与实际运行异常种类信息的之间的差异值，若该差异值大于预设值，则更新高压断路器异常监测模型的模型参数，直到预测运行异常种类信息与实际运行异常种类信息的之间的差异值小于或等于上述预设值，结束模型参数更新，得到训练完成的高压断路器异常监测模型。
上述高压断路器异常监测模型训练方法中，通过获取高压断路器运行异常时的样本声音数据，以及样本声音数据对应的实际运行异常种类信息，并将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型；通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息；根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。本申请通过将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息，然后根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到能够高效监测高压断路器异常的高压断路器异常监测模型。
在一个实施例中，如图2所示，通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息，包括以下步骤：
步骤S201，通过高压断路器异常监测模型的卷积层，获取样本声音数据对应的特征向量，并将特征向量输入至高压断路器异常监测模型的池化层。
其中，卷积层用于检测声音信号中的特征模式，通常是频谱中的局部特征，可以添加多个卷积层，每个卷积层可以指定卷积核的大小、激活函数等参数，而特征向量为声音数据时域信号的一段，至于池化层，指的是高压断路器异常监测模型中用于减小数据的空间维度，降低计算复杂的层。
具体地，通过高压断路器异常监测模型的卷积层，获取声音数据时域信号的一段作为样本声音数据对应的特征向量，并将特征向量输入至高压断路器异常监测模型的池化层。
步骤S202，通过池化层，降低特征向量的空间维度，得到降维后的特征向量，并将降维后的特征向量输入至高压断路器异常监测模型的全连接层。
其中，全连接层为高压断路器异常监测模型中用于将卷积层提取的特征映射到输出类别的层。
具体地，通过池化层来降低特征向量的空间维度，并将降维后的特征向量输入至全连接层。
步骤S203，通过全连接层，获取降维后的特征向量对应的映射结果，并将映射结果输入至高压断路器异常监测模型的输出层。
其中，输出层高压断路器异常监测模型中用于多类别分类的层。
具体地，通过全连接层，计算得到降维后的特征向量对应的映射结果，并将映射结果输入至高压断路器异常监测模型的输出层。
步骤S204，通过输出层，获取映射结果对应的分类类别，即样本声音数据对应的预测运行异常种类信息。
具体地，通过输出层，对映射结果进行分类，得到样本声音数据对应的预测运行异常种类信息。
本实施例中，通过高压断路器异常监测模型的卷积层，获取声音数据时域信号的一段作为样本声音数据对应的特征向量，并将特征向量输入至高压断路器异常监测模型的池化层，然后通过池化层来降低特征向量的空间维度，并将降维后的特征向量输入至全连接层，再通过全连接层，计算得到降维后的特征向量对应的映射结果，并将映射结果输入至高压断路器异常监测模型的输出层，最后通过输出层，对映射结果进行分类，得到样本声音数据对应的预测运行异常种类信息。能够准确地获得样本声音数据对应的预测运行异常种类信息。
在一个实施例中，如图3所示，通过高压断路器异常监测模型的卷积层，获取样本声音数据对应的特征向量，包括以下步骤：
步骤S301，获取样本声音数据对应的时域信号，并将时域信号划分为多个子时域信号。
其中，时域信号为样本声音数据声音振动的波形表示，样本声音数据通常以时域信号的形式存在，这意味着样本声音数据随着时间的推移而变化。
具体地，获取样本声音数据对应的时域信号，使用窗口函数来滑动地截取时域信号，将时域信号划分为多个子时域信号。
步骤S302，将各个子时域信号进行离散傅立叶变换，得到样本声音数据对应的频谱图。
其中，频谱图为样本声音数据频谱的可视化表示，用颜色或灰度表示频率成分的强度，该频谱图可用于分析音高、音调和声音事件的时序变化。
具体地，通过离散傅立叶变换计算各个子时域信号，得到样本声音数据对应的频谱图。
步骤S303，基于频谱图，得到样本声音数据对应的特征向量。
其中，特征向量为样本声音数据对应的频域信号。
具体地，通过频谱图中样本声音数据对应的频率和振幅信息，得到样本声音数据对应的特征向量。
本实施例中，通过获取样本声音数据对应的时域信号，并将时域信号划分为多个子时域信号，再通过离散傅立叶变换计算各个子时域信号，得到样本声音数据对应的频谱图，最后，基于频谱图，得到样本声音数据对应的特征向量，能够准确地得到样本声音数据对应的特征向量。
在一个实施例中，如图4所示，得到训练完成的高压断路器异常监测模型之后，还包括以下步骤：
步骤401，获取高压断路器运行时的当前声音数据，并将当前声音数据输入至高压断路器异常监测模型。
其中，当前声音数据为高压断路器运行时产生的实时声音数据。
具体地，通过高压断路器声音探测器，获取高压断路器运行时的当前声音数据，并将当前声音数据输入至高压断路器异常监测模型。
步骤S402，若通过高压断路器异常监测模型，得到当前声音数据对应的当前运行异常种类信息，则发出告警信息，并上报当前运行异常种类信息。
其中，当前运行异常种类信息为当前声音数据对应的通过高压断路器异常监测模型得到的高压断路器异常监测运行异常种类信息。而告警信息为针对于高压断路器异常监测运行异常的告警信息。
具体地，当通过高压断路器异常监测模型，得到当前声音数据对应的当前运行异常种类信息时，表明的高压断路器异常监测运行异常，立即发出告警信息，并上报当前运行异常种类信息。
步骤S403，若高压断路器异常监测模型的输出为空，则上报高压断路器运行正常的运行正常信息。
其中，高压断路器异常监测模型的输出为空指的是，高压断路器异常监测模型没有输出运行异常种类信息，而运行正常信息表征高压断路器运行正常。
具体地，如果高压断路器异常监测模型没有输出任何运行异常种类信息，则表明高压断路器运行正常，并上报高压断路器运行正常的运行正常信息。
本实施例中，通过将当前声音数据输入至高压断路器异常监测模型，当通过高压断路器异常监测模型，得到当前声音数据对应的当前运行异常种类信息时，表明的高压断路器异常监测运行异常，如果高压断路器异常监测模型没有输出任何运行异常种类信息，则表明高压断路器运行正常，能够高效准确地判断高压断路器是否运行异常。
在一个实施例中，上报当前运行异常种类信息之后，还包括以下步骤：
基于当前运行异常种类信息，得到与当前运行异常种类信息对应的应急方案。其中，应急方案为针对于高压断路器当前异常种类的高压断路器保护方案。具体地，根据预先构建的运行异常种类信息与应急方案的对应关系，基于当前运行异常种类信息，得到与当前运行异常种类信息对应的应急方案。
根据应急方案，对高压断路器进行应急处理。其中，应急处理为高压断路器以及高压输电线路的保护处理。具体地，根据应急方案，对高压断路器进行应急处理，从而保护高压断路器，以及高压输电线路。
本实施例中，通过当前运行异常种类信息，得到与当前运行异常种类信息对应的应急方案，然后根据应急方案，对高压断路器进行应急处理，能够快速有效地保护高压断路器，以及高压输电线路。
在一个实施例中，根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型，包括以下步骤：
若差异大于预设阈值，则更新高压断路器异常监测模型的模型参数，直到差异小于或等于预设阈值，得到训练完成的高压断路器异常监测模型。
其中，预设阈值为一预设值，而模型参数为高压断路器异常监测模型中带训练更新的参数。
具体地，若预测运行异常种类信息与实际运行异常种类信息的之间的差异大于预设值，则更新高压断路器异常监测模型的模型参数，直到预测运行异常种类信息与实际运行异常种类信息的之间的差异小于或等于上述预设值，完成训练，得到训练完成的高压断路器异常监测模型。
本实施例中，通过若差异大于预设阈值，则更新高压断路器异常监测模型的模型参数，直到差异小于或等于预设阈值，完成训练，能够训练出监控准确的高压断路器异常监测模型。
在一个应用实施例中，提供了一种高压断路器异常监测方法，具体包括以下步骤：
1、采集运行中的高压断路器异常音频信息
例如，高压断路器开关操动机构获得操作命令后，电动机启动运转带动主轴及套在主轴上的拐臂板旋转特定角度，拐臂板推动导向套、绝缘拉杆及动触头沿隔离开关的中心线作直线运动，实现分、合闸操作。同时操动机构带动分合闸指示牌转动，指示与刀闸位置相对应的分合闸位置，有传动连杆时，其一端会变位靠近规定的代表刀闸分开，合闸到位的点，而判断其内部的刀闸是否分开，合闸到位要通过操动机构上的指示牌指示，若分闸指示牌发生倾斜，发生异常，获取此时高压断路器设备分合闸动作异常音频信息。
2、实验室模拟高压断路器异常动作下的音频信息
相对于振动信号，高压断路器故障声波的传输路径更为复杂，主要有两类；一类是高压断路器内部故障声源，其传播路径为故障声源>SF6气体>高压断路器壳体>空气>拾音器。另一类是高压断路器壳体机械故障声源，其传播路径为故障声源>高压断路器壳体>空气>拾音器，通过高压断路器设备分合闸实验模拟平台，获取模拟高压断路器设备故障时的音频信息。
3、构建高压断路器异常音频数据库
作机构储能电机电压失常、储能电机空转、断路器速度过低、驱动电机电压失常、开关分合闸不到位等音频数据，建立相应的音频样本库，样本库异常种类不少于20类。环境高压断路器数据库设计主要包括：数据字典设计(数据项、数据结构、数据流、数据存储等)、数据库逻辑结构设计、数据库物理结构设计(数据存储结构、存储路径存储分配等)。其中最重要的工作是根据环境空间数据分类编码和应用需要定义数据图层结构和相关属性表结构、数据库表结构、元数据库表结构和数据字典结构。
环境高压断路器数据入库一般有环境监测仪器数据接入、已有环境数据库或地理基础数据库导入、人工直接采集(包图层数字化、人工录入等)等多种方式；数据入库包括空间数据入库和属性数据的入库。数据入库应按规定统一的空间数据入库标准；空间数据入库要注意明确环境图元的编号；属性数据录入时要确保属性数据库记录内容与相应图形上标注的编码一一对应。数据入库过程中要通过图形要素的目标标识码实现环境业务属性记录与环境空间图形库中对应图形实体的关联。
数据整理和检验主要是对人库数据进行自动化检查，并对空间数据质量、属性数据质量和数据精度进行控制。自动化检查包括如对环境空间数据的错误进行改正、自动处理交叉点、悬挂点、冗余点；自动构建多边形、删除多余线；自动处理岛、环、面域；批量属性标识和修改等。空间数据质量控制包括空间地理特征的完整性、空间特征表达的完整性、空间数据的拓扑关系、空间数据的地理参考系统正确性、空间数据使用的大地控制点的正确性；属性数据质量控制主要包括属性表的定义是否符合数据库设计、主关键项定义和唯一性、各属性表的外部关，项的正确性、关系表之间的关系的正确性；数据精度控制主要包括平面投影坐标系统参数、空间定位经度等。
4、异常音频数据除杂
发生故障时采集到的声音是开关柜设备本体噪声和故障声音的线性叠加，需要先将这两种声音分离，拟采用采用FastICA算法快速独立分量分析算法处理采集到的混合声音，分离出故障声音信号。
5、高压断路器异常监测模型训练
(1)对收集到的声音数据进行预处理，包括采样率的统一、降噪、归一化等。还可以使用时频分析方法如短时傅里叶变换(STFT)将声音信号转化为频谱图像，以便神经网络能够处理。
(2)引入傅里叶变换对原始信号进行预处理。由于傅里叶变换后信号的幅值不会正负波动，能够在傅里叶域中提供平滑的正包络，且傅里叶系数不存在混叠现象，并且不依赖复杂的混叠消除特性来重构信号对于任一信号，不论信号片段的起始位置在何处，其对应的片段傅里叶变换总能够保持一定的稳定性，该特性可有效克服传统图结构方法的不足。
(3)数据标记：对数据进行标记，将每个声音样本与其对应的操作状态(正常或异常)关联起来，以便模型学习如何区分这两种情况。
(4)模型选择：
根据任务的复杂性和数据集的大小，选择合适的深度学习模型。对于声音分类任务，卷积神经网络(CNN)通常是一个常用的选择，因为它们能够有效地处理图像数据。一些考虑因素如下：
数据集大小：如果您的数据集非常小，通常情况下，使用较小和简单的CNN模型可能更合适，以避免过拟合。您还可以考虑使用数据增强技术，通过对现有数据进行变换和扩充来增加数据的多样性。
数据特征：声音数据的特征提取可能需要一些领域专业知识。除了CNN，您还可以考虑使用循环神经网络(RNN)或长短时记忆网络(LSTM)等适用于序列数据的模型，以更好地捕捉声音数据中的时间相关性。
模型复杂性：任务的复杂性也是一个关键因素。如果您需要进行复杂的声音分类，例如语音识别或音乐情感分析，可能需要更深层次和复杂的神经网络架构，包括深度CNN或混合CNN与RNN的模型。
预训练模型：如果您有大量的数据，并且可以使用预训练的声音分类模型，那么您可以考虑迁移学习。迁移学习允许您利用在其他声音相关任务上预训练的模型来加速训练过程并提高性能。
实时性要求：如果您需要实时性的声音分类，模型的推理速度也是一个重要的考虑因素。您可能需要优化模型架构，以在嵌入式设备或实时应用中实现低延迟。
(5)模型构建：
声音数据的特点：时域信号：声音数据通常以时域信号的形式存在，这意味着声音信号随着时间的推移而变化。时域信号是声音振动的波形表示。频域特性：声音信号的频域特性是其最重要的特点。声音信号的频谱包括频率和振幅信息。声音信号的音高、音调和频谱分布等信息都在频域中体现出来。时变性：声音信号通常是非平稳的，这意味着声音特性会随着时间变化。例如，在语音识别中，发音的方式和音量随时间而变化。声音特征提取过程：声音特征提取的目标是从时域信号中提取有意义的频域特征，以用于声音分类或分析任务。以下是声音特征提取的一般步骤：预处理：首先，声音信号通常需要进行预处理，包括去噪(去除背景噪声)、均衡化(增强声音信号的特定频率范围)、标准化(将信号幅度范围缩放到一定范围)等。窗口函数：为了将时域信号划分成小段进行分析，通常会使用窗口函数来滑动地截取信号。常用的窗口函数包括汉明窗、汉宁窗等。傅立叶变换：傅立叶变换将时域信号转换为频域表示。离散傅立叶变换(DFT)或快速傅立叶变换(FFT)通常用于计算频谱。这将产生频谱图，其中时间沿横轴，频率沿纵轴。谱图：谱图是频谱的可视化表示，用颜色或灰度表示频率成分的强度。谱图可用于分析音高、音调和声音事件的时序变化。
特征提取：在谱图上，可以提取各种频域特征，例如：频谱包络(SpectralEnvelope)：表示频率分布的曲线。音频功率谱(Power Spectrogram)：每个频率的能量。梅尔频率倒谱系数(MFCC)：通常用于语音识别，是一种压缩频谱特征。声音事件的频谱特征：如声音事件的中心频率、频谱带宽等。降维：通常，声音特征的维度非常高，因此可以使用主成分分析(PCA)或其他降维技术来减少特征的维度。特征标准化：通常，提取的特征需要进行标准化，以确保均值为0，方差为1，以改善模型训练的稳定性。特征向量：最终，特征提取会将声音信号转化为特征向量，其中每个特征向量对应于时域信号的一小段。
在声音分类任务中，构建CNN模型并进行模型训练的过程包括以下步骤：
在构建CNN模型时，您可以自定义模型结构或使用已有的声音分类模型的预训练权重。以下是各部分的解释：
卷积层(Conv2D):卷积层用于检测声音信号中的特征模式，通常是频谱中的局部特征。您可以添加多个卷积层，每个卷积层可以指定卷积核的大小、激活函数等参数。
池化层(MaxPooling2D):池化层用于减小数据的空间维度，降低计算复杂性，有助于提取最重要的特征。通常在每个卷积层后添加一个池化层。
展平层(Flatten):展平层将卷积层输出的多维数据展平为一维向量，以便连接到全连接层。
全连接层(Dense):全连接层用于将卷积层提取的特征映射到输出类别。您可以添加多个全连接层，并定义激活函数。
输出层:输出层的神经元数量应该等于您的分类类别数量，激活函数通常是softmax，用于多类别分类任务。
(6)数据划分：通常，数据集应该划分为训练集、验证集和测试集。例如，您可以采用70-80％的数据用于训练，10-15％用于验证，10-15％用于测试。这样的划分有助于评估模型的性能和泛化能力。
(7)模型训练：使用训练集对模型进行训练。在训练期间，模型会学习声音特征与操作状态之间的关联。训练过程中需要定义损失函数，如交叉熵损失，和优化器，如Adam。周期性地在验证集上评估模型性能，以避免过拟合。
(8)超参数调整：根据验证集的性能，可以调整模型的超参数，例如学习率、批次大小、卷积核数量等，以优化模型性能。
(9)模型评估：在测试集上评估训练好的模型，计算性能指标，例如分类准确率、精确度、召回率、F1分数等，以评估模型的性能。
在每一层的特征处理过程中，以下是一般性的处理步骤：
卷积层(Conv2D)：卷积核通过滑动窗口检测声音频谱的局部特征模式，卷积操作产生卷积特征图。您可以定义卷积核的大小、激活函数(通常为ReLU)，以及步幅等参数。
池化层(MaxPooling2D)：池化层通过取局部区域的最大值来减小特征图的空间维度，有助于保留重要信息。通常采用最大池化操作。
展平层(Flatten)：展平层将卷积特征图转换为一维向量，以便进入全连接层。
全连接层(Dense)：全连接层将卷积特征映射到输出类别。您可以定义激活函数，例如ReLU。
输出层：输出层的激活函数通常为softmax，将模型的输出映射为类别的概率分布。
模型的输出层将提供每个类别的预测概率，最终选择概率最高的类别作为模型的预测结果。
6、高压断路器异常监测
将高压断路器实时音频信息输入至高压断路器异常监测模型，若得到高压断路器异常种类信息，则上报高压断路器管理系统。
上述高压断路器异常监测方法，通过采集高压断路器异常监测异常时的音频数据作为样本数据，用于训练高压断路器异常监测模型，再将高压断路器实时音频信息输入至高压断路器异常监测模型，若得到高压断路器异常种类信息，则上报高压断路器管理系统，实现高压断路器异常的高效监测。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的高压断路器异常监测模型训练方法的高压断路器异常监测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个高压断路器异常监测模型训练装置实施例中的具体限定可以参见上文中对于高压断路器异常监测模型训练方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种高压断路器异常监测模型训练装置，包括：样本数据获取模块、预测信息获取模块和模型训练模块，其中：
样本数据获取模块501，用于获取高压断路器运行异常时的样本声音数据，以及样本声音数据对应的实际运行异常种类信息，并将样本声音数据，以及实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
预测信息获取模块502，用于通过高压断路器异常监测模型，得到样本声音数据对应的预测运行异常种类信息；
模型训练模块503，用于根据预测运行异常种类信息与实际运行异常种类信息的之间的差异，训练高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
在其中一个实施例中，样本数据获取模块502，进一步用于通过高压断路器异常监测模型的卷积层，获取样本声音数据对应的特征向量，并将特征向量输入至高压断路器异常监测模型的池化层；通过池化层，降低特征向量的空间维度，得到降维后的特征向量，并将降维后的特征向量输入至高压断路器异常监测模型的全连接层；通过全连接层，获取降维后的特征向量对应的映射结果，并将映射结果输入至高压断路器异常监测模型的输出层；通过输出层，获取映射结果对应的分类类别，即样本声音数据对应的预测运行异常种类信息。
在其中一个实施例中，预测信息获取模块502，进一步用于获取样本声音数据对应的时域信号，并将时域信号划分为多个子时域信号；将各个子时域信号进行离散傅立叶变换，得到样本声音数据对应的频谱图；基于频谱图，得到样本声音数据对应的特征向量。
在其中一个实施例中，上述高压断路器异常监测模型训练装置还包括高压断路器异常监测模块，该高压断路器异常监测模块进一步用于获取高压断路器运行时的当前声音数据，并将当前声音数据输入至高压断路器异常监测模型；若通过高压断路器异常监测模型，得到当前声音数据对应的当前运行异常种类信息，则发出告警信息，并上报当前运行异常种类信息；若高压断路器异常监测模型的输出为空，则上报高压断路器运行正常的运行正常信息。
在其中一个实施例中，高压断路器异常监测模块，进一步用于基于当前运行异常种类信息，得到与当前运行异常种类信息对应的应急方案；根据应急方案，对高压断路器进行应急处理。
在其中一个实施例中，模型训练模块503，进一步用于若差异大于预设阈值，则更新高压断路器异常监测模型的模型参数，直到差异小于或等于预设阈值，得到训练完成的高压断路器异常监测模型。
上述高压断路器异常监测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高压断路器异常监测模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种高压断路器异常监测模型训练方法，其特征在于，所述方法包括：
获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
2.根据权利要求1所述的方法，其特征在于，所述通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息，包括：
通过所述高压断路器异常监测模型的卷积层，获取所述样本声音数据对应的特征向量，并将所述特征向量输入至所述高压断路器异常监测模型的池化层；
通过所述池化层，降低所述特征向量的空间维度，得到降维后的特征向量，并将所述降维后的特征向量输入至所述高压断路器异常监测模型的全连接层；
通过所述全连接层，获取所述降维后的特征向量对应的映射结果，并将所述映射结果输入至所述高压断路器异常监测模型的输出层；
通过所述输出层，获取所述映射结果对应的分类类别，即所述样本声音数据对应的预测运行异常种类信息。
3.根据权利要求2所述的方法，其特征在于，所述通过所述高压断路器异常监测模型的卷积层，获取所述样本声音数据对应的特征向量，包括：
获取所述样本声音数据对应的时域信号，并将所述时域信号划分为多个子时域信号；
将各所述个子时域信号进行离散傅立叶变换，得到所述样本声音数据对应的频谱图；
基于所述频谱图，得到所述样本声音数据对应的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述得到训练完成的高压断路器异常监测模型之后，还包括：
获取所述高压断路器运行时的当前声音数据，并将所述当前声音数据输入至所述高压断路器异常监测模型；
若通过所述高压断路器异常监测模型，得到所述当前声音数据对应的当前运行异常种类信息，则发出告警信息，并上报所述当前运行异常种类信息；
若所述高压断路器异常监测模型的输出为空，则上报所述高压断路器运行正常的运行正常信息。
5.根据权利要求4所述的方法，其特征在于，所述上报所述当前运行异常种类信息之后，还包括：
基于所述当前运行异常种类信息，得到与所述当前运行异常种类信息对应的应急方案；
根据所述应急方案，对所述高压断路器进行应急处理。
6.根据权利要求1所述的方法，其特征在于，所述根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型，包括：
若所述差异大于预设阈值，则更新所述高压断路器异常监测模型的模型参数，直到所述差异小于或等于所述预设阈值，得到训练完成的高压断路器异常监测模型。
7.一种高压断路器异常监测模型训练装置，其特征在于，所述装置包括：
样本数据获取模块，用于获取高压断路器运行异常时的样本声音数据，以及所述样本声音数据对应的实际运行异常种类信息，并将所述样本声音数据，以及所述实际运行异常种类信息输入至待训练的高压断路器异常监测模型；
预测信息获取模块，用于通过所述高压断路器异常监测模型，得到所述样本声音数据对应的预测运行异常种类信息；
模型训练模块，用于根据所述预测运行异常种类信息与所述实际运行异常种类信息的之间的差异，训练所述高压断路器异常监测模型，得到训练完成的高压断路器异常监测模型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311514559.1A CN117554798A (zh) | 2023-11-14 | 2023-11-14 | 高压断路器异常监测模型训练方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311514559.1A CN117554798A (zh) | 2023-11-14 | 2023-11-14 | 高压断路器异常监测模型训练方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117554798A true CN117554798A (zh) | 2024-02-13 |
Family
ID=89817949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311514559.1A Pending CN117554798A (zh) | 2023-11-14 | 2023-11-14 | 高压断路器异常监测模型训练方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117554798A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
| CN110931316A (zh) * | 2019-11-26 | 2020-03-27 | 重庆望变电气（集团）股份有限公司 | 一种智能断路器 |
| CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN114646351A (zh) * | 2022-03-28 | 2022-06-21 | 广东电网有限责任公司 | 一种多维度综合断路器故障特征分析方法及装置 |
| CN114841222A (zh) * | 2022-07-04 | 2022-08-02 | 广东汇盈电力工程有限公司 | 配电系统、高压断路器故障检测模型及方法 |
| CN115144172A (zh) * | 2022-07-14 | 2022-10-04 | 国网安徽省电力有限公司 | 一种基于声音的gis断路器故障在线监测系统及方法 |
| CN115204230A (zh) * | 2022-07-15 | 2022-10-18 | 国网山东省电力公司青岛供电公司 | 一种基于Barlow Twins算法的自监督断路器故障诊断方法 |
| CN116665710A (zh) * | 2023-07-26 | 2023-08-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 气体绝缘开关设备的故障识别方法、装置和计算机设备 |
-
2023
- 2023-11-14 CN CN202311514559.1A patent/CN117554798A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
| CN110931316A (zh) * | 2019-11-26 | 2020-03-27 | 重庆望变电气（集团）股份有限公司 | 一种智能断路器 |
| CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN114646351A (zh) * | 2022-03-28 | 2022-06-21 | 广东电网有限责任公司 | 一种多维度综合断路器故障特征分析方法及装置 |
| CN114841222A (zh) * | 2022-07-04 | 2022-08-02 | 广东汇盈电力工程有限公司 | 配电系统、高压断路器故障检测模型及方法 |
| CN115144172A (zh) * | 2022-07-14 | 2022-10-04 | 国网安徽省电力有限公司 | 一种基于声音的gis断路器故障在线监测系统及方法 |
| CN115204230A (zh) * | 2022-07-15 | 2022-10-18 | 国网山东省电力公司青岛供电公司 | 一种基于Barlow Twins算法的自监督断路器故障诊断方法 |
| CN116665710A (zh) * | 2023-07-26 | 2023-08-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 气体绝缘开关设备的故障识别方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | On fast sampling of diffusion probabilistic models | |
| CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN113205820B (zh) | 一种用于声音事件检测的声音编码器的生成方法 | |
| CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
| WO2019220620A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
| CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
| WO2021213135A1 (zh) | 音频处理方法、装置、电子设备和存储介质 | |
| CN113723618B (zh) | 一种shap的优化方法、设备及介质 | |
| CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
| CN112216287A (zh) | 基于集成学习和卷积神经网络的环境声音识别方法 | |
| CN115803806A (zh) | 用于训练双模式机器学习言语识别模型的系统和方法 | |
| CN117115581A (zh) | 一种基于多模态深度学习的智能误操作预警方法及系统 | |
| CN115457982A (zh) | 情感预测模型的预训练优化方法、装置、设备及介质 | |
| CN114818864A (zh) | 一种基于小样本的手势识别方法 | |
| CN114582325A (zh) | 音频检测方法、装置、计算机设备、存储介质 | |
| Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
| CN117554798A (zh) | 高压断路器异常监测模型训练方法、装置和设备 | |
| CN117693754A (zh) | 训练用于图像修复的经掩模的自动编码器 | |
| CN114974302A (zh) | 环境声音事件检测方法、装置和介质 | |
| CN112508116A (zh) | 分类器生成方法、装置、存储介质及电子设备 | |
| Wang et al. | Fast ship radiated noise recognition using three-dimensional mel-spectrograms with an additive attention based transformer | |
| CN113688027B (zh) | 工控设备的检测数据处理方法和系统 | |
| CN115510925B (zh) | 一种机械故障诊断方法、装置、介质 | |
| CN114969543B (zh) | 推广方法、系统、电子设备和存储介质 | |
| CN113554000B (zh) | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
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 |