CN117572134B - 一种基于声音采集阵列检测的变压器故障分析方法及系统 - Google Patents

一种基于声音采集阵列检测的变压器故障分析方法及系统 Download PDF

Info

Publication number
CN117572134B
CN117572134B CN202410056187.0A CN202410056187A CN117572134B CN 117572134 B CN117572134 B CN 117572134B CN 202410056187 A CN202410056187 A CN 202410056187A CN 117572134 B CN117572134 B CN 117572134B
Authority
CN
China
Prior art keywords
time
sound collection
real
transformer
fault
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
Application number
CN202410056187.0A
Other languages
English (en)
Other versions
CN117572134A (zh
Inventor
熊俊
查晓明
周文俊
裴学凯
郑宇�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202410056187.0A priority Critical patent/CN117572134B/zh
Publication of CN117572134A publication Critical patent/CN117572134A/zh
Application granted granted Critical
Publication of CN117572134B publication Critical patent/CN117572134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于声音采集阵列检测的变压器故障分析方法及系统，涉及变压器故障分析技术领域，公开了在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块，在第一预测区块中进行多故障子区块模拟，对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像，实现了对实时未知运行噪音特征的位置确定，进而能够更多的判断出变压器的内部故障。

Description

一种基于声音采集阵列检测的变压器故障分析方法及系统
技术领域
本发明涉及变压器故障分析技术领域，尤其是涉及一种基于声音采集阵列检测的变压器故障分析方法及系统。
背景技术
基于声音采集分析变压器故障是一种先进的监测和诊断方法，利用变压器内部产生的声音信号进行故障检测；声音分析技术在电力设备维护领域得到广泛应用，因为故障状态常常伴随着特定的声音频谱变化；在变压器运行过程中，由于内部故障或运行异常，会产生不同频率和振幅的声音信号，这些信号包含了变压器当前状态的信息。
现有的声音采集分析变压器故障的技术大多都是预设的运行噪音特征比对分辨变压器实际发出的运行噪音特征，进而确定出变压器的内部故障，这种方式能够确定出来的内部故障较少，依赖预先设定的运行噪音特征的多少。
发明内容
本发明的目的是提供一种能够分辨出更多故障的变压器故障分析方法及系统。
本发明公开了一种基于声音采集阵列检测的变压器故障分析方法，包括：
建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型；
将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集；
采集声音采集阵列采集到的实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征；
获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组；
对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块；
在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征；
基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型；
将每一多故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序；
根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
在本发明公开的一些实施例中，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型的方法包括：
基于声音采集阵列中声音采集传感器的相对位置，在声音采集立体坐标系内对每一声音采集传感器配置第一立体坐标；
将所有第一立体坐标进行组合，构建生成声音采集阵列模型；
获取变压器的设计信息，并基于变压器的设计信息，构建变压器立体模型，并基于变压器相对声音采集阵列的相对位置，在声音采集立体坐标系内对变压器立体模型的结构标志点配置第二立体坐标。
在本发明公开的一些实施例中，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块的方法包括：
针对变压器立体模型设定了若干预测探点，并针对每一预测探点标记探点坐标；
依次在每一预测探点生成动态声波推进圆线，并记录预测探点对应的动态声波推进圆线与每一声音采集传感器对应的第一立体坐标的重合次序和重合时间间隔，并将重合次序和重合时间间隔构建生成重合比对参量组；
将每一预测探点对应的重合比对参量组和时间采集参量组进行比对，并基于重合比对参量组和时间采集参量组的适配程度，确定用于映射第一预测区块位置参量的预测探点；
根据预测探点所对应的变压器立体模型的位置附近的结构特征，以及变压器的历史负载特征，确定第一预设区块的体积参量。
在本发明公开的一些实施例中，确定第一预设区块的体积参量的方法包括：
获取预测探点位置附近预设体积空间内的易损部件，并基于每一易损部件预设的易损参数，构建易损程度算子；
获取变压器的历史运行时长以及不同负载状态的负载时长，并基于变压器的历史运行时长以及不同负载状态下的负载时长，构建负载磨损程度算子；
基于易损程度算子和负载磨损程度算子，确定第一预设区块的体积参量；
其中，计算第一预设区块的体积参量的表达式为：
；
其中，为第一预设区块的体积参量，为第一调整系数，为第二调整系 数，为第三调整系数，为第一调整常数，为第二调整常数，为第三调整常数，为第n1个易损部件的易损调整系数，为第n1个易损部件的易损参数，为历史运 行时长调整系数，为历史运行时长，为第n2个负载状态参数，为第n2个负载状 态的负载时长。
在本发明公开的一些实施例中，获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔的方法包括：
按照预设时间间隔，驱动声音采集阵列中的每一声音采集传感器开启和关闭，并在每一次开启时，获取每一声音采集传感器采集到的第一实时未知运行噪音特征；
建立第一时间参考线，将采集到的第一个第一实时未知运行噪音特征的时间节点配置于第一时间参考线的起始端点，并将对应的声音采集传感器与起始端点关联；
将其他采集到的第一实时未知运行噪音特征的时间节点配置于第一时间参考线，并将对应的声音采集传感器与时间节点关联；
基于第一时间参考线上关联的声音采集传感器和对应的时间节点，确定各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔。
在本发明公开的一些实施例中，在第一预测区块中进行多故障子区块模拟的方法包括：
对第一实时未知运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线，并对第一实时未知运行噪音频谱曲线中的周期进行确定；
对第一实时未知运行噪音频谱曲线每一周期中的振幅峰值点进行分析，并将等高的振幅峰值点的组合，生成振幅峰值组，并根据振幅峰值组的数量，确定故障子区块的预测数量范围；
基于确定的故障子区块的预测数量范围，动态将若干故障子区块进行组合，生成多故障子区块组；
在多故障子区块组中的每一故障子区块的所属位置依次发出的动态声波推进圆线，并推算出声音采集阵列模型中每一第一立体坐标与动态声波推进圆线的重合次序和重合时间间隔，并将每一第一立体坐标对应的重合次序和重合时间间隔与发出动态声波推进圆线的故障子区块进行关联。
在本发明公开的一些实施例中，生成模拟校对模型的方法包括：
针对每一故障子区块构建第二时间参考线，并基于每一声音采集传感器关联的重合次序和重合时间间隔，在第二时间参考线上设定每一声音采集传感器的声音采集节点；
将多故障子区块组中所有故障子区块对应的第二时间参考线进行组合，生成模拟校对模型。
在本发明公开的一些实施例中，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析的方法包括：
对声音采集传感器的第一实时运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线；
对每一声音采集传感器对应的第一实时未知运行噪音曲线进行分析，提取每一第一实时未知运行噪音曲线中振幅峰值组对应的振幅峰值点，并在第一实时未知运行噪音曲线上进行标记；
将若干第一实时未知运行噪音曲线对齐，并将不同第一实时未知运行噪音曲线上的等同振幅峰值点进行关联，并确定出不同第一实时未知运行噪音曲线的等同振幅峰值点的发生序次和发生时间间隔，并将发生序次和发生时间间隔列组合为校对参数组；
将所有振幅峰值组对应的校对参数组均代入模拟校对模型进行比对，根据校对参数组与第二时间参考线的相适配数量，确定模拟校对模型对应的多故障子区块模拟的实际相符值。
在本发明公开的一些实施例中，还公开有一种基于声音采集阵列检测的变压器故障分析系统，包括：
第一模块，用于建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型；
第二模块，用于将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集，采集声音采集阵列采集到的实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征；
第三模块，用于获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组，对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块；
第四模块，用于在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征，基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将每一多故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序；
第五模块，用于根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
本发明公开了一种基于声音采集阵列检测的变压器故障分析方法及系统，涉及变压器故障分析技术领域，公开了在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块，在第一预测区块中进行多故障子区块模拟，对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像，实现了对实时未知运行噪音特征的位置确定，进而能够更多的判断出变压器的内部故障。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明公开的一种基于声音采集阵列检测的变压器故障分析方法的方法步骤图。
以下通过附图和实施例对本发明的技术方案作进一步说明。
以下将结合附图以及具体实施例，对本发明的技术方案进行清楚、完整的描述，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员可以根据下述本发明的内容做出一些非本质的改进和调整。在本发明中，除非另有明确的规定和限定，本发明使用的技术术语应当为本发明所述技术人员所理解的通常意义。
实施例
本发明公开了一种基于声音采集阵列检测的变压器故障分析方法，参阅图1，包括：
步骤S100，建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型。
在这一步中，声音采集立体坐标系被建立，利用变压器的结构特征和相对位置特征配置声音采集阵列模型和变压器立体模型，用于在立体坐标系中准确捕捉声音信号的来源和传播路径。
步骤S200，将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集。
在这一步中，通过收集变压器的正常运行和异常运行时的噪音特征，建立第一正常运行噪音特征集和第一异常运行噪音特征集，为后续的故障诊断提供基准数据。
步骤S300，采集声音采集阵列采集到的实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征。
在这一步中，通过采集声音采集阵列实时运行噪音特征，并与正常和异常运行噪音特征集进行比对，筛选出需要剔除的运行噪音特征，得到实时未知运行噪音特征。
步骤S400，获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组。
在这一步中，获取实时未知运行噪音特征的时间序次和时间间隔，作为时间采集参量组，为后续的预测区块的确定提供数据。
步骤S500，对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块。
在这一步中，通过对时间采集参量组的计算分析，确定在声音采集立体坐标系中发出实时未知运行噪音特征的预测区块，缩小故障发生点的范围。
步骤S600，在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征。
步骤S700，基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型。
在这一步中，在预测区块中进行多故障子区块模拟，分析每个模拟触发特征，生成模拟校对模型，该模型综合考虑了声音采集阵列中每个传感器的响应特征。
步骤S800，将每一多故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序。
步骤S900,根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
在这一步中，根据预设的筛选序次，对多故障子区块模拟进行筛选，认定可能的故障发生点，并将这些点映射到变压器立体模型上，形成可视化的故障定位。
在本发明公开的一些实施例中，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型的方法包括：
步骤S110，基于声音采集阵列中声音采集传感器的相对位置，在声音采集立体坐标系内对每一声音采集传感器配置第一立体坐标。
步骤S120，将所有第一立体坐标进行组合，构建生成声音采集阵列模型。
步骤S130，获取变压器的设计信息，并基于变压器的设计信息，构建变压器立体模型，并基于变压器相对声音采集阵列的相对位置，在声音采集立体坐标系内对变压器立体模型的结构标志点配置第二立体坐标。
在本发明公开的一些实施例中，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块的方法包括：
S510，针对变压器立体模型设定了若干预测探点，并针对每一预测探点标记探点坐标。
在这一步中，对变压器立体模型设定了若干预测探点，每个探点都被标记了相应的坐标。这些探点可能位于变压器结构的关键位置，以便在不同部位进行声音传播的观察。
S520，依次在每一预测探点生成动态声波推进圆线，并记录预测探点对应的动态声波推进圆线与每一声音采集传感器对应的第一立体坐标的重合次序和重合时间间隔，并将重合次序和重合时间间隔构建生成重合比对参量组。
在这一步中，对于每个预测探点，按顺序生成动态声波推进圆线，然后记录每个圆线与每个声音采集传感器对应的第一立体坐标的重合次序和重合时间间隔；这些记录构建了重合比对参量组，其中包括了声波推进与传感器坐标的相对信息；这一过程实质上是通过模拟声波的传播过程，观察声波与声音采集传感器的交互，从而推断可能的声音传播路径。通过记录重合次序和重合时间间隔，可以量化声音传播的时间和次序，进而建立了预测区块的模型。
步骤S530，将每一预测探点对应的重合比对参量组和时间采集参量组进行比对，并基于重合比对参量组和时间采集参量组的适配程度，确定用于映射第一预测区块位置参量的预测探点。
步骤S540，根据预测探点所对应的变压器立体模型的位置附近的结构特征，以及变压器的历史负载特征，确定第一预设区块的体积参量。
整个过程通过比对声音传播的时间和位置信息，结合变压器的结构特征和历史运行数据，进一步提高了预测区块的准确性和可信度，为后续的故障诊断和定位提供了更精确的基础。
在本发明公开的一些实施例中，确定第一预设区块的体积参量的方法包括：
S541，获取预测探点位置附近预设体积空间内的易损部件，并基于每一易损部件预设的易损参数，构建易损程度算子。
S542，获取变压器的历史运行时长以及不同负载状态的负载时长，并基于变压器的历史运行时长以及不同负载状态下的负载时长，构建负载磨损程度算子。
S543，基于易损程度算子和负载磨损程度算子，确定第一预设区块的体积参量。
其中，计算第一预设区块的体积参量的表达式为：
。
其中，为第一预设区块的体积参量，为第一调整系数，为第二调整系 数，为第三调整系数，为第一调整常数，为第二调整常数，为第三调整常数，为第n1个易损部件的易损调整系数，为第n1个易损部件的易损参数，为历史运 行时长调整系数，为历史运行时长，为第n2个负载状态参数，为第n2个负载状 态的负载时长。
在本发明公开的一些实施例中，获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔的方法包括：
步骤S410，按照预设时间间隔，驱动声音采集阵列中的每一声音采集传感器开启和关闭，并在每一次开启时，获取每一声音采集传感器采集到的第一实时未知运行噪音特征。
步骤S420，建立第一时间参考线，将采集到的第一个第一实时未知运行噪音特征的时间节点配置于第一时间参考线的起始端点，并将对应的声音采集传感器与起始端点关联。
步骤S430，将其他采集到的第一实时未知运行噪音特征的时间节点配置于第一时间参考线，并将对应的声音采集传感器与时间节点关联。
步骤S440，基于第一时间参考线上关联的声音采集传感器和对应的时间节点，确定各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔。
在本发明公开的一些实施例中，在第一预测区块中进行多故障子区块模拟的方法包括：
步骤S610，对第一实时未知运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线，并对第一实时未知运行噪音频谱曲线中的周期进行确定。
步骤S620，对第一实时未知运行噪音频谱曲线每一周期中的振幅峰值点进行分析，并将等高的振幅峰值点的组合，生成振幅峰值组，并根据振幅峰值组的数量，确定故障子区块的预测数量范围。
步骤S630，基于确定的故障子区块的预测数量范围，动态将若干故障子区块进行组合，生成多故障子区块组。
步骤S640，在多故障子区块组中的每一故障子区块的所属位置依次发出的动态声波推进圆线，并推算出声音采集阵列模型中每一第一立体坐标与动态声波推进圆线的重合次序和重合时间间隔，并将每一第一立体坐标对应的重合次序和重合时间间隔与发出动态声波推进圆线的故障子区块进行关联。
在本发明公开的一些实施例中，生成模拟校对模型的方法包括：
步骤S710，针对每一故障子区块构建第二时间参考线，并基于每一声音采集传感器关联的重合次序和重合时间间隔，在第二时间参考线上设定每一声音采集传感器的声音采集节点。
步骤S720，将多故障子区块组中所有故障子区块对应的第二时间参考线进行组合，生成模拟校对模型。
在本发明公开的一些实施例中，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析的方法包括：
步骤S810，对声音采集传感器的第一实时运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线。
步骤S820，对每一声音采集传感器对应的第一实时未知运行噪音曲线进行分析，提取每一第一实时未知运行噪音曲线中振幅峰值组对应的振幅峰值点，并在第一实时未知运行噪音曲线上进行标记。
步骤S830，将若干第一实时未知运行噪音曲线对齐，并将不同第一实时未知运行噪音曲线上的等同振幅峰值点进行关联，并确定出不同第一实时未知运行噪音曲线的等同振幅峰值点的发生序次和发生时间间隔，并将发生序次和发生时间间隔列组合为校对参数组。
步骤S840，将所有振幅峰值组对应的校对参数组均代入模拟校对模型进行比对，根据校对参数组与第二时间参考线的相适配数量，确定模拟校对模型对应的多故障子区块模拟的实际相符值。
在本发明公开的一些实施例中，还公开有一种基于声音采集阵列检测的变压器故障分析系统，包括：第一模块、第二模块、第三模块和第四模块。
所述第一模块用于建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型。
所述第二模块用于将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集，采集声音采集阵列采集到的实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征。
所述第三模块用于获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组，对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块。
所述第四模块用于在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征，基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将每一多故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序。
所述第五模块用于根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
本发明公开了一种基于声音采集阵列检测的变压器故障分析方法及系统，涉及变压器故障分析技术领域，公开了在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块，在第一预测区块中进行多故障子区块模拟，对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像，实现了对实时未知运行噪音特征的位置确定，进而能够更多的判断出变压器的内部故障。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施场景所述的方法。
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进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，包括：
建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型；
将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集；
采集声音采集阵列采集到的第一实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对第一实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征；
获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组；
对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块；
在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征；
基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型；
将每一故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序；
根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
2.根据权利要求1所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型的方法包括：
基于声音采集阵列中声音采集传感器的相对位置，在声音采集立体坐标系内对每一声音采集传感器配置第一立体坐标；
将所有第一立体坐标进行组合，构建生成声音采集阵列模型；
获取变压器的设计信息，并基于变压器的设计信息，构建变压器立体模型，并基于变压器相对声音采集阵列的相对位置，在声音采集立体坐标系内对变压器立体模型的结构标志点配置第二立体坐标。
3.根据权利要求2所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块的方法包括：
针对变压器立体模型设定了若干预测探点，并针对每一预测探点标记探点坐标；
依次在每一预测探点生成动态声波推进圆线，并记录预测探点对应的动态声波推进圆线与每一声音采集传感器对应的第一立体坐标的重合次序和重合时间间隔，并将重合次序和重合时间间隔构建生成重合比对参量组；
将每一预测探点对应的重合比对参量组和时间采集参量组进行比对，并基于重合比对参量组和时间采集参量组的适配程度，确定用于映射第一预测区块位置参量的预测探点；
根据预测探点所对应的变压器立体模型的位置附近的结构特征，以及变压器的历史负载特征，确定第一预设区块的体积参量。
4.根据权利要求3所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，确定第一预设区块的体积参量的方法包括：
获取预测探点位置附近预设体积空间内的易损部件，并基于每一易损部件预设的易损参数，构建易损程度算子；
获取变压器的历史运行时长以及不同负载状态的负载时长，并基于变压器的历史运行时长以及不同负载状态下的负载时长，构建负载磨损程度算子；
基于易损程度算子和负载磨损程度算子，确定第一预设区块的体积参量；
其中，计算第一预设区块的体积参量的表达式为：
；
其中，为第一预设区块的体积参量，为第一调整系数，为第二调整系数， 为第三调整系数，为第一调整常数，为第二调整常数，为第三调整常数，为第 n1个易损部件的易损调整系数，为第n1个易损部件的易损参数，为历史运行时长 调整系数，为历史运行时长，为第n2个负载状态参数，为第n2个负载状态的负 载时长。
5.根据权利要求1所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔的方法包括：
按照预设时间间隔，驱动声音采集阵列中的每一声音采集传感器开启和关闭，并在每一次开启时，获取每一声音采集传感器采集到的第一实时未知运行噪音特征；
建立第一时间参考线，将采集到的第一个第一实时未知运行噪音特征的时间节点配置于第一时间参考线的起始端点，并将对应的声音采集传感器与起始端点关联；
将其他采集到的第一实时未知运行噪音特征的时间节点配置于第一时间参考线，并将对应的声音采集传感器与时间节点关联；
基于第一时间参考线上关联的声音采集传感器和对应的时间节点，确定各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔。
6.根据权利要求1所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，在第一预测区块中进行多故障子区块模拟的方法包括：
对第一实时未知运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线，并对第一实时未知运行噪音频谱曲线中的周期进行确定；
对第一实时未知运行噪音频谱曲线每一周期中的振幅峰值点进行分析，并将等高的振幅峰值点的组合，生成振幅峰值组，并根据振幅峰值组的数量，确定故障子区块的预测数量范围；
基于确定的故障子区块的预测数量范围，动态将若干故障子区块进行组合，生成多故障子区块组；
在多故障子区块组中的每一故障子区块的所属位置依次发出的动态声波推进圆线，并推算出声音采集阵列模型中每一第一立体坐标与动态声波推进圆线的重合次序和重合时间间隔，并将每一第一立体坐标对应的重合次序和重合时间间隔与发出动态声波推进圆线的故障子区块进行关联。
7.根据权利要求6所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，生成模拟校对模型的方法包括：
针对每一故障子区块构建第二时间参考线，并基于每一声音采集传感器关联的重合次序和重合时间间隔，在第二时间参考线上设定每一声音采集传感器的声音采集节点；
将多故障子区块组中所有故障子区块对应的第二时间参考线进行组合，生成模拟校对模型。
8.根据权利要求7所述的一种基于声音采集阵列检测的变压器故障分析方法，其特征在于，将模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析的方法包括：
对声音采集传感器的第一实时运行噪音特征进行分析，生成第一实时未知运行噪音频谱曲线；
对每一声音采集传感器对应的第一实时未知运行噪音曲线进行分析，提取每一第一实时未知运行噪音曲线中振幅峰值组对应的振幅峰值点，并在第一实时未知运行噪音曲线上进行标记；
将若干第一实时未知运行噪音曲线对齐，并将不同第一实时未知运行噪音曲线上的等同振幅峰值点进行关联，并确定出不同第一实时未知运行噪音曲线的等同振幅峰值点的发生序次和发生时间间隔，并将发生序次和发生时间间隔列组合为校对参数组；
将所有振幅峰值组对应的校对参数组均代入模拟校对模型进行比对，根据校对参数组与第二时间参考线的相适配数量，确定模拟校对模型对应的多故障子区块模拟的实际相符值。
9.一种基于声音采集阵列检测的变压器故障分析系统，其特征在于，包括：
第一模块，用于建立声音采集立体坐标系，并基于声音采集阵列和变压器的结构特征和相对位置特征，在声音采集立体坐标系中配置声音采集阵列模型和变压器立体模型；
第二模块，用于将变压器的正常运行噪音特征构建第一正常运行噪音特征集，将变压器的异常运行噪音特征构建第一异常运行噪音特征集，采集声音采集阵列采集到的第一实时运行噪音特征，并在第一正常运行噪音特征集中比对筛选出第一需剔除运行噪音特征，在第一异常运行噪音特征集中比对筛选出第二需剔除运行噪音特征，并基于第一需剔除运行噪音特征和第二需剔除运行噪音特征，对第一实时运行噪音特征进行噪音特征剔除，得到第一实时未知运行噪音特征；
第三模块，用于获取声音采集阵列中各自声音采集传感器采集到的第一实时未知运行噪音特征的第一时间序次以及第一时间间隔，将第一时间序次以及第一时间间隔认定为时间采集参量组，对时间采集参量组中的第一时间序次以及第一时间间隔进行计算分析，确定在声音采集立体坐标系中发出第一实时未知运行噪音特征的第一预测区块；
第四模块，用于在第一预测区块中进行多故障子区块模拟，并基于每次模拟结果，分析出每一故障子区块相对声音采集阵列的模拟触发特征，基于每次模拟触发特征，确定声音采集阵列中每一声音采集传感器的响应特征，并对所有声音采集传感器对应的响应特征进行综合分析，生成模拟校对模型，将每一故障子区块模拟故障过程中的模拟校对模型和声音采集阵列中每一声音采集传感器生成的第一实时运行噪音特征进行比对分析，得到多故障子区块模拟的实际相符值，并基于实际相符值，对多故障子区块模拟进行排序；
第五模块，用于根据预设筛选序次对多故障子区块模拟进行筛选，将筛选出来的多故障子区块模拟对应的多故障子区块认定为可能故障发生点，并将认定的可能故障发生点映射于变压器立体模型上成像。
CN202410056187.0A 2024-01-15 2024-01-15 一种基于声音采集阵列检测的变压器故障分析方法及系统 Active CN117572134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410056187.0A CN117572134B (zh) 2024-01-15 2024-01-15 一种基于声音采集阵列检测的变压器故障分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410056187.0A CN117572134B (zh) 2024-01-15 2024-01-15 一种基于声音采集阵列检测的变压器故障分析方法及系统

Publications (2)

Publication Number Publication Date
CN117572134A CN117572134A (zh) 2024-02-20
CN117572134B true CN117572134B (zh) 2024-04-05

Family

ID=89888490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410056187.0A Active CN117572134B (zh) 2024-01-15 2024-01-15 一种基于声音采集阵列检测的变压器故障分析方法及系统

Country Status (1)

Country Link
CN (1) CN117572134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117949871A (zh) * 2024-03-27 2024-04-30 山东和兑智能科技有限公司 一种变压器的声音采集和异常状态识别系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157196A (en) * 1996-03-11 2000-12-05 Abb Research Ltd. Method for monitoring of tap changers by acoustic analysis
JP2011214963A (ja) * 2010-03-31 2011-10-27 Takaoka Electric Mfg Co Ltd 変圧器故障判定器
CN113567162A (zh) * 2021-07-08 2021-10-29 中核检修有限公司 基于声传感器的风机故障智能诊断装置及方法
CN114171057A (zh) * 2021-12-03 2022-03-11 安徽继远软件有限公司 基于声纹的变压器事件检测方法及系统
CN114414963A (zh) * 2022-01-20 2022-04-29 西安交通大学 一种变电站域故障智能监测的声学成像定位系统及方法
CN116754855A (zh) * 2023-04-11 2023-09-15 华能灌云清洁能源发电有限责任公司 一种基于声音频谱的变压器故障检测方法
CN117110744A (zh) * 2023-08-24 2023-11-24 国网青海省电力公司海东供电公司 一种基于声纹分析的变压器故障诊断方法及系统
CN117334218A (zh) * 2023-08-15 2024-01-02 广西电网有限责任公司电力科学研究院 一种干式变压器运行状态评估方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9964625B2 (en) * 2011-06-27 2018-05-08 General Electric Company Electrical substation fault monitoring and diagnostics

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157196A (en) * 1996-03-11 2000-12-05 Abb Research Ltd. Method for monitoring of tap changers by acoustic analysis
JP2011214963A (ja) * 2010-03-31 2011-10-27 Takaoka Electric Mfg Co Ltd 変圧器故障判定器
CN113567162A (zh) * 2021-07-08 2021-10-29 中核检修有限公司 基于声传感器的风机故障智能诊断装置及方法
CN114171057A (zh) * 2021-12-03 2022-03-11 安徽继远软件有限公司 基于声纹的变压器事件检测方法及系统
CN114414963A (zh) * 2022-01-20 2022-04-29 西安交通大学 一种变电站域故障智能监测的声学成像定位系统及方法
CN116754855A (zh) * 2023-04-11 2023-09-15 华能灌云清洁能源发电有限责任公司 一种基于声音频谱的变压器故障检测方法
CN117334218A (zh) * 2023-08-15 2024-01-02 广西电网有限责任公司电力科学研究院 一种干式变压器运行状态评估方法及系统
CN117110744A (zh) * 2023-08-24 2023-11-24 国网青海省电力公司海东供电公司 一种基于声纹分析的变压器故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Convolution-Vision Transformer for Automatic Lung Sound Classification;Jose Neto 等;2022 35th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI);20221231;97-102 *
一种基于声音采集阵列检测的变压器故障分析方法及系统;廖鹏飞 等;电工技术;20230930(第17期);9-12 *

Also Published As

Publication number Publication date
CN117572134A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN117572134B (zh) 一种基于声音采集阵列检测的变压器故障分析方法及系统
CN108174343B (zh) 一种面向电力室内通信运维场景的无线定位方法及系统
CN110398647B (zh) 变压器状态监测方法
CN111487678B (zh) 一种确定高分辨率小多道地震最小偏移距和系统延迟的分析方法
CN110471395B (zh) 一种故障检测方法、装置、设备及存储介质
EP3525508A1 (en) Method and test system for mobile network testing as well as a network testing system
JP6605170B1 (ja) 学習装置及び推定装置
CN110568073B (zh) 一种在噪声环境中拾取击打信号的方法
CN112394224A (zh) 音频文件产生时间溯源动态匹配方法及系统
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
CN109583497B (zh) 一种对抗生成网络智能判断的数据质量规则自动生成方法及系统
JP2003279400A (ja) 音質評価装置及び音質評価方法
JP7166230B2 (ja) タイル健全基準取得装置及び方法
JP2022124667A (ja) 打音検査についての情報処理方法及び装置
CN113805105A (zh) 三相变压器检测方法和系统
JP2001209628A (ja) パターンマッチング方法
JP6651040B1 (ja) ノッキング判定装置
Martyniuk et al. Method of Finding Cover Signal for Audio Steganalysis Calibrated Methods
JP6370725B2 (ja) 漏水判定のための波形データ収集装置、漏水判定装置、漏水判定システム、およびプログラム
CN117041847B (zh) 用于助听器中自适应传声器匹配方法及系统
GB2575669A (en) Leak detection apparatus and method
KR102479844B1 (ko) 수중 표적 식별시스템 및 수중 표적 식별방법
CN116989593B (zh) 一种电炉运行故障的监测预警方法
CN116663875B (zh) 一种基于大数据的智能化安装工程监测系统及方法
CN110631691B (zh) 一种电力设备噪声分离效果验证方法、系统、分离设备及介质

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