CN117607598A - 一种基于声纹特征的变压器故障检测方法及系统 - Google Patents
一种基于声纹特征的变压器故障检测方法及系统 Download PDFInfo
- Publication number
- CN117607598A CN117607598A CN202311700449.4A CN202311700449A CN117607598A CN 117607598 A CN117607598 A CN 117607598A CN 202311700449 A CN202311700449 A CN 202311700449A CN 117607598 A CN117607598 A CN 117607598A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- fault
- transformer
- features
- vibration
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004804 winding Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声纹特征的变压器故障检测方法及系统，涉及变压器故障检测技术领域，首先获取变压器声纹振动信号样本；将所述样本去除噪声，得到声纹图谱特征；将声纹图谱特征以及对应的声纹类型录入特征数据库中；针对目标变压器构建声纹振动传感器阵列；实时采集阵列的声纹振动信号，进行去除噪声，得到待识别声纹图谱特征；根据待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，计算得到其空间谱图，转换为平面图像，对故障位置进行定位；将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，得到故障类型检测结果。本发明减少了声纹故障检测过程中噪声的影响，提高了故障类型检测和故障位置检测的效率。
Description
技术领域
本发明涉及变压器故障检测技术领域，更具体的说是涉及一种基于声纹特征的变压器故障检测方法及系统。
背景技术
变压器是变电站的核心设备，承担着变换电压、分配电能的任务，其安全、可靠的运行对电网安全稳定运行保障具有积极的意义。随着电网投资规模的扩大、新能源发电行业的快速发展、城网农网的大力改造，致使变压器的需求量日益剧增。若变压器出现故障，将造成停电损失、维护成本高等问题。
引发变压器故障原因较多，而变压器故障排除能力偏低，关键隐患不能实时预警。变压器在进行工作时会由于不同的工作功率产生不同的声音分贝且变压器进行工作时，由于电压电流恒定，所产生的声音分贝是稳定的，在变压器工作发出的声音分贝发出变化，往往是由于电压的突然变化和变压器故障所产生的。因此，通过声纹振动信号进行故障的识别逐渐成为国内外研究的热点。但是由于声纹振动信号的复杂性，关于声纹振动信号准确识别仍然是目前电力设备亟需解决却具有很大挑战的难题。
长期以来，对于声纹振动信号的采集都伴随着外界噪声信号的干扰和传播过程中的衰减，并且都需要大量的经验数据，对不同的变压器诊断效果适应性较差，同时也无法准确得到故障位置的信息，无法及时进行故障排查。
因此，针对上述问题，如何减少声纹故障检测过程中噪声的影响，提高故障类型检测和故障位置检测的效率，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于声纹特征的变压器故障检测方法及系统。
为了实现上述目的，本发明提供如下技术方案：
一种基于声纹特征的变压器故障检测方法，包括以下步骤：
步骤1、获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本；
步骤2、将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征；
步骤3、将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；
步骤4、针对目标变压器构建声纹振动传感器阵列；
步骤5、实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号；
步骤6、根据采集的各个声纹振动信号，进行去除噪声，得到若干个待识别声纹图谱特征；
步骤7、根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位；
步骤8、将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果。
可选的，对声纹振动信号去除噪声的方法为：
通过傅里叶变换将声纹振动信号转换为频域，得到初始声纹图谱特征；
通过分帧操作对初始声纹图谱特征进行噪声数据分离，得到最终的声纹图谱特征。
可选的，所述声纹类型包括：正常类型和故障类型，所述故障类型至少包括短路冲击、局部放电、直流偏磁故障。
可选的，所述步骤4中，构建声纹振动传感器阵列的方法为：
设定目标变压器内包括N个绕组，将3N个声纹振动传感器以每个绕组布设3个声纹振动传感器以二维等距分布的方式附着在声纹振动传感器设备外壳，即变压器内每个绕组分别布设3个等距分布的声纹振动传感器对应检测该绕组；所述3N个声纹振动传感器构成声纹振动传感器阵列。
可选的，所述步骤7中，改进的加权MUSIC算法为：
其中，θ为方位角，为俯仰角；/>为麦克风阵列流型；UN-updata为加权更新后的噪声子空间矩阵；PMUSIC为概率；H表示矩阵的共轭转置。
可选的，所述步骤8中，根据相似度计算结果得到故障类型检测结果，具体的：
选取最大相似度计算结果；
将所述最大相似度计算结果与预设阈值进行比较，若所述最大相似度计算结果大于等于所述预设阈值，则确定所述最大相似度计算结果在特征数据库中对应的声纹图谱特征，以对应的声纹图谱特征的声纹类型作为故障类型检测结果；若所述最大相似度计算结果小于所述预设阈值，表示特征数据库中没有对应的声纹图谱特征，则进行人工查验维修，并确定其声纹类型，将该待识别声纹图谱特征及其对应的声纹类型录入特征数据库中。
一种基于声纹特征的变压器故障检测系统，包括：
样本获取模块，用于获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本；
声纹图谱特征提取模块，用于将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征；
特征数据库构建模块，用于将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；
传感器阵列构建模块，用于针对目标变压器构建声纹振动传感器阵列；
声纹振动信号采集模块，用于实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号；
待识别声纹图谱特征提取模块，用于根据采集的各个声纹振动信号，进行去除噪声，得到若干个待识别声纹图谱特征；
故障位置检测模块，用于根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位；
故障类型检测模块，用于将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果。
经由上述的技术方案可知，本发明提供了一种基于声纹特征的变压器故障检测方法及系统，与现有技术相比，具有以下有益效果：
本发明通过声纹图谱特征进行声纹类型的识别，寻找相匹配的声纹图谱特征，以确定声纹类型；同时还可以对特征数据集进行实时更新，以完善数据库中的特征种类和声纹类型，使故障检测效果更加完善。
本发明通过减少故障检测过程中的噪声影响，提高了故障类型检测的准确率。
本发明还通过相关算法进行故障位置检测，进一步完善了故障检测的功能效果，将故障类型检测和故障位置检测相配合，提高后期故障排除的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法步骤示意图；
图2为本发明的系统模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于声纹特征的变压器故障检测方法，参见图1，包括故障位置检测和故障类型检测，涉及以下步骤：
步骤1、获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本。
步骤2、将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征。
对声纹振动信号去除噪声的方法为：
通过傅里叶变换将声纹振动信号转换为频域，得到初始声纹图谱特征；
通过分帧操作对初始声纹图谱特征进行噪声数据分离，得到最终的声纹图谱特征。
噪声数据的分离采用分帧方式，且在分帧后两帧之间的噪声信号存在重叠的情况，故噪声帧数Ga为：
其中，nc为变压器噪声数据的总长度；oa为分帧的长度；c为两帧信号之间的重叠率；
通过变压器噪声帧数Ga抽离变压器噪声数据，得到的振动信号Fb：
其中，nb为变压器振动数据中50Hz整数倍的上限；f1和f2分别为变压器振动数据中50Hz的1倍与2倍。
步骤3、将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；所述声纹类型包括：正常类型和故障类型，所述故障类型至少包括短路冲击、局部放电、直流偏磁故障等。
步骤4、针对目标变压器构建声纹振动传感器阵列：
设定目标变压器内包括N个绕组，将3N个声纹振动传感器以每个绕组布设3个声纹振动传感器以二维等距分布的方式附着在声纹振动传感器设备外壳，即变压器内每个绕组分别布设3个等距分布的声纹振动传感器对应检测该绕组；所述3N个声纹振动传感器构成声纹振动传感器阵列。
步骤5、实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号，采样频率为16000Hz，频率响应范围为10Hz～20Hz。
步骤6、根据采集的各个声纹振动信号，按照步骤2中的方法进行去除噪声，得到若干个待识别声纹图谱特征。
步骤7、根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位。
其中，改进的加权MUSIC算法为：
其中，θ为方位角，为俯仰角；/>为麦克风阵列流型；UN-updata为加权更新后的噪声子空间矩阵；PMUSIC为概率；H表示矩阵的共轭转置。
步骤8、将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果，具体的：
选取最大相似度计算结果，在相似度计算过程中可采用余弦相似度算法等，本发明对此不做限制；
将所述最大相似度计算结果与预设阈值进行比较，若所述最大相似度计算结果大于等于所述预设阈值，则确定所述最大相似度计算结果在特征数据库中对应的声纹图谱特征，以对应的声纹图谱特征的声纹类型作为故障类型检测结果；若所述最大相似度计算结果小于所述预设阈值，表示特征数据库中没有对应的声纹图谱特征，则进行发出警告进行人工查验维修，并确定其声纹类型，在维修完成后将该待识别声纹图谱特征及其对应的声纹类型录入特征数据库中，以不断完善特征数据库中声纹类型的种类。
本发明另一实施例还公开一种基于声纹特征的变压器故障检测系统，包括：
样本获取模块，用于获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本；
声纹图谱特征提取模块，用于将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征；
特征数据库构建模块，用于将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；
传感器阵列构建模块，用于针对目标变压器构建声纹振动传感器阵列；
声纹振动信号采集模块，用于实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号；
待识别声纹图谱特征提取模块，用于根据采集的各个声纹振动信号，进行去除噪声，得到若干个待识别声纹图谱特征；
故障位置检测模块，用于根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位；
故障类型检测模块，用于将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果。
对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于声纹特征的变压器故障检测方法，其特征在于，包括以下步骤：
步骤1、获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本；
步骤2、将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征；
步骤3、将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；
步骤4、针对目标变压器构建声纹振动传感器阵列；
步骤5、实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号；
步骤6、根据采集的各个声纹振动信号，进行去除噪声，得到若干个待识别声纹图谱特征；
步骤7、根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位；
步骤8、将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果。
2.根据权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，对声纹振动信号去除噪声的方法为：
通过傅里叶变换将声纹振动信号转换为频域，得到初始声纹图谱特征；
通过分帧操作对初始声纹图谱特征进行噪声数据分离，得到最终的声纹图谱特征。
3.根据权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述声纹类型包括：正常类型和故障类型，所述故障类型至少包括短路冲击、局部放电、直流偏磁故障。
4.根据权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述步骤4中，构建声纹振动传感器阵列的方法为：
设定目标变压器内包括N个绕组，将3N个声纹振动传感器以每个绕组布设3个声纹振动传感器以二维等距分布的方式附着在声纹振动传感器设备外壳，即变压器内每个绕组分别布设3个等距分布的声纹振动传感器对应检测该绕组；所述3N个声纹振动传感器构成声纹振动传感器阵列。
5.根据权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述步骤7中，改进的加权MUSIC算法为：
其中，θ为方位角，为俯仰角；/>为麦克风阵列流型；UN-updata为加权更新后的噪声子空间矩阵；PMUSIC为概率；H表示矩阵的共轭转置。
6.根据权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述步骤8中，根据相似度计算结果得到故障类型检测结果，具体的：
选取最大相似度计算结果；
将所述最大相似度计算结果与预设阈值进行比较，若所述最大相似度计算结果大于等于所述预设阈值，则确定所述最大相似度计算结果在特征数据库中对应的声纹图谱特征，以对应的声纹图谱特征的声纹类型作为故障类型检测结果；若所述最大相似度计算结果小于所述预设阈值，表示特征数据库中没有对应的声纹图谱特征，则进行人工查验维修，并确定其声纹类型，将该待识别声纹图谱特征及其对应的声纹类型录入特征数据库中。
7.一种基于声纹特征的变压器故障检测系统，其特征在于，包括：
样本获取模块，用于获取变压器声纹振动信号样本数据，并按照正常类型和故障类型进行分类，得到故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本；
声纹图谱特征提取模块，用于将所述故障类型变压器声纹振动信号样本和正常类型变压器声纹振动信号样本去除噪声，得到故障声纹图谱特征和正常声纹图谱特征；
特征数据库构建模块，用于将故障声纹图谱特征、正常声纹图谱特征以及对应的声纹类型，存储在特征数据库中；
传感器阵列构建模块，用于针对目标变压器构建声纹振动传感器阵列；
声纹振动信号采集模块，用于实时采集变压器运行过程中声纹振动传感器阵列的声纹振动信号；
待识别声纹图谱特征提取模块，用于根据采集的各个声纹振动信号，进行去除噪声，得到若干个待识别声纹图谱特征；
故障位置检测模块，用于根据若干个待识别声纹图谱特征，结合预设的声纹振动传感器信号加权矩阵，采用改进的加权MUSIC算法计算得到若干个待识别声纹图谱特征的空间谱图，并将空间谱图转换为平面图像，对故障位置进行定位；
故障类型检测模块，用于将待识别声纹图谱特征与特征数据库中的各个声纹图谱特征进行相似度计算，根据相似度计算结果得到故障类型检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700449.4A CN117607598A (zh) | 2023-12-12 | 2023-12-12 | 一种基于声纹特征的变压器故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700449.4A CN117607598A (zh) | 2023-12-12 | 2023-12-12 | 一种基于声纹特征的变压器故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607598A true CN117607598A (zh) | 2024-02-27 |
Family
ID=89954599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311700449.4A Pending CN117607598A (zh) | 2023-12-12 | 2023-12-12 | 一种基于声纹特征的变压器故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607598A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783797A (zh) * | 2024-02-28 | 2024-03-29 | 国网山东省电力公司莒县供电公司 | 配电自动化开关局放检测预警系统 |
| CN117783797B (zh) * | 2024-02-28 | 2024-05-10 | 国网山东省电力公司莒县供电公司 | 配电自动化开关局放检测预警系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120327745A1 (en) * | 2011-06-27 | 2012-12-27 | General Electric Company | Electrical substation fault monitoring and diagnostics |
| US20190128946A1 (en) * | 2017-10-27 | 2019-05-02 | Wuhan University | Transformer winding fault diagnosis method based on wireless identification sensing |
| CN111983357A (zh) * | 2020-08-21 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种结合声纹检测功能的超声可视化故障检测方法 |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
| CN113740635A (zh) * | 2021-07-21 | 2021-12-03 | 国网河北省电力有限公司电力科学研究院 | 电气设备故障诊断方法、终端和多探头传感装置 |
| CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及系统 |
| WO2022099855A1 (zh) * | 2020-11-13 | 2022-05-19 | 烟台杰瑞石油装备技术有限公司 | 电机故障监测装置、驱动电机系统和电机故障监测方法 |
| CN115219015A (zh) * | 2022-08-22 | 2022-10-21 | 四川思极科技有限公司 | 一种基于多维时频特征的变压器故障声纹识别方法 |
| CN115758200A (zh) * | 2022-09-28 | 2023-03-07 | 航天智控(北京)监测技术有限公司 | 一种基于相似度度量的振动信号故障识别方法及系统 |
| CN115932659A (zh) * | 2022-12-09 | 2023-04-07 | 浙江工业大学 | 一种基于声纹特征的变压器故障检测方法 |
-
2023
- 2023-12-12 CN CN202311700449.4A patent/CN117607598A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120327745A1 (en) * | 2011-06-27 | 2012-12-27 | General Electric Company | Electrical substation fault monitoring and diagnostics |
| US20190128946A1 (en) * | 2017-10-27 | 2019-05-02 | Wuhan University | Transformer winding fault diagnosis method based on wireless identification sensing |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
| CN111983357A (zh) * | 2020-08-21 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种结合声纹检测功能的超声可视化故障检测方法 |
| WO2022099855A1 (zh) * | 2020-11-13 | 2022-05-19 | 烟台杰瑞石油装备技术有限公司 | 电机故障监测装置、驱动电机系统和电机故障监测方法 |
| CN113740635A (zh) * | 2021-07-21 | 2021-12-03 | 国网河北省电力有限公司电力科学研究院 | 电气设备故障诊断方法、终端和多探头传感装置 |
| CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及系统 |
| CN115219015A (zh) * | 2022-08-22 | 2022-10-21 | 四川思极科技有限公司 | 一种基于多维时频特征的变压器故障声纹识别方法 |
| CN115758200A (zh) * | 2022-09-28 | 2023-03-07 | 航天智控(北京)监测技术有限公司 | 一种基于相似度度量的振动信号故障识别方法及系统 |
| CN115932659A (zh) * | 2022-12-09 | 2023-04-07 | 浙江工业大学 | 一种基于声纹特征的变压器故障检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783797A (zh) * | 2024-02-28 | 2024-03-29 | 国网山东省电力公司莒县供电公司 | 配电自动化开关局放检测预警系统 |
| CN117783797B (zh) * | 2024-02-28 | 2024-05-10 | 国网山东省电力公司莒县供电公司 | 配电自动化开关局放检测预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
| CN111626153A (zh) | 一种基于集成学习的局放故障状态识别方法 | |
| CN108169639B (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
| CN109507510A (zh) | 一种变压器故障诊断系统 | |
| CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
| CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
| CN111653291B (zh) | 一种基于声纹的电力设备智能健康监测方法 | |
| CN112857767B (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
| CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
| CN112986870A (zh) | 基于振动法的分布式电力变压器绕组状态监测方法及系统 | |
| CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
| CN115358110A (zh) | 一种基于声传感器阵列的变压器故障检测系统 | |
| CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
| CN113362856A (zh) | 一种应用于电力物联网的声音故障检测方法以及装置 | |
| CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
| CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
| CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
| CN116229991A (zh) | 基于mfcc语音特征提取与机器学习的电机故障诊断方法 |
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 |