CN117665105A - 一种gis母线筒内异物检测系统 - Google Patents
一种gis母线筒内异物检测系统 Download PDFInfo
- Publication number
- CN117665105A CN117665105A CN202311631493.4A CN202311631493A CN117665105A CN 117665105 A CN117665105 A CN 117665105A CN 202311631493 A CN202311631493 A CN 202311631493A CN 117665105 A CN117665105 A CN 117665105A
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- foreign matter
- signals
- acceleration sensor
- 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 56
- 230000001133 acceleration Effects 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000005236 sound signal Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种GIS母线筒内异物检测系统,属于GIS母线筒内异物检测技术领域,系统包括上位机、振动加速传感器组以及声压传感器,其中,振动加速传感器组按照指定规则粘贴设置在待检测的GIS母线筒本体上,声压传感器设置在GIS母线筒本体旁0.3m处;振动加速传感器组以及声压传感器与上位机通信连接,上位机内设置有异物检测模块,用于对GIS母线筒内的异物影响进行判断,该模块通过声振传感器采集充分的异物特征信息,并利用信号处理、模式识别与多源数据融合技术,实现了对母线内异物的自动定位与参数识别。解决了现有技术中缺乏能实现GIS母线筒内异物的自动定位与分析的在线检测方法的问题,以期实现GIS的安全在线监测与预警。
Description
技术领域
本发明属于GIS母线筒内异物检测技术领域,具体而言,涉及一种GIS母线筒内异物检测系统。
背景技术
目前,架空送配电线路规模日益扩大,牵引母线作为重要设备,其内部常因长期操作、维护活动引入各类金属异物,隐患较大。已有统计显示,异物遗留是GIS部件事故隐患的重要来源之一。当异物在运输和操作过程中损坏内部电气结构时,会对系统的安全运行产生严重威胁。GIS母线筒内异物的存在会导致严重安全隐患,主要体现在以下几个方面:一是电气事故隐患。母线筒内异物一旦发生移动或接触,极易损坏内部电气结构,引发故障甚至是事故。比如金属异物接触母线或其他带电体,会产生弧击、短路,造成电力系统的跳闸停运。严重时可能酿成火灾爆炸。又例如异物机械撞击和切割绝缘子、导线等结构,会使其失效,降低受电设备的安全防护水平。二是负荷影响。存在异物会改变母线筒内部的电磁场环境。导电异物本身会形成新的电流通路,影响原有的电流分布;磁性异物会产生扰动磁场,影响电磁环境。这些变化最终会增加母线的传输损耗,同时可能激发电磁兼容问题,对负荷设备产生噪声干扰。严重时,异物还可能导致电气参数超出设备额定范围,推高运行温度,影响负荷的正常工作状态。三是检修维护困难。母线筒内异物,尤其是尖锐的金属异物,会对检修过程带来物理伤害。操作人员在进行手动内检、设备拆解和维修时可能受伤。这增加了正常维护的风险成本。此外,异物存在还会增加检修的工作量。需要对异常情况进行标记、清理,部分情况还需要更换损坏的内部设备,延长系统的停机时间。四是设备损耗加速。异物与母线筒内壁或其它部件的长期接触和碰撞,会加剧机械磨损。这既包括异物本身的局部损伤,也使其它结构面临腐蚀、疲劳衰减的问题。异物的机械应力作用,还可能导致绝缘子中空度下降、接口老化等失效问题。设备损耗和劣化加速最终缩短了母线的安全服务寿命。五是二次污染扩散。金属异物在母线强电场和传导电流作用下会发生电化学反应。这会加速金属材料的腐蚀问题,产生红锈等有害化合物。红锈粉末会污染母线内部,附着绝缘结构表面,添加漏电流通路,这又会导致母线本体及其负荷设备的绝缘衰减。各种有害氧化物也会对操作人员的身体健康带来危害。六是事故处理复杂化。当发生母线故障或事故时,内部异物会对原因分析和处理带来额外干扰。异物本身就是复杂故障的导火索。其存在既可能是事故的诱因,也会成为事故处理、设备返修时的障碍。必要时需要对已有异物进行全面清理,增加了事故损失。综上所述,母线筒内异物严重威胁着GIS电力设备的安全稳定运行,必须尽早清除。它们是导致多种风险后果的重要促成因素,应当引起足够的重视和防控。
然而,针对GIS母线等封闭电气设备的内部检测技术研究还处于起步阶段。现有的X射线机、超声波或红外热像技术需要暂停供电才能实施检测,使用周期较长,且成本高昂。常规电磁检测技术对内部微小异物的检测效果较差。总体来说,目前亟需一种能实现GIS母线筒内异物的自动定位与分析的在线检测方法,以期实现GIS的安全在线监测与预警。
发明内容
本发明是这样实现的:
本发明提供一种GIS母线筒内异物检测系统,其中,包括上位机、振动加速传感器组以及声压传感器,其中,所述振动加速传感器组按照指定规则粘贴设置在待检测的GIS母线筒本体上,所述声压传感器设置在GIS母线筒本体旁0.3m处;所述振动加速传感器组以及所述声压传感器与所述上位机通信连接,所述上位机内设置有异物检测模块,用于对GIS母线筒内的异物影响进行判断;指定规则包括预先根据历史试验中的信号检测的匹配位置;
所述振动加速传感器组粘贴的指定规则获取步骤包括:
步骤1、将所述振动加速传感器组均匀粘贴设置在待检测的GIS母线筒本体上;
步骤2、获取振动加速传感器组内每个振动加速传感器采集的振动信号作为测试信号;
步骤3、对每个测试信号使用历史实验中GIS母线筒内无异物情况下利用振动加速传感器采集的振动信号进行匹配,以匹配度最差的多个测试信号对应的位置,作为所述振动加速传感器组粘贴的指定规则;
采用上述步骤获取指定规则,是因为GIS母线筒的壳体并非均匀的,比如包括多个节,有螺栓紧固等,会造成不同区域的振动规律存在差别,对于有异物影响情况下,不同区域的振动规律也会体现出来不同,上述步骤有助于获取GIS母线筒的对异物造成的振动规律变化明显的区域,用于作为粘贴振动加速传感器组的位置,提高对异物检测的效果;
另外的,还可以用下面的步骤获得所述振动加速传感器组粘贴的指定规则:
步骤1、将所述振动加速传感器组采用阵列方式均匀粘贴设置在待检测的GIS母线筒本体上;
步骤2、构建振动加速传感器组的拓扑图,其中每个振动加速传感器作为一个节点,节点的值为节点振动信号与基础振动信号的区别度;节点之间的边的值为两个节点采集的振动信号的相似度;所述基础振动信号为历史实验中GIS母线筒内无异物情况下利用振动加速传感器采集的振动信号;
步骤3、对拓扑图中每个节点,计算到达所有值大于这一节点值的全部节点的路径长度之和,作为达到长度;
步骤4、根据到达长度对所有的节点进行排序;
步骤5、选择排序靠前的多个点的位置作为所述振动加速传感器组粘贴的指定规则。
通过上述步骤,可以有效地识别出GIS母线筒中异物引起的振动规律变化显著的区域,并以此确定振动加速传感器的最优布局位置。这种方法可以增强传感器对异物检测的敏感度,并提高检测的准确性。通过拓扑图的构建和节点间相似度的计算,可以量化分析每个传感器采集的振动信号与基础信号的差异性,以及不同传感器之间信号的相似性。这可以帮助理解不同位置的传感器对异物的响应差异,从而更精确地定位可能存在异物的区域。此外,通过节点的排序和选择,可以优化传感器的数量和位置,避免在不必要的位置浪费资源,同时确保检测系统的高效性。
其中,所述异物检测模块用于执行以下步骤:
S10、获取所述振动加速传感器组采集得到的多个振动信号,形成振动信号集;获取所述声压传感器采集的声音信号;
S20、对所述振动信号以及声音信号进行预处理;
S30、利用预处理后的多个振动信号对异物位置进行定位;
S40、以与异物位置最接近的振动加速传感器采集到振动信号为第一振动信号,提取所述第一振动信号的特征,得到第一特征信号;
S50、对所述预处理后的声音信号进行特征提取,得到第二特征信号;
S60、对第一特征信号和第二特征信号进行融合,得到融合特征信号;
S70、利用预先训练好的声振异物检测模型对融合特征信号进行分析,得到异物的力学参数,包括三维尺寸和质量;
S80、将异物的力学参数发送给运维人员。
在上述技术方案的基础上,本发明的一种GIS母线筒内异物检测系统还可以做如下改进:
其中,所述获取所述振动加速传感器组采集得到的多个振动信号,形成振动信号集;获取所述声压传感器采集的声音信号的步骤,具体包括:获取所述振动加速传感器组采集的GIS母线筒的振动信号,采样时间不少于10秒;后去所述声压传感器采集的GIS母线筒旁的声音信号,采样频率设置为44.1kHz,位深设为16bit;将振动加速传感器组采集到的多个振动时域信号进行汇总,构成振动信号矩阵;将声压传感器采集到的声音信号构成声音信号序列。
进一步的,所述对所述振动信号以及声音信号进行预处理的步骤,具体包括:对振动信号矩阵进行均方根运算,获取信号的平均能量作为信号强度;对振动信号进行放大处理、滤波;对声音信号序列进行短时快速傅里叶变换,获取声音信号的频谱特征。
进一步的,所述利用预处理后的多个振动信号对异物位置进行定位的步骤,具体包括:计算预处理后的多个振动信号的相关系数;根据相关系数确定与第一振动信号相关性最大的三个第二振动信号;构建第一振动信号和三个第二振动信号之间的差分方程;求解差分方程,建立出振动信号在空间上的传播模型;基于传播模型分析信号传播时间差,计算出异物的定位坐标。
进一步的,所述提取所述第一振动信号的特征,得到第一特征信号的步骤,具体包括:对第一振动信号进行小波变换,获取时频图;计算时频图的声学熵值,检测信号中与异物直接相关的分量;构建AR模型,模拟信号的自回归过程;进行AR模型参数分析,获得反映异物特征的参数向量;结合声学熵值对参数向量重新加权,构成第一特征信号。
进一步的,所述对所述预处理后的声音信号进行特征提取,得到第二特征信号的步骤,具体包括:基于声音信号的频谱图,提取梅尔频率倒谱系数和声学差分倒谱系数;计算倒谱的动态特性参数,反映声音信号的时变情况;融合梅尔系数、差分系数和动态参数,利用主成分分析进行降维,构成第二特征信号。
进一步的,所述对第一特征信号和第二特征信号进行融合,得到融合特征信号的步骤,具体包括:对第一特征信号和第二特征信号分别进行归一化处理;构建向量空间模型,将归一化后的两特征信号映射到高维空间;计算特征向量之间的距离度量,根据距离度量进行特征的动态加权融合,生成融合特征信号。
进一步的,所述声振异物检测模型的预训练的步骤,具体包括:构建卷积神经网络,网络由卷积层、池化层和全连接层组成;将历史多次试验得到的融合特征信号及其对应的已知异物的具体力学参数输入网络,通过迭代训练获得特征-参数映射模型。
进一步的,所述将异物的力学参数发送给运维人员的步骤中,还包括对异物的力学参数与常见异物进行匹配的步骤,具体是:构建异物参数数据库,内容包括常见金属工具的三维尺寸范围和质量分布;将预测得到的异物参数与数据库中参数范围进行匹配比较,设定阈值,判断越限的参数为异常;当异物参数异常时,向系统界面发出异物检测警报,并显示异物的三维尺寸、质量、检测时间、检测传感器编号。
进一步的,所述振动加速传感器组内振动加速传感器数量为4~8个。
与现有技术相比较,本发明提供的一种GIS母线筒内异物检测系统的有益效果是:本发明通过声振传感器采集充分的异物特征信息,并利用信号处理、模式识别与多源数据融合技术,实现了对母线内异物的自动定位与参数识别。具体效果体现在:采用分布式的振动加速传感器阵列与声压传感器,获得异物的声振响应,信息量丰富。相比单一传感器,能够全方位检测母线腔内异物的动力学特征。设计数字信号分析与融合方法,包括滤波、分解、特征提取与融合,形成异物的数字化特征指纹。该特征对异物参数高度敏感,增强检测对比度。相比直接的模拟信号分析,数字序列特征更稳定可靠。构建异物检测与识别模型。利用机器学习技术,获得异物特征到力学参数之间的复杂非线性映射,实现对未知异物力学参数的测定。本发明的方法不影响GIS设备的运行,可以做到在线监测,解决了现有技术中缺乏一种能实现GIS母线筒内异物的自动定位与分析的在线检测方法,以期实现GIS的安全在线监测与预警的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种GIS母线筒内异物检测系统的布置示意图;
图2为异物检测模块执行步骤的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,是本发明提供的一种GIS母线筒内异物检测系统的一种实施例,在本实施例中,包括上位机、振动加速传感器组以及声压传感器,其中,振动加速传感器组内振动加速传感器数量为4~8个,振动加速传感器组按照指定规则粘贴设置在待检测的GIS母线筒本体上,声压传感器设置在GIS母线筒本体旁0.3m处;振动加速传感器组以及声压传感器与上位机通信连接,上位机内设置有异物检测模块,用于对GIS母线筒内的异物影响进行判断;
其中,所述振动加速传感器组粘贴的指定规则获取步骤包括:
步骤1、将所述振动加速传感器组均匀粘贴设置在待检测的GIS母线筒本体上;
步骤2、获取振动加速传感器组内每个振动加速传感器采集的振动信号作为测试信号;
步骤3、对每个测试信号使用历史实验中GIS母线筒内无异物情况下利用振动加速传感器采集的振动信号进行匹配,以匹配度最差的多个测试信号对应的位置,作为所述振动加速传感器组粘贴的指定规则。
另外的,还可以用下面的步骤获得所述振动加速传感器组粘贴的指定规则:
步骤1、将所述振动加速传感器组采用阵列方式均匀粘贴设置在待检测的GIS母线筒本体上;
步骤2、构建振动加速传感器组的拓扑图,其中每个振动加速传感器作为一个节点,节点的值为节点振动信号与基础振动信号的区别度;节点之间的边的值为两个节点采集的振动信号的相似度;所述基础振动信号为历史实验中GIS母线筒内无异物情况下利用振动加速传感器采集的振动信号;
步骤3、对拓扑图中每个节点,计算到达所有值大于这一节点值的全部节点的路径长度之和,作为达到长度;
步骤4、根据到达长度对所有的节点进行排序;
步骤5、选择排序靠前的多个点的位置作为所述振动加速传感器组粘贴的指定规则。
通过上述步骤,可以有效地识别出GIS母线筒中异物引起的振动规律变化显著的区域,并以此确定振动加速传感器的最优布局位置。这种方法可以增强传感器对异物检测的敏感度,并提高检测的准确性。通过拓扑图的构建和节点间相似度的计算,可以量化分析每个传感器采集的振动信号与基础信号的差异性,以及不同传感器之间信号的相似性。这可以帮助理解不同位置的传感器对异物的响应差异,从而更精确地定位可能存在异物的区域。此外,通过节点的排序和选择,可以优化传感器的数量和位置,避免在不必要的位置浪费资源,同时确保检测系统的高效性。
如图2所示,异物检测模块用于执行以下步骤:
S10、获取振动加速传感器组采集得到的多个振动信号,形成振动信号集;获取声压传感器采集的声音信号;
S20、对振动信号以及声音信号进行预处理;
S30、利用预处理后的多个振动信号对异物位置进行定位;
S40、以与异物位置最接近的振动加速传感器采集到振动信号为第一振动信号,提取第一振动信号的特征,得到第一特征信号;
S50、对预处理后的声音信号进行特征提取,得到第二特征信号;
S60、对第一特征信号和第二特征信号进行融合,得到融合特征信号;
S70、利用预先训练好的声振异物检测模型对融合特征信号进行分析,得到异物的力学参数,包括三维尺寸和质量;
S80、将异物的力学参数发送给运维人员。
下面对上述步骤的具体实施方式进行具体描述:
S10,获取振动加速传感器群组采集得到的多个振动信号,形成振动信号集;获取声压传感器采集的声音信号。该步骤属于数据采集过程。其中,振动加速传感器组涵盖母线筒表面区域,采集信号能较全面的反映异物引起的振动响应;声压传感器设置在附近位置,用以捕捉噪声信号。采集过程需要控制传感器性能参数,如采样频率、采样时间、采样位数等,确保获得质量良好的原始信号。
S20,对所采集的振动信号和声音信号进行预处理。该步骤目的在于提升后续特征提取和识别的鲁棒性。预处理可包括滤波、划分框架、能量规整等处理,去除信号中的噪声干扰,提高信噪比。
S30,利用预处理后的多个振动信号对异物位置进行定位。该步骤属于定位阶段。可通过像三角测量、近似估计等方法,基于振动信号在时间或频率域的差异,确定异物的大致位置。定位结果将指导后续信号提取与识别。
S40,以与异物位置最接近的振动加速传感器采集到振动信号为第一振动信号,提取第一振动信号的特征,得到第一特征信号。特征提取是识别的关键环节。这里我们提取与异物位置最相关的第一振动信号,应用小波变换、模态分解等方法,在时频域分解信号,获得反映异物特征的一组数字序列,即第一特征信号。
S50,对预处理后的声音信号进行特征提取,得到第二特征信号。类似S40,我们结合声学知识,选择合适的方法,如倒谱分析、声学变换等,从声音信号中提取反映异物声学特征的特征序列,获得第二特征信号。
S60,对第一特征信号和第二特征信号进行融合,得到融合特征信号。该步骤通过串联、拼接等方式,整合振动特征和声学特征,获得一个融合的数字序列。这相当于从声学和振动两个侧面描述异物的综合特征。
S70,利用预先训练好的声振异物检测模型对融合特征信号进行分析,得到异物的力学参数。这里我们使用了一个声振检测模型,可能是svm、神经网络或集成模型等。模型通过大量已标记样本进行监督训练,学习异物特征与参数之间的非线性复杂映射,这样便能对未知信号进行识别与参数测定。我们可获得异物的参数,如三维尺寸、质量等。
S80,将测得的参数与常见异物进行匹配,给出检测报告。该步骤属于识别报告阶段。可设定异物参数的阈值范围,当参数超出高压母线筒常见异物(如扳手、螺丝刀等工具)的参数分布时,系统判断为异常,并向运维人员发送检测报告。报告中同时给出所测参数值,便于后续处理。
其中,声振异物检测模型的建立和训练主要可以分为以下几个步骤:
1.构建样本数据集
首先需要收集并构建一个包含异物样本数据的训练集。异物样本数据应当涵盖常见的异物类别,如金属工具、零配件等。每个异物的声音和振动数据需要通过实验采集获得。此外还需要收集母线正常运行时的背景噪声样本作为对照组。
数据采集可采用如下步骤:将异物置入运行中的母线腔内,通过设置的传感器采集异物产生的声振信号;每个异物采集多个位置的信号,并重复多次实验,以获得足够样本数据。所有样本经过预处理后,结合异物参数标签,构成输入特征和输出标签,用于模型训练。
2.特征工程
对输入的声振样本数据,需要进行特征工程,通过信号分析提取反映异物特征的数字序列。常用方法有小波变换、模态分解、倒谱分析等。特征工程的目的是形成区分异物的有效特征集。
此外,不同异物和传感器位置会形成高维训练样本。此时可采用主成分分析等降维方法,减少特征冗余,降低模型复杂度。
3.建立检测模型
针对样本特征和异物参数标签,建立一个检测模型。可选择SVM、决策树、神经网络等监督学习模型。模型的目的是学习线性或非线性的输入输出映射关系。建模时可调参优化,如核函数、网络结构等。通过交叉验证评价不同模型的检测性能。
4.模型训练
使用训练集对选定模型进行迭代训练。监控损失函数下降情况。通过可视化分析特征空间的分布,判断特征是否有效。训练可采用SGD等优化算法,终止条件可以设定误差要求或迭代次数。最终获得一个检测异物参数的声振模型。
下面是上述各个步骤的一个具体的实施例:
S10振动信号和声音信号采集
设振动传感器数量为Na,声音传感器数量为Nb。则,
振动信号集合构成的时域矩阵可表示为:
其中,xi表示第i个振动传感器采集的时域信号,长度为L。
声音信号序列表示为:
其中,yj为第j个声音传感器的时域信号,长度为M。
S20信号预处理
预处理用于提升信号的信噪比。
对振动信号矩阵X,进行均方根归一化,得到信号能量指标:
对能量较弱的信号通道,进行放大调整:
其中,α,β为放大系数和能量阈值。
设计带通滤波器H(f)去除噪声:
其中,F(),F-1()分别表示傅里叶变换和逆变换。
声音信号进行预加重,提升高频:
其中,r为预加重系数。并进行类似傅里叶变换的频谱分析。
S30异物定位
计算经过滤波后的各信号之间的相关系数:
其中,(*)表示复共轭。
选择与第一信号相关性最大的3个信号,建立信号差分方程:
求解信号在空间传播的模型参数[a,b,c]。
分析信号时间差,计算异物空间坐标:
(x0,y0,z0)
S40振动信号特征提取
对第一振动信号进行小波变换:
计算时频图上的声学熵:
H(s,f)=-∑ip(s,f)logp(s,f)
建立信号的AR模型:
AR模型参数[a1,...ap]组成第一特征向量。
S50声学信号特征提取
倒谱分析获得声学参数:
DDCC(l,k)=DFT(y)l,k-DFT(y)l,k-1
结合动态参数Δ,ΔΔ生成特征序列。
S60多源特征融合
归一化两个特征集MF,DD:
向量空间模型实现映射与加权融合:
生成融合特征Z。
S70异物参数测定
基于卷积网络CN()进行回归学习与预测:
Θ=CN(Z;ω)
其中,Θ表示异物参数,ω为网络参数。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种GIS母线筒内异物检测系统,其特征在于,包括上位机、振动加速传感器组以及声压传感器,其中,所述振动加速传感器组按照指定规则粘贴设置在待检测的GIS母线筒本体上,所述指定规则,包括预先根据历史试验中的信号检测的匹配位置;
所述声压传感器设置在GIS母线筒本体旁0.3m处;所述振动加速传感器组以及所述声压传感器与所述上位机通信连接,所述上位机内设置有异物检测模块,用于对GIS母线筒内的异物影响进行判断;
其中,所述异物检测模块用于执行以下步骤:
S10、获取所述振动加速传感器组采集得到的多个振动信号,形成振动信号集;获取所述声压传感器采集的声音信号;
S20、对所述振动信号以及声音信号进行预处理;
S30、利用预处理后的多个振动信号对异物位置进行定位;
S40、以与异物位置最接近的振动加速传感器采集到振动信号为第一振动信号,提取所述第一振动信号的特征,得到第一特征信号;
S50、对所述预处理后的声音信号进行特征提取,得到第二特征信号;
S60、对第一特征信号和第二特征信号进行融合,得到融合特征信号;
S70、利用预先训练好的声振异物检测模型对融合特征信号进行分析,得到异物的力学参数,包括三维尺寸和质量;
S80、将异物的力学参数发送给运维人员。
2.根据权利要求1所述的一种GIS母线筒内异物检测系统,其特征在于,所述获取所述振动加速传感器组采集得到的多个振动信号,形成振动信号集;获取所述声压传感器采集的声音信号的步骤,具体包括:获取所述振动加速传感器组采集的GIS母线筒的振动信号,采样时间不少于10秒;后去所述声压传感器采集的GIS母线筒旁的声音信号,采样频率设置为44.1kHz,位深设为16bit;将振动加速传感器组采集到的多个振动时域信号进行汇总,构成振动信号矩阵;将声压传感器采集到的声音信号构成声音信号序列。
3.根据权利要求2所述的一种GIS母线筒内异物检测系统,其特征在于,所述对所述振动信号以及声音信号进行预处理的步骤,具体包括:对振动信号矩阵进行均方根运算,获取信号的平均能量作为信号强度;对振动信号进行放大处理、滤波;对声音信号序列进行短时快速傅里叶变换,获取声音信号的频谱特征。
4.根据权利要求3所述的一种GIS母线筒内异物检测系统,其特征在于,所述利用预处理后的多个振动信号对异物位置进行定位的步骤,具体包括:计算预处理后的多个振动信号的相关系数;根据相关系数确定与第一振动信号相关性最大的三个第二振动信号;构建第一振动信号和三个第二振动信号之间的差分方程;求解差分方程,建立出振动信号在空间上的传播模型;基于传播模型分析信号传播时间差,计算出异物的定位坐标。
5.根据权利要求4所述的一种GIS母线筒内异物检测系统,其特征在于,所述提取所述第一振动信号的特征,得到第一特征信号的步骤,具体包括:对第一振动信号进行小波变换,获取时频图;计算时频图的声学熵值,检测信号中与异物直接相关的分量;构建AR模型,模拟信号的自回归过程;进行AR模型参数分析,获得反映异物特征的参数向量;结合声学熵值对参数向量重新加权,构成第一特征信号。
6.根据权利要求5所述的一种GIS母线筒内异物检测系统,其特征在于,所述对所述预处理后的声音信号进行特征提取,得到第二特征信号的步骤,具体包括:基于声音信号的频谱图,提取梅尔频率倒谱系数和声学差分倒谱系数;计算倒谱的动态特性参数,反映声音信号的时变情况;融合梅尔系数、差分系数和动态参数,利用主成分分析进行降维,构成第二特征信号。
7.根据权利要求6所述的一种GIS母线筒内异物检测系统,其特征在于,所述对第一特征信号和第二特征信号进行融合,得到融合特征信号的步骤,具体包括:对第一特征信号和第二特征信号分别进行归一化处理;构建向量空间模型,将归一化后的两特征信号映射到高维空间;计算特征向量之间的距离度量,根据距离度量进行特征的动态加权融合,生成融合特征信号。
8.根据权利要求7所述的一种GIS母线筒内异物检测系统,其特征在于,所述声振异物检测模型的预训练的步骤,具体包括:构建卷积神经网络,网络由卷积层、池化层和全连接层组成;将历史多次试验得到的融合特征信号及其对应的已知异物的具体力学参数输入网络,通过迭代训练获得特征-参数映射模型。
9.根据权利要求8所述的一种GIS母线筒内异物检测系统,其特征在于,所述将异物的力学参数发送给运维人员的步骤中,还包括对异物的力学参数与常见异物进行匹配的步骤,具体是:构建异物参数数据库,内容包括常见金属工具的三维尺寸范围和质量分布;将预测得到的异物参数与数据库中参数范围进行匹配比较,设定阈值,判断越限的参数为异常;当异物参数异常时,向系统界面发出异物检测警报,并显示异物的三维尺寸、质量、检测时间、检测传感器编号。
10.根据权利要求1-9任一项所述的一种GIS母线筒内异物检测系统,其特征在于,所述振动加速传感器组粘贴的指定规则获取步骤包括:
步骤1、将所述振动加速传感器组均匀粘贴设置在待检测的GIS母线筒本体上;
步骤2、获取振动加速传感器组内每个振动加速传感器采集的振动信号作为测试信号;
步骤3、对每个测试信号使用历史实验中GIS母线筒内无异物情况下利用振动加速传感器采集的振动信号进行匹配,以匹配度最差的多个测试信号对应的位置,作为所述振动加速传感器组粘贴的指定规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631493.4A CN117665105A (zh) | 2023-11-30 | 2023-11-30 | 一种gis母线筒内异物检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631493.4A CN117665105A (zh) | 2023-11-30 | 2023-11-30 | 一种gis母线筒内异物检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117665105A true CN117665105A (zh) | 2024-03-08 |
Family
ID=90085781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311631493.4A Pending CN117665105A (zh) | 2023-11-30 | 2023-11-30 | 一种gis母线筒内异物检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117665105A (zh) |
-
2023
- 2023-11-30 CN CN202311631493.4A patent/CN117665105A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN115015692A (zh) | 一种高压设备电力电缆运维监测预警方法及系统 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
CN106556758A (zh) | 一种开关柜运行监测评估系统 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN112305386A (zh) | 一种基于数字孪生技术的高压电缆带电检测系统及方法 | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
CN113340353B (zh) | 一种输电线路的监测方法、设备及介质 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117665105A (zh) | 一种gis母线筒内异物检测系统 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 |
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 |