CN106934421A - 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 - Google Patents
基于2dpca及svm的变电站电力变压器故障检测***及检测方法 Download PDFInfo
- Publication number
- CN106934421A CN106934421A CN201710156202.9A CN201710156202A CN106934421A CN 106934421 A CN106934421 A CN 106934421A CN 201710156202 A CN201710156202 A CN 201710156202A CN 106934421 A CN106934421 A CN 106934421A
- Authority
- CN
- China
- Prior art keywords
- audio
- data
- audio sample
- failure
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及基于2DPCA及SVM的变电站电力变压器故障检测***及检测方法,包括第一音频采集***、第二音频采集***、音频样本库、第一预处理***、第二预处理***、音频训练***、数据中心、检测***,实时采集变压器发出的未知音频数据,将音频样本及未知音频数据转换为具有幅频特性的数据类型;将处理得到的数据转换成代表音频的特征矢量序列;检测***调用数据中心的代表各种音频的特征矢量时间序列,进行SVM运算,根据运算结果检测未知音频,判断电力变压器是否出现故障以及出现的故障类型。通过本发明检测***,可以达到安全实时不间断的在线变电站电力变压器工作状态监控,能够及早发现故障并进行检修,预防出现重大事故。
Description
技术领域
本发明涉及基于2DPCA及SVM的变电站电力变压器故障检测***及检测方法,属于音频判别技术领域。
背景技术
变电站电力变压器属于电力***中非常重要的电气设备,当其出现故障时,能够造成巨的大危害,不仅会对变压器本身造成损伤或损坏而导致停电,也可能引发电力***、人身事故等,从而导致对生产生活带来巨大损失。
变电站电力变压器发生故障是指其工作状态发生异常、部分功能失效或者性能指标超出其额定范围,通常这些情况下,就是电力变压器进入了故障状态。出现故障的原因主要是指设备在运行条件下,导致其发生失效的物理、化学、生物或者机械过程,如腐蚀、蠕变、磨损、受热、老化等。
目前,在我国变电站电力变压器的检修过程中,仍然采用定期的计划检修,然而随着人们对电力需求的不断增多,定期检修已经不能满足这个时代的发展要求,并且定期检修也存在自身的缺陷。如果电力变压器存在不安全的隐患,在定期检修时又没有及时的发现并且做出排除,那么就会影响到电力***的正常运行。为确保电力***安全运行,最大限度地降低事故率,迫切需要寻求新的更加行之有效的检测方法。
在日常工作生活中,故障诊断技术已经深入到各行各业,如何安全实时准确的判断出故障的出现以及存在已成为亟待解决的重要问题。安全实时的非接触式在线故障检测以及分析技术为相关行业的生产运行流程带来了巨大的改变。
对于变电站的电力变压器来说,由于其长时间处于高电压、强电流、高负荷下运行,通常是无间断的运行状态,且具有高危险性,这就使得人工监视与维护有着诸多危险与困难。因此,我们需要采用非接触式的检测方式,做到实时无间断的安全监控。通常电力变压器工作时会向外界发出音频信号,有经验的工作人员可以通过听音判别出设备的运行状况,甚至还能通过异常声音的表现判断出故障的原因,故障判断的过程是通过人耳对设备所发出的音频信号进行感知和判断来完成的。采用声音传感器来替代人耳,用音频信号处理及机器学习等算法模拟人的听觉***以及大脑对信号的反映就可实现对设备音频的自动化判决。
中国专利文献CN106443259A公开了一种基于欧式聚类和SPO-SVM的变压器故障诊断新方法,包括:选取样本数据,将样本数据分为训练样本和测试样本,并对其进行归一化处理;划分变压器的状态;构造欧式距离分类器;构造SVM多分类器;构造高斯径向基核函数作为核函数;采用粒子群优化理论对高斯径向基核函数的参数进行优化;将训练样本输入支持向量机进行模型学习,建立基于最小二乘支持向量机的学习模型;将测试样本输入两分类的SVM进行计算;得到变压器的故障类别。但是,该专利中存在以下缺陷:1.采取基于油中溶解气体的变压器故障检测方式:油中气体的测量并不是很方便,这必然造成故障检测***复杂化;2.采用油中溶解气体作为样本进行特征提取,由于各种气体混在一起,这必然造成进行特征提取的复杂度及错误的出现,因故障气体的出现是一个缓慢过程,只有当故障气体达到一定程度,故障气体特征才占主导,此时气体特征在提取时才能被很好的提取出来。3.采用欧式距离将待测数据特征与样本特征进行对比,因欧式距离构造简单,出错的几率非常大,在分类识别中属于最基础的测量方法,因此如果就将欧式距离作为检测的第一步,若出现错误则必然导致后面检测错误的出现。
发明内容
针对现有技术的不足,本发明提供了基于2DPCA及SVM的变电站电力变压器故障检测***;
本发明还提供了基于2DPCA及SVM的变电站电力变压器故障检测方法;
在本发明中,基于2DPCA及SVM的变电站电力变压器故障检测***前期将声音样本库中所有类型数据样本送入预处理***及训练***得到其特征矢量序列存储到数据中心。后期进行监控时,将所采集的音频数据送入预处理***及训练***进行运算,得到其特征矢量序列,并与数据中心中各类型数据的特征矢量序列进行SVM运算,从而判断此音频为正常音频或是故障音频,由此判断电力变压器是否仍处于正常工作状态。
术语解释:
1、2DPCA,二维主分量分析;
2、SVM,Support Vector Machine,支持向量机;
3、幅频特性,将声音信号进行短时傅立叶变换之后,所得信号幅度随频率变化的规律,
式中|Xn(ejω)|就是信号对应频率ω的幅度值,也即能量。
本发明的技术方案为:
基于2DPCA及SVM的变电站电力变压器故障检测***,包括第一音频采集***、第二音频采集***、音频样本库、第一预处理***、第二预处理***、音频训练***、数据中心、检测***,所述第一音频采集***、音频样本库、第一预处理***、音频训练***依次连接,所述第二音频采集***、第二预处理***、音频训练***依次连接,所述音频训练***分别连接所述数据中心、所述检测***,所述数据中心连接所述检测***。
根据本发明优选的,初期构建***时,所述第一音频采集***将采集到的音频数据送入所述音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;例如,非故障类型声音就是正常运行下的声音,包括:正常运行声,含有鸟叫情况下的正常声,含有人说话时的正常音,含有风声的正常音,含有雨声的正常音等等,这类包含外界干扰情况的正常运行声音。故障类型声音包括:分接开关不到位将发出较大的“啾啾”响声;当变压器的铁心接地断线时,变压器将产生“哔剥哔剥”的轻微放电声;导电引线通过空气对变压器外壳的放电声(噼啪噼啦的清脆击铁声);导体通过变压器油面对外壳的放电声(噼啪声);当低压线路发生接地或出现短路事故时发出(轰轰)的声音;当变压器过负荷严重时发出低沉的如重载飞机的“嗡嗡”声;当变压器绕组发生层间或匝间短路而烧坏时发出(咕嘟咕嘟)的开水沸腾声等等。将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据;将音频样本的降维特征数据存入数据中心;
后期进行监测时,所述第二音频采集***将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据;检测***调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,检测该未知音频是否为故障声音,如果是,进入故障类型检测阶段判断故障声音的类型;如果不是,则继续监控。
第一音频采集***、第二音频采集***设定每次所采集的数据为固定时长的音频,并且长时间持续工作。当发现故障音频出现时,***及时进行报警并将所采集到的故障音频进行详细记录并存储。众所周知,变电站电力变压器在运行过程中会不间断的向外界释放声音,这是由于交变磁通的作用使变压器铁芯硅钢片震动而发出的声音,正常运行时,这种声音是清晰而有规律的,但变压器负荷发生显著变动或运行状态出现异常,则声音较平时增大,并伴有断续或持续的杂音或粗犷的声音,此时变压器就是出现了故障。
根据本发明优选的,所述第一音频采集***、第二音频采集***均包括4个或4个以上的单麦克风,4个或4个以上的单麦克风布置在变电站电力变压器四周构成麦克风阵列。单麦克风的型号为联想UM10C、得胜SGC-568、铁三角AT9913或EDMiCN ED178。
此处设计的优势在于,可以从各方位接收来自于变电站电力变压器发出的音频,多方位布置麦克风可以有效提高音频感知灵敏度。并且,对于大型变压器来说,由于其结构的复杂性,各部件发出的音频会向四面八方传播,但每个声源在各个方向传播时存在强弱问题,多方位布置麦克风,形成阵列可有效解决单一方向布置麦克风灵敏度欠缺的问题。
根据本发明优选的,所述音频样本库中的所有音频样本的时间长度相同,时间长度小于10秒。
此音频样本库由大容量盘阵组成。每个采集下来的数据按样本库中已有音频样本时间长度进行存储,这样音频样本库中所有类型的音频文件都具有相同时间长度,以便后面的各工作***所使用。现场所采集的音频文件由具有相关工作经验的人员进行类型判别,并将每个数据存放到相应的具体类别中,由此构成涵盖各种类型音频的大型样本库。
根据本发明优选的,所述音频训练***包括2DPCA运算模块。
根据本发明优选的,所述检测***包括SVM分类器模块。
基于2DPCA及SVM的变电站电力变压器故障检测方法,包括步骤如下:
A、构建***
(1)所述第一音频采集***采集音频数据,并将采集到的音频数据送入所述音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;
(2)将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;
(3)将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据,即代表音频的特征矢量序列,并将音频样本的降维特征数据存入数据中心;
B、故障检测
(4)所述第二音频采集***将采集未知音频数据,并将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;
(5)将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据,即代表未知音频的特征矢量序列;本***在对变电站电力变压器进行监控时候,首先需要将变压器向外界持续发出的声音进行采集。
(6)调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,进行SVM运算,根据运算结果检测该未知音频是否为故障声音,如果是,进入步骤C;如果不是,则返回步骤B;
C、故障类型检测。
根据本发明优选的,所述步骤(2),包括步骤如下:
a、所述第一预处理***对所述音频样本库中的已知类型的音频样本进行分帧处理;由于音频数据具有非平稳特性,但其在短时范围内特征变化较小,可作为稳态来处理。
b、所述第一预处理***对步骤A分帧后的每帧数据采取2048个点进行傅里叶变换,得到其幅频特性;
c、根据步骤b得到的幅频特性,将1024个点分为8个子频带,包括:1~120、121~250、251~360、361~480、481~600、601~730、731~850、851~1024(数字代表对应的傅里叶变换点位),将此8个子频带所对应的能量与1024个点的能量总和作为样本特征使用,即每帧数据由9个特征构成,将分帧后的每帧数据的特征放在一起,得到每个已知类型的音频样本的二维特征矩阵。
采用步骤(2)中同样的方法,所述第二预处理***得到未知音频样本的二维特征矩阵。
根据本发明优选的,所述步骤(3),包括步骤如下:
d、对每个已知类型的音频样本的二维特征矩阵求平均值求取公式如式(Ⅰ)所示:
式(Ⅰ)中,i是指音频样本库中任一已知类型的音频样本对应的标号;M是指音频样本库中已知类型的音频样本总数;Ai是指音频样本库中任一已知类型的音频样本经过第一预处理***所得到的幅频特征数据;是指音频样本库中所有已知类型的音频样本的幅频特征数据的平均值;
e、去除均值,并求协方差矩阵Gt,求取公式如式(II)所示:
式(II)中,T是指数据矩阵转置;
f、求协方差矩阵Gt的特征值λj及其对应的特征向量xj;1≤j≤n,n是指协方差矩阵Gt所对应特征值总数;
g、根据特征值贡献度选择最优投影轴:
对步骤f求取的特征值从大到小进行排序,前d个特征值对应的特征向量即为所述最优投影轴;前d个特征值对应的特征向量如式(Ⅲ)所示:
xopt=[x1,x2,…,xd] (Ⅲ)
式(Ⅲ)中,x1,x2,…,xd分别是指前d个特征值对应的特征向量,xopt是指最优投影轴;
d的求取公式如式(Ⅳ)所示:
式(Ⅳ)中,贡献度的取值范围为0.6-0.9,求取的前d个特征值对应的特征向量即为最最优投影轴;
h、特征矢量提取
将每个已知类型的音频样本二维特征矩阵向最优投影轴上进行投影,得到大量维度极低的二维特征矩阵Ai,通过式(Ⅴ)求取得到其各自的投影特征向量Yi,称作原数据的二维特征矢量序列:
Yi=Aixopt (Ⅴ)
式(Ⅴ)中,i=1,2,…,M。
采用步骤(3)中同样的方法,得到该未知音频的二维特征矢量序列,并将其发送至检测***;
预处理过后的音频数据是一个个的二维矩阵,2DPCA模块首先对所有音频样本数据的这些二维矩阵求解协方差,得到特征值及特征向量,根据特征值贡献度(大小)选择最优投影轴,所谓最优投影轴是协方差矩阵前几个最大特征值对应的特征向量。接下来将所有经过预处理后所得到的音频数据二维特征矩阵向最优投影轴上进行投影,得到一个个维度极低的二维矩阵,此二维矩阵就是能够代表原音频数据的特征矢量序列。随后将所有音频样本数据的特征矢量序列存入数据中心。数据中心中存放着大量的特征矢量序列,对应着原音频样本库中的每一个已知类型的音频数据,在接下来的检测***中将频繁的调用数据中心的这些二维矩阵数据。经过预处理***后的待检测音频数据向上述最优投影轴进行投影,可得到未知音频的特征矢量序列,随后将其输出到到检测***。
根据本发明优选的,所述步骤(6),包括步骤如下:
i、将数据中心中已知类型的二维特征矢量序列分为两大类,即正常音频类和故障音频类,所述检测***对这两大类数据的特征矢量序列进行训练,得到其SVM模型;
j、接收未知音频的二维特征矢量序列利用SVM模型进行检测可得到检测结果,如果是正常音频,则丢弃其对应的音频文件,如果检测到是故障音频,则对该二维特征矢量序列所对应的音频文件进行标记并报警并进入步骤C。
根据本发明优选的,所述步骤C,具体步骤包括:
①调用所述音频样本库中的故障音频样本,即故障类型的声音,将其送入所述第一预处理***,得到其二维特征矩阵,同时将步骤j检测到的故障音频送入所述第二预处理***,得到故障音频的二维特征矩阵;
②将所述音频样本库中故障音频样本的二维特征矩阵送入音频训练***,经运算得到最优投影轴,并将故障音频样本的二维特征矩阵向该最优投影轴进行投影,得到各故障音样本的二维特征矢量序列;
③将步骤①得到的故障音频的二维特征矩阵送入音频训练***,并向步骤②得到的最优投影轴进行投影,得到故障音频的二维特征矢量序列;
④将所有音频样本库中故障音频样本的二维特征矢量序列及故障音频的二维特征矢量序列送入检测***,进行检测,可得知该故障音属于哪种类型的故障;
将音频样本库中的所有故障音频样本数据(每一类故障音频都在相应的类别中)送入预处理***及音频训练***得到故障音样本二维特征矢量序列,将所检测到的故障音送入预处理***及音频训练***得到故障音二维特征矢量序列,具体实施步骤和故障检测***相同,只不过在此过程中不调用音频样本库中的正常声音样本。
⑤检测出故障音所属类别之后,将故障音原始数据频送入音频样本库对应的故障音类别中,存为样本。
根据本发明优选的,所述步骤j,采用多项式核函数,如式(VI)所示:
式(VI)中,三个参数为γ、Υ、d,d用来设置多项式核函数的最高此项次数,取默认数值3;γ为gamma参数设置,默认值是1/k,k是类别数,在监控阶段取数值2,在故障类型检测阶段,有多少类故障k就取相应的数值;Υ默认值是0;xi是指未知音频的二维特征矢量序列,xj是指已知类型的二维特征矢量序列。
在本发明中,在设计SVM分类器进行检测时,核函数的选取是直接影响检测结果的重要一项,在充分实验比较各个核函数的优缺点之后选择了多项式核函数能够得到精确地检测结果。
本发明的有益效果为:
1、通过本发明检测***,可以达到安全实时不间断的在线变电站电力变压器工作状态监控,能够及早发现故障并进行检修,预防出现重大事故;
2、传统变压器故障检测方法都是基于人工来完成的,包括状态检修、定期检修等,这些方法需要相关工作人员定期定时现场进行操作完成,缺乏时效性的同时,也具一定的安全风险。采用本***对变压器进行监控,不仅具有时效性,而且解放人力,提高了监控及故障判断效率。
3、本发明采用声音传感器进行声音采集,简单可行;因变压器故障声音的特别性非常明显,很容易被检测出,因此本明第一步直接采用SVM方式进行检测,能够很快分辨出故障的发生,第一时间进行报警,进而再次利用SVM方法对故障类型检测,以达到对所出现故障类型的判断。
附图说明
图1为基于2DPCA及SVM的变电站电力变压器故障检测***的***框图;
图2为基于2DPCA及SVM的变电站电力变压器故障检测流程图;
图3为基于2DPCA及SVM的变电站电力变压器故障类型检测流程图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
基于2DPCA及SVM的变电站电力变压器故障检测***,如图1所示,包括第一音频采集***、第二音频采集***、音频样本库、第一预处理***、第二预处理***、音频训练***、数据中心、检测***,第一音频采集***、音频样本库、第一预处理***、音频训练***依次连接,第二音频采集***、第二预处理***、音频训练***依次连接,音频训练***分别连接所述数据中心、检测***,数据中心连接检测***。
初期构建***时,第一音频采集***将采集到的音频数据送入音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;例如,非故障类型声音就是正常运行下的声音,包括:正常运行声,含有鸟叫情况下的正常声,含有人说话时的正常音,含有风声的正常音,含有雨声的正常音等等,这类包含外界干扰情况的正常运行声音。故障类型声音包括:分接开关不到位将发出较大的“啾啾”响声;当变压器的铁心接地断线时,变压器将产生“哔剥哔剥”的轻微放电声;导电引线通过空气对变压器外壳的放电声(噼啪噼啦的清脆击铁声);导体通过变压器油面对外壳的放电声(噼啪声);当低压线路发生接地或出现短路事故时发出(轰轰)的声音;当变压器过负荷严重时发出低沉的如重载飞机的“嗡嗡”声;当变压器绕组发生层间或匝间短路而烧坏时发出(咕嘟咕嘟)的开水沸腾声等等。将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据;将音频样本的降维特征数据存入数据中心;
后期进行监测时,第二音频采集***将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据;检测***调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,检测该未知音频是否为故障声音,如果是,进入故障类型检测阶段判断故障声音的类型;如果不是,则继续监控。
第一音频采集***、第二音频采集***设定每次所采集的数据为固定时长的音频,并且长时间持续工作。当发现故障音频出现时,***及时进行报警并将所采集到的故障音频进行详细记录并存储。众所周知,变电站电力变压器在运行过程中会不间断的向外界释放声音,这是由于交变磁通的作用使变压器铁芯硅钢片震动而发出的声音,正常运行时,这种声音是清晰而有规律的,但变压器负荷发生显著变动或运行状态出现异常,则声音较平时增大,并伴有断续或持续的杂音或粗犷的声音,此时变压器就是出现了故障。
第一音频采集***、第二音频采集***均包括4个的单麦克风,4个或4个以上的单麦克风布置在变电站电力变压器四周构成麦克风阵列。单麦克风的型号为联想UM10C、得胜SGC-568、铁三角AT9913或EDMiCN ED178。
此处设计的优势在于,可以从各方位接收来自于变电站电力变压器发出的音频,多方位布置麦克风可以有效提高音频感知灵敏度。并且,对于大型变压器来说,由于其结构的复杂性,各部件发出的音频会向四面八方传播,但每个声源在各个方向传播时存在强弱问题,多方位布置麦克风,形成阵列可有效解决单一方向布置麦克风灵敏度欠缺的问题。
音频样本库中的所有音频样本的时间长度相同,时间长度为9秒。
此音频样本库由大容量盘阵组成。每个采集下来的数据按样本库中已有音频样本时间长度进行存储,这样音频样本库中所有类型的音频文件都具有相同时间长度,以便后面的各工作***所使用。现场所采集的音频文件由具有相关工作经验的人员进行类型判别,并将每个数据存放到相应的具体类别中,由此构成涵盖各种类型音频的大型样本库。
音频训练***包括2DPCA运算模块。检测***包括SVM分类器模块。第一音频采集***、第二音频采集***均为声音传感器。
实施例2
基于2DPCA及SVM的变电站电力变压器故障检测方法,包括步骤如下:
A、构建***
(1)第一音频采集***采集音频数据,并将采集到的音频数据送入音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;
(2)将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;
(3)将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据,即代表音频的特征矢量序列,并将音频样本的降维特征数据存入数据中心;
B、故障检测
(4)第二音频采集***将采集未知音频数据,并将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;
(5)将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据,即代表未知音频的特征矢量序列;本***在对变电站电力变压器进行监控时候,首先需要将变压器向外界持续发出的声音进行采集。
(6)调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,进行SVM运算,根据运算结果检测该未知音频是否为故障声音,如果是,进入步骤C;如果不是,则返回步骤B;基于2DPCA及SVM的变电站电力变压器故障检测流程图如图2所示;
C、故障类型检测。
步骤(2),包括步骤如下:
a、第一预处理***对所述音频样本库中的已知类型的音频样本进行分帧处理;由于音频数据具有非平稳特性,但其在短时范围内特征变化较小,可作为稳态来处理。
b、第一预处理***对步骤A分帧后的每帧数据采取2048个点进行傅里叶变换,得到其幅频特性;
c、根据步骤b得到的幅频特性,将1024个点分为8个子频带,包括:1~120、121~250、251~360、361~480、481~600、601~730、731~850、851~1024(数字代表对应的傅里叶变换点位),将此8个子频带所对应的能量与1024个点的能量总和作为样本特征使用,即每帧数据由9个特征构成,将分帧后的每帧数据的特征放在一起,得到每个已知类型的音频样本的二维特征矩阵。
采用步骤(2)中同样的方法,第二预处理***得到未知音频样本的二维特征矩阵。
步骤(3),包括步骤如下:
d、对每个已知类型的音频样本的二维特征矩阵求平均值求取公式如式(Ⅰ)所示:
式(Ⅰ)中,i是指音频样本库中任一已知类型的音频样本对应的标号;M是指音频样本库中已知类型的音频样本总数;Ai是指音频样本库中任一已知类型的音频样本经过第一预处理***所得到的幅频特征数据;是指音频样本库中所有已知类型的音频样本的幅频特征数据的平均值;
e、去除均值,并求协方差矩阵Gt,求取公式如式(II)所示:
式(II)中,T是指数据矩阵转置;
f、求协方差矩阵Gt的特征值λj及其对应的特征向量xj;1≤j≤n,n是指协方差矩阵Gt所对应特征值总数;
g、根据特征值贡献度选择最优投影轴:
对步骤f求取的特征值从大到小进行排序,前d个特征值对应的特征向量即为所述最优投影轴;前d个特征值对应的特征向量如式(Ⅲ)所示:
xopt=[x1,x2,…,xd] (Ⅲ)
式(Ⅲ)中,x1,x2,…,xd分别是指前d个特征值对应的特征向量,xopt是指最优投影轴;
d的求取公式如式(Ⅳ)所示:
式(Ⅳ)中,贡献度的取值范围为0.7,求取的前d个特征值对应的特征向量即为最最优投影轴;
h、特征矢量提取
将每个已知类型的音频样本二维特征矩阵向最优投影轴上进行投影,得到大量维度极低的二维特征矩阵Ai,通过式(Ⅴ)求取得到其各自的投影特征向量Yi,称作原数据的二维特征矢量序列:
Yi=Aixopt (Ⅴ)
式(Ⅴ)中,i=1,2,…,M。
采用步骤(3)中同样的方法,得到该未知音频的二维特征矢量序列,并将其发送至检测***;
预处理过后的音频数据是一个个的二维矩阵,2DPCA模块首先对所有音频样本数据的这些二维矩阵求解协方差,得到特征值及特征向量,根据特征值贡献度(大小)选择最优投影轴,所谓最优投影轴是协方差矩阵前几个最大特征值对应的特征向量。接下来将所有经过预处理后所得到的音频数据二维特征矩阵向最优投影轴上进行投影,得到一个个维度极低的二维矩阵,此二维矩阵就是能够代表原音频数据的特征矢量序列。随后将所有音频样本数据的特征矢量序列存入数据中心。数据中心中存放着大量的特征矢量序列,对应着原音频样本库中的每一个已知类型的音频数据,在接下来的检测***中将频繁的调用数据中心的这些二维矩阵数据。经过预处理***后的待检测音频数据向上述最优投影轴进行投影,可得到未知音频的特征矢量序列,随后将其输出到到检测***。
步骤(6),包括步骤如下:
i、将数据中心中已知类型的二维特征矢量序列分为两大类,即正常音频类和故障音频类,所述检测***对这两大类数据的特征矢量序列进行训练,得到其SVM模型;
j、接收未知音频的二维特征矢量序列利用SVM模型进行检测可得到检测结果,如果是正常音频,则丢弃其对应的音频文件,如果检测到是故障音频,则对该二维特征矢量序列所对应的音频文件进行标记并报警并进入步骤C。
步骤C,具体步骤包括:
①调用所述音频样本库中的故障音频样本,即故障类型的声音,将其送入所述第一预处理***,得到其二维特征矩阵,同时将步骤j检测到的故障音频送入所述第二预处理***,得到故障音频的二维特征矩阵;
②将所述音频样本库中故障音频样本的二维特征矩阵送入音频训练***,经运算得到最优投影轴,并将故障音频样本的二维特征矩阵向该最优投影轴进行投影,得到各故障音样本的二维特征矢量序列;
③将步骤①得到的故障音频的二维特征矩阵送入音频训练***,并向步骤②得到的最优投影轴进行投影,得到故障音频的二维特征矢量序列;
④将所有音频样本库中故障音频样本的二维特征矢量序列及故障音频的二维特征矢量序列送入检测***,进行检测,可得知该故障音属于哪种类型的故障;
将音频样本库中的所有故障音频样本数据(每一类故障音频都在相应的类别中)送入预处理***及音频训练***得到故障音样本二维特征矢量序列,将所检测到的故障音送入预处理***及音频训练***得到故障音二维特征矢量序列,具体实施步骤和故障检测***相同,只不过在此过程中不调用音频样本库中的正常声音样本。
⑤检测出故障音所属类别之后,将故障音原始数据频送入音频样本库对应的故障音类别中,存为样本。基于2DPCA及SVM的变电站电力变压器故障类型检测流程图如图3所示。
步骤j,采用多项式核函数,如式(VI)所示:
式(VI)中,三个参数为γ、Υ、d,d用来设置多项式核函数的最高此项次数,取默认数值3;γ为gamma参数设置,默认值是1/k,k是类别数,在监控阶段取数值2,在故障类型检测阶段,有多少类故障k就取相应的数值;Υ默认值是0;xi是指未知音频的二维特征矢量序列,xj是指已知类型的二维特征矢量序列。
在本发明中,在设计SVM分类器进行检测时,核函数的选取是直接影响检测结果的重要一项,在充分实验比较各个核函数的优缺点之后选择了多项式核函数能够得到精确地检测结果。
Claims (10)
1.基于2DPCA及SVM的变电站电力变压器故障检测***,其特征在于,包括第一音频采集***、第二音频采集***、音频样本库、第一预处理***、第二预处理***、音频训练***、数据中心、检测***,所述第一音频采集***、音频样本库、第一预处理***、音频训练***依次连接,所述第二音频采集***、第二预处理***、音频训练***依次连接,所述音频训练***分别连接所述数据中心、所述检测***,所述数据中心连接所述检测***。
2.根据权利要求1所述的基于2DPCA及SVM的变电站电力变压器故障检测***,其特征在于,初期构建***时,所述第一音频采集***将采集到的音频数据送入所述音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据;将音频样本的降维特征数据存入数据中心;
后期进行监测时,所述第二音频采集***将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据;检测***调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,检测该未知音频是否为故障声音,如果是,进入故障类型检测阶段判断故障声音的类型;如果不是,则继续监控。
3.根据权利要求1所述的基于2DPCA及SVM的变电站电力变压器故障检测***,其特征在于,所述第一音频采集***及第二音频采集***均包括4个或4个以上的单麦克风,4个或4个以上的单麦克风布置在变电站电力变压器四周构成麦克风阵列。
4.根据权利要求1所述的基于2DPCA及SVM的变电站电力变压器故障检测***,其特征在于,所述音频样本库中的所有音频样本的时间长度相同,时间长度小于10秒;所述音频训练***包括2DPCA运算模块;所述检测***包括SVM分类器模块。
5.采用权利要求1-4任一所述2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,包括步骤如下:
A、构建***
(1)所述第一音频采集***采集音频数据,并将采集到的音频数据送入所述音频样本库中存储,并且由相关工作人员对音频数据进行判别属于哪种类型的声音,存做音频样本,声音的类型包括故障类型与非故障类型的各类声音;
(2)将音频样本库中的音频样本送入第一预处理***,得到音频样本的幅频特征数据;
(3)将第一预处理***输出的音频样本的幅频特征数据送入音频训练***得到其降维特征数据,即代表音频的特征矢量序列,并将音频样本的降维特征数据存入数据中心;
B、故障检测
(4)所述第二音频采集***将采集未知音频数据,并将采集到的未知音频数据送入第二预处理***,得到未知音频的幅频特征数据;
(5)将第二预处理***输出的未知音频的幅频特征数据送入音频训练***得到其降维特征数据,即代表未知音频的特征矢量序列;
(6)调用数据中心中的音频样本的降维特征数据,与未知音频数据的降维特征数据进行匹配,进行SVM运算,根据运算结果检测该未知音频是否为故障声音,如果是,进入步骤C;如果不是,则返回步骤B;
C、故障类型检测。
6.根据权利要求5所述的2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,所述步骤(2),包括步骤如下:
a、所述第一预处理***对所述音频样本库中的已知类型的音频样本进行分帧处理;
b、所述第一预处理***对步骤A分帧后的每帧数据采取2048个点进行傅里叶变换,得到其幅频特性;
c、根据步骤b得到的幅频特性,将1024个点分为8个子频带,包括:1~120、121~250、251~360、361~480、481~600、601~730、731~850、851~1024,将此8个子频带所对应的能量与1024个点的能量总和作为样本特征使用,即每帧数据由9个特征构成,将分帧后的每帧数据的特征放在一起,得到每个已知类型的音频样本的二维特征矩阵。
7.根据权利要求6所述的2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,所述步骤(3),包括步骤如下:
d、对每个已知类型的音频样本的二维特征矩阵求平均值求取公式如式(Ⅰ)所示:
式(Ⅰ)中,i是指音频样本库中任一已知类型的音频样本对应的标号;M是指音频样本库中已知类型的音频样本总数;Ai是指音频样本库中任一已知类型的音频样本经过第一预处理***所得到的幅频特征数据;是指音频样本库中所有已知类型的音频样本的幅频特征数据的平均值;
e、去除均值,并求协方差矩阵Gt,求取公式如式(II)所示:
式(II)中,T是指数据矩阵转置;
f、求协方差矩阵Gt的特征值λj及其对应的特征向量xj;1≤j≤n,n是指协方差矩阵Gt所对应特征值总数;
g、根据特征值贡献度选择最优投影轴:
对步骤f求取的特征值从大到小进行排序,前d个特征值对应的特征向量即为所述最优投影轴;前d个特征值对应的特征向量如式(Ⅲ)所示:
xopt=[x1,x2,…,xd] (Ⅲ)
式(Ⅲ)中,x1,x2,…,xd分别是指前d个特征值对应的特征向量,xopt是指最优投影轴;
d的求取公式如式(Ⅳ)所示:
式(Ⅳ)中,贡献度的取值范围为0.6-0.9,求取的前d个特征值对应的特征向量即为最最优投影轴;
h、特征矢量提取
将每个已知类型的音频样本二维特征矩阵向最优投影轴上进行投影,得到大量维度极低的二维特征矩阵Ai,通过式(Ⅴ)求取得到其各自的投影特征向量Yii,称作原数据的二维特征矢量序列:
Yi=Aixopt (Ⅴ)
式(Ⅴ)中,i=1,2,…,M。
8.根据权利要求7所述的2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,所述步骤(6),包括步骤如下:
i、将数据中心中已知类型的二维特征矢量序列分为两大类,即正常音频类和故障音频类,所述检测***对这两大类数据的特征矢量序列进行训练,得到其SVM模型;
j、接收未知音频的二维特征矢量序列利用SVM模型进行检测可得到检测结果,如果是正常音频,则丢弃其对应的音频文件,如果检测到是故障音频,则对该二维特征矢量序列所对应的音频文件进行标记并报警并进入步骤C。
9.根据权利要求8所述的2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,所述步骤C,具体步骤包括:
①调用所述音频样本库中的故障音频样本,即故障类型的声音,将其送入所述第一预处理***,得到其二维特征矩阵,同时将步骤j检测到的故障音频送入所述第二预处理***,得到故障音频的二维特征矩阵;
②将所述音频样本库中故障音频样本的二维特征矩阵送入音频训练***,经运算得到最优投影轴,并将故障音频样本的二维特征矩阵向该最优投影轴进行投影,得到各故障音样本的二维特征矢量序列;
③将步骤①得到的故障音频的二维特征矩阵送入音频训练***,并向步骤②得到的最优投影轴进行投影,得到故障音频的二维特征矢量序列;
④将所有音频样本库中故障音频样本的二维特征矢量序列及故障音频的二维特征矢量序列送入检测***,进行检测,可得知该故障音属于哪种类型的故障;
⑤检测出故障音所属类别之后,将故障音原始数据频送入音频样本库对应的故障音类别中,存为样本。
10.根据权利要求9所述的2DPCA及SVM的变电站电力变压器故障检测***进行故障检测方法,其特征在于,所述步骤j,采用多项式核函数,如式(VI)所示:
式(VI)中,三个参数为γ、Υ、d,d用来设置多项式核函数的最高此项次数,取默认数值3;γ为gamma参数设置,默认值是1/k,k是类别数,在监控阶段取数值2,在故障类型检测阶段,有多少类故障k就取相应的数值;Υ默认值是0;xi是指未知音频的二维特征矢量序列,xj是指已知类型的二维特征矢量序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710156202.9A CN106934421B (zh) | 2017-03-16 | 2017-03-16 | 基于2dpca及svm的电力变压器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710156202.9A CN106934421B (zh) | 2017-03-16 | 2017-03-16 | 基于2dpca及svm的电力变压器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934421A true CN106934421A (zh) | 2017-07-07 |
CN106934421B CN106934421B (zh) | 2020-11-06 |
Family
ID=59432427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710156202.9A Expired - Fee Related CN106934421B (zh) | 2017-03-16 | 2017-03-16 | 基于2dpca及svm的电力变压器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934421B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107963239A (zh) * | 2017-11-16 | 2018-04-27 | 北京宇航***工程研究所 | 一种基于音频的运载火箭故障检测装置及检测方法 |
CN108414240A (zh) * | 2018-03-15 | 2018-08-17 | 广东工业大学 | 一种检测机器异常振动的方法与装置 |
CN108469109A (zh) * | 2018-03-01 | 2018-08-31 | 广东美的制冷设备有限公司 | 设备异常的检测方法、装置、***、空调器及存储介质 |
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110148423A (zh) * | 2019-04-18 | 2019-08-20 | 广东思派康电子科技有限公司 | 一种计算机可读存储介质及能用于防盗的语音交互音箱 |
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 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*** |
CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
CN110867959A (zh) * | 2019-11-13 | 2020-03-06 | 上海迈内能源科技有限公司 | 一种基于声音识别的电力设备智能监控***及监控方法 |
CN111176250A (zh) * | 2018-11-12 | 2020-05-19 | 广东美的制冷设备有限公司 | 故障检测方法、模块、家电设备、***和计算机存储介质 |
CN111413649A (zh) * | 2020-04-23 | 2020-07-14 | 中国科学技术大学 | 基于近场宽带波束形成的大型电抗器故障检测方法及*** |
CN111684213A (zh) * | 2018-10-22 | 2020-09-18 | 深圳配天智能技术研究院有限公司 | 机器人故障诊断方法、***及存储装置 |
CN111693812A (zh) * | 2020-06-15 | 2020-09-22 | 中国科学技术大学 | 一种基于声音特征的大型变压器故障检测方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
CN112448478A (zh) * | 2020-11-16 | 2021-03-05 | 贵州电网有限责任公司 | 一种变压器负载管控方法 |
CN113670625A (zh) * | 2021-08-23 | 2021-11-19 | 一汽解放大连柴油机有限公司 | 一种发动机试验台架 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080159617A1 (en) * | 2006-12-29 | 2008-07-03 | Industrial Technology Research Institute | Real-time dispenser fault detection and classificaition method |
CN101789075A (zh) * | 2010-01-26 | 2010-07-28 | 哈尔滨工程大学 | 基于特征值归一化双向加权的手指静脉识别方法 |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104614069A (zh) * | 2015-02-25 | 2015-05-13 | 山东大学 | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 |
CN104951774A (zh) * | 2015-07-10 | 2015-09-30 | 浙江工业大学 | 基于两种子空间相融合的掌静脉特征提取和匹配方法 |
CN106295692A (zh) * | 2016-08-05 | 2017-01-04 | 北京航空航天大学 | 基于降维与支持向量机的产品早期故障根原因识别方法 |
-
2017
- 2017-03-16 CN CN201710156202.9A patent/CN106934421B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080159617A1 (en) * | 2006-12-29 | 2008-07-03 | Industrial Technology Research Institute | Real-time dispenser fault detection and classificaition method |
CN101789075A (zh) * | 2010-01-26 | 2010-07-28 | 哈尔滨工程大学 | 基于特征值归一化双向加权的手指静脉识别方法 |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104614069A (zh) * | 2015-02-25 | 2015-05-13 | 山东大学 | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 |
CN104951774A (zh) * | 2015-07-10 | 2015-09-30 | 浙江工业大学 | 基于两种子空间相融合的掌静脉特征提取和匹配方法 |
CN106295692A (zh) * | 2016-08-05 | 2017-01-04 | 北京航空航天大学 | 基于降维与支持向量机的产品早期故障根原因识别方法 |
Non-Patent Citations (3)
Title |
---|
万鸣华等: "一种基于2DPCA和SVM的人脸识别方法", 《通信技术》 * |
李宁等: "《火力安全发电关键设备故障诊断》", 31 July 2013, 西安电子科技大学出版社 * |
毛先柏,李昌禧: "PCA-SVM在模拟电路故障诊断中的应用", 《计算机测量与控制》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107963239A (zh) * | 2017-11-16 | 2018-04-27 | 北京宇航***工程研究所 | 一种基于音频的运载火箭故障检测装置及检测方法 |
CN108469109A (zh) * | 2018-03-01 | 2018-08-31 | 广东美的制冷设备有限公司 | 设备异常的检测方法、装置、***、空调器及存储介质 |
CN108414240A (zh) * | 2018-03-15 | 2018-08-17 | 广东工业大学 | 一种检测机器异常振动的方法与装置 |
CN108414240B (zh) * | 2018-03-15 | 2020-08-11 | 广东工业大学 | 一种检测机器异常振动的方法与装置 |
CN111684213A (zh) * | 2018-10-22 | 2020-09-18 | 深圳配天智能技术研究院有限公司 | 机器人故障诊断方法、***及存储装置 |
CN111176250A (zh) * | 2018-11-12 | 2020-05-19 | 广东美的制冷设备有限公司 | 故障检测方法、模块、家电设备、***和计算机存储介质 |
CN110148423A (zh) * | 2019-04-18 | 2019-08-20 | 广东思派康电子科技有限公司 | 一种计算机可读存储介质及能用于防盗的语音交互音箱 |
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 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*** |
CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
CN110867959A (zh) * | 2019-11-13 | 2020-03-06 | 上海迈内能源科技有限公司 | 一种基于声音识别的电力设备智能监控***及监控方法 |
CN111413649A (zh) * | 2020-04-23 | 2020-07-14 | 中国科学技术大学 | 基于近场宽带波束形成的大型电抗器故障检测方法及*** |
CN111693812A (zh) * | 2020-06-15 | 2020-09-22 | 中国科学技术大学 | 一种基于声音特征的大型变压器故障检测方法 |
CN111693812B (zh) * | 2020-06-15 | 2021-10-01 | 中国科学技术大学 | 一种基于声音特征的大型变压器故障检测方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
CN112448478A (zh) * | 2020-11-16 | 2021-03-05 | 贵州电网有限责任公司 | 一种变压器负载管控方法 |
CN113670625A (zh) * | 2021-08-23 | 2021-11-19 | 一汽解放大连柴油机有限公司 | 一种发动机试验台架 |
Also Published As
Publication number | Publication date |
---|---|
CN106934421B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934421A (zh) | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 | |
CN102221655B (zh) | 基于随机森林模型的电力变压器故障诊断方法 | |
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN110417351A (zh) | 光伏***直流侧电弧故障检测***及检测方法 | |
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*** | |
CN109507510A (zh) | 一种变压器故障诊断*** | |
CN107422266A (zh) | 一种大容量电池储能***的故障诊断方法及装置 | |
CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
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*** | |
CN108693437A (zh) | 一种判断变压器绕组变形的方法及*** | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN106019089A (zh) | 一种根据相间信号相关关系特征进行局部放电判别的方法 | |
CN117763460A (zh) | 一种基于声纹分析的变压器故障检测方法及*** | |
CN110017894B (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
CN112581940A (zh) | 基于边缘计算与神经网络的放电声音检测方法 | |
CN111160383A (zh) | 一种自适应的油浸式变压器火灾模型预警检测方法 | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及*** | |
CN116540015A (zh) | 一种基于暂态波形信号的配电网故障预警方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201106 |
|
CF01 | Termination of patent right due to non-payment of annual fee |