CN109033612A - 一种基于振动噪声及bp神经网络的变压器故障诊断方法 - Google Patents
一种基于振动噪声及bp神经网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109033612A CN109033612A CN201810805455.9A CN201810805455A CN109033612A CN 109033612 A CN109033612 A CN 109033612A CN 201810805455 A CN201810805455 A CN 201810805455A CN 109033612 A CN109033612 A CN 109033612A
- Authority
- CN
- China
- Prior art keywords
- transformer
- neural network
- vibration
- neuron
- vibration signal
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于振动噪声及BP神经网络的变压器故障诊断方法,涉及变压器故障处理技术领域,包括以下步骤:S1、通过噪声源识别模块采集变压器各个区域的振动噪声声压信号,并依据所述振动噪声声压信号得到最大噪声源所在的区域;S2、通过振动信号测量模块对所述最大噪声源所在的区域,采集振动信号;S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。本发明通过S1和S2对变压器噪声声压信号的采集,再通过BP神经网络算法对所述振动信号进行变压器故障诊断的结合,大大的提高了故障诊断的精度,从而解决了通过变压器状态信息的振动信号对变压器故障诊断困难的缺点。
Description
技术领域
本发明属于变压器故障处理技术领域,尤其涉及一种基于振动噪声及BP神经网络的变压器故障诊断方法。
背景技术
电力变压器是电力***中最重要的设备之一,一旦变压器发生故障,将会对电网造成巨大的影响。因此,对变压器的维修、检测工作非常重要。然而,变压器结构复杂,维修工作量大,难度较高。并且经常性的拆装变压器,也容易损坏元器件,降低变压器运行的可靠性。带电检故障诊断术对于变压器故障诊断显得尤为迫切。在变压器故障诊断的方法中,振动法是近年来发展较为迅速且具有良好用前景的可靠变压器故障诊断技术。振动法通过分析变压器的邮箱振动信号来进行故障诊断。变压器振动信号包含变压器的故障信息,但是由于变压器体积庞大,获取全面的变压器状态信息的振动信号是一大难点。因此,电网急需一种更为有效的方法来对变压器进行故障诊断。
发明内容
本发明的目的在于提供一种,从而解决了现有通过变压器状态信息的振动信号对变压器故障诊断困难的缺点。
为实现上述目的,本发明提供了一种基于振动噪声及BP神经网络的变压器故障诊断方法,包括以下步骤:
S1、通过噪声源识别模块,采集变压器各个区域的振动噪声声压信号,并依据所述振动噪声声压信号得到最大噪声源所在的区域;
S2、通过振动信号测量模块对所述最大噪声源所在的区域,采集振动信号;
S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。
进一步的,所述S1包括:
S10、将所述振动噪声声压信号进行傅里叶变化,得到声压级最大频段;
S11、将所述声压级最大频段对应的振动噪声声压信号进行波束形成算法计算,得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置;
S12、依据所述最大噪声源所处的位置确定最大噪声源所处的区域。
进一步的,所述振动信号测量模块采用加速度传感器阵列对所述振动信号进行采集。
进一步的,所述S3包括:
S30、依据所述振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型;
S31、将各组所述训练样本数据进行FFT处理得到振动信号的特征量,所述特征量作为BP神经网络输入层的神经元,所述特征量的数量为输入层神经元数量为m;
S32、将各组所述特征量进行归一化处理,得到各组特征量的归一化数据;
S33、对所述变压器故障类型进行编码,得到所述变压器故障类型的数量,所述变压器故障类型为BP神经网络输出层的神经元,所述变压器故障类型的数量为输出层神经元数量n;
S34、通过所述输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h;
S35、依据所述输入层神经元数量为m、输出层神经元数量n及BP神经网络隐含层神经元数量h构建初始BP神经网络;
S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型,对所述BP神经网络进行训练,得到训练后的BP神经网络;
S37、提取待诊断的变压器振动信号的特征量,采用训练后得到的BP神经网络进行诊断,得到其故障类型。
进一步的,所述振动信号的特征量包括:基频比重、基本振幅、主频比重、主频振幅及振动熵。
进一步的,所述变压器故障类型包括:无故障、铁芯故障和绕组故障。
进一步的,所述S34包括:
S3400、采用下式计算隐含层神经元数量:
式(6)中,h为隐含层神经元数量,a为1-10之间的调节常数,m为输入层神经元数量,n为输出层神经元数量;
S3401、从hmin开始,逐个增加神经元个数直至hmax,将[hmin,hmax]分别进行训练验证;
S3402、选取训练验证结果中最优验证结果所对应的神经元个数,所述神经元个数为BP神经网络隐含层神经元数量h。
进一步的,所述S36中的BP神经网络训练包括以下步骤:
S3600、将步骤S31得到各组训练样本数据的特征量输入所述BP神经网络,得到输出结果和输出结果的误差;
S3601、判断所述误差否小于预设定的阈值,若所述误差小于预设定的阈值,则进入步骤S3602;若所述误差大于预设定的阈值,则进入步骤S3603;
S3602、所述初始BP神经网络采用梯度下降法进行反向传递,沿着相对误差平方和的最速下降方向,连续调整网络的权值和阈值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,返回步骤S35;
S3603、采用所述输出结果构建训练后的BP神经网络。
与现有的技术相比,本发明具有如下有益效果:
1、本发明所提供的一种基于振动噪声及BP神经网络的变压器故障诊断方法,通过噪声源识别模块得到变压器最大噪声源所在的区域,通过振动信号测量模块采集信号,最后通过BP神经网络故障诊断模块采用BP神经网络算法对所述振动信号进行变压器故障诊断。通过BP神经网络故障诊断模块中采用多种特征量,通过多方面的数据进行BP神经网络计算,从而解决了通过变压器状态信息的振动信号对变压器故障诊断困难的缺点;通过噪声源识别模块、振动信号测量模块和BP神经网络故障诊断模块的结合,大大的提高了故障诊断的精度。
2、本发明所提供的振动信号测量模块采用加速度传感器阵列对最大噪声源所在的区域采集振动信号,将加速度传感器阵列布置在最大噪声源所在的离振动噪声源最近的变压器外壳处,能够采集到信息最丰富的振动信号,为故障诊断提供数据基础。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于振动噪声及BP神经网络的变压器故障诊断方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明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作出创造性劳动的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。
如图1所示,本发明所提供的基于振动噪声及BP神经网络的变压器故障诊断方法包括以下步骤:
S1、通过噪声源识别模块采用传声器阵列,采集变压器各个区域的振动噪声声压信号Pn,并依据振动噪声声压信号得到最大噪声源所在的区域。采用噪声源识别模块能够通过图像的形式直观地呈现振动噪声源的位置及强度。S1包括以下步骤:
S10、将振动噪声声压信号Pn进行傅里叶变化,获得声压级最大频段fmax;
S11、将声压级最大频段fmax对应的振动噪声声压信号进行波束形成算法计算,得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置;
波束形成算法的计算公式为:
式(1)中,B(t,θ)为声压级最大频段fmax对应的振动噪声声压信号的位置,Pn为声压级最大频段fmax对应的振动噪声声压信号;θ为声源聚焦方向;kn为声压级最大频段fmax对应的振动噪声声压信号的权重向量,这里取kn=1;n=1,2......N,N为传声器个数,τ为补偿时延,τ=lnsinθ/c0,ln是序号为n的传声器与参考传声器之间的距离,c0为声波在传播介质中的传播速度,t为测量的时间;
S12、依据最大噪声源所处的位置确定最大噪声源所处的区域W。
S2、通过振动信号测量模块采用加速度传感器阵列,对最大噪声源所在的区域W采集振动信号P,将加速度传感器阵列布置在最大噪声源所在的离振动噪声源最近的变压器外壳处,能够采集到信息最丰富的振动信号。
S3、采用BP神经网络算法对振动信号进行变压器故障诊断;其包括以下步骤:
S30、依据振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型。
S31、将各组训练样本数据进行FFT处理得到振动信号的特征量,将所得的特征量作为BP神经网络输入层的神经元,特征量的数量为输入层神经元数量为m;特征量包括基频比重、基本振幅、主频比重、主频振幅及振动熵,即BP神经网络输入层神经元数量m=5时,特征量的计算公式如下:
基频幅值:振动信号的基频f是电流信号基频的2倍,所以振动信号的基频f为100Hz,经FFT处理后,得到基频幅值A100;
基频比重:
式(2)中,P100为振动信号的基频f为100Hz的基频比重,f为振动信号的基频,fmax为振动信号的基频的最大值,Af为振动频谱中频率f处所对应的振幅;
主频幅值:选取振动信号的基频f的整数倍,基频f为100Hz,选取的幅值如:200Hz、300Hz、400Hz......fmaxHz,选取幅值最大的为主频幅值Amain,即Amain=max{A200,A300,A400......Amax};
主频比重:
式(3)中,Pmain为振动信号的基频f为100的主频比重;
振动熵:
式(4)中,Pf为振动信号的基频为f的比重,TVE为振动信号的基频为f的振动熵。
其中,实施例1,通过噪声源识别模块和振动信号测量模块对变压器的铁芯和绕组处于故障和正常时两种状态时进行检测,得到铁芯故障及正常时的振动信号和绕组故障及正常时的振动信号,通过骤S31对铁芯故障及正常时的振动信号和绕组故障及正常时的振动信号计算,得到的绕组故障样本特征量和铁芯故障样本特征量,如表1和表2所示。
表1:绕组故障样本特征量
基频振幅 | 基频比重 | 主频幅值 | 主频比重 | 振动熵 | |
正常 | 0.159 | 3% | 0.698 | 64% | 1.6091 |
故障 | 0.299 | 7% | 0.957 | 75% | 1.3177 |
表2:铁芯故障样本特征量
基频振幅 | 基频比重 | 主频幅值 | 主频比重 | 振动熵 | |
正常 | 0.60 | 3% | 1.4322 | 57% | 2.0457 |
故障 | 0.7895 | 3.1% | 2.1659 | 75% | 1.3537 |
S32、将各组特征量进行归一化处理,得到各组特征量的归一化数据;归一化处理的公式为:
式(5)中,xi是归一化后的数据,是样本特征量,和分别是样本特征量的最小数据和最大数据。
S33、对变压器故障类型进行编码,得到变压器故障类型的数量;变压器故障类型为BP神经网络输出层的神经元,输出层神经元数量n。变压器故障类型包括:无故障yk1、铁芯故障yk2及绕组故障yk3,则BP神经元网络输出层神经元数量n=3。对变压器故障类型进行编码的方式为:当变压器处于第i种状态时,yki=1,ykj=0(j≠i),网络输出为Yk=[yk1,yk2,yk3]。为了使BP神经网络具有更好的泛化能力,实际运算时网络训练样本输出yki=0.9,ykj=0.1(j≠i);
其中,将实施例1得到的表1和表2的样本特征量依次输入BP神经网络,分别得到绕组样本的BP神经网络输出故障编码和铁芯故障样本的BP神经网络输出故障编码,如表4和表5所示。
表4:绕组样本的BP神经网络输出故障编码
表5:铁芯故障样本的BP神经网络输出故障编码
S34、通过输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h,其包括以下步骤:
S3400、采用下式计算隐含层神经元数量:
式(6)中,h为隐含层神经元数量,a为1-10之间的调节常数,m为输入层神经元数量,n为输出层神经元数量;
S3401、从hmin开始,逐个增加神经元个数直至hmax,将[hmin,hmax]分别进行训练验证;
S3402、选取训练验证结果中最优验证结果所对应的神经元个数,所得神经元个数为BP神经网络隐含层神经元数量h;其中,最优验证结果的计算如下,例如:
1.首先需要对样本库(已知变压器故障类型)进行训练;
2.样本库中的每一个样本都有一个已知的、固定的故障类型编码,即标准库;
3.BP神经网络的重要参数h,范围为[hmin,hmax],训练过程就是将h带进去计算,即步骤S3401;
4.将h1带进去步骤S3401迭代,样本库经BP神经网络计算得到每个样本对应的编码,即输出库1,输出库1与标准库之间会有一个偏差E1;同理,h2带进去迭代时,会得到输出库2,输出库2与标准库的偏差为E2;以此类推,每个h对应得到一个偏差E,选取最小偏差E,最小偏差E对应的h就是最优验证结果。
实施例2,振动信号测量模块采用加速度传感器测量得到100组变压器原始振动信号,其中30组为铁芯故障振动信号,30组绕组故障振动信号,40组为无故障振动信号。通过基于振动噪声及BP神经网络的变压器故障诊断方法,得到BP神经网络的架构为5-8-3,即输入层有5个神经元,输出层有3个神经元,隐含层有8个神经元。
S35、依据输入层神经元数量为m、输出层神经元数量n、BP神经网络隐含层神经元数量h、输入层神经元i到隐含层神经元j之间的权值ωij及隐含层神经元j到输出层神经元k之间的权值ωjk构建初始BP神经网络;
其中,BP神经网络的激活函数采用S型函数f(x):
隐含层神经元j的输出为sj:
式(8)中,ωij为输入层神经元i到隐含层神经元j之间的权值,θ1,θ2为偏置量,xi为输出层的第i个输入量;
输出层神经元k的输出为yk:
式(9)中,ωjk为隐含层神经元j到输出层神经元k之间的权值,θ1,θ2为偏置量。
S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型,对所述BP神经网络进行训练,得到训练后的BP神经网络,BP神经网络训练包括以下步骤:
S3600、将步骤S31得到各组训练样本数据的特征量输入初始BP神经网络,得到输出结果,通过输出结果得到输出结果的误差;总误差E的计算公式为:
式(10)中,dij为第i个样本第j个编码的输出值,yij为第i个样本第j个编码的期望值;
S3601、判断误差否小于预设定的阈值,若误差小于预设定的阈值,则进入步骤S3602;若误差大于预设定的阈值,则进入步骤S3603;
S3602、初始BP神经网络采用梯度下降法进行反向传递,沿着相对误差平方和的最速下降方向,连续调整网络的权值和阈值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,返回步骤S35;
S3603、采用输出结果构建训练后的BP神经网络。
S37、提取待诊断的变压器振动信号的特征量,采用训练后得到的BP神经网络进行诊断,得到其故障类型。
以上所揭露的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,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于振动噪声及BP神经网络的变压器故障诊断方法,其特征在于:包括以下步骤:
S1、通过噪声源识别模块,采集变压器各个区域的振动噪声声压信号,并依据所述振动噪声声压信号得到最大噪声源所在的区域;
S2、通过振动信号测量模块对所述最大噪声源所在的区域,采集振动信号;
S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。
2.根据权利要求1所述的变压器故障诊断方法,其特征在于:所述S1包括:
S10、将所述振动噪声声压信号进行傅里叶变化,得到声压级最大频段;
S11、将所述声压级最大频段对应的振动噪声声压信号进行波束形成算法计算,得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置;
S12、依据所述最大噪声源所处的位置确定最大噪声源所处的区域。
3.根据权利要求1所述的变压器故障诊断方法,其特征在于:所述振动信号测量模块采用加速度传感器阵列对所述振动信号进行采集。
4.根据权利要求1所述的变压器故障诊断方法,其特征在于:所述S3包括:
S30、依据所述振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型;
S31、将各组所述训练样本数据进行FFT处理得到振动信号的特征量,所述特征量作为BP神经网络输入层的神经元,所述特征量的数量为输入层神经元数量为m;
S32、将各组所述特征量进行归一化处理,得到各组特征量的归一化数据;
S33、对所述变压器故障类型进行编码,得到所述变压器故障类型的数量,所述变压器故障类型为BP神经网络输出层的神经元,所述变压器故障类型的数量为输出层神经元数量n;
S34、通过所述输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h;
S35、依据所述输入层神经元数量为m、输出层神经元数量n及BP神经网络隐含层神经元数量h构建初始BP神经网络;
S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型,对所述BP神经网络进行训练,得到训练后的BP神经网络;
S37、提取待诊断的变压器振动信号的特征量,采用训练后得到的BP神经网络进行诊断,得到其故障类型。
5.根据权利要求4所述的变压器故障诊断方法,其特征在于:所述振动信号的特征量包括:基频比重、基本振幅、主频比重、主频振幅及振动熵。
6.根据权利要求4所述的变压器故障诊断方法,其特征在于:所述变压器故障类型包括:无故障、铁芯故障和绕组故障。
7.根据权利要求4所述的变压器故障诊断方法,其特征在于:所述S34包括:
S3400、采用下式计算隐含层神经元数量:
式(6)中,h为隐含层神经元数量,a为1-10之间的调节常数,m为输入层神经元数量,n为输出层神经元数量;
S3401、从hmin开始,逐个增加神经元个数直至hmax,将[hmin,hmax]分别进行训练验证;
S3402、选取训练验证结果中最优验证结果所对应的神经元个数,所述神经元个数为BP神经网络隐含层神经元数量h。
8.根据权利要求4所述的变压器故障诊断方法,其特征在于:所述S36中的BP神经网络训练包括以下步骤:
S3600、将步骤S31得到各组训练样本数据的特征量输入所述BP神经网络,得到输出结果和输出结果的误差;
S3601、判断所述误差否小于预设定的阈值,若所述误差小于预设定的阈值,则进入步骤S3602;若所述误差大于预设定的阈值,则进入步骤S3603;
S3602、所述初始BP神经网络采用梯度下降法进行反向传递,沿着相对误差平方和的最速下降方向,连续调整网络的权值和阈值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,返回步骤S35;
S3603、采用所述输出结果构建训练后的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810805455.9A CN109033612B (zh) | 2018-07-20 | 2018-07-20 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810805455.9A CN109033612B (zh) | 2018-07-20 | 2018-07-20 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033612A true CN109033612A (zh) | 2018-12-18 |
CN109033612B CN109033612B (zh) | 2023-05-05 |
Family
ID=64644882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810805455.9A Active CN109033612B (zh) | 2018-07-20 | 2018-07-20 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033612B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174255A (zh) * | 2019-06-03 | 2019-08-27 | 国网上海市电力公司 | 一种基于径向基神经网络的变压器振动信号分离方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN111026095A (zh) * | 2019-12-30 | 2020-04-17 | 太原科技大学 | 一种基于循环神经网络的带有噪声标签的故障诊断方法 |
CN111175698A (zh) * | 2020-01-18 | 2020-05-19 | 国网山东省电力公司菏泽供电公司 | 一种基于声振结合的变压器噪声源定位方法、***和装置 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112098066A (zh) * | 2020-09-21 | 2020-12-18 | 陕西师范大学 | 基于门控循环单元的高压并联电抗器故障诊断方法及*** |
CN112150744A (zh) * | 2020-09-24 | 2020-12-29 | 国网山东省电力公司临沂供电公司 | 一种变压器振动噪声异常分析预警*** |
CN112307918A (zh) * | 2020-10-21 | 2021-02-02 | 华北电力大学 | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
CN112665707A (zh) * | 2020-12-15 | 2021-04-16 | 国网天津市电力公司电力科学研究院 | 一种变压器短路冲击后累积效应及诊断方法 |
CN112879278A (zh) * | 2021-01-11 | 2021-06-01 | 苏州欣皓信息技术有限公司 | 基于噪声信号a计权分析的泵站机组故障诊断方法 |
CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测***和方法 |
CN113392511A (zh) * | 2021-05-28 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于频谱包络符号熵的有载分接开关机械状态监测方法 |
CN114235366A (zh) * | 2021-12-14 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种基于变压器噪声振动特性的变压器故障识别方法 |
CN115358110A (zh) * | 2022-07-25 | 2022-11-18 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于声传感器阵列的变压器故障检测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246043A (zh) * | 2008-03-28 | 2008-08-20 | 清华大学 | 受直流偏磁影响交流电力变压器振动与噪声在线监测方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
JP2016051850A (ja) * | 2014-09-01 | 2016-04-11 | 株式会社ダイヘン | 静止誘導機器 |
CN106066468A (zh) * | 2016-05-25 | 2016-11-02 | 哈尔滨工程大学 | 一种基于声压、振速互谱法的矢量阵左右舷分辨方法 |
CN107271022A (zh) * | 2017-05-31 | 2017-10-20 | 国网山西省电力公司电力科学研究院 | 一种变压器振动噪声综合测量*** |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析*** |
-
2018
- 2018-07-20 CN CN201810805455.9A patent/CN109033612B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246043A (zh) * | 2008-03-28 | 2008-08-20 | 清华大学 | 受直流偏磁影响交流电力变压器振动与噪声在线监测方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
JP2016051850A (ja) * | 2014-09-01 | 2016-04-11 | 株式会社ダイヘン | 静止誘導機器 |
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN106066468A (zh) * | 2016-05-25 | 2016-11-02 | 哈尔滨工程大学 | 一种基于声压、振速互谱法的矢量阵左右舷分辨方法 |
CN107271022A (zh) * | 2017-05-31 | 2017-10-20 | 国网山西省电力公司电力科学研究院 | 一种变压器振动噪声综合测量*** |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析*** |
Non-Patent Citations (4)
Title |
---|
吴桂娇: ""波束形成原理在噪声源识别技术中的应用"", 《第25届全国振动与噪声高技术及应用会与论文选集》 * |
姚明镜,唐璇: ""基于振动声幅射的机械设备故障检测技术研究"", 《机械制造》 * |
许敬成,陈长征: ""BP神经网络在齿轮箱故障诊断中的应用"", 《噪声与振动控制》 * |
马裕超等: ""220kV油浸式变压器振动与噪声试验研究"", 《变压器》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174255A (zh) * | 2019-06-03 | 2019-08-27 | 国网上海市电力公司 | 一种基于径向基神经网络的变压器振动信号分离方法 |
CN110174255B (zh) * | 2019-06-03 | 2021-04-27 | 国网上海市电力公司 | 一种基于径向基神经网络的变压器振动信号分离方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN111026095A (zh) * | 2019-12-30 | 2020-04-17 | 太原科技大学 | 一种基于循环神经网络的带有噪声标签的故障诊断方法 |
CN111175698B (zh) * | 2020-01-18 | 2022-12-20 | 国网山东省电力公司菏泽供电公司 | 一种基于声振结合的变压器噪声源定位方法、***和装置 |
CN111175698A (zh) * | 2020-01-18 | 2020-05-19 | 国网山东省电力公司菏泽供电公司 | 一种基于声振结合的变压器噪声源定位方法、***和装置 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112098066A (zh) * | 2020-09-21 | 2020-12-18 | 陕西师范大学 | 基于门控循环单元的高压并联电抗器故障诊断方法及*** |
CN112150744A (zh) * | 2020-09-24 | 2020-12-29 | 国网山东省电力公司临沂供电公司 | 一种变压器振动噪声异常分析预警*** |
CN112307918A (zh) * | 2020-10-21 | 2021-02-02 | 华北电力大学 | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
CN112665707A (zh) * | 2020-12-15 | 2021-04-16 | 国网天津市电力公司电力科学研究院 | 一种变压器短路冲击后累积效应及诊断方法 |
CN112665707B (zh) * | 2020-12-15 | 2023-03-03 | 国网天津市电力公司电力科学研究院 | 一种变压器短路冲击后累积效应及诊断方法 |
CN112879278A (zh) * | 2021-01-11 | 2021-06-01 | 苏州欣皓信息技术有限公司 | 基于噪声信号a计权分析的泵站机组故障诊断方法 |
CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测***和方法 |
CN113392511A (zh) * | 2021-05-28 | 2021-09-14 | 广西电网有限责任公司电力科学研究院 | 基于频谱包络符号熵的有载分接开关机械状态监测方法 |
CN114235366A (zh) * | 2021-12-14 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种基于变压器噪声振动特性的变压器故障识别方法 |
CN115358110A (zh) * | 2022-07-25 | 2022-11-18 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于声传感器阵列的变压器故障检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN109033612B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033612A (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 | |
CN106405339B (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN106646096B (zh) | 基于振动分析法的变压器故障分类和识别方法 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN105424364A (zh) | 列车轴承故障的诊断方法和装置 | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN102122133B (zh) | 自适应小波神经网络异常检测故障诊断分类***及方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及*** | |
CN112327219A (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN113077005B (zh) | 一种基于lstm自编码器和正常信号数据的异常检测***及方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及*** | |
CN110044623A (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN102797671A (zh) | 一种往复压缩机的故障检测方法与装置 | |
CN109489977A (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN108693437B (zh) | 一种判断变压器绕组变形的方法及*** | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN113283310A (zh) | 一种基于声纹特征的电力设备健康状态检测***和方法 | |
CN105203876A (zh) | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 | |
CN107798283A (zh) | 一种基于决策导向无环图的神经网络故障多类分类器 |
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 |