CN109740523A - 一种基于声学特征和神经网络的电力变压器故障诊断方法 - Google Patents
一种基于声学特征和神经网络的电力变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109740523A CN109740523A CN201811646299.2A CN201811646299A CN109740523A CN 109740523 A CN109740523 A CN 109740523A CN 201811646299 A CN201811646299 A CN 201811646299A CN 109740523 A CN109740523 A CN 109740523A
- Authority
- CN
- China
- Prior art keywords
- power transformer
- neural network
- gru
- state
- hidden layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 58
- 210000002569 neuron Anatomy 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 18
- 238000009432 framing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000030279 gene silencing Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000011423 initialization method Methods 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声学特征和神经网络的电力变压器故障诊断方法，包括以下步骤：使用声音采集装置采集获取电力变压器处于各状态时的声音信号，记录采集的声音信号与电力变压器各状态的对应关系；将采集的声音信号进行预处理；建立并训练GRU神经网络模型；采集待诊断电力变压器的声音信号，预处理后输入训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。本发明的方法从电力变压器运行时的声音信号中提取出电力变压器的频域特征，使用电力变压器的频域特征对门限循环单元神经网络进行训练，操作相对简单，成本较低，较容易实现在线监测。
Description
技术领域
本发明属于电力变压器故障诊断技术领域，尤其涉及一种基于声学特征和神经网络的电力变压器故障诊断方法。
背景技术
电力变压器作为电力***中的重要的设备之一，承担着电力***内部电压变换、电能分配与传输等关键任务。电力变压器在运行过程中可能会出现放电、过热、绝缘退化、绕组和铁芯松动、绝缘油固态污染等故障。深入研究电力变压器故障诊断方法，对电力***的稳定运行具有十分重要的意义。
随着机器学习理论的不断发展完善，神经网络的非线性映射能力、自学习能力和容错能力不断增强，将神经网络应用于电力变压器故障诊断渐成趋势。石鑫等人在《深度学习神经网络在电力变压器故障诊断中的应用》中，基于电力变压器油中溶解气体分析技术，使用H2、CH4、C2H6、C2H4、C2H2、CO、CO2这7种气体的含量值对神经网络进行训练。该方案在实际应用中，需要对电力变压器油中溶解的气体含量值进行接触式或者非接触式的测量，操作繁琐，成本较高，不容易实现在线监测。综上，亟需一种新型的基于神经网络的电力变压器故障诊断方法。
发明内容
针对现有技术的不足，本发明提出一种基于声学特征和神经网络的电力变压器故障诊断方法。本发明的方法从电力变压器运行时的声音信号中提取出电力变压器的频域特征，使用电力变压器的频域特征对门限循环单元(Gated Recurrent Unit，GRU)神经网络进行训练，操作相对简单，成本较低，较容易实现在线监测。
为达到上述目的，本发明采用以下技术方案：
一种基于声学特征和神经网络的电力变压器故障诊断方法，包括以下步骤：
步骤1，采集电力变压器的声音信号；具体为，使用声音采集装置采集获取电力变压器处于各状态时的声音信号，记录采集的声音信号与电力变压器各状态的对应关系；所述电力变压器的各状态包括正常状态以及各种类型的故障状态；
步骤2，将步骤1采集的声音信号进行预处理；所述预处理过程包括：低通滤波、信号消噪、特征提取和数据降维处理中的一种或多种；
步骤3，建立GRU神经网络模型；具体包括：确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的GRU神经元节点个数、权重初始化以及神经网络训练；所述神经网络训练以步骤2中特征提取获得的频域特征以及频域特征对应的电力变压器的状态作为神经网络的训练数据；
步骤4，采集待诊断电力变压器的声音信号；将采集的待诊断电力变压器的声音信号通过步骤2的预处理方法进行预处理；将预处理后的待诊断电力变压器的声音信号输入步骤3训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。
进一步地，步骤1中，声音采集装置的采样频率fs大于或等于预定阈值ft，表达式为fs≥ft，其中，ft＝2000Hz。
进一步地，步骤2的预处理过程具体包括：
步骤2.1，使用巴特沃斯低通数字滤波器对采集获取电力变压器处于各状态时的声音信号进行低通滤波；
步骤2.2，对步骤2.1低通滤波后的电力变压器的声音信号进行小波分解，对小波分解后的小波系数进行阈值处理，使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号；
步骤2.3，对步骤2.2重构获得信号消噪后的电力变压器的声音信号进行归一化以及分帧加窗处理，对于每一帧都提取频域特征构造获得频域特征一维矩阵；
步骤2.4，对于步骤2.3得到的每一个频域特征一维矩阵都提取出其中的数据作为样本矩阵的一行，获得样本矩阵，即样本矩阵中的每一行数据都有唯一一个频域特征一维矩阵与之对应；使用一维PCA算法对样本矩阵进行处理，在处理结果中选取贡献率大于阈值PCAth的前M个主要成分作为预处理后的结果。
进一步地，步骤2.1中，低通滤波中使用的巴特沃斯低通数字滤波器的阶数N＝8，通带截止频率fp＝1000Hz，阻带截起始频率fs＝1200Hz，通带内波动最小衰减Rp＝1dB，阻带内最小衰减Rs＝50dB；
步骤2.2中，信号消噪中对小波分解后的小波系数进行阈值处理的具体过程是：设对声音S(n)进行小波分解后得到的小波系数为wi,j，设经处理后的小波系数为设定阈值λ，如下式所示，若|wi,j|≥λ，则若|wi,j|<λ，则即
进一步地，步骤2.3中归一化的具体过程是：设步骤2.2信号消噪处理中重构出电力变压器的声音为 在时域上是由依次出现的数值x0，x1，x2，x3，······xn构成的，设xmin为x0，x1，x2，x3，······xn中的最小值，设xmax为x0，x1，x2，x3，······xn中的最大值，对任一xi∈{x0,x1,x2,x3,......,xn}其归一化后的值为：
步骤2.3中分帧加窗的具体过程是：
设归一化处理后的声音为设定帧长为T，帧移为α，分帧即为在上截取时间长度为T的一段作为一帧，前一帧的尾部与后一帧的头部重叠的部分为帧移α，第j帧的结束时刻tend为T+(j-1)×(1-α)×T，第j帧的起始时刻tstart为(j-1)×(1-α)×T，，其中，j≥1且j为整数；在分帧过程中，若S(n)的剩余部分时间长度小于帧长T则将该部分丢弃，不对该部分进行分帧操作；
对S(n)进行分帧处理后进行加窗处理，设第j帧为fj(n)，使用窗函数对fj(n)进行加窗处理；具体为，使用海明窗hm(n)对fj(n)进行加窗处理；使用的海明窗hm(n)的表达式为：
设对第j帧fj(n)进行加窗处理后的结果为则
其中*表示卷积。
进一步地，步骤3中，输入层神经元个数为M；设电力变压器的故障类型共计有N种，输出层的神经元个数设置为N+1；
确定隐含层个数以及每个隐含层包括的GRU神经元节点个数的具体过程是：
GRU神经网络包括两个隐含层，第一个隐含层包含的GRU神经元个数为h1，第二个隐含层包含的GRU神经元个数为h2，第一个隐含层连接于输入层和第二个隐含层，第二个隐含层连接于第一个隐含层和输出层；
式中，M为输入层神经元个数，N+1为输出层神经元个数。
进一步地，步骤3中，权重初始化中使用Glorot Initialization方法对权重进行初始化，具体的过程是：
第一个隐含层中的GRU神经元的更新门权重为W1z，则W1z进行初始化的分布方式为：
第一个隐含层中的GRU神经元的重置门权重为W1r，则W1r进行初始化的分布方式为：
第一个隐含层中的GRU神经元的tanh的输入权重为W1tanh，则W1tanh进行初始化的分布方式为：
第二个隐含层中的GRU神经元的更新门权重为W2z，则W2z按照如下分布方式进行初始化：
第二个隐含层中的GRU神经元的重置门权重为W2r，则W2r按照如下分布方式进行初始化：
第二个隐含层中的GRU神经元的tanh的输入权重为W2tanh，则W2tanh按照如下分布方式进行初始化：
GRU神经网络的输出层设置为全连接层，输出层权重为wout，wout按照如下分布方式进行初始化：
式中，M为输入层神经元个数，(N+1)为输出层神经元个数，h1为第一个隐含层包含的GRU神经元个数，h2为第二个隐含层包含的GRU神经元个数。
进一步地，步骤2特征提取中提取的频域特征为DFT特征、STFT特征、MFCC特征和SC特征中的一种或多种。
进一步地，步骤3中，神经网络训练的具体过程是：使用均方差作为误差函数，使用频域特征以及与频域特征对应的电力变压器的状态作为神经网络的训练数据，使用随机梯度下降算法更新GRU神经网络的权值；在使用随机梯度下降算法更新GRU神经网络的权值过程中，若在连续的预定步数范围step内均方差的变化小于预定的阈值lossthre，则停止更新GRU神经网络的权值的过程；停止更新GRU神经网络的权值后，保存最后一步计算出的GRU神经网络的权值。
进一步地，步骤4具体包括：
采集待诊断电力变压器的声音信号；将采集的待诊断电力变压器的声音信号通过步骤2的预处理方法进行预处理得到据降维矩阵，记为记为中的任意一行；使用一维矩阵表示电力变压器的状态，一维矩阵的数据的个数为N+1，一维矩阵中的数据包括N个0和1个1，通过在一维矩阵中数字1的位置的不同来区分电力变压器的不同的状态，记表示电力变压器状态的矩阵为statei；
对每一个都有一个电力变压器的状态与对应，由确定电力变压器的状态的过程是：对于输入训练后的GRU神经网络后得到的计算与statei的欧式距离，在statei中选择与欧式距离最小的statei记为statemin，与statemin对应的电力变压器的状态即通过GRU神经网络判断出的待诊断电力变压器的状态。
与现有技术相比，本发明具有以下有益效果：
本发明中，使用电力变压器频域特征对电力变压器进行故障诊断，不受电场和磁场的干扰，不影响电力变压器正常运行，操作简单，成本低。使用GRU神经网络，可缩短神经网络的训练时间，提高使用GRU神经网络对电力变压器进行故障诊断的效率。
进一步地，使用Glorot Initialization方法对GRU神经网络进行初始化，可解决GRU神经网络的初值敏感问题。
进一步地，在GRU神经网络训练的过程中，通过对均方差变化范围的判断及时停止GRU神经网络的权值更新，可避免GRU神经网络出现过拟合，能够提高使用GRU神经网络对电力变压器进行故障诊断的准确度。
附图说明
图1为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的流程示意框图；
图2为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的流程示意框图；
图3为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的信号消噪的流程示意框图；
图4为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的特征提取的流程示意框图；
图5为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的数据降维的流程示意框图；
图6为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的GRU神经网络的单个GRU神经元的结构示意框图；
图7为本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法的建立神经网络模型的流程示意框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，以使本领域技术人员能够更加清楚地理解本发明的方案，但并不因此限制本发明的保护范围。
请参阅图1，图1为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的流程图。本发明的一种基于声学特征和神经网络的电力变压器故障诊断方法，包括以下步骤：
步骤一：待诊断电力变压器的声音信号采集。
步骤二：电力变压器声音信号预处理。
步骤三：建立神经网络模型。
步骤四：电力变压器故障诊断。
步骤一具体为，使用声音采集装置采集并记录待诊断电力变压器正常工作以及出现各种类型故障时的声音，记录声音与待诊断电力变压器状态的对应关系；待诊断电力变压器状态包括正常状态以及各种类型的故障状态。
本发明中，使用监督学习的方式训练GRU(Gated Recurrent Unit，门限循环单元)神经网络，将步骤一中采集并记录的电力变压器的声音经后续处理作为GRU神经网络的训练数据，本发明将电力变压器的故障诊断问题转化为GRU神经网络的分类问题，GRU神经网络的输出即对应为电力变压器的状态，电力变压器的状态包括正常状态以及各种类型的故障状态。为确保GRU神经网络能够对电力变压器的各种状态(包括正常状态以及各种类型的故障状态)做出正确的判断，该步骤一中采集并记录的电力变压器的声音需要包括电力变压器正常工作时的声音以及电力变压器出现各种故障时的声音。
具体的，本发明使用电力变压器的声音的频域特征对电力变压器进行故障诊断，由于电力变压器的声音的频域能量主要集中在低频部分，故所述声音采集装置的采样频率fs不能过小，所述声音采集装置的采样频率fs需大于或等于阈值ft，即fs≥ft，优选的，ft＝2000Hz。
请参阅图2，,图2为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的流程图，步骤二中电力变压器声音信号预处理包括：
步骤(2-1)：低通滤波。
如前所述，电力变压器的声音的频域能量主要集中在低频部分，故使用巴特沃斯低通数字滤波器对步骤一中采集并记录的电力变压器的声音进行低通滤波，降低环境噪声中高频部分的干扰。
优选的，为实现较好的通带和阻带的近似性，本步骤中巴特沃斯低通数字滤波器的阶数N＝8，通带截止频率fp＝1000Hz，阻带截起始频率fs＝1200Hz，通带内波动最小衰减Rp＝1dB，阻带内最小衰减Rs＝50dB。
步骤(2-2)：信号消噪。图3为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的信号消噪的流程图，如图3所示，信号消噪包括：
步骤(2-2-1)：小波分解。设经步骤(2-1)处理后的电力变压器的声音为S(n)，使用db4小波对S(n)进行5层小波分解。
步骤(2-2-2)：小波系数阈值处理。设经步骤(2-2-1)小波分解对声音S(n)进行小波分解后得到的小波系数为wi,j，设经步骤(2-2-2)小波系数阈值处理后的小波系数为设定阈值λ，如下式所示，若|wi,j|≥λ，则若|wi,j|<λ，则表达式为：
优选的，阈值λ设置为经验值0.025。
步骤(2-2-3)：小波重构。用步骤(2-2-2)小波系数阈值处理后的小波系数重构出声音
步骤(2-3)：特征提取。图4为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的特征提取的流程图，如图4所示，特征提取包括：
步骤(2-3-1)：归一化。
如前步骤一中所述，在使用声音采集装置采集并记录电力变压器声音的过程中，声音采集装置与电力变压器的距离、声音采集装置与电力变压器的相对角度等因素会对所述采集并记录的电力变压器的声音的品质产生影响，故对步骤(2-2-3)重构出的声音进行归一化处理，使得声音幅度值处于同一区间。
重构出的声音在时域上是由依次出现的数值x0，x1，x2，x3，······xn构成的，设xmin为x0，x1，x2，x3，······xn中的最小值，设xmax为x0，x1，x2，x3，······xn中的最大值，对任一xi∈{x0,x1,x2,x3,......,xn}其归一化后的值为：
步骤(2-3-2)：分帧加窗。
设经步骤(2-3-1)归一化处理后的声音为设定帧长为T，帧移为α。分帧即为在上截取时间长度为T的一段作为一帧，前一帧的尾部与后一帧的头部重叠的部分为帧移α，则第j(j≥1且j为整数)帧的结束时刻tend为T+(j-1)×(1-α)×T，第j帧的起始时刻tstart为(j-1)×(1-α)×T。在分帧过程中，若的剩余部分时间长度小于帧长T则将该部分丢弃，不对该部分进行分帧操作。优选的，帧长T取值为0.5s，帧移α为1/3。
在对进行分帧处理后进行加窗处理。具体的，设第j帧为fj(n)，使用窗函数对fj(n)进行加窗处理，优选的，使用海明窗hm(n)对fj(n)进行加窗处理。使用的海明窗hm(n)如下所示：
设对第j帧fj(n)进行加窗处理后的结果为则
其中*表示卷积。
步骤(2-3-3)：构造频域特征一维矩阵。
对步骤(2-3-2)分帧加窗后的每一帧都进行特征提取处理，如前所述，为对第j帧的分帧加窗的处理结果。本发明使用频域特征对电力变压器故障进行诊断，因此提取的频域特征，具体的，可以使用DFT(discrete Fourier transform，离散傅里叶变换)对进行处理以得到其频域的DFT特征，也可以使用STFT(short-time Fouriertransform，短时傅里叶变换)对进行处理以得到其频域的STFT特征，也可以使用MFCC(Mel-scale Frequency Cepstral Coefficients，梅尔倒谱系数)对进行处理以得到其频域的MFCC特征，也可以使用SC(spectral centroid，谱质心)对进行处理以得到其频域的SC特征，也可以使用上述四种频域特征提取方式(包括DFT、STFT、MFCC、SC)的任意组合对进行处理以提取频域特征，例如使用DFT对进行处理得到频域DFT特征，同时使用MFCC对进行处理得到频域MFCC特征。
进一步地，对进行DFT处理得到的是一维矩阵，对进行STFT处理得到的是二维矩阵，对进行MFCC处理得到的是二维矩阵，对进行SC处理得到的是一维矩阵，为保证步骤(2-3-3)构造频域特征一维矩阵的特征提取结果的一致性，需要将STFT处理得到的二维矩阵转换为一维矩阵，需要将MFCC处理得到的二维矩阵转换为一维矩阵，将STFT处理得到的二维矩阵转换为一维矩阵的方式与将MFCC处理得到的二维矩阵转换为一维矩阵的方式相同，都是按照以行为主的方式将二维矩阵转换为一维矩阵。
针对提取多种频域特征的情况，首先判断是否需要将二维矩阵转换为一维矩阵，若需要转换则按照前述以行为主的方式进行转换，并且将多个一维矩阵直接进行行拼接得到一维矩阵；若不需要转换则将多个一维矩阵直接进行行拼接得到一维矩阵。
经过上述步骤(2-3-3)构造频域特征一维矩阵的处理过程，对于每一帧都得到一个与之对应的频域特征一维矩阵，本实施例即使用该一维矩阵表示该帧的频域特征。
步骤(2-4)：数据降维。
如前步骤(2-3-3)构造频域特征一维矩阵所述，对于每一帧都得到一个与之对应的频域特征一维矩阵，在实际操作过程中发现，所述频域特征一维矩阵包含的数据量很大，直接表现就是频域特征一维矩阵很长，这将使得后续过程中的计算量很大，此外，并不是频域特征一维矩阵的中的每一个数据都对GRU神经网络分类有利，因此，使用一维PCA(Principal Component Analysis，主成分分析)算法对频域特征一维矩阵进行降维处理。图5为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的电力变压器声音信号预处理的数据降维的流程图，如图5所示，数据降维包括：
步骤(2-4-1)：构造样本矩阵。
如前步骤(2-3-3)构造频域特征一维矩阵所述，对于每一帧都得到一个与之对应的频域特征一维矩阵，对于每一个频域特征一维矩阵都提取出其中的数据作为样本矩阵的一行，即样本矩阵中的每一行数据都有唯一一个频域特征一维矩阵与之对应。
步骤(2-4-2)：一维PCA处理。使用一维PCA算法对样本矩阵进行处理，在处理结果中选取贡献率大于阈值PCAth的前M个主要成分。优选的，PCAth取值为0.7。具体的，使用一维PCA算法对样本矩阵进行处理后得到一个二维矩阵，在该二维矩阵中选取前M列作为数据降维矩阵，数据降维矩阵中的每一行即为对应的频域特征一维矩阵降维处理后的结果。
步骤三：建立神经网络模型。
电力变压器声音是一种时间序列，在神经网络领域常用LSTM(LongShort-TermMemory，长短型记忆)神经网络对时间序列进行处理，但是由于LSTM神经网络模型较为复杂，神经网络模型训练过程中存在训练时间长的问题。GRU(Gated Recurrent Unit，门限循环单元)神经网络是对LSTM神经网络的简化，能够缩短神经网络模型的训练时间。本发明创新性地使用GRU神经网络对电力变压器声音进行处理，以缩短神经网络模型的训练时间。
GRU神经网络中包括GRU神经元，图6为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的GRU神经网络的单个GRU神经元的结构图，如图6所示，xt表示在t时刻该GRU神经元的输入，ht-1表示在(t-1)时刻该GRU神经元的输出，ht表示在t时刻该GRU神经元的输出，该GRU神经元在t时刻的输入包括xt和ht-1。σ表示激活函数，本发明激活函数σ选用sigmoid函数，tanh表示双曲正切函数。如图6所示，
zt＝σ(Wz·[ht-1,xt])
rt＝σ(Wr·[ht-1,xt])
其中，Wz表示更新门(Update Gate)的权重，Wr表示重置门(Reset Gate)的权重，W表示tanh的输入权重。
图7为本发明所述一种基于声学特征和神经网络的电力变压器故障诊断方法的建立神经网络模型的流程图，如图7所示，建立神经网络模型包括：
步骤(3-1)：确定输入层和输出层神经元个数。
如步骤(2-4-2)所述，数据降维矩阵包括M列，即数据降维矩阵的每一行都有M个数据，本方案将数据降维矩阵中的每一行都作为所述GRU神经网络的输入，故输入层神经元个数为M。
如步骤一所述，本发明将电力变压器的故障诊断问题转化为GRU神经网络的分类问题，步骤一中采集并记录的电力变压器的声音需要包括电力变压器正常工作时的声音以及电力变压器出现各种故障时的声音，设电力变压器的故障类型共计有N种，则本发明将所述GRU神经网络的输出层设置为全连接层，并且将输出层的神经元个数设置为(N+1)。
步骤(3-2)：确定隐含层个数以及每个隐含层包括的GRU神经元节点个数。
一般认为在只含有一个隐含层的情况下，只要隐含层的神经元节点个数足够多，神经网络可以拟合任意函数，此外，增加隐含层个数可以降低神经网络误差。但是一味地增加隐含层的个数以及每个隐含层包含的神经元的个数，将使得神经网络变得复杂，此外，会使得神经网络的训练时间变长，也可能导致过拟合。基于此，本发明使用的GRU神经网络包括两个隐含层，设第一个隐含层包含的GRU神经元个数为h1，设第二个隐含层包含的GRU神经元个数为h2。所述第一个隐含层连接于输入层和第二个隐含层，所述第二个隐含层连接于第一个隐含层和输出层。优选的，
其中，M为输入层神经元个数，(N+1)为输出层神经元个数。
步骤(3-3)：权重初始化。
神经网络存在初值敏感问题，权重初始化不当将导致神经网络出现训练速度慢、梯度***、陷入局部最优解等问题。基于此，本方案使用Glorot Initialization方法对权重进行初始化。
具体的，设第一个隐含层中的GRU神经元的更新门权重为W1z，则W1z按照如下分布方式进行初始化：
设第一个隐含层中的GRU神经元的重置门权重为W1r，则W1r按照如下分布方式进行初始化：
设第一个隐含层中的GRU神经元的tanh的输入权重为W1tanh，则W1tanh按照如下分布方式进行初始化：
设第二个隐含层中的GRU神经元的更新门权重为W2z，则W2z按照如下分布方式进行初始化：
设第二个隐含层中的GRU神经元的重置门权重为W2r，则W2r按照如下分布方式进行初始化：
设第二个隐含层中的GRU神经元的tanh的输入权重为W2tanh，则W2tanh按照如下分布方式进行初始化：
如前步骤(3-1)所述，所述GRU神经网络的输出层设置为全连接层，设输出层权重为wout，则wout按照如下分布方式进行初始化：
在上述步骤(3-3)中，M为输入层神经元个数，(N+1)为输出层神经元个数，h1为第一个隐含层包含的GRU神经元个数，h2为第二个隐含层包含的GRU神经元个数。
步骤(3-4)：神经网络训练。
如前步骤(2-4-2)所述，设数据降维矩阵为：
数据降维矩阵中的每一行都作为所述GRU神经网络训练的输入数据，记为例如使用一维矩阵表示电力变压器的状态，记为 中的数据的个数为(N+1),中的数据包括N个0和1个1，通过在中数字1的位置的不同来区分电力变压器的不同的状态，例如表示电力变压器处于正常工作状态，表示电力变压器处于故障类型一的状态。
使用均方差作为误差函数，使用以及与对应的作为神经网络的训练数据，使用随机梯度下降算法更新所述GRU神经网络的权值。在使用随机梯度下降算法更新所述GRU神经网络的权值过程中，若在连续的一定步数范围step内均方差的变化小于一定的阈值lossthre，则停止更新所述GRU神经网络的权值的过程，防止出现过拟合。停止更新所述GRU神经网络的权值后，保存最后一步计算出的GRU神经网络的权值。优选的，step取值为5，lossthre取值为0.013458。
这样，通过上述步骤一、步骤二、步骤三，基于采集的电力变压器的声音建立了神经网络模型。
步骤四：电力变压器故障诊断。
电力变压器故障诊断为实时的持续的过程，使用声音采集装置持续采集并记录待诊断电力变压器的声音，该步骤四中使用的声音采集装置与步骤一中使用的声音采集装置相同。
将该步骤四中采集并记录的待诊断电力变压器的声音进行步骤(2-1)低通滤波、步骤(2-2)信号消噪、步骤(2-3)特征提取和步骤(2-4-1)构造样本矩阵的处理，对步骤四中采集并记录的待诊断电力变压器的声音进步骤(2-1)低通滤波、步骤(2-2)信号消噪、步骤(2-3)特征提取和步骤(2-4-1)构造样本矩阵的处理的过程与前述步骤二中的步骤(2-1)低通滤波、步骤(2-2)信号消噪、步骤(2-3)特征提取和步骤(2-4-1)构造样本矩阵的处理过程相同。之后，使用与步骤(2-4-2)相同的一维PCA算法对样本矩阵进行处理，然后直接在处理结果中选取前M个主要成分作为数据降维矩阵，记为
记为中的任意一行，作为所述GRU神经网络的输入数据，例如 输入所述GRU神经网络后会得到长度为(N+1)的一维矩阵，记为
如前步骤(3-4)所述，使用一维矩阵表示电力变压器的状态，一维矩阵的数据的个数为(N+1)，一维矩阵中的数据包括N个0和1个1，通过在一维矩阵中数字1的位置的不同来区分电力变压器的不同的状态，记所述表示电力变压器状态的矩阵为statei。例如state1＝[1 0 0 ... 0 0]表示电力变压器处于正常工作状态，state2＝[0 1 0 ... 0 0]表示电力变压器处于故障类型一的状态。
对每一个都有一个电力变压器的状态与对应，由确定电力变压器的状态的过程是：对于输入所述GRU神经网络后得到的计算与statei的欧式距离，在statei中选择与欧式距离最小的statei记为statemin，与statemin对应的电力变压器的状态即为本方案所述通过GRU神经网络判断出的电力变压器的状态，进而实现基于GRU神经网络的电力变压器的故障诊断。例如输入所述GRU神经网络后得到通过计算发现与state2＝[0 1 0 ... 0 0]欧式距离最近，与state2对应的电力变压器的状态为故障类型一的状态，则判定电力变压器出现了故障类型一的故障。
综上，本发明提出了一种基于声学特征和神经网络的电力变压器故障诊断方法，包括：步骤一：电力变压器声音信号采集；步骤二：电力变压器声音信号预处理；步骤三：建立神经网络模型；步骤四：电力变压器故障诊断。本发明从电力变压器运行时的声音信号中提取出电力变压器的频域特征，使用电力变压器的频域特征对GRU神经网络进行训练。对电力变压器进行故障诊断的整个过程不受电场和磁场的干扰，能够在不影响电力变压器正常运行的条件下对电力变压器进行故障诊断。
以上仅是对本发明的实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。
Claims (10)
1.一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，包括以下步骤：
步骤1，采集电力变压器的声音信号；具体为，使用声音采集装置采集获取电力变压器处于各状态时的声音信号，记录采集的声音信号与电力变压器各状态的对应关系；所述电力变压器的各状态包括正常状态以及各种类型的故障状态；
步骤2，将步骤1采集的声音信号进行预处理；所述预处理过程包括：低通滤波、信号消噪、特征提取和数据降维处理中的一种或多种；
步骤3，建立GRU神经网络模型；具体包括：确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的GRU神经元节点个数、权重初始化以及神经网络训练；所述神经网络训练以步骤2中特征提取获得的频域特征以及频域特征对应的电力变压器的状态作为神经网络的训练数据；
步骤4，采集待诊断电力变压器的声音信号；将采集的待诊断电力变压器的声音信号通过步骤2的预处理方法进行预处理；将预处理后的待诊断电力变压器的声音信号输入步骤3训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。
2.根据权利要求1所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤1中，声音采集装置的采样频率fs大于或等于预定阈值ft，表达式为fs≥ft，其中，ft＝2000Hz。
3.根据权利要求1所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤2的预处理过程具体包括：
步骤2.1，使用巴特沃斯低通数字滤波器对采集获取电力变压器处于各状态时的声音信号进行低通滤波；
步骤2.2，对步骤2.1低通滤波后的电力变压器的声音信号进行小波分解，对小波分解后的小波系数进行阈值处理，使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号；
步骤2.3，对步骤2.2重构获得信号消噪后的电力变压器的声音信号进行归一化以及分帧加窗处理，对于每一帧都提取频域特征构造获得频域特征一维矩阵；
步骤2.4，对于步骤2.3得到的每一个频域特征一维矩阵都提取出其中的数据作为样本矩阵的一行，获得样本矩阵，即样本矩阵中的每一行数据都有唯一一个频域特征一维矩阵与之对应；使用一维PCA算法对样本矩阵进行处理，在处理结果中选取贡献率大于阈值PCAth的前M个主要成分作为预处理后的结果。
4.根据权利要求3所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，
步骤2.1中，低通滤波中使用的巴特沃斯低通数字滤波器的阶数N＝8，通带截止频率fp＝1000Hz，阻带截起始频率fs＝1200Hz，通带内波动最小衰减Rp＝1dB，阻带内最小衰减Rs＝50dB；
步骤2.2中，信号消噪中对小波分解后的小波系数进行阈值处理的具体过程是：设对声音S(n)进行小波分解后得到的小波系数为wi,j，设经处理后的小波系数为设定阈值λ，如下式所示，若|wi,j|≥λ，则若|wi,j|<λ，则即
5.根据权利要求3所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，
步骤2.3中归一化的具体过程是：设步骤2.2信号消噪处理中重构出电力变压器的声音为 在时域上是由依次出现的数值x0，x1，x2，x3，……xn构成的，设xmin为x0，x1，x2，x3，……xn中的最小值，设xmax为x0，x1，x2，x3，……xn中的最大值，对任一xi∈{x0,x1,x2,x3,......,xn}其归一化后的值为：
步骤2.3中分帧加窗的具体过程是：
设归一化处理后的声音为设定帧长为T，帧移为α，分帧即为在上截取时间长度为T的一段作为一帧，前一帧的尾部与后一帧的头部重叠的部分为帧移α，第j帧的结束时刻tend为T+(j-1)×(1-α)×T，第j帧的起始时刻tstart为(j-1)×(1-α)×T，，其中，j≥1且j为整数；在分帧过程中，若的剩余部分时间长度小于帧长T则将该部分丢弃，不对该部分进行分帧操作；
对进行分帧处理后进行加窗处理，设第j帧为fj(n)，使用窗函数对fj(n)进行加窗处理；具体为，使用海明窗hm(n)对fj(n)进行加窗处理；使用的海明窗hm(n)的表达式为：
设对第j帧fj(n)进行加窗处理后的结果为则
其中*表示卷积。
6.根据权利要求3所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤3中，输入层神经元个数为M；设电力变压器的故障类型共计有N种，输出层的神经元个数设置为N+1；
确定隐含层个数以及每个隐含层包括的GRU神经元节点个数的具体过程是：
GRU神经网络包括两个隐含层，第一个隐含层包含的GRU神经元个数为h1，第二个隐含层包含的GRU神经元个数为h2，第一个隐含层连接于输入层和第二个隐含层，第二个隐含层连接于第一个隐含层和输出层；
式中，M为输入层神经元个数，N+1为输出层神经元个数。
7.根据权利要求6所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤3中，权重初始化中使用Glorot Initialization方法对权重进行初始化，具体的过程是：
第一个隐含层中的GRU神经元的更新门权重为W1z，则W1z进行初始化的分布方式为：
第一个隐含层中的GRU神经元的重置门权重为W1r，则W1r进行初始化的分布方式为：
第一个隐含层中的GRU神经元的tanh的输入权重为W1tanh，则W1tanh进行初始化的分布方式为：
第二个隐含层中的GRU神经元的更新门权重为W2z，则W2z按照如下分布方式进行初始化：
第二个隐含层中的GRU神经元的重置门权重为W2r，则W2r按照如下分布方式进行初始化：
第二个隐含层中的GRU神经元的tanh的输入权重为W2tanh，则W2tanh按照如下分布方式进行初始化：
GRU神经网络的输出层设置为全连接层，输出层权重为wout，wout按照如下分布方式进行初始化：
式中，M为输入层神经元个数，(N+1)为输出层神经元个数，h1为第一个隐含层包含的GRU神经元个数，h2为第二个隐含层包含的GRU神经元个数。
8.根据权利要求1所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤2特征提取中提取的频域特征为DFT特征、STFT特征、MFCC特征和SC特征中的一种或多种。
9.根据权利要求1所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤3中，神经网络训练的具体过程是：使用均方差作为误差函数，使用频域特征以及与频域特征对应的电力变压器的状态作为神经网络的训练数据，使用随机梯度下降算法更新GRU神经网络的权值；
在使用随机梯度下降算法更新GRU神经网络的权值过程中，若在连续的预定步数范围step内均方差的变化小于预定的阈值lossthre，则停止更新GRU神经网络的权值的过程；停止更新GRU神经网络的权值后，保存最后一步计算出的GRU神经网络的权值。
10.根据权利要求1所述的一种基于声学特征和神经网络的电力变压器故障诊断方法，其特征在于，步骤4具体包括：
采集待诊断电力变压器的声音信号；将采集的待诊断电力变压器的声音信号通过步骤2的预处理方法进行预处理得到据降维矩阵，记为记为中的任意一行；
使用一维矩阵表示电力变压器的状态，一维矩阵的数据的个数为N+1，一维矩阵中的数据包括N个0和1个1，通过在一维矩阵中数字1的位置的不同来区分电力变压器的不同的状态，记表示电力变压器状态的矩阵为statei；
对每一个都有一个电力变压器的状态与对应，由确定电力变压器的状态的过程是：对于输入训练后的GRU神经网络后得到的计算与statei的欧式距离，在statei中选择与欧式距离最小的statei记为statemin，与statemin对应的电力变压器的状态即通过GRU神经网络判断出的待诊断电力变压器的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811646299.2A CN109740523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811646299.2A CN109740523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740523A true CN109740523A (zh) | 2019-05-10 |
| CN109740523B CN109740523B (zh) | 2020-12-29 |
Family
ID=66362802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811646299.2A Active CN109740523B (zh) | 2018-12-29 | 2018-12-29 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740523B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
| CN110415709A (zh) * | 2019-06-26 | 2019-11-05 | 深圳供电局有限公司 | 基于声纹识别模型的变压器工作状态识别方法 |
| CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
| CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
| CN110634493A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 基于声纹图像特征的变压器状态识别方法、***及介质 |
| CN111579056A (zh) * | 2020-05-19 | 2020-08-25 | 北京快鱼电子股份公司 | 变压器直流偏磁预测方法及*** |
| CN111626370A (zh) * | 2020-05-29 | 2020-09-04 | 展讯通信（上海）有限公司 | 基于神经网络的镂空识别方法及装置、存储介质、终端 |
| CN111912519A (zh) * | 2020-07-21 | 2020-11-10 | 国网安徽省电力有限公司 | 基于声纹频谱分离的变压器故障诊断方法及装置 |
| CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及*** |
| CN112147444A (zh) * | 2020-09-25 | 2020-12-29 | 广东电网有限责任公司佛山供电局 | 一种电力变压器工作状态监测方法及*** |
| CN112329914A (zh) * | 2020-10-26 | 2021-02-05 | 华翔翔能科技股份有限公司 | 地埋式变电站的故障诊断方法、装置及电子设备 |
| CN112506690A (zh) * | 2020-12-09 | 2021-03-16 | 北京地平线信息技术有限公司 | 控制处理器的方法及装置 |
| CN112599134A (zh) * | 2020-12-02 | 2021-04-02 | 国网安徽省电力有限公司 | 一种基于声纹识别的变压器声音事件检测方法 |
| CN114019310A (zh) * | 2021-11-08 | 2022-02-08 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
| CN114157023A (zh) * | 2021-11-19 | 2022-03-08 | 广东电网有限责任公司电力调度控制中心 | 一种配变预警信息获取方法 |
| CN114783152A (zh) * | 2022-03-30 | 2022-07-22 | 郑州熙禾智能科技有限公司 | 基于气声信息融合的储能电站火灾告警方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
| CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电超声音频识别方法及*** |
| CN107293301A (zh) * | 2017-05-27 | 2017-10-24 | 深圳大学 | 基于牙齿咬合声音的识别方法及*** |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
-
2018
- 2018-12-29 CN CN201811646299.2A patent/CN109740523B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
| CN104964738A (zh) * | 2015-06-10 | 2015-10-07 | 国家电网公司 | 一种基于噪声分离的电力变压器噪声评估方法 |
| CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
| CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电超声音频识别方法及*** |
| CN107293301A (zh) * | 2017-05-27 | 2017-10-24 | 深圳大学 | 基于牙齿咬合声音的识别方法及*** |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| XAVIER GLOROT 等: "Understanding the difficulty of training deep feedforward neural networks", 《APPEARING IN PROCEEDINGS OF THE 13TH INTERNATIONAL CONFERENCE》 * |
| 张生军著: "《基于视觉的无标记手势识别》", 30 June 2016, 长春：吉林大学出版社 * |
| 珠杰著: "《藏文文本自动处理方法研究》", 31 May 2018, 成都：西南交通大学出版社 * |
| 陈绍荣等编著: "《数字信号处理》", 30 September 2016, 北京：国防工业出版社 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
| CN110415709A (zh) * | 2019-06-26 | 2019-11-05 | 深圳供电局有限公司 | 基于声纹识别模型的变压器工作状态识别方法 |
| CN110415709B (zh) * | 2019-06-26 | 2022-01-25 | 深圳供电局有限公司 | 基于声纹识别模型的变压器工作状态识别方法 |
| CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
| CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
| CN110534118B (zh) * | 2019-07-29 | 2021-10-08 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
| CN110634493A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 基于声纹图像特征的变压器状态识别方法、***及介质 |
| CN111579056A (zh) * | 2020-05-19 | 2020-08-25 | 北京快鱼电子股份公司 | 变压器直流偏磁预测方法及*** |
| CN111626370A (zh) * | 2020-05-29 | 2020-09-04 | 展讯通信（上海）有限公司 | 基于神经网络的镂空识别方法及装置、存储介质、终端 |
| CN111626370B (zh) * | 2020-05-29 | 2022-07-12 | 展讯通信（上海）有限公司 | 基于神经网络的镂空识别方法及装置、存储介质、终端 |
| CN111912519A (zh) * | 2020-07-21 | 2020-11-10 | 国网安徽省电力有限公司 | 基于声纹频谱分离的变压器故障诊断方法及装置 |
| CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及*** |
| CN112147444A (zh) * | 2020-09-25 | 2020-12-29 | 广东电网有限责任公司佛山供电局 | 一种电力变压器工作状态监测方法及*** |
| CN112329914A (zh) * | 2020-10-26 | 2021-02-05 | 华翔翔能科技股份有限公司 | 地埋式变电站的故障诊断方法、装置及电子设备 |
| CN112329914B (zh) * | 2020-10-26 | 2024-02-02 | 华翔翔能科技股份有限公司 | 地埋式变电站的故障诊断方法、装置及电子设备 |
| CN112599134A (zh) * | 2020-12-02 | 2021-04-02 | 国网安徽省电力有限公司 | 一种基于声纹识别的变压器声音事件检测方法 |
| CN112506690A (zh) * | 2020-12-09 | 2021-03-16 | 北京地平线信息技术有限公司 | 控制处理器的方法及装置 |
| CN114019310A (zh) * | 2021-11-08 | 2022-02-08 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
| CN114019310B (zh) * | 2021-11-08 | 2024-02-20 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
| CN114157023A (zh) * | 2021-11-19 | 2022-03-08 | 广东电网有限责任公司电力调度控制中心 | 一种配变预警信息获取方法 |
| CN114157023B (zh) * | 2021-11-19 | 2023-12-05 | 广东电网有限责任公司电力调度控制中心 | 一种配变预警信息获取方法 |
| CN114783152A (zh) * | 2022-03-30 | 2022-07-22 | 郑州熙禾智能科技有限公司 | 基于气声信息融合的储能电站火灾告警方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740523B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740523A (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
| Li et al. | Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、***、终端及介质 | |
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
| CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
| CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与*** | |
| CN109473120A (zh) | 一种基于卷积神经网络的异常声音信号识别方法 | |
| CN109856517B (zh) | 一种特高压设备局部放电检测数据的判别方法 | |
| CN107013449A (zh) | 基于深度学习的声音信号识别压缩机故障的方法及*** | |
| CN110534118A (zh) | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 | |
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| CN109213121B (zh) | 一种风机制动***卡缸故障诊断方法 | |
| CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| Heydarzadeh et al. | Gear fault diagnosis using discrete wavelet transform and deep neural networks | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、***和装置 | |
| CN109002847A (zh) | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 | |
| CN109214356A (zh) | 一种基于dcnn模型的风机传动***故障智能诊断方法 | |
| CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
| CN114152825B (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断*** | |
| CN110110809A (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
| Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及*** |
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 | ||
| CP03 | Change of name, title or address |
Address after: Beilin District in Shaanxi province Xi'an City friendship road 710054 No. 308 Patentee after: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region after: China Patentee after: STATE GRID SHAANXI ELECTRIC POWER Co. Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: Beilin District in Shaanxi province Xi'an City friendship road 710054 No. 308 Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Co. Patentee before: XI'AN POWER TRANSMISSION AND TRANSFORMATION PROJECT ENVIRONMENTAL IMPACT CONTROL TECHNIQUE CENTER Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240403 Address after: No. 669, Hangtian Middle Road, Xi'an national civil aerospace industry base, Shaanxi 710100 Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Patentee after: State Grid Shaanxi Electric Power Co.,Ltd. Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: Beilin District in Shaanxi province Xi'an City friendship road 710054 No. 308 Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Co. Patentee before: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. |
|
| TR01 | Transfer of patent right |