CN110244204A - 一种多特征值的开关柜故障诊断方法、***及介质 - Google Patents

一种多特征值的开关柜故障诊断方法、***及介质 Download PDF

Info

Publication number
CN110244204A
CN110244204A CN201910567311.9A CN201910567311A CN110244204A CN 110244204 A CN110244204 A CN 110244204A CN 201910567311 A CN201910567311 A CN 201910567311A CN 110244204 A CN110244204 A CN 110244204A
Authority
CN
China
Prior art keywords
switchgear
signal
characteristic values
diagnosing faults
electric wave
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
Application number
CN201910567311.9A
Other languages
English (en)
Inventor
万代
由凯
赵邈
段绪金
齐飞
周恒逸
彭涛
彭思敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910567311.9A priority Critical patent/CN110244204A/zh
Publication of CN110244204A publication Critical patent/CN110244204A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种多特征值的开关柜故障诊断方法、***及介质，本发明开关柜故障诊断方法包括采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号，分别针对三种波形信号提取特征信号、将特征信号进行归一化、进行降维；将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。本发明通过提取人耳可闻声、超声波、地电波三种波形信号，提取相应的特征，并将特征进行降维，再利用机器学习技术对数据进行训练和综合诊断，能够明显提高开关柜故障检测的准确度和可靠性，在开关柜故障诊断领域具有巨大的应用价值。

Description

一种多特征值的开关柜故障诊断方法、***及介质
技术领域
本发明涉及电力设备故障诊断技术领域，具体涉及一种多特征值的开关柜故障诊断方法、***及介质。
背景技术
开关柜作为面向终端用户的设备，如果发生故障，将对人们的生活产生重要的影响并造成巨大损失，因此开关柜故障诊断技术作为一门结合工程实际的实用性技术，在电力生产与应用中扮演着重要角色。目前，最被广泛应用的开关柜故障检测方法主要是超声波检测法、地电波检测法等方法，它们在开关柜局部放电检测领域起到了一定作用。
在现场实际检测中，采用上述两种方法，存在以下不足之处：一、由于各类检测仪的检测结果均只能提供单一指标及阈值告警，使得综合判断需要依靠人工经验，导致检测结果的准确性、可靠性无法得到保障；二、只使用超声波或者地电波进行故障诊断，检测方式较为单一，难以进行综合评估，容易造成检测结果误判。
由于开关柜的局部放电信号(超声波、地电波等)也有某些特定的模式，比如波形的振幅、相位、频率等，这些特征往往能够在很大程度上反映出设备的运行状态。然而，这些特征有时候会非常复杂，人类很难做出准确地判断，传统的模式识别方法也很难处理。而深度学习方法的强项正在于特征提取和模式识别的能力，尤其是在面对复杂问题的时候，一般能达到远超其它方法的识别效果。
高压开关柜发生放电故障时除了产生超声波和地电波以外，也伴随着人耳可闻声信号。可闻声信号的采集和处理目前被广泛用于机械振动故障检测、复杂环境监测等方面，但目前较少用于高压开关柜放电故障检测的研究，近年来有学者提出采用人耳可闻声信号进行开关柜放电故障检测的研究，取得了较好的效果。
如果能将超声波、地电波和人耳可闻声三种开关柜发出的信号采用深度学习的方法对开关柜放电故障情况进行综合研判，这将极大的提高开关柜故障检测的准确度和可靠性，有着广阔的应用前景。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种多特征值的开关柜故障诊断方法、***及介质，本发明通过提取人耳可闻声、超声波、地电波三种波形信号，提取相应的特征，并将特征进行降维，再利用机器学习技术对数据进行训练和综合诊断，能够明显提高开关柜故障检测的准确度和可靠性，在开关柜故障诊断领域具有巨大的应用价值。
为了解决上述技术问题，本发明采用的技术方案为：
一种多特征值的开关柜故障诊断方法，实施步骤包括：
1)采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号；
2)分别针对人耳可闻声、超声波、地电波三种波形信号提取特征信号；
3)将特征信号进行归一化，再进行降维；
4)将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。
优选地，步骤2)中针对人耳可闻声提取特征信号的步骤包括：针对人耳可闻声的波形信号分别乘以时间窗进行加窗和分帧处理；对加窗和分帧处理的波形型号提取时域特征和频域特征作为人耳可闻声的特征信号，所述时域特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、短时平均幅度差函数中的至少一种，所述频域特征包括梅尔倒谱函数。
优选地，步骤2)中针对超声波提取特征信号的步骤包括：针对超声波的波形信号进行时频转换后得到超声波时频图，将超声波时频图作为超声波的特征信号。
优选地，步骤2)中针对地电波提取特征信号的步骤包括：针对地电波的波形信号进行时频转换后得到地电波时频图，将地电波时频图作为地电波的特征信号。
优选地，步骤2)之前还包括针对超声波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为40±2kHz的窄带滤波器，放大采用功率为60dB、80dB、100dB之一的信号放大器。
优选地，步骤2)之前还包括针对地电波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为3-60MHz的宽带滤波器，放大采用采用功率分别为20dB和40dB的两级信号放大器。
本发明还提供一种多特征值的开关柜故障诊断***，包括传感器单元、前置处理单元和信号处理单元，所述传感器单元用于采集检测被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号并通过前置处理单元输出给信号处理单元，所述信号处理单元被编程或配置以执行所述多特征值的开关柜故障诊断方法的步骤，或者所述信号处理单元的存储介质上存储有被编程或配置以执行所述多特征值的开关柜故障诊断方法的计算机程序。
优选地，所述前置处理单元包括用于超声波信号滤波放大及去噪处理的第一滤波放大电路和用于地电波信号滤波放大及去噪处理的第二滤波放大电路，所述第一滤波放大电路由滤波频率为40±2kHz的窄带滤波器以及采用功率为60dB、80dB、100dB之一的信号放大器形成；所述第二滤波放大电路由滤波频率为3-60MHz的宽带滤波器以及采用功率分别为20dB和40dB的两级信号放大器形成。
本发明还提供一种多特征值的开关柜故障诊断***，包括计算机设备，该计算机设备被编程或配置以执行所述多特征值的开关柜故障诊断方法的步骤，或者该计算机设备的存储介质上存储有被编程或配置以执行所述多特征值的开关柜故障诊断方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述多特征值的开关柜故障诊断方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明通过提取人耳可闻声、超声波、地电波三种波形信号，将这三者提取相应的特征，并将特征进行降维，再利用机器学习技术对数据进行训练和综合诊断，能够明显提高开关柜故障检测的准确度和可靠性，在开关柜故障诊断领域具有巨大的应用价值，降低了检测结果误判率，极大的提高了检测效率。
2、本发明利用了机器学***和检测准确率。
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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的原理示意图。
图3为本发明实施例的卷积神经网络CNN的结构示意图。
图4为本发明实施例的***结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，本实施例多特征值的开关柜故障诊断方法的实施步骤包括：
1)采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号；
2)分别针对人耳可闻声、超声波、地电波三种波形信号提取特征信号；
3)将特征信号进行归一化，再进行降维；
4)将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。
本实施例中选择基于人耳可闻声、超声波、地电波三种波形信号来实现开关柜故障诊断的具体原因如下：目前，最被广泛应用的开关柜故障检测方法主要是超声波检测法、地电波检测法等方法，它们在开关柜局部放电检测领域起到了一定作用。开关柜局部放电时，带电质点由于电场作用而获得加速，发生机械振动而产生超声波，因此可以根据超声波信号的特征，判断局部放电的程度和开关柜故障类型；开关柜局部放电同时也会形成对地电流，在设备的金属表面传播，根据麦克斯韦定理，局部放电现象产生的电场及其感应的磁场向外传播形成电磁波，电磁波在开关柜外表面感应出高频电流，利用电容耦合即可测出放电脉冲信号，从而检测开关柜放电故障。开关柜除了产生超声波和地电波以外，也伴随着人耳可闻声信号。开关柜在正常运行时存在机械振动，此时的声音信号为“嗡嗡”声，音量一般较小。而当开关柜开始出现局部放电现象时，在局部放电区域会出现“滋滋”的放电声，声音比“嗡嗡”的正常运行声稍大，并且随着放电程度的加深，最终会导致开关柜的绝缘层击穿。绝缘击穿时可以听到短暂尖锐的“啪嗒”声。因此，根据开关柜声音信号的音频特征变化，可判断出开关柜是否出现故障。可闻声信号的采集和处理目前被广泛用于机械振动故障检测、复杂环境监测等方面，但目前较少用于高压开关柜放电故障检测的研究，近年来有学者提出采用人耳可闻声信号进行开关柜放电故障检测的研究，取得了较好的效果。如果能将超声波、地电波和人耳可闻声三种开关柜发出的信号采用深度学习的方法对开关柜放电故障情况进行综合研判，这将极大的提高开关柜故障检测的准确度和可靠性，有着广阔的应用前景。
为了抗电磁干扰、串扰抑制，从而输出高质量的模拟电信号，本实施例中，步骤2)之前还包括针对超声波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为40±2kHz的窄带滤波器，放大采用功率为60dB、80dB、100dB之一的信号放大器。毫无疑问，滤波放大可以根据需要采用软件或者硬件的方式实现，本实施例中采用硬件实现，因此其实际发生时间节点为步骤1)之前；如果采用软件实现，则其实际发生时间节点为步骤2)之前。
为了抗电磁干扰、串扰抑制，从而输出高质量的模拟电信号，本实施例中，步骤2)之前还包括针对地电波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为3-60MHz的宽带滤波器，放大采用采用功率分别为20dB和40dB的两级信号放大器。毫无疑问，滤波放大可以根据需要采用软件或者硬件的方式实现，本实施例中采用硬件实现，因此其实际发生时间节点为步骤1)之前；如果采用软件实现，则其实际发生时间节点为步骤2)之前。
如图2所示，步骤2)中针对人耳可闻声提取特征信号的步骤包括：针对人耳可闻声的波形信号分别乘以时间窗进行加窗和分帧处理；对加窗和分帧处理的波形型号提取时域特征和频域特征作为人耳可闻声的特征信号，所述时域特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、短时平均幅度差函数中的至少一种，所述频域特征包括梅尔倒谱函数。
本实施例中，针对人耳可闻声的波形信号分别乘以时间窗进行加窗和分帧处理时，具体使用的汉明窗，其函数表达式如下式所示；
上式中，w(n)为汉明窗窗口函数，N为窗长(本实施例中N＝200)，n为帧数，进行加窗和分帧处理得到分帧后的数据帧s(n,h)，也可表示为s(n)，其中n为帧数，h为帧长。
短时平均能量的计算函数表达式如下式所示：
上式中，En为短时平均能量，n为帧数，N为窗长，s(m)为加窗和分帧处理得到的数据帧，m为计算中间量，w(n-m)为汉明窗函数。
短时平均幅度函数可用来衡量声音幅度的变化，短时平均幅度函数的计算函数表达式如下式所示：
上式中，Mn为短时平均幅度函数的值，n为帧数，N为窗长，s(n)为加窗和分帧处理得的数据帧，m为计算中间量，w(n-m)为汉明窗函数。
短时平均过零率的计算函数表达式如下式所示：
上式中，Zn为短时平均过零率的值，n为帧数，N为窗长，s(m)为加窗和分帧处理得到的数据帧，m为计算中间量，s(m-1)为时延一个单位得到的数据帧。
sgn(x)为符号函数，x为自变量，其定义如下式所示：
自相关函数用于衡量信号自身时间波形的相似性，本实施例中短时自相关函数的计算函数表达式如下式所示：
上式中，Rn(k)为短时自相关函数的值，s(m)为加窗和分帧处理得到的数据帧，m为计算中间量，s(m+k)为时移-k个单位得到的数据帧，w(n-m)和w(n-k-m)为分别对s(m)和s(m+k)进行翻转和移位之后的值，n为帧数，m为计算中间量，k为短时自相关函数的自变量。
短时平均幅度差函数的计算函数表达式如下式所示：
上式中，rn(k)为短时平均幅度差函数的值，n为帧数，N为窗长，x(n)为语音信号，x(n+k)为时移-k个单位的语音信号。
梅尔倒谱函数(MFCC)是依据人的听觉试验结果来分析声音的频谱，目前常用于可闻声识别的研究，其计算步骤为：1)对每一帧数据s(n)进行短时傅里叶变换，得到频域数据S(n,j)(j为频域中的第j条谱线)；2)计算谱线能量和通过梅尔滤波器的能量，所得谱线能量通过梅尔滤波器，求取梅尔谱能量获得能量参数E(n,j)；3)把梅尔滤波器的能量参数E(n,j)取对数后进行离散余弦变换(DCT)得到梅尔倒谱函数(MFCC)，如下式所示：
上式中，mfcc(n，l)为进行离散余弦变换(DCT)得到梅尔倒谱函数(MFCC)，l为DCT之后的谱线，E(n，j)为梅尔谱能量获得能量参数，M为梅尔滤波器的个数，m为计算中间量，n为帧数。
如图2所示，步骤2)中针对超声波提取特征信号的步骤包括：针对超声波的波形信号进行时频转换后得到超声波时频图，将超声波时频图作为超声波的特征信号。
如图2所示，步骤2)中针对地电波提取特征信号的步骤包括：针对地电波的波形信号进行时频转换后得到地电波时频图，将地电波时频图作为地电波的特征信号。
步骤3)中进行归一化计算可以将数据经过处理后限定到一定的范围之内，同时可以加快算法的收敛速度。本实施例中，归一化计算的函数表达式如下式所示：
Y＝(X-Xmin)/(Xmax-Xmin)
上式中，Y为归一化结果，X为从可闻声信号中提取的特征矩阵，Xmin为特征参数的最小值，Xmax为特征参数的最大值。
本实施例中，步骤3)中进行降维具体是指将特征信号采用主成分分析方法(principal component analysis，PCA)进行降维。主成分分析(principal componentanalysis，PCA)是最常用的一种特征降维算法，具体过程为:对矩阵Y进行去均值处理得到Z；计算协方差矩阵D:D＝ZZT，矩阵D的特征值和对应的特征向量可以通过奇异值分解得到；将特征向量对应的特征值按降序重新排序，取前k行组成矩阵E，即为降维到k维后的数据。
本实施例中，步骤4)中的机器学习模型为卷积神经网络CNN。如图3所示，本实施例中卷积神经网络CNN的层级结构包括数据输入层、卷积计算层、ReLU激励层、池化层、全连接层等。总共有8层，前5层分为了两个部分，其中一个部分用来进行超声波信号底层特征的提取，另外一个部分则用来提取地电波信号的底层特征。然后将其合并起来，综合考虑两个子部分所抽象出来的特征组合，继续提取更高级别的特征。全连接层有4096个神经元，为了避免梯度消失问题，该模型使用了ReLu激活函数。这是因为比起一般的sigmoid激活函数，ReLu在梯度下降法中表现出更好的性能。
综上所述，本实施例多特征值的开关柜故障诊断由于复合传感器集成有传声器阵列、超声波传感器、地电波传感器，并从中提取出不同的特征集，利用多特征值，能够对检测数据进行综合评估，降低了检测结果误判率和带电检测工作的难度，极大的提高了检测效率；本实施例利用了深度学***和检测准确率。
如图4所示，本实施例还提供一种多特征值的开关柜故障诊断***，包括传感器单元1、前置处理单元2和信号处理单元3，传感器单元1用于采集检测被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号并通过前置处理单元2输出给信号处理单元3，信号处理单元3被编程或配置以执行本实施例前述多特征值的开关柜故障诊断方法的步骤，或者信号处理单元3的存储介质上存储有被编程或配置以执行本实施例前述多特征值的开关柜故障诊断方法的计算机程序。
传感器单元1包括传声器阵列、超声波传感器和地电波传感器，用于采集开关柜产生的人耳可闻声、超声波、地电波，并将采集到的人耳可闻声、超声波、地电波分别转换成相应的模拟电信号。本实施例中，传声器阵列的频率响应范围是20～20kHz，采样率为8kHz；超声波传感器的采样幅值范围为-20～65dBmV，中心频率为40kHz；地电波传感器的采样幅值范围为0～60dBmV，信号带宽为3～60MHz。
本实施例中，传感器单元1为由传声器阵列、超声波传感器和地电波传感器三者采用微机电***MEMS(Microelectromechanical Systems)集成为一体的复合传感器，使得复合传感器可在狭小的空间内集成有三种传感器，从而携带便利且可进行多用途使用，避免携带过多检测仪的弊病。本实施例中，传感器单元1的传声器阵列、超声波传感器和地电波传感器三者之间采用屏蔽装置进行处理，可抑制电磁干扰，防止多个信号之间的串扰。
本实施例中，前置处理单元2包括用于超声波信号滤波放大及去噪处理的第一滤波放大电路21和用于地电波信号滤波放大及去噪处理的第二滤波放大电路22，所述第一滤波放大电路21由滤波频率为40±2kHz的窄带滤波器以及采用功率为60dB、80dB、100dB之一的信号放大器形成；第二滤波放大电路22由滤波频率为3-60MHz的宽带滤波器以及采用功率分别为20dB和40dB的两级信号放大器形成。本实施例中，前置处理单元2还包括A/D转换电路，A/D转换电路用于将模拟电信号转换为数字电信号。
如图4所示，本实施例中信号处理单元3由检测仪31、后台主机32构成，检测仪31的输入端和前置处理单元2的输出端相连，检测仪31通过内置的微处理器311执行特征提取单元、特征降维单元的代码，完成特征提取和特征降维，然后通过通信单元312将降维后得到的特征信号输出至后台主机32，后台主机32将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果，并将故障诊断结果返回给检测仪31，并通过检测仪31上连接的显示单元313显示输出。通过上述方式，一方面，能够便于检测仪31小型化，使得产品更加便携；另一方面，也便于通过后台主机32实现对深度学习中的卷积神经网络(CNN)的硬件加速。此外也可以根据需要采用单独的计算机节点或者更多的计算机节点来实现。
本实施例中，检测仪31的通信单元312包括无线通信模块以及有线通信模块；其中，无线通信模块可根据需要采用GPRS子通信模块、Zigbee通信子模块、WIFI通信子模块及蓝牙通信子模块之中其一种或多种；有线通信模块可根据需要采用10/100BASE-T自适应以太网络子模块、RS-485接口子模块、RS-232接口子模块、光纤接口子模块之中其一种或多种。检测仪31的显示单元313采用液晶显示模块，用于显示故障诊断结果。
本实施例中多特征值的开关柜故障诊断***的工作过程如下：传感器单元1采集开关柜产生的超声波信号、地电波信号及可闻声信号，并将所述采集到的超声波信号、地电波信号及可闻声信号分别转换成相应的模拟电信号；前置处理单元2对转换后的多个模拟电信号分别进行滤波放大及去噪处理；信号处理单元3通过检测仪31分别对三种信号进行多特征提取和特征降维处理，应用深度学习中的卷积神经网络(CNN)模型，将复杂特征上传至后台主机32进行训练和诊断故障类别；将相关诊断信息发送至检测仪31，检测仪31通过显示单元313的屏幕显示故障诊断结果。
此外，本实施例还提供一种多特征值的开关柜故障诊断***，包括计算机设备，该计算机设备被编程或配置以执行本实施例前述多特征值的开关柜故障诊断方法的步骤，或者该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述多特征值的开关柜故障诊断方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行本实施例前述多特征值的开关柜故障诊断方法的计算机程序。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种多特征值的开关柜故障诊断方法，其特征在于实施步骤包括：
1)采集被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号；
2)分别针对人耳可闻声、超声波、地电波三种波形信号提取特征信号；
3)将特征信号进行归一化，再进行降维；
4)将降维后的特征信号输入训练好的机器学习模型得到被测开关柜的故障诊断结果；所述机器学习模型被预先训练建立了降维和融合后的特征信号、故障诊断结果之间的映射关系。
2.根据权利要求1所述的多特征值的开关柜故障诊断方法，其特征在于，步骤2)中针对人耳可闻声提取特征信号的步骤包括：针对人耳可闻声的波形信号分别乘以时间窗进行加窗和分帧处理；对加窗和分帧处理的波形型号提取时域特征和频域特征作为人耳可闻声的特征信号，所述时域特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、短时平均幅度差函数中的至少一种，所述频域特征包括梅尔倒谱函数。
3.根据权利要求2所述的多特征值的开关柜故障诊断方法，其特征在于，步骤2)中针对超声波提取特征信号的步骤包括：针对超声波的波形信号进行时频转换后得到超声波时频图，将超声波时频图作为超声波的特征信号。
4.根据权利要求3所述的多特征值的开关柜故障诊断方法，其特征在于，步骤2)中针对地电波提取特征信号的步骤包括：针对地电波的波形信号进行时频转换后得到地电波时频图，将地电波时频图作为地电波的特征信号。
5.根据权利要求1所述的多特征值的开关柜故障诊断方法，其特征在于，步骤2)之前还包括针对超声波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为40±2kHz的窄带滤波器，放大采用功率为60dB、80dB、100dB之一的信号放大器。
6.根据权利要求1所述的多特征值的开关柜故障诊断方法，其特征在于，步骤2)之前还包括针对地电波的波形信号进行滤波放大的步骤，且滤波采用滤波频率为3-60MHz的宽带滤波器，放大采用采用功率分别为20dB和40dB的两级信号放大器。
7.一种多特征值的开关柜故障诊断***，其特征在于，包括传感器单元(1)、前置处理单元(2)和信号处理单元(3)，所述传感器单元(1)用于采集检测被测开关柜发出的人耳可闻声、超声波、地电波三种波形信号并通过前置处理单元(2)输出给信号处理单元(3)，所述信号处理单元(3)被编程或配置以执行权利要求1～6中任意一项所述多特征值的开关柜故障诊断方法的步骤，或者所述信号处理单元(3)的存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述多特征值的开关柜故障诊断方法的计算机程序。
8.根据权利要求7所述的多特征值的开关柜故障诊断方法，其特征在于，所述前置处理单元(2)包括用于超声波信号滤波放大及去噪处理的第一滤波放大电路(21)和用于地电波信号滤波放大及去噪处理的第二滤波放大电路(22)，所述第一滤波放大电路(21)由滤波频率为40±2kHz的窄带滤波器以及采用功率为60dB、80dB、100dB之一的信号放大器形成；所述第二滤波放大电路(22)由滤波频率为3-60MHz的宽带滤波器以及采用功率分别为20dB和40dB的两级信号放大器形成。
9.一种多特征值的开关柜故障诊断***，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述多特征值的开关柜故障诊断方法的步骤，或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述多特征值的开关柜故障诊断方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述多特征值的开关柜故障诊断方法的计算机程序。
CN201910567311.9A 2019-06-27 2019-06-27 一种多特征值的开关柜故障诊断方法、***及介质 Pending CN110244204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910567311.9A CN110244204A (zh) 2019-06-27 2019-06-27 一种多特征值的开关柜故障诊断方法、***及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910567311.9A CN110244204A (zh) 2019-06-27 2019-06-27 一种多特征值的开关柜故障诊断方法、***及介质

Publications (1)

Publication Number Publication Date
CN110244204A true CN110244204A (zh) 2019-09-17

Family

ID=67889891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910567311.9A Pending CN110244204A (zh) 2019-06-27 2019-06-27 一种多特征值的开关柜故障诊断方法、***及介质

Country Status (1)

Country Link
CN (1) CN110244204A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110519129A (zh) * 2019-09-26 2019-11-29 广东电网有限责任公司 一种配电自动化设备的在线率实时监测***
CN110595609A (zh) * 2019-09-29 2019-12-20 国网河南省电力公司南召县供电公司 一种通过声音异常快速判断变电设备故障的诊断装置
CN110808068A (zh) * 2019-11-11 2020-02-18 北京软通智城科技有限公司 一种声音检测方法、装置、设备和存储介质
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN111856224A (zh) * 2020-06-29 2020-10-30 国网河南省电力公司周口供电公司 一种高压开关柜的局部放电多源融合检测***和方法
CN112329637A (zh) * 2020-11-06 2021-02-05 华北电力大学 一种利用模式特征的负荷开关事件检测方法和***
CN113255475A (zh) * 2021-05-07 2021-08-13 华中科技大学 一种装载机下线故障识别方法、***及电子设备
CN113297922A (zh) * 2021-04-30 2021-08-24 广西电网有限责任公司电力科学研究院 一种高压开关柜故障诊断方法、装置及存储介质
CN113390957A (zh) * 2021-04-27 2021-09-14 杭州电子科技大学 一种基于磁传感探头的防串扰涡流无损探伤检测***
CN113866340A (zh) * 2021-08-31 2021-12-31 国网上海市电力公司 一种开关柜冲击电压试验及诊断方法
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
CN115372764A (zh) * 2022-07-12 2022-11-22 国网湖北省电力有限公司黄石供电公司 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法
CN116930666A (zh) * 2023-09-15 2023-10-24 深圳凯升联合科技有限公司 一种低压成套开关柜智能诊断***及其诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021958A (zh) * 2014-07-27 2015-11-04 国家电网公司 基于多传感器检测的开关柜局部放电数据记录分析方法
CN105589020A (zh) * 2016-01-27 2016-05-18 深圳供电局有限公司 一种用于配电设备巡检及带电检测的检测仪及方法
KR20160074022A (ko) * 2014-12-17 2016-06-28 전주비전대학교산학협력단 Emf 센서와 음향 센서를 이용한 부분방전 진단 시스템
CN206848410U (zh) * 2017-04-28 2018-01-05 山东迅风电子有限公司 一种局部放电检测仪
CN108052946A (zh) * 2017-12-11 2018-05-18 国网上海市电力公司 一种基于卷积神经网络的高压机柜开关自动识别方法
CN108169639A (zh) * 2017-12-29 2018-06-15 南京康尼环网开关设备有限公司 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN108303624A (zh) * 2018-01-31 2018-07-20 舒天才 一种基于声音信号分析的开关柜局部放电检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021958A (zh) * 2014-07-27 2015-11-04 国家电网公司 基于多传感器检测的开关柜局部放电数据记录分析方法
KR20160074022A (ko) * 2014-12-17 2016-06-28 전주비전대학교산학협력단 Emf 센서와 음향 센서를 이용한 부분방전 진단 시스템
CN105589020A (zh) * 2016-01-27 2016-05-18 深圳供电局有限公司 一种用于配电设备巡检及带电检测的检测仪及方法
CN206848410U (zh) * 2017-04-28 2018-01-05 山东迅风电子有限公司 一种局部放电检测仪
CN108052946A (zh) * 2017-12-11 2018-05-18 国网上海市电力公司 一种基于卷积神经网络的高压机柜开关自动识别方法
CN108169639A (zh) * 2017-12-29 2018-06-15 南京康尼环网开关设备有限公司 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN108303624A (zh) * 2018-01-31 2018-07-20 舒天才 一种基于声音信号分析的开关柜局部放电检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史塨毓 等: "基于可闻声源多模态特征的开关柜绝缘故障识别", 《南京工程学院学报》 *
朱正国 等: "基于卷积神经网络的开关柜局部放电监测", 《电网与清洁能源》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110519129B (zh) * 2019-09-26 2023-10-10 广东电网有限责任公司 一种配电自动化设备的在线率实时监测***
CN110519129A (zh) * 2019-09-26 2019-11-29 广东电网有限责任公司 一种配电自动化设备的在线率实时监测***
CN110595609A (zh) * 2019-09-29 2019-12-20 国网河南省电力公司南召县供电公司 一种通过声音异常快速判断变电设备故障的诊断装置
CN110808068A (zh) * 2019-11-11 2020-02-18 北京软通智城科技有限公司 一种声音检测方法、装置、设备和存储介质
CN111537853A (zh) * 2020-06-29 2020-08-14 国网山东省电力公司菏泽供电公司 基于多源异构数据分析的开关柜局部放电智能检测方法
CN111856224A (zh) * 2020-06-29 2020-10-30 国网河南省电力公司周口供电公司 一种高压开关柜的局部放电多源融合检测***和方法
CN112329637A (zh) * 2020-11-06 2021-02-05 华北电力大学 一种利用模式特征的负荷开关事件检测方法和***
CN113390957A (zh) * 2021-04-27 2021-09-14 杭州电子科技大学 一种基于磁传感探头的防串扰涡流无损探伤检测***
CN113297922A (zh) * 2021-04-30 2021-08-24 广西电网有限责任公司电力科学研究院 一种高压开关柜故障诊断方法、装置及存储介质
CN113255475A (zh) * 2021-05-07 2021-08-13 华中科技大学 一种装载机下线故障识别方法、***及电子设备
CN113866340A (zh) * 2021-08-31 2021-12-31 国网上海市电力公司 一种开关柜冲击电压试验及诊断方法
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
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
CN115372764A (zh) * 2022-07-12 2022-11-22 国网湖北省电力有限公司黄石供电公司 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法
CN116930666A (zh) * 2023-09-15 2023-10-24 深圳凯升联合科技有限公司 一种低压成套开关柜智能诊断***及其诊断方法

Similar Documents

Publication Publication Date Title
CN110244204A (zh) 一种多特征值的开关柜故障诊断方法、***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***
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
Istrate et al. Information extraction from sound for medical telemonitoring
CN110275094A (zh) 一种高压电缆局部放电声光联合检测方法及***
CN106546892A (zh) 基于深度学习的局部放电超声音频识别方法及***
CN111442827B (zh) 一种变压器绕组振动的光纤无源在线监测***
CN101494049B (zh) 一种用于音频监控***中的音频特征参数的提取方法
CN109856517A (zh) 一种特高压设备局部放电检测数据的判别方法
CN109901031A (zh) 用于局部放电信号的信噪分离方法、信息数据处理终端
CN103294199B (zh) 一种基于脸部肌音信号的无声信息识别***
CN106203380B (zh) 超声波手势识别方法及***
CN110133610A (zh) 基于时变距离-多普勒图的超宽带雷达动作识别方法
CN103413113A (zh) 一种服务机器人智能情感交互的方法
CN112735473B (zh) 基于声音识别无人机的方法及***
CN107693044A (zh) 冠心病监测诊断设备
CN102163427A (zh) 一种基于环境模型的音频异常事件检测方法
CN108169639A (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
CN107993648A (zh) 一种无人机识别方法、装置及电子设备
CN109507510A (zh) 一种变压器故障诊断***
CN113221673B (zh) 基于多尺度特征聚集的说话人认证方法及***
CN114325256A (zh) 一种电力设备局部放电识别方法、***、设备及存储介质
Padhy et al. Emergency signal classification for the hearing impaired using multi-channel convolutional neural network architecture
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法
Dang et al. Fault diagnosis of power transformer by acoustic signals with deep learning

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190917