CN113297922B - 一种高压开关柜故障诊断方法、装置及存储介质 - Google Patents
一种高压开关柜故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113297922B CN113297922B CN202110480231.7A CN202110480231A CN113297922B CN 113297922 B CN113297922 B CN 113297922B CN 202110480231 A CN202110480231 A CN 202110480231A CN 113297922 B CN113297922 B CN 113297922B
- Authority
- CN
- China
- Prior art keywords
- sound signal
- switch cabinet
- voltage switch
- known sound
- neural network
- 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.)
- Active
Links
Images
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种高压开关柜故障诊断方法,通过根据采集的高压开关柜的已知声音信号训练构建的初始卷积神经网络模型,得到目标卷积神经网络模型,并将采集的待诊断高压开关柜的声音信号,输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。本发明还公开一种高压开关柜故障诊断装置和存储介质。本发明实施例通过采集高压开关柜的声学指纹信息并开展高压开关柜的动作声学指纹特性研究,提出了基于卷积神经网络的高压开关柜机械故障诊断算法,能够及时发现高压开关柜的机械安全隐患。
Description
技术领域
本发明涉及机械故障诊断领域,尤其涉及一种高压开关柜故障诊断方法、装置及存储介质。
背景技术
高压开关柜是电网中大量运用的设备,与用户供电直接相关,在电力***发电、输电、配电、电能转换和消耗中起通断、控制或保护作用。高压开关柜厂家繁多、结构复杂多样,缺陷故障频发,机械故障不仅会影响到供电的稳定性,还关乎人们的人身安全和财产安全,因此必须对高压开关柜进行监测以及时发现机械故障。据统计,南方电网公司高压开关柜近两年共发生55起故障,其中15起为机械故障,目前尚未有一套成熟有效的电动操作高压开关柜机械状态检测技术能够及时发现高压开关柜的安全隐患。
发明内容
本发明实施例的目的是提供一种高压开关柜故障诊断方法、装置及存储介质,能基于高压开关柜的声学指纹及时发现高压开关柜的机械安全隐患。
为实现上述目的,本发明实施例提供了一种高压开关柜故障诊断方法,包括:
构建初始卷积神经网络模型;
采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。
作为上述方案的改进,在所述采集高压开关柜的已知声音信号之后,还包括:
对所述已知声音信号进行滤波,得到有效已知声音信号;
对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量。
则,所述根据所述已知工况下的声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型,具体为:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型。
作为上述方案的改进,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
作为上述方案的改进,所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种。
为实现上述目的,本发明实施例还提供了一种高压开关柜故障诊断装置,包括:
初始模型构建模块,用于构建初始卷积神经网络模型;
已知声音信号采集模块,用于采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
目标模型获取模块,用于根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
故障诊断模块,用于采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。
作为上述方案的改进,所述装置还包括:
滤波模块,用于对所述已知声音信号进行滤波,得到有效已知声音信号;
特征向量获取模块,用于对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
特征参数获取模块,用于采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量。
则,所述目标模型获取模块,具体用于:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型。
作为上述方案的改进,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
作为上述方案的改进,所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种。
为实现上述目的,本发明实施例还提供了一种存储介质,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的高压开关柜故障诊断方法。
与现有技术相比,本发明实施例公开的高压开关柜故障诊断方法、装置及存储介质,通过根据采集的高压开关柜的已知声音信号训练构建的初始卷积神经网络模型,得到目标卷积神经网络模型,并将采集的待诊断高压开关柜的声音信号,输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。通过采集了特定型号的高压开关柜的声学指纹信息并开展了高压开关柜的动作声学指纹特性研究,提出了基于卷积神经网络的高压开关柜机械故障诊断算法,基于高压开关柜的声学指纹及时发现高压开关柜的机械安全隐患。
附图说明
图1是本发明实施例提供的一种高压开关柜故障诊断方法的流程图;
图2是本发明实施例提供的声音传感器的规格表;
图3是本发明实施例提供的高压开关柜故障模拟试验表;
图4是本发明实施例提供的高压开关柜振动信号和声音信号的波形图;
图5是本发明实施例提供的高压开关柜正常工况下的声音信号的区间划分图;
图6是本发明实施例提供的基于K-S检验的特征提取的流程图;
图7是本发明实施例提供的不同模拟故障下的标记区间数量表;
图8是本发明实施例提供的特征向量权重柱形图;
图9是本发明实施例提供的正常工况和线圈卡涩工况的降维后的特征向量表;
图10是本发明实施例提供的训练集和验证集识别正确率的折线图;
图11是本发明实施例提供的一种高压开关柜故障诊断装置的结构示意图;
图12是本发明实施例提供的另一种高压开关柜故障诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。
参见图1,是本发明实施例1提供的一种高压开关柜故障诊断方法的流程图,所述高压开关柜故障诊断方法包括:
S1、构建初始卷积神经网络模型;
S2、采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
S3、根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
S4、采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。
进一步地,在步骤S2之前,还包括步骤S20:
S20、搭建声音采集***;
示例性的,声音采集***包括若干类传感器数据采集卡、工控机及LabVIEW编写的软件;传感器用于采集高压断路器操作过程中的各类物理信号,将物理信号转换为电压信号后输送到信号采集卡;信号采集卡位于工控机机身内,采集传感器输出的信号,并为加速度传感器提供4mA的驱动电流;测试***软件部分安装于工控机内,所有程序基于LabVIEW图形化编程语言完成;采用PCB378B02声音传感器,规格表参见图2,在进行声音信号测量时,将其置于离高压开关柜越0.9m、其右前方为高压开关柜手车的地面上。声音采集***基于LabVIEW平台设计,能实时采集、存储和显示信号;LabVIEW是一种程序开发软件,由美国国家仪器(NI)公司研制,使用图形化编程语言;声音采集***功能包括:数据采集卡配置、信号相关参数设置、触发设置、采集控制、信号存储、信号显示等;采集机制是高压开关柜动作声音超过门限时触发采集,采集各个传感器的触发前0.25s信号和触发后0.75s信号,共计1s,采样频率均为200KS/s,采集完毕后储存。
值得说明的是,声音传感器的具***置并不局限于上述具***置,可根据实际情况进行位置设置。
具体地,在步骤S2中,利用所述声音采集***采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
可选地,所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种。
示例性的,对各种运行工况进行高压开关柜分合闸空载和手车进出试验,参见图3,包括1、正常工况试验:即各种条件均为正常情况下进行试验;2、手车导轨卡涩:即通过增大手车推入推出阻力来模拟导轨卡涩,在导轨上增加不同的卡涩物体;3、触头对中不良:通过在手车与柜体之间增加阻尼弹簧实施可变力值来模拟铁芯受到的阻力;4、线圈卡涩:通过在电磁铁外部增加可调阻尼弹簧作为额外负载,通过阻尼弹簧实施可变力值来模拟铁芯受到的阻力;在试验中,每压缩1mm弹簧对应为2.7N的力。共模拟4种工况,得到200组数据,以用于研究不同运行工况下,声学指纹的变异情况,从而找出能够反映高压开关柜机械特性的声纹特征信息,建立诊断判据。
值得说明的是,工况的类别并不局限于上述类别,测试的次数也不局限于上述具体组数,可根据实际情况进行工况类别的选择以及测试次数的设置。
进一步地,在步骤S2之后,还包括步骤S21~S23:
S21、对所述已知声音信号进行滤波,得到有效已知声音信号;
S22、对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
S23、采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量。
则进一步地,所述步骤S3,具体为:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型。
值得说明的是,以高压开关柜分合闸动作和手车进出时产生的声音信号,作为机械故障诊断的依据。
具体地,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
步骤S4中的采集待诊断高压开关柜的声音信号具体为:利用所述声音采集***采集待诊断高压开关柜的声音信号。
为更直接地说明本方案的具体实施过程,下面以具体的例子进行说明:
1、声音信号的区间划分:振动传感器安装在振动源处,用于测量振动信号,声音传感器安装在断路器外,用于测量声音信号;参见图4,断路器合闸产生声音的操作主要有两个,一个是断路器合闸撞击,一个是手车推入过程中与导轨的摩擦声,根据这两个操作引起的声音信号就可以确定有效声音信号的范围;由于振动传感器安装在振动源附近,可实时进行高压开关柜的监测,声音传感器安装在断路器外,声音的传递、声音传感器的响应都需要一定的时间,因此对高压开关柜的监测存在延时;由图4的振动信号波形图可知,267ms开始的振动峰为断路器合闸撞击事件,记为事件1,335ms开始的振动峰为手车推进事件,记为事件2;由图4的声音信号波形图可知,声音信号对应的事件1、事件2与振动信号对应的事件1、事件2存在明显的延时,即需要以事件1的振动信号配合延时td1为判据,界定声音有效信号的开始;以事件2的振动信号配合延时td2为判据,界定声音有效信号的结束,以实现对声音信号有效区间的划分,参见图5,声音信号被划分为四个区间,依次分别为噪音区间、有效区间、衰减区间和余震区间,由于噪音区间和余震区间中的声音信号包含的声学指纹有效特性的区间较少,所以舍弃对噪音区间和余震区间的声音信号特征向量的提取;
2、K-S检验:由于K-S检验对纯噪音信号或者有效信息很少的信号的检验效果很差,容易舍去部分有效区间,也可能强化本组故障的独特量,进而引起过度学习,因此,本实施例仅对有效区间和衰减区间的声音信号进行K-S检验,基于K-S检验进行声音特征提取的步骤可参见图6;舍弃了声音信号的噪音区间和余震区间部分,从而减少K-S检验提取出的特征区间,使得特征区间可以取并集进行后续分析;
本发明实施例对于高压开关柜正常合闸的多个声音信号,取声音信号后500ms,在时域以4ms为单位进行分段,得到125个区间,两两信号之间逐段进行K-S检验,当被标记的区间数量较多时,特征识别的计算量较大,因此通过Relief-F算法进行特征选择,减少特征向量的维度,在确保不丢失重要特征的情况下,降低识别任务的计算量;
预先设置故障工况包括导轨卡涩、触头对中不良、分合闸线圈卡涩,将故障工况与正常合闸情况进行对比K-S检验,每种故障工况的特征区间数如图7所示;将特征区间取并集得到25个区间,根据每一区间的信号幅值得到特征向量,运用Relief-F算法对特征向量进行权重排序,排序权重最高的十五个特征量如图8所示,可以看到,特征向量的权重下降明显,即前几个特征向量具有对于识别结果有较大影响,由于前几个特征向量的权重明显高于后面的特征向量,特征向量的有效性更加得到保证,更有可能得到良好的机器学习结果,因此选择权重较大的4个特征参数进行特征提取,参见图9中的正常工况和线圈卡涩工况下的特征参数;
3、构建模型:构建一个八层主体结构的卷积神经网络模型,第一层为输入层,第二和四层为卷积层,第三和五层为池化层,第六和七层为全连接层,第八层为输出层;网络结构的输入层将4路振动信号并排组合;其后是2个卷积-池化模块,卷积核尺寸都是3*3,步长为1;两个卷积-池化模块后,均使用局部响应归一化算法;之后由全连接层将特征转为一维向量,其中第一个全连接层包含64个神经节点,第二个全连接层包含128个神经节点,每个全连接层后都使用Dropout算法,最后使用Softmax回归分类器输出分类结果;
4、训练模型:训练的过程中,使用的batch-size为10,初始学习率为0.001,使用AdaGrad优化算法调整学习率;模型训练中加入L2正则化约束项,利用交叉熵损失函数计算网络训练误差,误差最小时的网络参数即为待求模型参数;
由于试验条件的限制,模拟单一故障的组数较少,为了满足训练卷积神经网络的要求,需要进行数据扩增,采用重采样的方式,将重采样的频率设为10kHz,从而将数据扩增了20倍;
实验前划分训练集、验证集和测试集,训练集和验证集包括正常情况和3种单一故障,将同一类型同一故障程度的训练集和验证集按4:1的比例划分;训练集导入网络进行训练,验证集在训练过程中检验模型的效果;
参见图10,利用训练过程反馈的数据,作出训练集和验证集识别正确率的曲线,图10左边的曲线是训练集的识别正确率曲线,右边的曲线是验证集识别正确率曲线,横坐标代表输入minibatch进行训练的次数,由图10可知,训练集正确率在运行完两个epoch后稳定在99%以上,每一次开始新的epoch训练,正确率会有近5%的下降,然后迅速回升到100%附近,而验证集的准确率最高为90.9%,最低为84.8%。
与现有技术相比,本发明实施例公开的高压开关柜故障诊断方法,通过根据采集的高压开关柜的已知声音信号训练构建的初始卷积神经网络模型,得到目标卷积神经网络模型,并将采集的待诊断高压开关柜的声音信号,输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。通过采集了特定型号的高压开关柜的声学指纹信息并开展了高压开关柜的动作声学指纹特性研究,提出了基于卷积神经网络的高压开关柜机械故障诊断算法,基于高压开关柜的声学指纹及时发现高压开关柜的机械安全隐患。
参见图11,是本发明实施例提供的一种高压开关柜故障诊断装置的结构示意图,高压开关柜故障诊断装置10,包括:
初始模型构建模块11,用于构建初始卷积神经网络模型;
已知声音信号采集模块12,用于采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
目标模型获取模块13,用于根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
故障诊断模块14,用于采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。
进一步地,所述装置还包括:
滤波模块121,用于对所述已知声音信号进行滤波,得到有效已知声音信号;
特征向量获取模块122,用于对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
特征参数获取模块123,用于采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量。
则,所述目标模型获取模块13,具体用于:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型。
具体地,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
可选地,所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种。
值得说明的是,具体的所述高压开关柜故障诊断装置10的工作过程可参考上述实施例中所述高压开关柜故障诊断方法的工作过程,在此不再赘述。
与现有技术相比,本发明实施例公开的高压开关柜故障诊断装置,通过根据采集的高压开关柜的已知声音信号训练构建的初始卷积神经网络模型,得到目标卷积神经网络模型,并将采集的待诊断高压开关柜的声音信号,输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。通过采集了特定型号的高压开关柜的声学指纹信息并开展了高压开关柜的动作声学指纹特性研究,提出了基于卷积神经网络的高压开关柜机械故障诊断算法,基于高压开关柜的声学指纹及时发现高压开关柜的机械安全隐患。
参见图12,是本发明实施例提供的一种高压开关柜故障诊断装置20的结构示意图,所述高压开关柜故障诊断装置20,包括处理器21、存储器22以及存储在所述存储器22中且被配置为由所述处理器21执行的计算机程序,所述处理器21执行所述计算机程序时实现如上述高压开关柜故障诊断方法实施例中的步骤,例如图1中所示的步骤S1~S4。或者,所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块的功能,例如初始模型构建模块11。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器22中,并由所述处理器21执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述高压开关柜故障诊断装置20中的执行过程。例如,所述计算机程序可以被分割成初始模型构建模块11、已知声音信号采集模块12、目标模型获取模块13和故障诊断模块14,各模块具体功能如下:
初始模型构建模块11,用于构建初始卷积神经网络模型;
已知声音信号采集模块12,用于采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
目标模型获取模块13,用于根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
故障诊断模块14,用于采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果。
各个模块具体的工作过程可参考上述实施例所述的高压开关柜诊断装置10的工作过程,在此不再赘述。
所述高压开关柜故障诊断装置20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高压开关柜故障诊断装置20可包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,所述示意图仅仅是车辆排气管阀门控制设备的示例,并不构成对高压开关柜故障诊断装置20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述高压开关柜故障诊断装置20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器21是所述高压开关柜故障诊断装置20的控制中心,利用各种接口和线路连接整个高压开关柜故障诊断装置20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块,所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块,以及调用存储在存储器22内的数据,实现所述高压开关柜故障诊断装置20的各种功能。所述存储器22可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述高压开关柜故障诊断装置20集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种高压开关柜故障诊断方法,其特征在于,包括:
构建初始卷积神经网络模型;
采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;
根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果;
所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种;所述已知声音信号通过以下方式产生:
所述手车导轨卡涩工况的已知声音信号通过在导轨上增加不同的卡涩物体以增大手车推入推出阻力来模拟得到;所述触头对中不良的已知声音信号通过在手车与柜体之间增加阻尼弹簧实施可变力值来模拟得到;所述线圈卡涩的已知声音信号通过在电磁铁外部增加可调阻尼弹簧作为额外负载来模拟得到;
在所述采集高压开关柜的已知声音信号之后,还包括:
对所述已知声音信号进行滤波,得到有效已知声音信号;
对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量;
则,所述根据所述已知工况下的声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型,具体为:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
所述对所述已知声音信号进行滤波具体包括:
获取振动传感器检测到的振动信号;其中,所述振动传感器安装在振动源处;
从所述振动信号中获取第一振动峰和第二振动峰;
根据所述第一振动峰和获取的第一延迟时间确定所述已知声音信号的有效区间的开始,根据所述第二振动峰和获取的第二延迟时间确定所述已知声音信号的有效区间的结束;其中,所述已知声音信号由声音传感器检测得到,所述声音传感器安装在断路器外;
获取所述已知声音信号的有效区间和衰减时间作为有效已知声音信号。
2.如权利要求1所述的高压开关柜故障诊断方法,其特征在于,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
3.一种高压开关柜故障诊断装置,其特征在于,包括:
初始模型构建模块,用于构建初始卷积神经网络模型;
已知声音信号采集模块,用于采集高压开关柜的已知声音信号;其中,所述已知声音信号为若干种已知工况下的声音信号;所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种;所述已知声音信号通过以下方式产生:所述手车导轨卡涩工况的已知声音信号通过在导轨上增加不同的卡涩物体以增大手车推入推出阻力来模拟得到;所述触头对中不良的已知声音信号通过在手车与柜体之间增加阻尼弹簧实施可变力值来模拟得到;所述线圈卡涩的已知声音信号通过在电磁铁外部增加可调阻尼弹簧作为额外负载来模拟得到;
目标模型获取模块,用于根据所述已知声音信号对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型;
故障诊断模块,用于采集待诊断高压开关柜的声音信号;将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型,得到待诊断高压开关柜的故障诊断结果;
滤波模块,用于对所述已知声音信号进行滤波,得到有效已知声音信号;所述对所述已知声音信号进行滤波具体包括:获取振动传感器检测到的振动信号;其中,所述振动传感器安装在振动源处;从所述振动信号中获取第一振动峰和第二振动峰;根据所述第一振动峰和获取的第一延迟时间确定所述已知声音信号的有效区间的开始,根据所述第二振动峰和获取的第二延迟时间确定所述已知声音信号的有效区间的结束;其中,所述已知声音信号由声音传感器检测得到,所述声音传感器安装在断路器外;获取所述已知声音信号的有效区间和衰减时间作为有效已知声音信号;
特征向量获取模块,用于对所述有效已知声音信号进行K-S检验,得到所述有效已知声音信号的特征向量;
特征参数获取模块,用于采用Relief-F算法对所述特征向量进行降维,得到降维后的特征向量;
则,所述目标模型获取模块,具体用于:
根据降维后的特征向量对所述初始卷积神经网络模型进行训练,得到目标卷积神经网络模型。
4.如权利要求3所述的高压开关柜故障诊断装置,其特征在于,所述初始卷积神经网络模型,具体包括输入层、卷积层、池化层、全连接层和输出层。
5.一种存储介质,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的高压开关柜故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480231.7A CN113297922B (zh) | 2021-04-30 | 2021-04-30 | 一种高压开关柜故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480231.7A CN113297922B (zh) | 2021-04-30 | 2021-04-30 | 一种高压开关柜故障诊断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297922A CN113297922A (zh) | 2021-08-24 |
CN113297922B true CN113297922B (zh) | 2023-05-05 |
Family
ID=77320629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480231.7A Active CN113297922B (zh) | 2021-04-30 | 2021-04-30 | 一种高压开关柜故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297922B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740643B (zh) * | 2021-08-25 | 2024-06-11 | 许昌许继软件技术有限公司 | 一种开关柜手车的异常诊断方法和***及设备和介质 |
CN114460456B (zh) * | 2022-04-13 | 2022-07-12 | 天津美腾科技股份有限公司 | 电磁阀故障检测方法、装置、***及存储介质 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115553A (zh) * | 2015-09-30 | 2015-12-02 | 中国人民解放军海军工程大学 | 一种基于时差法的高精度超声波气体流量计 |
CN105595983A (zh) * | 2015-11-26 | 2016-05-25 | 北京新兴阳升科技有限公司 | 一种血压测量装置及提高血压测量准确度的方法 |
CN105928613A (zh) * | 2016-04-22 | 2016-09-07 | 西安西热节能技术有限公司 | 一种旋转机械振动信号的过采样滤波处理方法 |
CN109063668A (zh) * | 2018-08-14 | 2018-12-21 | 哈工大机器人(合肥)国际创新研究院 | 一种基于峰值保留降采样的冲击信号包络解调方法 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN112161807A (zh) * | 2020-09-22 | 2021-01-01 | 上海海事大学 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN112684329A (zh) * | 2020-12-04 | 2021-04-20 | 江苏方天电力技术有限公司 | 一种高压断路器机械故障智能诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9099075B2 (en) * | 2010-10-20 | 2015-08-04 | Yamaha Corporation | Standing wave attenuation device |
CN108169639B (zh) * | 2017-12-29 | 2020-05-19 | 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 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN110940539B (zh) * | 2019-12-03 | 2024-04-05 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
CN111796180A (zh) * | 2020-06-23 | 2020-10-20 | 广西电网有限责任公司电力科学研究院 | 一种高压开关机械故障的自动识别方法及装置 |
CN112255538B (zh) * | 2020-10-14 | 2024-04-23 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
-
2021
- 2021-04-30 CN CN202110480231.7A patent/CN113297922B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115553A (zh) * | 2015-09-30 | 2015-12-02 | 中国人民解放军海军工程大学 | 一种基于时差法的高精度超声波气体流量计 |
CN105595983A (zh) * | 2015-11-26 | 2016-05-25 | 北京新兴阳升科技有限公司 | 一种血压测量装置及提高血压测量准确度的方法 |
CN105928613A (zh) * | 2016-04-22 | 2016-09-07 | 西安西热节能技术有限公司 | 一种旋转机械振动信号的过采样滤波处理方法 |
CN109063668A (zh) * | 2018-08-14 | 2018-12-21 | 哈工大机器人(合肥)国际创新研究院 | 一种基于峰值保留降采样的冲击信号包络解调方法 |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN112161807A (zh) * | 2020-09-22 | 2021-01-01 | 上海海事大学 | 一种变速齿轮箱的故障诊断方法、装置及存储介质 |
CN112684329A (zh) * | 2020-12-04 | 2021-04-20 | 江苏方天电力技术有限公司 | 一种高压断路器机械故障智能诊断方法 |
Non-Patent Citations (4)
Title |
---|
Ren L等.Multi-bearing remaining useful life collaborative prediction: A deep learning approach.《Journal of Manufacturing Systems》.2017,第43卷248-256. * |
张国栋.矿用高压配电装置状态监测与故障预警***的研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2012,(第3期),C042-397. * |
易林等.基于非参数检验的高压断路器机械故障声信号特征值提取方法.《高压电器》.2021,第57卷(第10期),83-90. * |
石大磊等.基于CEEMD的滚动轴承振动信号自适应降噪方法.《机械与电子》.2018,第36卷(第11期),3-7. * |
Also Published As
Publication number | Publication date |
---|---|
CN113297922A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297922B (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 | |
Fahim et al. | A deep learning based intelligent approach in detection and classification of transmission line faults | |
Perera et al. | Recognition of fault transients using a probabilistic neural-network classifier | |
CN106017879A (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
US11409933B2 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
Jamil et al. | Fault detection and classification in electrical power transmission system using artificial neural network | |
CN106482937B (zh) | 一种高压断路器机械状态的监测方法 | |
CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
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 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
Zhai et al. | Pattern recognition approach to identify loose particle material based on modified MFCC and HMMs | |
Sun et al. | A novel life prediction method for railway safety relays using degradation parameters | |
CN112326213A (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
CN111475925A (zh) | 一种电力设备的状态评估方法、装置及存储介质 | |
CN110057918A (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
Wang et al. | CNN based mechanical fault diagnosis of high voltage circuit breaker using sound and current signal | |
CN113611568A (zh) | 一种基于遗传卷积深度网络的真空断路器 | |
Song et al. | Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE | |
CN113705637B (zh) | 一种断路器机械故障检测方法、***、设备及可读存储介质 | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
KR20220023545A (ko) | 부분 방전 진단 방법 및 장치 | |
CN114841222B (zh) | 构建高压断路器故障检测模型的方法、检测方法及配电*** |
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 |