CN113470694A - 水轮机组遥听监测方法、装置和*** - Google Patents
水轮机组遥听监测方法、装置和*** Download PDFInfo
- Publication number
- CN113470694A CN113470694A CN202110447167.2A CN202110447167A CN113470694A CN 113470694 A CN113470694 A CN 113470694A CN 202110447167 A CN202110447167 A CN 202110447167A CN 113470694 A CN113470694 A CN 113470694A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- target
- original audio
- hydraulic turbine
- characteristic value
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005236 sound signal Effects 0.000 claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种水轮机组遥听监测方法、装置和***，所述方法包括：获取预设时长的原始音频信号；对所述原始音频信号进行数据降噪，得到目标音频信号；对所述目标音频信号进行特征提取，得到目标特征值；将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果；因此，本发明解决了现有技术无法对水轮机组运转时的声音特征进行监测或判断的问题，利用音频分析技术对现场声音进行在线分析和处理，以实现对水轮机组的遥听，满足了对水轮机组运行状态的监测需要。
Description
技术领域
本发明涉及音频处理技术领域，具体涉及水轮机组遥听监测方法、装置和***。
背景技术
目前，针对水轮机组运行状态的监测和故障诊断技术主要通过现场部署的电流、电压、振摆、气隙等传感器，实时获取机组运行时的各指标数据；在此基础上，通过数据处理和分析算法，对设备状态实时进行分析，以保障机组运行的可靠性；因此，在水电机组状态监测方面，主要的技术手段是依托计算机监控***和机组状态监测***，通过在机组及其附属单元部署各类传感器、摄像头，对现场的数据进行采集，以实现“遥测”、“遥信”、“遥调”、“遥控”、“遥视”。
但是，对于***监盘人员而言，现有技术的监测方法只能从视觉角度通过各类指标数据的变化对机组运转的状态进行判断，对机组运转时的声音特征无法监测和判断，特别是当机组介于故障与非故障的临界边缘时，无法为监盘人员提供现场听音等更直观的辅助判断方式，不能满足对水轮机组运行状态的监测需要。
发明内容
针对现有技术中所存在的不足，本发明提供的水轮机组遥听监测方法、装置和***，其解决了现有技术无法对水轮机组运转时的声音特征进行监测或判断的问题，利用音频分析技术对现场声音进行在线分析和处理，以实现对水轮机组的遥听，满足了对水轮机组运行状态的监测需要。
第一方面，本发明提供一种水轮机组遥听监测方法，所述方法包括：获取预设时长的原始音频信号；对所述原始音频信号进行数据降噪，得到目标音频信号；对所述目标音频信号进行特征提取，得到目标特征值；将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
可选地，对所述原始音频信号进行数据降噪，得到目标音频信号，包括：根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量；根据所述第一个本征模式分量，获取到残余信号；根据所述残余信号，得到所述原始音频信号对应的所有本征模式分量；对所有本征模式分量进行求和，得到所述目标音频信号。
可选地，根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量，包括：对所述原始音频信号的极大值点和极小值点进行拟合，得到所述原始音频信号的上包络线和下包络线；根据所述上包络线和所述下包络线，计算出当前信号的剩余分量；判断所述剩余分量是否满足预设约束条件；当所述剩余分量满足所述预设约束条件时，将所述剩余分量作为所述第一本征模式分量；当所述剩余分量不满足所述预设约束条件时，将所述当前信号的剩余分量作为下一次拟合的原始音频信号。
可选地，对所述目标音频信号进行特征提取，得到目标特征值，包括：对所述目标音频信号进行时域分析，得到时域特征值；对所述目标音频信号进行频域分析，得到频域特征值；将所述时域特征值和所述频域特征值作为所述目标特征值。
可选地，在所述获取预设时长的原始音频信号之前，所述方法还包括：根据输入输出数据确定训练模型的隐层数和各层的网络节点数；对训练模型中的模型参数进行初始化，所述模型参数包括权值矩阵和偏移向量；将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值；根据所述各隐层的梯度值，调整所述权值矩阵和所述偏移向量；若当前的迭代次数达到预设次数时，将调整后的权值矩阵和偏移向量作为所述训练模型的目标参数，得到所述目标故障模型。
可选地，将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值，包括：根据权值矩阵、偏移向量和激活函数，计算各隐层的输出数据和输出层的输出数据；根据所述各隐层的输出数据和输出层的输出数据，获取到损失函数；根据所述损失函数，计算出各隐层的梯度值。
可选地，所述权值矩阵的公式表达式为：Wl＝Wl-ηδl(Hl-1)T；所述偏移向量的公式表达式为：bl＝bl-ηδl；其中，η表示学习率，Wl、bl、δl分别表示第l层的权值矩阵、偏移向量、隐层的梯度值。
可选地，在对所述目标音频信号进行特征提取，得到目标特征值之后，所述方法还包括：将所述目标特征值与预设阈值进行比较，判断所述目标特征值是否大于所述预设阈值；当所述目标特征值大于所述预设阈值时，输出告警信息。
第二方面，本发明提供一种水轮机组遥听监测装置，所述监测装置包括：获取模块，用于获取预设时长的原始音频信号；降噪模块，用于对所述原始音频信号进行数据降噪，得到目标音频信号；提取模块，用于对所述目标音频信号进行特征提取，得到目标特征值；检查模块，用于将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
第三方面，本发明提供一种水轮机组遥听监测***，所述监测***包括上述所述的监测装置。
相比于现有技术，本发明具有如下有益效果：
本发明通过对采集到的原始音频信号进行音频信号的降噪、频谱分析、特征提取和故障检测，得到所述原始音频信号的检测结果，实现对水轮机组设备的遥听，不仅为监盘人员提供现场听音的辅助判断，还能根据对音频信号的检测结果实现对水电机组主要设备的在线监测、性能分析、趋势分析、异常预警等功能，解决了现有技术无法对水轮机组运转时的声音特征进行监测或判断的问题，满足了对水轮机组运行状态的监测需要。
附图说明
图1所示为本发明实施例提供的一种水轮机组遥听监测方法的流程示意图；
图2所示为本发明实施例提供的图1中步骤S102的流程示意图；
图3所示为本发明实施例提供的另一种水轮机组遥听监测方法的流程示意图；
图4所示为本发明实施例提供的一种水轮机组遥听监测***的结构示意图；
图5所示为本发明实施例提供的一种水轮机组遥听监测***的工作示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为本发明实施例提供的一种水轮机组遥听监测方法的流程示意图；如图1所示，所述水轮机组遥听监测方法具体包括以下步骤：
步骤S101，获取预设时长的原始音频信号。
在本实施例中，通过在水轮机组工作间及机组附近部署拾音设备，采集不同工况下机组运行时的音频数据，拾音设备采集的数据设备由音频采集服务器统一存储和管理，其中所述原始音频信号包括预设时长的音频数据，所述预设时长可以是100毫秒或者1秒，可以根据实际运行环境进行修改。
步骤S102，对所述原始音频信号进行数据降噪，得到目标音频信号。
具体地，如图2所示，对所述原始音频信号进行数据降噪，得到目标音频信号具体包括以下步骤:
步骤S201，根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量；
步骤S202，根据所述第一个本征模式分量，获取到残余信号；
步骤S203，根据所述残余信号，得到所述原始音频信号对应的所有本征模式分量；
步骤S204，对所有本征模式分量进行求和，得到所述目标音频信号。
进一步地，根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量，包括：对所述原始音频信号的极大值点和极小值点进行拟合，得到所述原始音频信号的上包络线和下包络线；根据所述上包络线和所述下包络线，计算出当前信号的剩余分量；判断所述剩余分量是否满足预设约束条件；当所述剩余分量满足所述预设约束条件时，将所述剩余分量作为所述第一本征模式分量；当所述剩余分量不满足所述预设约束条件时，将所述当前信号的剩余分量作为下一次拟合的原始音频信号。
需要说明的是，本发明利用经验模态分解(Empirical Mode Decomposition，EMD)算法对音频信号进行降噪处理，从信号序列本身的尺度特征出发对信号分解，得到代表原始负荷数据中隐含的不同时间尺度的波动成分，即本征模式分量(Intrinsic ModeFunction，IMF)，以弱化原始信号的非平稳特性；分解后的剩余残差项则表示负荷序列的基本趋势。
若原始音频信号为x(t)，t为预设时长的时间区间，则EMD的分解步骤概括如下：
步骤一：利用三次样条差值法分别对x(t)的局部极大值点和极小值点进行拟合，得到上包络线Us(t)和上下包络线Vs(t)。
步骤二：计算Us(t)和Vs(t)的包络均值m1和当前信号的剩余分量h1，即：
h1＝x(t)-m1
步骤三：若h1满足IMF分量约束条件，则h1为第一个IMF分量也就是第一个本征模式分量；反之，对h1重复步骤一到步骤二，直至h1满足约束条件，记imf1＝h1。
步骤四：计算残余信号r1＝x(t)-h1，重复步骤一到步骤三，直至分解出n个IMF分量。
步骤五：记分解n个IMF分量后，原始信号的剩余信号残差为：rn＝rn-1-imfn；
相应的，原始负荷序列与IMF分量、信号残差之间满足：
由此可知，所述目标音频信号为：
步骤S103，对所述目标音频信号进行特征提取，得到目标特征值。
具体地，对所述目标音频信号进行特征提取，得到目标特征值，包括：对所述目标音频信号进行时域分析，得到时域特征值；对所述目标音频信号进行频域分析，得到频域特征值；将所述时域特征值和所述频域特征值作为所述目标特征值。
需要说明的是，对采集的音频信号做时域分析，从各参量随时间的变化趋势中提取特征信息，表征相应故障类别的声音征兆，本实施例可以采用以下任意方法获取到所述目标音频信号的时域特征值；
单峰峰值法：表示信号的单峰最大值，若n为对应的帧数，单峰峰值表示成xp，
xp＝max(|x′n(t)|)
方根幅值法：从整体上反应信号频率，若n为对应的帧数，方根幅值表示成xr，
过零率法：信号过零点的次数，N为帧的长度，n为对应的帧数，过零率表示成Zn；
短时能量法：体现信号在不同时刻的强弱程度，N为帧的长度，n为对应的帧数，短时能量表示成En；
短时平均幅度差法：利用短时平均幅度差可以更好地观察周期特性，若x是加窗截断后的信号，短时平均幅度差定义为rn(k)；
需要进一步说明的是，对采集的音频信号做频域分析，从频域中提取特征信息，采用的频域分析手段包括傅里叶变换、离散傅里叶变换。
傅里叶变换：非周期性连续时间信号x(t)的傅里叶变换可以表示如下：
离散傅里叶变换：有限长离散信号x(t)，n＝0，1，…，N-1，则音频信号的离散傅里
叶变换表示如下：
其中，
步骤S104，将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
需要说明的是，在本实施例中当发现异常声音特征时，***自动推送告警信息。***使用人员，可选择指定的声音测点，对历史告警信息进行查询；定义故障规则为基于数据驱动的诊断告警：对于故障深层次的辨识和诊断，将时序特征和频域特征输入到神经网络模型中，进行模型的训练；在线采集音频数据，在经过特征提取后再输入到网络模型中进行辨识，当辨识结果属于特定的故障类型是，***发出告警。
相比于现有技术，本发明具有如下有益效果：
本发明通过对采集到的原始音频信号进行音频信号的降噪、频谱分析、特征提取和故障检测，得到所述原始音频信号的检测结果，实现对水轮机组设备的遥听，不仅为监盘人员提供现场听音的辅助判断，还能根据对音频信号的检测结果实现对水电机组主要设备的在线监测、性能分析、趋势分析、异常预警等功能，解决了现有技术无法对水轮机组运转时的声音特征进行监测或判断的问题，满足了对水轮机组运行状态的监测需要。
图3所示为本发明实施例提供的另一种水轮机组遥听监测方法的流程示意图；如图3所示，在所述获取预设时长的原始音频信号之前，本发明所提供的方法还包括以下步骤：
步骤S301，对所述训练模型中的模型参数进行初始化，所述模型参数包括权值矩阵和偏移向量；
步骤S302，对所述训练模型中的模型参数进行初始化，所述模型参数包括权值矩阵和偏移向量；
步骤S303，将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值；
步骤S304，根据所述各隐层的梯度值，调整所述权值矩阵和所述偏移向量；
步骤S305，若当前的迭代次数达到预设次数时，将调整后的权值矩阵和偏移向量作为所述训练模型的目标参数，得到所述目标故障模型。
进一步地，将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值，包括：根据权值矩阵、偏移向量和激活函数，计算各隐层的输出数据和输出层的输出数据；根据所述各隐层的输出数据和输出层的输出数据，获取到损失函数；根据所述损失函数，计算出各隐层的梯度值。
在本实施例中，所述权值矩阵的公式表达式为：Wl＝Wl-ηδl(Hl-1)T；所述偏移向量的公式表达式为：bl＝bl-ηδl；其中，η表示学习率，Wl、bl、δl分别表示第l层的权值矩阵、偏移向量、隐层的梯度值。
需要说明的是，在音频分析的基础上，***提供基于模型的训练和测试工具，提供神经网络等算法，用户可自定义模型参数，对音频特征向量进行深层次的训练和辨识，目标故障模型的训练过程如下：
步骤一：根据训练输入和输出数据，确定网络模型的隐层数L和各层的网络节点数pl(l＝1,2,…,L)，随机初始化各隐层和输出层之间的权值Wl和偏移向量bl(l＝2,3,…,L)，学习率η，迭代阈值ε，神经元激活函数f(·)。
步骤二：计算隐层输出和输出Yl；
Hl＝f(zl)＝f(WlYt-1+bl)l＝2,3,…,L
其中，f(·)为隐层和输出层的输出激活函数.典型的激活函数有ReLU函数、tanh函数，其表达式分别为：
f(x)＝max(0,x)
f(x)＝(ex-e-x)/(ex+e-x)
步骤三：根据损失函数计算输出层的梯度δL，损失函数和梯度计算表达式分别为：
步骤四：计算各隐层的梯度δl的表达式为：
其中，l＝L-1,L-2,…,2。
步骤五：根据本次网络输出和期望值，调整各隐层和输出层的权值矩阵Wl和偏移向量bl，权值矩阵Wl和偏移向量bl的公式表达式分别为：
Wl＝Wl-ηδl(Hl-1)T
bl＝bl-ηδll＝2,3,…,L
步骤六：根据误差阈值ε或迭代次数上限，判断训练过程是否结束；若没有结束，则转至步骤二。
在本发明另一个实施例中，在对所述目标音频信号进行特征提取，得到目标特征值之后，所述方法还包括：将所述目标特征值与预设阈值进行比较，判断所述目标特征值是否大于所述预设阈值；当所述目标特征值大于所述预设阈值时，输出告警信息。
具体地，本实施例利于阈值的参数越限告警，本发明利用时域分析方法和频域分析方法对音频信号的时域和频域特征进行提取，当特征值大于设定的阈值时，***发出告警信息。
在本发明的实施例中，本发明提供一种水轮机组遥听监测装置，所述监测装置包括：获取模块，用于获取预设时长的原始音频信号；降噪模块，用于对所述原始音频信号进行数据降噪，得到目标音频信号；提取模块，用于对所述目标音频信号进行特征提取，得到目标特征值；检查模块，用于将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
在本发明的实施例中，本发明提供一种水轮机组遥听监测***，所述检测***包括上述所述的监测装置。
图4所示为本发明实施例提供的一种水轮机组遥听监测***的结构示意图；本实施例提供的水轮机组遥听监测***整体架构包括数据源、基础设施、应用平台三大部分，如图4所示。其中，1)数据源：包含部署在水轮机组工作间及机组附近的各类前端拾音设备，采集设备不同运行工况下的音频信号；2)基础设施：提供数据采集服务器、数据分析计算服务器、数据展示服务器。数据采集服务器提供统一的数据采集接口，汇聚前端各拾音设备的音频信号；数据分析计算服务提供处理分析音频信号的智能算法，包括信号降噪、频谱分析、特征提取、神经网络模型等分析组件；数据展示服务器，面向用户业务端，提供***的统一访问、可视化呈现，构建出开放的数据应用开发平台。3)应用平台：在基础设施层软硬件的支撑下，实现数据存储管理、数据采集管理、信号处理、数据建模、统一访问、可视化呈现等软件功能。
本***在设计流程上主要包括前端音频信号采集、信号分析处理、***管理，***流程如图5所示：
(1)数据采集：通过在水轮机组工作间及机组附近部署拾音设备采集不同工况下机组运行时的音频数据，拾音设备采集的数据设备由音频采集服务器统一存储和管理。
(2)数据分析：用户调用音频分析平台，查看不同机组、不同拾音设备采集的音频数据，根据设备运维需求，筛选建立典型设备音频降噪、特征提取、故障诊断模型、劣化分析模型等模型，挖掘潜在的故障模式。同时，现场人员可通过平台的声音播放功能，播放历史和在线实时采集的声音，实现对设备的“遥听”。
(3)***管理：为用户提供可视化的操作平台，通过“遥听”和音频在线分析组件，实现对水电机组主要设备的在线监测、性能分析、趋势分析、异常预警等功能。
本实施例提供水轮机组遥听监测***包括数据音频数据采集、音频数据管理、音频数据分析、故障模式诊断四大功能模块。
(1)数据采集：***通过数据采集服务端，实时采集机组设备不同工况下的现场声音数据，实时入库存储，保证机组在正常或故障的情况下，为运维人员提供完整、详细的现场音频数据供分析使用。
(2)数据管理：平台的音频数据采用压缩存储技术，存储间隔为不间断存储，满足最近3个月内的所有原始数据以及近5年内经过压缩的原始数据，最大限度地保证机组所有历史信息不丢失。提供对存储容量的监管功能，当其容量不够时自动在***发出告警信息，同时向管理人员推送***消息。数据库具备自动检索功能，用户可通过选择机组、拾音设备、时间段快速获得满足条件的音频数据。
(3)音频播放：***提供按声音测点、时间段对历史及实时在线采集的声音信号进行播放。同时，支持从频谱图的角度，对选定频谱范围内的声音进行播放，为***管理人员提供“遥听”功能，辅助判断机组运行工况。
(4)音频分析：平台提供音频信号的降噪、时域特征提取算法、频域特征提取算法，通过消除噪声和信号失真对语音进行增强，将相应的语音信号从时域转化到频域，为后续分析和故障模式辨识提供输入特征向量。对音频分析的结果，以频谱图、趋势图对关键指标进行可视化呈现。
本实施例提供水轮机组遥听监测***从音频的分析的角度为水轮机组的故障诊断提供了成熟的分析方法，同时利用该***，可以实时播放现场机组运行状态下的真实声音，提供“遥听”功能，帮助运维管理人员从音频分析的角度对机组运行状况辅助判断，拓展了现有机组监测的“遥测”，“遥信”，“遥调”，“遥控”，“遥视”功能。同时，对音频数据采用故障指标化及故障预警分析，有助于提升对机组的健康管理能力，提升机组运行的可靠性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种水轮机组遥听监测方法，其特征在于，所述方法包括：
获取预设时长的原始音频信号；
对所述原始音频信号进行数据降噪，得到目标音频信号；
对所述目标音频信号进行特征提取，得到目标特征值；
将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
2.如权利要求1所述的水轮机组遥听监测方法，其特征在于，对所述原始音频信号进行数据降噪，得到目标音频信号，包括：
根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量；
根据所述第一个本征模式分量，获取到残余信号；
根据所述残余信号，得到所述原始音频信号对应的所有本征模式分量；
对所有本征模式分量进行求和，得到所述目标音频信号。
3.如权利要求2所述的水轮机组遥听监测方法，其特征在于，根据所述原始音频信号，获取到所述原始音频信号对应的第一个本征模式分量，包括：
对所述原始音频信号的极大值点和极小值点进行拟合，得到所述原始音频信号的上包络线和下包络线；
根据所述上包络线和所述下包络线，计算出当前信号的剩余分量；
判断所述剩余分量是否满足预设约束条件；
当所述剩余分量满足所述预设约束条件时，将所述剩余分量作为所述第一本征模式分量；
当所述剩余分量不满足所述预设约束条件时，将所述当前信号的剩余分量作为下一次拟合的原始音频信号。
4.如权利要求1所述的水轮机组遥听监测方法，其特征在于，对所述目标音频信号进行特征提取，得到目标特征值，包括：
对所述目标音频信号进行时域分析，得到时域特征值；
对所述目标音频信号进行频域分析，得到频域特征值；
将所述时域特征值和所述频域特征值作为所述目标特征值。
5.如权利要求1所述的水轮机组遥听监测方法，其特征在于，在所述获取预设时长的原始音频信号之前，所述方法还包括：
根据输入输出数据确定训练模型的隐层数和各层的网络节点数；
对训练模型中的模型参数进行初始化，所述模型参数包括权值矩阵和偏移向量；
将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值；
根据所述各隐层的梯度值，调整所述权值矩阵和所述偏移向量；
若当前的迭代次数达到预设次数时，将调整后的权值矩阵和偏移向量作为所述训练模型的目标参数，得到所述目标故障模型。
6.如权利要求5所述的水轮机组遥听监测方法，其特征在于，将所述训练数据输入所述训练模型进行迭代训练，计算出各隐层的梯度值，包括：
根据权值矩阵、偏移向量和激活函数，计算各隐层的输出数据和输出层的输出数据；
根据所述各隐层的输出数据和输出层的输出数据，获取到损失函数；
根据所述损失函数，计算出各隐层的梯度值。
7.如权利要求6所述的水轮机组遥听监测方法，其特征在于，
所述权值矩阵的公式表达式为：Wl＝Wl-ηδl(Hl-1)T；
所述偏移向量的公式表达式为：bl＝bl-ηδl；
其中，η表示学习率，Wl、bl、δl分别表示第l层的权值矩阵、偏移向量、隐层的梯度值。
8.如权利要求7所述的水轮机组遥听监测方法，其特征在于，在对所述目标音频信号进行特征提取，得到目标特征值之后，所述方法还包括：
将所述目标特征值与预设阈值进行比较，判断所述目标特征值是否大于所述预设阈值；
当所述目标特征值大于所述预设阈值时，输出告警信息。
9.一种水轮机组遥听监测装置，其特征在于，所述监测装置包括：
获取模块，用于获取预设时长的原始音频信号；
降噪模块，用于对所述原始音频信号进行数据降噪，得到目标音频信号；
提取模块，用于对所述目标音频信号进行特征提取，得到目标特征值；
检查模块，用于将所述目标特征值输入到目标故障模型进行故障检测，得到所述原始音频信号的检测结果。
10.一种水轮机组遥听监测***，其特征在于，所述监测***包括权利要求9所述的监测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110447167.2A CN113470694A (zh) | 2021-04-25 | 2021-04-25 | 水轮机组遥听监测方法、装置和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110447167.2A CN113470694A (zh) | 2021-04-25 | 2021-04-25 | 水轮机组遥听监测方法、装置和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113470694A true CN113470694A (zh) | 2021-10-01 |
Family
ID=77870559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110447167.2A Pending CN113470694A (zh) | 2021-04-25 | 2021-04-25 | 水轮机组遥听监测方法、装置和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470694A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113931781A (zh) * | 2021-10-12 | 2022-01-14 | 西安热工研究院有限公司 | 一种基于噪声故障源的水电机组异常工况保护*** |
| CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
| CN116994609A (zh) * | 2023-09-28 | 2023-11-03 | 苏州芯合半导体材料有限公司 | 应用于智能生产线的数据分析方法及*** |
| CN117116291A (zh) * | 2023-08-22 | 2023-11-24 | 昆明理工大学 | 一种含沙水流冲击水轮机的声信号处理方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163427A (zh) * | 2010-12-20 | 2011-08-24 | 北京邮电大学 | 一种基于环境模型的音频异常事件检测方法 |
| CN102270270A (zh) * | 2011-04-28 | 2011-12-07 | 东北大学 | 一种远程医疗听诊咨询*** |
| CN106024015A (zh) * | 2016-06-14 | 2016-10-12 | 上海航动科技有限公司 | 一种呼叫中心坐席人员监控方法及*** |
| CN107305774A (zh) * | 2016-04-22 | 2017-10-31 | 腾讯科技（深圳）有限公司 | 语音检测方法和装置 |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
| CN111337277A (zh) * | 2020-02-21 | 2020-06-26 | 云知声智能科技股份有限公司 | 一种基于声音识别的家用电器故障判定方法及装置 |
| CN111444988A (zh) * | 2020-05-11 | 2020-07-24 | 北华大学 | 一种滚动轴承故障诊断*** |
| CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
| CN112017639A (zh) * | 2020-09-10 | 2020-12-01 | 歌尔科技有限公司 | 语音信号的检测方法、终端设备及存储介质 |
| CN112193959A (zh) * | 2020-09-25 | 2021-01-08 | 浙江新再灵科技股份有限公司 | 电梯异响检测方法及*** |
| CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及*** |
-
2021
- 2021-04-25 CN CN202110447167.2A patent/CN113470694A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163427A (zh) * | 2010-12-20 | 2011-08-24 | 北京邮电大学 | 一种基于环境模型的音频异常事件检测方法 |
| CN102270270A (zh) * | 2011-04-28 | 2011-12-07 | 东北大学 | 一种远程医疗听诊咨询*** |
| CN107305774A (zh) * | 2016-04-22 | 2017-10-31 | 腾讯科技（深圳）有限公司 | 语音检测方法和装置 |
| CN106024015A (zh) * | 2016-06-14 | 2016-10-12 | 上海航动科技有限公司 | 一种呼叫中心坐席人员监控方法及*** |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
| CN111337277A (zh) * | 2020-02-21 | 2020-06-26 | 云知声智能科技股份有限公司 | 一种基于声音识别的家用电器故障判定方法及装置 |
| CN111444988A (zh) * | 2020-05-11 | 2020-07-24 | 北华大学 | 一种滚动轴承故障诊断*** |
| CN111783531A (zh) * | 2020-05-27 | 2020-10-16 | 福建亿华源能源管理有限公司 | 一种基于sdae-ielm的水轮机组故障诊断方法 |
| CN112017639A (zh) * | 2020-09-10 | 2020-12-01 | 歌尔科技有限公司 | 语音信号的检测方法、终端设备及存储介质 |
| CN112193959A (zh) * | 2020-09-25 | 2021-01-08 | 浙江新再灵科技股份有限公司 | 电梯异响检测方法及*** |
| CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 程军圣: """基于EMD和分形维数的转子***故障诊断""", 《中国机械工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113931781A (zh) * | 2021-10-12 | 2022-01-14 | 西安热工研究院有限公司 | 一种基于噪声故障源的水电机组异常工况保护*** |
| CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
| CN116403605B (zh) * | 2023-06-08 | 2024-06-07 | 宁德时代新能源科技股份有限公司 | 堆垛机故障预测方法及相关装置 |
| CN117116291A (zh) * | 2023-08-22 | 2023-11-24 | 昆明理工大学 | 一种含沙水流冲击水轮机的声信号处理方法 |
| CN116994609A (zh) * | 2023-09-28 | 2023-11-03 | 苏州芯合半导体材料有限公司 | 应用于智能生产线的数据分析方法及*** |
| CN116994609B (zh) * | 2023-09-28 | 2023-12-01 | 苏州芯合半导体材料有限公司 | 应用于智能生产线的数据分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113470694A (zh) | 水轮机组遥听监测方法、装置和*** | |
| CN111638028B (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
| CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
| US11069342B2 (en) | Method for training voice data set, computer device, and computer-readable storage medium | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
| KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
| CN112115643B (zh) | 一种智慧列车整车服役寿命非侵入预测方法 | |
| CN112836937A (zh) | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 | |
| Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及*** | |
| CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
| CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
| CN116741148A (zh) | 一种基于数字孪生的语音识别*** | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
| CN114157023B (zh) | 一种配变预警信息获取方法 | |
| Jarwar et al. | NEAT: A resilient deep representational learning for fault detection using acoustic signals in IIoT environment | |
| CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
| Vununu et al. | Automatic fault diagnosis of drills using artificial neural networks | |
| CN117688336A (zh) | 一种基于设备故障风险的电力调度故障集智能生成方法 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
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: 20211001 |