CN115468751A - 一种变压器声音采集与缺陷识别的方法与装置 - Google Patents

一种变压器声音采集与缺陷识别的方法与装置 Download PDF

Info

Publication number
CN115468751A
CN115468751A CN202210958442.1A CN202210958442A CN115468751A CN 115468751 A CN115468751 A CN 115468751A CN 202210958442 A CN202210958442 A CN 202210958442A CN 115468751 A CN115468751 A CN 115468751A
Authority
CN
China
Prior art keywords
transformer
sound
data
defect
box
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
CN202210958442.1A
Other languages
English (en)
Inventor
李晓东
程施霖
提威
李金鹏
陈野
董宸希
尹哲
刘晓平
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.)
Beijing Zhongtuo Xinyuan Technology Co ltd
Huaneng Fuxin Wind Power Generation Co Ltd
Original Assignee
Beijing Zhongtuo Xinyuan Technology Co ltd
Huaneng Fuxin Wind Power Generation 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 Beijing Zhongtuo Xinyuan Technology Co ltd, Huaneng Fuxin Wind Power Generation Co Ltd filed Critical Beijing Zhongtuo Xinyuan Technology Co ltd
Priority to CN202210958442.1A priority Critical patent/CN115468751A/zh
Publication of CN115468751A publication Critical patent/CN115468751A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种变压器声音采集与缺陷识别的方法与装置，通过麦克风获取变电站内的变压器工作声音；收集获取到的变压器工作声音通过转换器设备转换输出的数字信号；将数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。本发明能够针对不同噪声情况下变压器不同状态的样本数据特征值能够得到对应的缺陷，数据传输装置及时将数据发送至云端服务器，实时监控数据，发现异常数据及时报警，避免发生更严重的事故。

Description

一种变压器声音采集与缺陷识别的方法与装置
技术领域
本发明涉及变压器缺陷检测领域，具体涉及一种变压器声音采集与缺陷识别的方法与装置。
背景技术
电力变压器作为电力***中最重要的设备之一，其发生故障会给电网稳定安全运行产生巨大的影响。变压器结构复杂，体积庞大，运维检修工作量大，且主变停电的流程复杂、困难较大。因此，如何提高变压器隐患识别率，避免变压器故障进一步发展造成事故，是当前的研究热点。带电状态监测与故障诊断技术不仅安全可靠，同时能够提升运维人员的工作效率。在线方法包括振动信号分析法、在线电抗法、脉冲信号注入法等。其中，振动信号分析法以其可灵敏反映绕组机械状态、易于实现带电检测、与***无直接的电连接等优点受到了广泛的关注。振动信号分析法作为变压器故障诊断的方法之一，成了近年来发展较为迅速且具有良好应用前景的可靠的变压器故障诊断技术。变压器振动信号包含变压器的故障信息，但现有的检测装置变压器在实际运行中受到周围电力设备以及噪声信号的干扰，振动信号辨识的准确率不高，无法快速识别出变压器隐患。因此，有必要提供一种变压器声音采集与缺陷识别的方法与装置，以解决上述问题。
发明内容
本发明的目的在于提供一种变压器声音采集与缺陷识别的方法与装置，以解决现有的检测装置变压器在实际运行中受到周围电力设备以及噪声信号的干扰，振动信号辨识的准确率不高，无法快速识别出变压器隐患的问题。
一方面，本发明提供一种变压器声音采集与缺陷识别的方法，包括：
通过麦克风获取变电站内的变压器工作声音；
收集获取到的变压器工作声音通过转换器设备转换输出的数字信号；
将数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；
将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；
根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
进一步地，通过麦克风获取变电站内的变压器工作声音，包括：
所述麦克风选用MAX9812麦克风模块；
获取中所使用的设备有MAX9812语音麦克风、笔记本电脑组成的九阵元采集阵列；采集样本的参数包括：MIC模块阵列是9路，采集数据是16bit AD，采样率是8Hz，采集时间是间隔5min采集3min。
进一步地，对收集到的数字信号进行预处理得到样本数据，包括：
所述预处理包括：数据滤波、数据归一化、数据预加重、分帧和加窗；
所述数据滤波包括：基于经验丰富的评估，确定两个样品的最大挠度为A组，并在每次检测到新值时进行评估；如果当前值与上面的值的差不大于A，并且当前值和下一个值之间的差不大于A，那么当前值有效，否则为错误；
所述数据归一化采用有线性归一化方法；
所述数据预加重包括：在声音信号的连续部分中，上部的能量通常低于下部，并且在获取声音信号的过程中较小的噪声效果会改善下部的能量，从而导致频率更高；一阶滤波器可以实现显著效果：将示例和维度表示为x[n]，而n是时间索引，为常数，a的取值范围为0.9≤a≤1.0，时域上的滤波器表达式为：y[n]＝x[n]-ax[n-1]。
进一步地，将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码，包括：
在无噪声的环境下，分别测取了正常状态下，绕组松动缺陷状态下以及铁心松动缺陷状态下的振动信号，通过对测取到的信号进行频域分析；
根据测量计算得到的振动信号频谱图，可获取特征量：基频幅值、倍频幅值、倍频比重、振动熵；
将上述基频幅值、基频比重、振动熵特征量作为BP神经网络输入层的神经元，输入层神经元数量为3；
根据变压器状态类型确定输出层神经数量为3；
对90个无噪声干扰的样本进行训练，其中无缺陷样本30个，铁心松动样本30个，绕组松动样本30个。隐含层设置为1，神经元个数为5，通过梯度下降函数迭代训练该网络，设定最大迭代次数为1000，在训练300次左右时损失函数趋近于0，该网络模型收敛。
进一步地，根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警，包括：
根据编码缺陷得到变压器的工作状态的异常数据时，通过服务器上传到云端，并将异常信息发送至操作员端。
另一方面，本发明提供一种变压器声音采集与缺陷识别装置，包括：箱外声音采集器、箱内声音采集器、声音数字信号转换装置、数据传输装置；
所述多个箱外声音采集器设置在变压器箱体外部；所述多个箱内声音采集器设置在变压器箱体与箱外声音采集器相对应的箱体内部；所述声音数字信号转换装置设置在变压器箱体内部左侧；所述数据传输装置设置在变压器箱体内部位于声音数字信号转换装置上方；所述声音数字信号转换装置分别与箱外声音采集器、箱内声音采集器、数据传输装置电连接，所述数据传输装置通过无线网络与服务器连接，以通过麦克风获取变电站内的变压器工作声音；收集获取到的变压器工作声音通过转换器设备转换输出的数字信号；将数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
进一步地，所述箱外声音采集器分别设置于变压器箱体外部上表面的中部、左右箱体外表面的中部、箱体后板外表面的中部。
进一步地，所述箱内声音采集器分别设置于变压器箱体内部上方的中部、左右箱体内表面的中部、箱体后板内表面的中部、箱体底板上表面的中部。
本发明的有益效果如下：本发明提供的一种变压器声音采集与缺陷识别的方法与装置，该方法通过麦克风获取变电站内的变压器工作声音；收集获取到的变压器工作声音通过转换器设备转换输出的数字信号；将数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；根据缺陷编码得到变压器的工作状态，针对不同噪声情况下变压器不同状态的样本数据特征值能够得到对应的缺陷，实现变压器缺陷实时监控数据，发现异常数据及时报警，避免发生更严重的事故。
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的前提下，还可以根据这些附图获得其他的附图。
图1为一种变压器声音采集与缺陷识别的方法的流程示意图；
图2为一种变压器声音采集与缺陷识别装置的安装分布正视图；
图3为一种变压器声音采集与缺陷识别装置的安装分布示意图。
图示说明：100-箱外声音采集器；200-箱内声音采集器；300-声音数字信号转换装置； 400-数据传输装置；500-变压器箱体。
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，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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做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。以下结合附图，详细说明本发明各实施例提供的技术方案。
请参阅图1，一种变压器声音采集与缺陷识别的方法，包括：
S101通过麦克风获取变电站内的变压器工作声音。
在本实施例中，所述麦克风选用可靠性强、灵敏度高、体积小，易于安装和携带的MAX9812麦克风模块；
获取中所使用的设备有MAX9812语音麦克风、笔记本电脑组成的九阵元采集阵列；采集样本的参数包括：MIC模块阵列是9路，采集数据是16bit AD，采样率是8Hz，采集时间是间隔5min采集3min。
S102收集获取到的变压器工作声音通过转换器设备转换输出的数字信号。
S103对收集到的数字信号进行预处理得到样本数据。
在本实施例中，所述预处理包括：数据滤波、数据归一化、数据预加重、分帧和加窗；
在本实施例中，所述数据滤波包括：基于经验丰富的评估，确定两个样品的最大挠度为A组，并在每次检测到新值时进行评估；如果当前值与上面的值的差不大于A，并且当前值和下一个值之间的差不大于A，那么当前值有效，否则为错误；
在本实施例中，所述数据归一化采用有线性归一化方法。
在本实施例中，所述数据预加重包括：在声音信号的连续部分中，上部的能量通常低于下部，并且在获取声音信号的过程中较小的噪声效果会改善下部的能量，从而导致频率更高；一阶滤波器可以实现显著效果：如果将示例和维度表示为x[n]，而n是时间索引，为常数，a的取值范围为0.9≤a≤1.0，时域上的滤波器表达式为：y[n]＝x[n]-ax[n-1]；
在本实施例中，所述分帧和加窗包括：声音信号随着时间的变化而不断变化，从时间轴上可以观察到，它是非平稳性的，所以它的统计特性并不是一成不变的；然而又可以看见，短时间声音信号是在一个比较平稳的状态；也就是说，在极端的时间里，可以把声音信号看成是一个比较平稳的信号，短时平稳；通过对声音进行加窗和分帧，就可以得到一个平稳的信号，声音信号因为具有唯一的连续性和重要性，所以可能不会在时间轴上简单地相交，当前帧的顶部帧与前一帧的末尾之间存在一些重叠，大部分为1/3 或1/2；如果信号在边界处断开，那么此端接将影响傅里叶分析，因此通常使用滑动窗口边缘并将边缘减小为零。它所具有的特性是：一种余弦窗，旁瓣较低，主瓣较宽：
使用基于平衡方程的视听制作方法，例如特殊的傅里叶离散了任何格式的音频后都会发生变化，傅里叶的短期结构STFT就可以使用STFT数据进行永久分类验证；每块板的窗口符号x[n]…x[m]用作输入，输出是原始符号连续部分的大小和面，经过短期的傅里叶转换，可以获得每种格式的声音连续变化的定律和每种结构的听觉音量的振幅变化定律，每个组成部分的频率测量信息。
选择窗口的长度时，随着窗口的长度增加，视图的分辨率会增加，但是分辨时间会减少；窗口的长度较短时，视图的分辨率会降低，但视觉分辨率解决方案也会增加窗口的长度。
S104将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码。
在本实施例中，在无噪声的环境下，分别测取了正常状态下，绕组松动缺陷状态下以及铁心松动缺陷状态下的振动信号，通过对测取到的信号进行频域分析；
根据测量计算得到的振动信号频谱图，可获取特征量：基频幅值、倍频幅值、倍频比重、振动熵；
将上述基频幅值、基频比重、振动熵特征量作为BP神经网络输入层的神经元，输入层神经元数量为3；
根据变压器状态类型确定输出层神经数量为3。变压器有正常状态(y1)、绕组松动(y2)、铁心松动(y3)三种状态类型，当变压器处于yi状态时，yi＝1,yj＝0(i≠j)，神经网络的输出为Y＝[y1,y2,y3]。在实际运算时，网络训练样本输出取为yi＝0.9,yj＝0.1(i≠j)，使BP神经网络具有更好的泛化能力；
对90个无噪声干扰的样本进行训练，其中无缺陷样本30个，铁心松动样本30个，绕组松动样本30个。隐含层设置为1，神经元个数为5，通过梯度下降函数迭代训练该网络，设定最大迭代次数为1000，在训练300次左右时损失函数趋近于0，该网络模型收敛。
S105根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
在本实施例中，根据编码缺陷得到变压器的工作状态的异常数据时，通过服务器上传到云端，并将异常信息发送至操作员端。
本发明提供一种变压器声音采集与缺陷识别装置，包括：箱外声音采集器100、箱内声音采集器200、声音数字信号转换装置300、数据传输装置400；箱外声音采集器100、箱内声音采集器200可以是麦克风。
多个箱外声音采集器100设置在变压器箱体500外部；多个箱内声音采集器200设置在变压器箱体500与箱外声音采集器100相对应的箱体内部；声音数字信号转换装置 300设置在变压器箱体500内部左侧；数据传输装置400设置在变压器箱体500内部位于声音数字信号转换装置300上方。声音数字信号转换装置300分别与箱外声音采集器 100、箱内声音采集器200、数据传输装置400电连接。数据传输装置400通过无线网络与服务器连接，以实现上述变压器声音采集与缺陷识别的方法。
进一步地，箱外声音采集器100分别设置于变压器箱体500外部上表面的中部、左右箱体外表面的中部、箱体后板外表面的中部，用于收集箱外的声音。
进一步地，箱内声音采集器200分别设置于变压器箱体500内部上方的中部、左右箱体内表面的中部、箱体后板内表面的中部，用于收集箱内的声音。
本发明提供的一种变压器声音采集与缺陷识别的装置的工作原理如下：通过分布在变压器箱体500外部的箱外声音采集器100和分布在变压器箱体500内部的箱内声音采集器200将变压器的工作状态的声音收集完毕，将变压器的工作状态声音的数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
通过算法建立BP神经网络中，计算得出缺陷编码，针对不同噪声情况下变压器不同状态的样本数据特征值能够得到对应的缺陷，数据传输装置400及时将数据发送至云端服务器，实时监控数据，发现异常数据及时报警。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的一种变压器声音采集与缺陷识别的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：Read-OnlyMemory，简称：ROM)或随机存储记忆体(英文：RandomAccessMemory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (8)

1.一种变压器声音采集与缺陷识别的方法，其特征在于，包括：
通过麦克风获取变电站内的变压器工作声音；
收集获取到的变压器工作声音通过转换器设备转换输出的数字信号；
将数字信号上传到云端服务器，并通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；
将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；
根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
2.根据权利要求1所述的一种变压器声音采集与缺陷识别的方法，其特征在于，通过麦克风获取变电站内的变压器工作声音，包括：
所述麦克风选用MAX9812麦克风模块；
获取中所使用的设备有MAX9812语音麦克风、笔记本电脑组成的九阵元采集阵列；采集样本的参数包括：MIC模块阵列是9路，采集数据是16bit AD，采样率是8Hz，采集时间是间隔5min采集3min。
3.根据权利要求1所述的一种变压器声音采集与缺陷识别的方法，其特征在于，对收集到的数字信号进行预处理得到样本数据，包括：
所述预处理包括：数据滤波、数据归一化、数据预加重、分帧和加窗；
所述数据滤波包括：基于经验丰富的评估，确定两个样品的最大挠度为A组，并在每次检测到新值时进行评估；如果当前值与上面的值的差不大于A，并且当前值和下一个值之间的差不大于A，那么当前值有效，否则为错误；
所述数据归一化采用有线性归一化方法；
所述数据预加重包括：在声音信号的连续部分中，上部的能量通常低于下部，并且在获取声音信号的过程中较小的噪声效果会改善下部的能量，从而导致频率更高；一阶滤波器可以实现显著效果：将示例和维度表示为x[n]，而n是时间索引，为常数，a的取值范围为0.9≤a≤1.0，时域上的滤波器表达式为：y[n]＝x[n]-ax[n-1]。
4.根据权利要求1所述的一种变压器声音采集与缺陷识别的方法，其特征在于，将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码，包括：
在无噪声的环境下，分别测取了正常状态下，绕组松动缺陷状态下以及铁心松动缺陷状态下的振动信号，通过对测取到的信号进行频域分析；
根据测量计算得到的振动信号频谱图，可获取特征量：基频幅值、倍频幅值、倍频比重、振动熵；
将上述基频幅值、基频比重、振动熵特征量作为BP神经网络输入层的神经元，输入层神经元数量为3；
根据变压器状态类型确定输出层神经数量为3；
对90个无噪声干扰的样本进行训练，其中无缺陷样本30个，铁心松动样本30个，绕组松动样本30个；隐含层设置为1，神经元个数为5，通过梯度下降函数迭代训练该网络，设定最大迭代次数为1000，在训练300次左右时损失函数趋近于0，该网络模型收敛。
5.根据权利要求1所述的一种变压器声音采集与缺陷识别的方法，其特征在于，根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警，包括：
根据编码缺陷得到变压器的工作状态的异常数据时，通过服务器上传到云端，并将异常信息发送至操作员端。
6.一种变压器声音采集与缺陷识别装置，其特征在于，包括：箱外声音采集器(100)、箱内声音采集器(200)、声音数字信号转换装置(300)、数据传输装置(400)；
所述多个箱外声音采集器(100)设置在变压器箱体(500)外部；所述多个箱内声音采集器(200)设置在变压器箱体(500)与箱外声音采集器(100)相对应的箱体内部；所述声音数字信号转换装置(300)设置在变压器箱体(500)内部左侧；所述数据传输装置(400)设置在变压器箱体(500)内部位于声音数字信号转换装置(300)上方；
所述声音数字信号转换装置(300)分别与箱外声音采集器(100)、箱内声音采集器(200)、数据传输装置(400)电连接；所述数据传输装置(400)通过无线网络与服务器连接，以通过服务器的处理器对收集到的数字信号进行预处理得到样本数据；将不同噪声情况下变压器不同状态的样本数据特征值输入训练好的BP神经网络中，计算得出缺陷编码；根据缺陷编码得到变压器的工作状态，若得到异常数据，及时报警。
7.根据权利要求6所述的一种变压器声音采集与缺陷识别装置，其特征在于，所述箱外声音采集器(100)分别设置于变压器箱体(500)外部上表面的中部、左右箱体外表面的中部、箱体后板外表面的中部。
8.根据权利要求6所述的一种变压器声音采集与缺陷识别装置，其特征在于，所述箱内声音采集器(200)分别设置于变压器箱体(500)内部上方的中部、左右箱体内表面的中部、箱体后板内表面的中部、箱体底板上表面的中部。
CN202210958442.1A 2022-08-09 2022-08-09 一种变压器声音采集与缺陷识别的方法与装置 Pending CN115468751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958442.1A CN115468751A (zh) 2022-08-09 2022-08-09 一种变压器声音采集与缺陷识别的方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958442.1A CN115468751A (zh) 2022-08-09 2022-08-09 一种变压器声音采集与缺陷识别的方法与装置

Publications (1)

Publication Number Publication Date
CN115468751A true CN115468751A (zh) 2022-12-13

Family

ID=84367391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958442.1A Pending CN115468751A (zh) 2022-08-09 2022-08-09 一种变压器声音采集与缺陷识别的方法与装置

Country Status (1)

Country Link
CN (1) CN115468751A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232644A (zh) * 2023-11-13 2023-12-15 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232644A (zh) * 2023-11-13 2023-12-15 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及***
CN117232644B (zh) * 2023-11-13 2024-01-09 国网吉林省电力有限公司辽源供电公司 一种基于声学原理的变压器声音监测故障诊断方法及***

Similar Documents

Publication Publication Date Title
CN111325095B (zh) 基于声波信号的设备健康状态智能检测方法和***
CN111442827B (zh) 一种变压器绕组振动的光纤无源在线监测***
CN110244204A (zh) 一种多特征值的开关柜故障诊断方法、***及介质
CN102707203A (zh) 变压器局部放电模式识别的测量方法
CN111912519B (zh) 基于声纹频谱分离的变压器故障诊断方法及装置
CN112201260A (zh) 一种基于声纹识别的变压器运行状态在线检测方法
CN104167207A (zh) 一种基于变电站巡检机器人的设备声音识别方法
CN104409073A (zh) 一种变电设备声音与语音的识别方法
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测***和方法
US20210364481A1 (en) Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics
CN110412368A (zh) 基于声纹识别的电力设备在线监测方法及***
CN112599134A (zh) 一种基于声纹识别的变压器声音事件检测方法
CN113551765A (zh) 设备故障声谱分析诊断方法
CN115468751A (zh) 一种变压器声音采集与缺陷识别的方法与装置
CN112986870A (zh) 基于振动法的分布式电力变压器绕组状态监测方法及***
CN112016470A (zh) 基于声音信号和振动信号的有载分接开关故障识别方法
CN114157023B (zh) 一种配变预警信息获取方法
CN115687969A (zh) 一种基于声音特征分析的低压变压器故障诊断方法
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及***
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及***
Dang et al. Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer
CN114924157B (zh) 一种基于5g传输的并联电抗器状态监测方法及***
CN115406522A (zh) 基于声纹识别的电厂设备运行状态研究与应用
Li et al. Abnormal State Detection of OLTC Based on Improved Fuzzy C-means Clustering
Zou et al. Research on Power Equipment Fault Diagnosis Technology Based on Acoustic Signal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication