CN117110989B - 用于电力设备的噪声故障定位检测方法及*** - Google Patents
用于电力设备的噪声故障定位检测方法及*** Download PDFInfo
- Publication number
- CN117110989B CN117110989B CN202311334263.1A CN202311334263A CN117110989B CN 117110989 B CN117110989 B CN 117110989B CN 202311334263 A CN202311334263 A CN 202311334263A CN 117110989 B CN117110989 B CN 117110989B
- Authority
- CN
- China
- Prior art keywords
- information
- screening
- fault
- acoustic
- sound source
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000003909 pattern recognition Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 9
- 230000005236 sound signal Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种用于电力设备的噪声故障定位检测方法及***,涉及故障定位技术,包括通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征;将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
Description
技术领域
本发明涉及故障定位技术,尤其涉及一种用于电力设备的噪声故障定位检测方法及***。
背景技术
由于变电站内设备繁多,变压器、电抗器以及高压输电线路在正常工作时,都会产生不同程度的噪声,因此,精确识别与定位变电站的噪声源位置,对变电站噪声的研究、治理及站内设备优化改进意义重大。在变电站内复杂声场条件下采用传声器阵列提取变电站内电气设备声源,较传统噪声测量方法更精确,针对性更强,测量结果也更能直观地提供给测量和分析人员。但由于电气设备噪声以低频为主,其噪声声波较长,为提高声源的定位准确性和高分辨率,必须增大阵列直径,这将会提高阵列的制造成本,同时在运输、调试、测量及推广应用上带来不便。
CN103235286B,一种对电噪声源的高精度定位方法,利用由若干个阵元组成的一定形状的麦克风阵列来测量噪声源附近的声场信息,首先对该信息进行常规处理,获得初步的声成像图,然后在声成像图中减去那些本不该含有的旁瓣,从而得到一系列由主瓣构成的更为清晰的声成像图,实现对噪声源的高精度定位。本发明在常规波束形成方法的基础上,取声强的最大值后进行声成像图的重建,因而可以自己设计新的声成像图中的波束主瓣宽度,可以将声源位置高分辨地表示出来。
CN103336266A,一种便携式变电站噪声成像定位检测装置,包括通过同轴电缆相连的成像显示机构和噪声探测机构,所述噪声探测机构包括矩阵设置于二次曲面结构上的噪声传感器和信号预处理电路;所述成像显示机构包括显示器、处理器和与所述处理器连接的数据存储器;所述处理器设置声强映射处理模块用以驱动显示声强映射图来快速判断噪声源。本发明根据变电站待测设备位置,建立二次曲面的立方体数据模型,基于该模型建立三维坐标系,并对相关噪声信号进行预处理和显示处理,利用伪图像信息进行噪声成像,并且利用色环带分析实现快速故障定位。
发明内容
本发明实施例提供一种用于电力设备的噪声故障定位检测方法及***,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种用于电力设备的噪声故障定位检测方法,包括:
通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种;
将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
在一种可选的实施方式中,
所述声学特征为频谱特征时,
对所述声源信息进行特征提取,确定所述声源信息对应的声学特征包括:
通过快速傅里叶变换算法将所述声源信息转换为频域信号,从所述频域信号中确定不同频率成分的振幅和相位信息作为频谱信息;
对所述频谱信息通过平均滑动窗口进行平滑处理,结合希尔伯特变换将平滑处理后的频谱信息转换为解析信息,提取所述解析信息的振幅作为包络信息,将所述包络信息作为频谱特征。
在一种可选的实施方式中,
基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征包括:
分别确定所述声学特征中各个特征对应的历史目标特征,并确定各个特征与历史目标特征的第一关联性,以及各个特征之间的第二关联性;
基于所述第一关联性和所述第二关联性的比值,确定各个特征的排序得分,将排序得分超过预设筛选阈值的声学特征作为筛选特征。
在一种可选的实施方式中,
将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像包括:
根据所述筛选特征,结合所述筛选特征对应的时间信息,通过小波变换分解为多个时间尺度的子信号,对每个时间尺度的子信号进行希尔伯特变换得到多个解析信号,提取每个解析信号的振幅信息作为当前尺度的包络信息,并且通过加权平均的方式得到多尺度包络信息;
基于所述目标空间的维度和范围,划分空间网格,每一空间网格用于指示噪声图像的像素,基于所述多尺度包络信息与所述目标空间的位置相关性,为所述筛选特征分配空间权重;
基于所述筛选特征的空间权重,为所述目标空间的空间网格分配对应的筛选特征,创建所述声源信息对应的噪声图像。
在一种可选的实施方式中,
所述方法还包括训练故障定位模型:
获取故障训练数据集,其中,所述故障训练数据集的样本包括多种故障样本标签;
初始化待训练的故障定位模型的网络权重和偏置参数,将故障训练数据集输入待训练的故障定位模型,确定故障定位模型的模型输出与所述故障训练数据集的样本对应的样本标签的预测偏差;
基于所述故障定位模型的损失函数结合所述预测偏差,通过反向传播算法确定待训练的故障定位模型的网络权重和偏置参数对损失函数的梯度,迭代自动调整学习率并更新待训练的故障定位模型的网络权重和偏置参数,使得损失函数的损失值最小化。
在一种可选的实施方式中,
构建损失函数包括:
;
其中,LOSS表示损失函数对应的损失值,i,j分别表示第i种故障样本标签和第j种故障样本标签,N表示样本数量,w i表示第i种故障样本标签对应的故障权重,p i、y i分别表示第i种故障样本标签对应的模型输出和第i种故障样本标签,r ij表示第i种故障样本标签和第j种故障样本标签对应的相关性权重,y j表示第j种故障样本标签。
本发明实施例的第二方面,
提供一种用于电力设备的噪声故障定位检测***,包括:
第一单元,用于通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种;
第二单元,用于将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
第三单元,用于基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果,在此不再赘述。
附图说明
图1为本发明实施例用于电力设备的噪声故障定位检测方法的流程示意图;
图2为本发明实施例用于电力设备的噪声故障定位检测***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例用于电力设备的噪声故障定位检测方法的流程示意图,如图1所示,所述方法包括:
S101.通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种;
示例性地,在目标区域内布置传感器阵列,确保传感器的覆盖范围涵盖电力设备的声源信息,实时采集传感器阵列中的声音信号数据,保证数据的高质量和实时性。对采集到的声音信号数据进行预处理,包括降噪、滤波、归一化等,以提高信噪比和数据质量。从预处理后的数据中提取频谱特征(如傅里叶变换)、时域特征(如时域波形参数)、能量特征(如瞬时能量)等,选择合适的特征提取方法取决于具体问题和数据特点。
从历史数据中获取与电力设备状态相关的目标特征,这些特征可以包括电流、电压、温度等与设备运行状态相关的信息。对声学特征和历史目标特征进行关联性分析,可以使用皮尔逊相关系数、互信息等方法,确定它们之间的关系。选择合适的特征选择算法,如递归特征消除(RFE)或者基于关联性的特征选择方法,来确定哪些声学特征与历史目标特征具有较强的关联性。使用关联性分析的结果,可以建立关联性模型,该模型可以用于预测电力设备状态。可以选择合适的机器学习算法,如线性回归、支持向量机(SVM)、随机森林等,建立关联性模型,并使用历史目标特征作为标签数据进行监督学习。当传感器阵列采集到新的声源信息时,将其输入训练好的关联性模型,预测电力设备的状态。实时监测预测结果,以及时发现潜在的电力设备问题,采取相应的维修或处理措施。
在一种可选的实施方式中,
通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种,对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征;
示例性地,可以在目标区域的多个位置安装传感器阵列,确保其频率响应范围适用于电力设备的声音;并且确保传感器阵列的采样频率够高,能够捕捉高噪声。可以将传感器阵列连接到数据采集***,实时采集声音数据。定义采集间隔,通常以毫秒为单位,以控制数据采样的频率,在数据采集期间,记录采集的声音信号,并将其存储在计算机或数据存储设备中。
利用信号处理技术,对采集的声音数据进行降噪,以减少环境噪声的影响,其中,可以使用数字滤波器、小波变换等方法。对声音信号进行滤波,以去除不相关的频率成分,保留与电力设备相关的信号。进行放大或调整增益,以确保声音信号具有适当的幅度范围,以便后续分析。
其中,可以对声源信息进行特征提取,确定声源信息对应的频谱特征,具体地,
可以使用快速傅里叶变换算法将声源信息转换为频域信号,这将产生频谱信息,包括声源信息中不同频率成分的振幅和相位信息;从频谱中提取包络信息,以捕捉声音信号的整体频谱特征,可以使用低通滤波器或包络检测技术来实现。
示例性地,对频谱进行平滑处理,以减少高频噪声的影响,可以使用滤波器或平均滑动窗口等方法来平滑频谱,平滑后的频谱有助于更准确地捕捉声音信号的整体特征。使用包络检测技术从平滑后的频谱中提取包络信息,包络检测的目标是识别频谱的峰值和波谷,以捕捉频谱的上升和下降趋势,使用希尔伯特变换将频谱转换为解析信号,然后提取解析信号的振幅作为包络;对提取的包络进行进一步处理,如平滑或去噪,以确保包络信息捕捉到声音信号的主要特征,同时去除噪声和不必要的波动。
在一种可选的实施方式中,
基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征包括:
分别确定所述声学特征中各个特征对应的历史目标特征,并确定各个特征与历史目标特征的第一关联性,以及各个特征之间的第二关联性;
基于所述第一关联性和所述第二关联性的比值,确定各个特征的排序得分,将排序得分超过预设筛选阈值的声学特征作为筛选特征。
示例性地,对于每个声学特征,计算其与历史目标特征的皮尔逊相关系数,得到第一关联性系数矩阵,表示各个特征与历史目标特征的关联性;计算声学特征之间的皮尔逊相关系数,得到第二关联性系数矩阵,表示各个特征之间的关联性。对于每个声学特征,计算其第一关联性和第二关联性的比值,得到排序得分,将排序得分超过预设筛选阈值的声学特征作为筛选特征。
建立特征与历史目标特征之间的关联性矩阵,其中行代表声学特征,列代表历史目标特征。利用领域专家的知识或者数据分析方法,确定每个声学特征对应的可能影响因素,即历史目标特征。
通过分析声学特征与历史目标特征的关联性,确定对电力设备状态影响最大的特征,避免了使用冗余或不相关特征,提高了特征的选择准确性;筛选出的关键声学特征被用于训练预测模型,因此模型的输入特征更具针对性,可以提高预测模型的精度和准确性;通过明确声学特征与历史目标特征的关系,***的决策过程更加可解释和可理解,增加了用户和相关人员对***的信任度。由于筛选出的特征更加关键,***可以更快地响应实时数据,提供更快速的决策和反馈,同时也更容易适应不同场景和需求。筛选出的关键特征集合更具代表性,可以提高***对于不同工况和环境变化的适应能力,增强***的鲁棒性。
S102.将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
示例性地,使用筛选特征,将声学特征映射到目标空间,这可以通过多元线性回归、主成分分析(PCA)或其他降维技术来实现,映射后的特征应该更具代表性,能够更好地描述电力设备状态。对于每个筛选特征,使用小波变换将其分解为不同尺度的子信号;对每个尺度的子信号应用希尔伯特变换,提取解析信号,从解析信号中提取振幅信息,得到多尺度包络信息。
根据目标空间的维度和范围,划分二维或三维的空间网格。每个网格代表一个空间单元,网格的粒度可以根据需求调整,决定了噪声图像的空间分辨率。将每个筛选特征的多尺度包络信息映射到相应的空间网格上,在每个空间单元内,将多个筛选特征的多尺度包络信息进行组合,可以是简单的加权平均或者更复杂的组合规则,组合后的数值表示该空间单元内的噪声水平,创建噪声图像。
在一种可选的实施方式中,
将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像包括:
根据所述筛选特征,结合所述筛选特征对应的时间信息,通过小波变换分解为多个时间尺度的子信号,对每个时间尺度的子信号进行希尔伯特变换得到多个解析信号,提取每个解析信号的振幅信息作为当前尺度的包络信息,并且通过加权平均的方式得到多尺度包络信息;
基于所述目标空间的维度和范围,划分空间网格,每一空间网格用于指示噪声图像的像素,基于所述多尺度包络信息与所述目标空间的位置相关性,为所述筛选特征分配空间权重;
基于所述筛选特征的空间权重,为所述目标空间的空间网格分配对应的筛选特征,创建所述声源信息对应的噪声图像。
示例性地,将筛选特征与相应的时间信息结合,构建时频域数据集,使用小波变换对时频域数据集进行分解,得到不同时间尺度的子信号。对每个时间尺度的子信号进行希尔伯特变换,得到解析信号,从解析信号中提取振幅信息,作为当前尺度的包络信息。对每个时间尺度提取的包络信息进行加权平均,得到多尺度包络信息,加权平均可以使用固定权重或者基于特征的重要性动态调整权重。
具体地,确定目标空间的维度和范围,例如二维空间的长度和宽度,定义网格的分辨率,即确定每个空间网格的大小,可以根据需求进行调整。将目标空间划分为相应数量的小网格,形成一个二维(或三维)矩阵,每个小网格代表一个空间单元根据目标空间的维度和范围,划分二维或三维的空间网格,每个网格代表一个空间单元。计算每个空间单元中多尺度包络信息的平均值,作为该空间单元的特征表示。对于每个时间尺度,计算在目标空间内每个网格中的多尺度包络信息的平均值。这可以通过取每个网格内多尺度包络信息的平均值来实现。对于二维空间,每个网格的平均多尺度包络信息形成一个矩阵。
基于多尺度包络信息的平均值和空间单元位置的相关性,为每个筛选特征分配空间权重。将每个空间单元内的多尺度包络信息乘以相应的空间权重,得到加权多尺度包络信息。将加权多尺度包络信息映射到噪声图像的相应位置(像素)上,创建噪声图像。
通过以上步骤,实现了筛选特征与时间信息的结合,以及多尺度包络信息的提取和加权平均。同时,根据空间网格的划分和空间权重的分配,成功地将多尺度包络信息映射到了噪声图像上,实现了声源信息的空间化呈现。这种噪声图像能够更加直观地表示声音的时空分布特性,为后续的分析和决策提供了可视化的基础。
此外,噪声图像将声音特征与空间位置结合,直观地展示了不同位置的声音特性,这使得用户能够通过图像一目了然地了解声音在空间中的分布情况,有助于故障或异常区域的快速识别。噪声图像中包含了多个筛选特征的信息,通过加权多尺度包络信息的综合表示,可以更全面地分析各个特征在不同空间位置的综合影响。这使得***可以综合考虑多种声音特性,提高了对设备状态的全面评估能力。噪声图像的空间化呈现使得异常声音源在图像上呈现出明显特征。结合图像处理技术,可以更容易地识别和定位设备中的故障源,提高了故障诊断的准确性和精度。
S103.基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
在一种可选的实施方式中,
所述方法还包括训练故障定位模型:
获取故障训练数据集,其中,所述故障训练数据集的样本包括多种故障样本标签;
初始化待训练的故障定位模型的网络权重和偏置参数,将故障训练数据集输入待训练的故障定位模型,确定故障定位模型的模型输出与所述故障训练数据集的样本对应的样本标签的预测偏差;
基于所述故障定位模型的损失函数结合所述预测偏差,通过反向传播算法确定待训练的故障定位模型的网络权重和偏置参数对损失函数的梯度,迭代自动调整学习率并更新待训练的故障定位模型的网络权重和偏置参数,使得损失函数的损失值最小化。
在一种可选的实施方式中,
构建损失函数包括:
;
其中,LOSS表示损失函数对应的损失值,i,j分别表示第i种故障样本标签和第j种故障样本标签,N表示样本数量,w i表示第i种故障样本标签对应的故障权重,p i、y i分别表示第i种故障样本标签对应的模型输出和第i种故障样本标签,r ij表示第i种故障样本标签和第j种故障样本标签对应的相关性权重,y j表示第j种故障样本标签。
示例性地,从实际电力设备的历史数据中获取包含多种故障样本标签的训练数据集,这些样本应该涵盖设备可能遇到的各种故障情况。初始化待训练的故障定位模型的网络权重和偏置参数,可以采用随机初始化或者预训练的模型参数;将故障训练数据集输入故障定位模型,进行前向传播,得到模型的输出。将模型的输出与训练数据集的样本标签比较,计算预测偏差,即模型输出与实际标签之间的误差。
定义故障定位模型的损失函数,通常使用均方误差(MSE)或交叉熵损失函数。将预测偏差与损失函数结合,计算损失值。使用反向传播算法计算损失函数对模型参数的梯度。自适应调整学习率,可以使用学习率衰减策略(如Adam优化器)或自适应学习率算法(如Adagrad、RMSprop等)。使用梯度下降算法,根据学习率和梯度更新故障定位模型的网络权重和偏置参数,使得损失函数的损失值最小化。迭代该过程,直到损失函数收敛或达到预设的训练轮次。
通过学习训练数据集中不同故障样本的特征和标签关系,模型能够将观测到的声音特征映射到正确的故障部位,实现精准的故障定位。训练出的故障定位模型可以在实时数据上进行快速推断,实现电力设备故障的自动化诊断,这提高了故障诊断的效率,降低了人工干预的需求,节约了时间和成本。由于训练数据集包含多种故障样本,故障定位模型具有多样性,能够应对各种类型的电力设备故障,无论是由于磨损、松动、电路故障还是其他原因引起的故障,模型都能够进行有效的诊断。
图2为本发明实施例用于电力设备的噪声故障定位检测***的结构示意图,如图2所示,所述***包括:
第一单元,用于通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种;
第二单元,用于将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
第三单元,用于基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种用于电力设备的噪声故障定位检测方法,其特征在于,包括:
通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征;
将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
2.根据权利要求1所述的方法,其特征在于,所述声学特征为频谱特征时,
对所述声源信息进行特征提取,确定所述声源信息对应的声学特征包括:
通过快速傅里叶变换算法将所述声源信息转换为频域信号,从所述频域信号中确定不同频率成分的振幅和相位信息作为频谱信息;
对所述频谱信息通过平均滑动窗口进行平滑处理,结合希尔伯特变换将平滑处理后的频谱信息转换为解析信息,提取所述解析信息的振幅作为包络信息,将所述包络信息作为频谱特征。
3.根据权利要求1所述的方法,其特征在于,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征包括:
分别确定所述声学特征中各个特征对应的历史目标特征,并确定各个特征与历史目标特征的第一关联性,以及各个特征之间的第二关联性;
基于所述第一关联性和所述第二关联性的比值,确定各个特征的排序得分,将排序得分超过预设筛选阈值的声学特征作为筛选特征。
4.根据权利要求1所述的方法,其特征在于,将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像包括:
根据所述筛选特征,结合所述筛选特征对应的时间信息,通过小波变换分解为多个时间尺度的子信号,对每个时间尺度的子信号进行希尔伯特变换得到多个解析信号,提取每个解析信号的振幅信息作为当前尺度的包络信息,并且通过加权平均的方式得到多尺度包络信息;
基于所述目标空间的维度和范围,划分空间网格,每一空间网格用于指示噪声图像的像素,基于所述多尺度包络信息与所述目标空间的位置相关性,为所述筛选特征分配空间权重;
基于所述筛选特征的空间权重,为所述目标空间的空间网格分配对应的筛选特征,创建所述声源信息对应的噪声图像。
5.根据权利要求1所述的方法,其特征在于,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括训练故障定位模型:
获取故障训练数据集,其中,所述故障训练数据集的样本包括多种故障样本标签;
初始化待训练的故障定位模型的网络权重和偏置参数,将故障训练数据集输入待训练的故障定位模型,确定故障定位模型的模型输出与所述故障训练数据集的样本对应的样本标签的预测偏差;
基于所述故障定位模型的损失函数结合所述预测偏差,通过反向传播算法确定待训练的故障定位模型的网络权重和偏置参数对损失函数的梯度,迭代自动调整学习率并更新待训练的故障定位模型的网络权重和偏置参数,使得损失函数的损失值最小化。
7.根据权利要求6所述的方法,其特征在于,构建损失函数包括:
;
其中,LOSS表示损失函数对应的损失值,i,j分别表示第i种故障样本标签和第j种故障样本标签,N表示样本数量,w i表示第i种故障样本标签对应的故障权重,p i、y i分别表示第i种故障样本标签对应的模型输出和第i种故障样本标签,r ij表示第i种故障样本标签和第j种故障样本标签对应的相关性权重,y j表示第j种故障样本标签。
8.一种用于电力设备的噪声故障定位检测***,其特征在于,包括:
第一单元,用于通过传感器阵列实时采集目标区域中电力设备的声源信息,对所述声源信息进行特征提取,确定所述声源信息对应的声学特征,基于所述声学特征与预先获取的历史目标特征的关联性对所述声学特征进行特征选择,得到所述声学特征对应的筛选特征,其中,所述声学特征包括频谱特征、时域特征以及能量特征中至少一种;
第二单元,用于将所述筛选特征映射到目标空间中,结合所述筛选特征对应的时间信息,提取所述筛选特征对应的多尺度包络信息,结合所述目标空间对应的空间网格,创建所述声源信息对应的噪声图像;
第三单元,用于基于预设的故障定位模型,对所述噪声图像进行模式识别和故障定位,确定所述电力设备的故障类型和故障位置。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334263.1A CN117110989B (zh) | 2023-10-16 | 2023-10-16 | 用于电力设备的噪声故障定位检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334263.1A CN117110989B (zh) | 2023-10-16 | 2023-10-16 | 用于电力设备的噪声故障定位检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110989A CN117110989A (zh) | 2023-11-24 |
CN117110989B true CN117110989B (zh) | 2024-02-06 |
Family
ID=88805738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311334263.1A Active CN117110989B (zh) | 2023-10-16 | 2023-10-16 | 用于电力设备的噪声故障定位检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110989B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及*** |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
KR20220093942A (ko) * | 2020-12-28 | 2022-07-05 | 주식회사 렉터슨 | 노이즈 환경을 고려한 구조물 결함 탐지 장치 및 방법 |
CN115963350A (zh) * | 2022-11-08 | 2023-04-14 | 国网河北省电力有限公司电力科学研究院 | 一种直流配电网故障定位方法及装置 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007033258A2 (en) * | 2005-09-14 | 2007-03-22 | University Of Massachusetts | Multi-scale enveloping spectrogram signal processing for condition monitoring and the like |
US10520397B2 (en) * | 2012-05-31 | 2019-12-31 | University Of Connecticut | Methods and apparatuses for defect diagnosis in a mechanical system |
WO2017116353A1 (en) * | 2015-12-30 | 2017-07-06 | Ford Otomotiv Sanayi A. S. | Vibration and noise mapping system and method |
-
2023
- 2023-10-16 CN CN202311334263.1A patent/CN117110989B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及*** |
KR20220093942A (ko) * | 2020-12-28 | 2022-07-05 | 주식회사 렉터슨 | 노이즈 환경을 고려한 구조물 결함 탐지 장치 및 방법 |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
CN115963350A (zh) * | 2022-11-08 | 2023-04-14 | 国网河北省电力有限公司电力科学研究院 | 一种直流配电网故障定位方法及装置 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
Non-Patent Citations (7)
Title |
---|
Research on Discharge Sound Recognition Based on Machine Learning and Convolutional Neural Network Training Algorithm;Yifan Shen;2021 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA);全文 * |
变电站全站设备故障声学成像检测***的研制;陈敬德;吴继健;徐友刚;周南;罗林根;;电气自动化(05);全文 * |
基于复小波多尺度包络谱的滚动轴承故障诊断研究;胡易平;安钢;王凯;贺亮;;煤矿机械(11);全文 * |
基于小波变换与SVM的复杂装备故障诊断研究;郑铌;张琳;汤煜;王君;唐晓兵;;火力与指挥控制(06);全文 * |
基于最优尺度小波包络流形的轴承故障诊断;许强;方健;刘方;陆思良;刘永斌;赵吉文;;机电一体化(07);全文 * |
声信号特征融合的变压器故障判断方法;杨光辉;北 京 理 工 大 学 学 报;全文 * |
大型发电厂噪声源的监测及其反演方法研究;曾鹏亚;中国硕士学位论文 信息科技辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117110989A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625763A (zh) | 一种基于数学模型的运行风险预测方法和预测*** | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及*** | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
US8108166B2 (en) | Analysis of chirp frequency response using arbitrary resampling filters | |
CN117110989B (zh) | 用于电力设备的噪声故障定位检测方法及*** | |
Chaudhuri et al. | Denoising of partial discharge signal using a hybrid framework of total variation denoising-autoencoder | |
Lei et al. | High voltage shunt reactor acoustic signal denoising based on the combination of VMD parameters optimized by coati optimization algorithm and wavelet threshold | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
CN117079005A (zh) | 一种光缆故障监测方法、***、装置及可读存储介质 | |
CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
CN112697270A (zh) | 故障检测方法、装置、无人设备及存储介质 | |
CN116884432A (zh) | 基于vmd-js散度的电力变压器故障声纹诊断方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及*** | |
CN116699400A (zh) | 一种发电机转子短路故障监测***、方法及可读存储介质 | |
CN116205817A (zh) | 数据内容复杂度针对性检测*** | |
WO2024000764A1 (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
CN116522080A (zh) | 局部放电信号降噪方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及*** | |
CN117911401B (zh) | 一种电力设备故障检测方法、***、存储介质及设备 | |
CN112836583B (zh) | 一种风力机故障诊断方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN117313001B (zh) | 用于分布式光纤声波传感***的混合事件分解及识别方法 | |
CN115659150B (zh) | 一种信号处理方法、装置及设备 |
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 |