CN117217730A - 电力设备故障识别方法、装置、设备、介质和产品 - Google Patents
电力设备故障识别方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN117217730A CN117217730A CN202311088522.7A CN202311088522A CN117217730A CN 117217730 A CN117217730 A CN 117217730A CN 202311088522 A CN202311088522 A CN 202311088522A CN 117217730 A CN117217730 A CN 117217730A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- data
- power equipment
- fault
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims description 69
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力设备故障识别方法、装置、设备、介质和产品。所述方法包括:接收来自声纹采集终端发送的电力设备的初始声纹数据;对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签;利用训练样本对平台故障识别模型进行参数调优,获得调优后的模型参数,并将模型参数下发至声纹采集终端,以使声纹采集终端在接收模型参数之后,根据模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。采用本方法能够提高电力设备巡检效率且避免数据造假或缺失。
Description
技术领域
本申请涉及故障识别技术领域,特别是涉及一种电力设备故障识别方法、装置、设备、介质和产品。
背景技术
中低压配用电设备长期以来是电网运行控制和运维管理的薄弱环节,由于其点多面广、涉及环节多,以配电变压器为例,作为一种重要的电力设备,其与终端用户关系密切,且数目众多、分布范围广,一旦故障或计划停运,大多数用户将经历长时停电。据统计,配电变压器事故占整个配网事故的比例为90%。
随着边缘数据中心的兴起,相关配用电设备多种多样,配用电设备运行状态的实时监测,对供电可靠性有至关重要的影响,及时发现设备故障可以进行针对性地排查和修复,提高运维效率。然而,当前的监控和巡检手段较为低效,存在盲控、盲调等问题,大多数电力设备还是依靠巡检人员人工巡检,效率较低且容易出现数据造假或缺失风险。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力设备巡检效率且避免数据造假或缺失的电力设备故障识别方法、装置、设备、介质和产品。
第一方面,本申请提供了一种电力设备故障识别方法。该方法包括:
接收来自声纹采集终端发送的电力设备的初始声纹数据;
对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签,故障标签包括电力设备正常和电力设备故障;
利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,其中,训练样本包括时频域特征数据和故障标签的对应记录。
在其中一个实施例中,对初始声纹数据进行特征变换,获得时频域特征数据,包括:
对初始声纹数据进行归一化,得到归一化数据;
基于预设的超参数对归一化数据进行小波变换,得到不同小波子带上的时频谱;
针对每一个小波子带上的时频谱,提取小波子带上的时频谱的倒谱系数,获得时频域特征数据。
在其中一个实施例中,接收来自声纹采集终端发送的电力设备的初始声纹数据之后,还包括:
对初始声纹数据进行预处理以更新初始声纹数据;
其中,预处理包括预加重、分帧、空白音剔除和有效帧平滑中的至少一种。
在其中一个实施例中,接收来自不同声纹采集终端发送的不同电力设备在不同时段内的初始声纹数据;
获取不同初始声纹数据对应的时频域特征数据和故障标签之间的多条对应记录,并将多条对应记录进行存储;
响应于用户的需求指令,从多条对应记录中选取至少一条对应记录构建训练样本集,并通过训练样本集对预设的平台故障识别模型进行参数调优。
第二方面,本申请还提供了一种电力设备故障识别方法,应用于声纹采集终端,该方法包括:
获取电力设备的初始声纹数据,并将初始声纹数据发送至声纹分析平台;
接收声纹分析平台发送的模型参数,并根据模型参数,确定声纹采集终端内置的终端故障识别模型,其中,模型参数是声纹分析平台对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签后,利用时频域特征数据和故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数;
通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
第三方面,本申请还提供了一种电力设备故障识别装置。该装置包括:
接收数据模块,用于接收来自声纹采集终端发送的电力设备的初始声纹数据;
提取标注模块,用于对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签,故障标签包括电力设备正常和电力设备故障;
调优参数模块,用于利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,其中,训练样本包括时频域特征数据和故障标签的对应记录。
第四方面,本申请还提供了一种电力设备故障识别装置。该装置包括:
获取数据模块,用于获取电力设备的初始声纹数据,并将初始声纹数据发送至声纹分析平台;
接收参数模块,用于接收声纹分析平台发送的模型参数,并根据模型参数,确定声纹采集终端内置的终端故障识别模型,其中,模型参数是声纹分析平台对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签后,利用时频域特征数据和故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数;
故障识别模块,用于通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
第五方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现本申请第一方面或第二方面提供的电力设备故障识别方法。
第六方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请第一方面或第二方面提供的电力设备故障识别方法。
第七方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请第一方面或第二方面提供的电力设备故障识别方法。
上述电力设备故障识别方法、装置、设备、介质和产品,接收来自声纹采集终端发送的电力设备的初始声纹数据,对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签,利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。相对于目前广泛采用的电压、电流、油温等信号,声音信号具有采集成本低、对设备影响小、施工安装方便等特点,且声纹特征与设备异常状态的关系密切,本申请部署开发声纹采集终端和声纹分析云平台,利用声纹采集终端实时采集电力设备运行的声纹音频信息,利用声纹分析云平台通过特征变换方法提取声纹信息的时频域特征并标注,通过时频域特征数据和标注的标签得到训练样本,对平台故障识别模型进行训练,得到调优后的模型参数,并将模型参数下发至声纹采集终端,由声纹采集终端实现实时本地化边缘故障识别,辨识设备潜在故障风险,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础。大幅度减少或完全取代巡检工的工作,减少巡检人员的重复枯燥的无效作业,对巡检人员素质和积极性的依赖大大降低;设备状态监测数据实时、可靠、安全,减少人员巡检带来的安全风险、数据造假或缺失风险。
进一步地,本申请实施例还可以实时监测电力设备工作状态,第一时间发现电力设备劣化趋势,为维修决策的制定提供充裕时间;使电力设备状态受控和预知性维修,延长检修间隔,为合理降低检修费用提供技术支撑;避免直至杜绝计划外的意外停机,避免因意外停机造成的产量损失;及时发现设备故障并找到故障原因,为检修方提供设备检修指导,缩短检修时间,减少检修成本。提前预判故障部位,对库房进行提前核对,避免检修时找不到标准配件,造成人等待备件,浪费检修时间;或使用其他应急备件顶替的情况,对设备造成其他伤害;定期对设备评估或出具体检报告,根据报告优化库存和采购计划,优化备品备件的数量及结构。
附图说明
图1为一个实施例中电力设备故障识别方法的应用环境图;
图2为一个实施例中电力设备故障识别方法的流程示意图;
图3为一个实施例中声纹采集终端的架构示意图;
图4为一个实施例中深度神经网络的模型结构图;
图5为一个实施例中声纹分析云平台的架构示意图;
图6为另一个实施例中声纹分析云平台和声纹采集终端的架构示意图;
图7为另一个实施例中电力设备故障识别方法的流程示意图;
图8为一个实施例中电力设备故障识别装置的结构框图;
图9为另一个实施例中电力设备故障识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
长久以来,电力设备所产生的声信号通常被当做噪声而忽略了其价值。实际情况中,电力设备在运行过程中由于磁致伸缩力与电场力的作用,设备元件会发生机械振动,经过空气介质的传播,产生电力设备的声信号,包含了电力设备大量的状态信息。当电力设备发生故障后,内部结构发生变化,会使声信号发生变化,可以通过对声信号的分析来对电力设备进行故障诊断。
本申请实施例提供的电力设备故障识别方法,可以应用于如图1所示的应用环境中。其中,声纹采集终端102通过网络与声纹分析云平台104进行通信。数据存储***可以存储声纹分析云平台104需要处理的数据。数据存储***可以集成在声纹分析云平台104上,也可以放在其他网络服务器上。其中,声纹采集终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。声纹分析云平台104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电力设备故障识别方法,以该方法应用于图1中的声纹分析云平台为例进行说明,包括以下步骤:
步骤202,接收来自声纹采集终端发送的电力设备的初始声纹数据。
其中,声纹采集终端是指布置在电力设备周围,用于实时采集电力设备声纹信息的装置。
本申请实施例的声纹采集终端可以实时获取电力设备的初始声纹数据,其中,声纹采集终端可以有多个,每个声纹采集终端可以用于采集至少一种类型的电力设备声纹数据,同时,每个声纹采集终端还可以采集不同时间段的声纹数据。
例如,声纹采集终端可以包括第一声纹采集终端和第二声纹采集终端,第一声纹采集终端可以采集第一空调在不同时间段对应的不同初始声纹数据、第一变压器在不同时间段对应的不同初始声纹数据,第二声纹采集终端可以采集第二空调在不同时间段对应的不同初始声纹数据、第二变压器在不同时间段对应的不同初始声纹数据。
本申请实施例的声纹采集终端在获取初始声纹数据之后,将初始声纹数据上传至声纹分析云平台,即声纹分析云平台接收来自声纹采集终端发送的初始声纹数据。
步骤204,对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签。
其中,时频域特征数据是指在时间轴和频率轴上对初始声纹数据进行分析以提取的特征数据。
本申请实施例在接收初始声纹数据之后,可以通过特征变换的方式获取初始声纹数据对应的时频域特征数据,例如,特征变换可以采用主成分分析、傅里叶变换、小波包变换、局部特征提取等中的至少一种。确定该初始声纹数据对应的时频域特征数据之后,可以对该时频域特征数据进行标注,基于该初始声纹数据对应时间段下电力设备的工作状态,获取该时频域特征数据对应的故障标签,该故障标签包括电力设备正常和电力设备故障。
在一种实现方式中,声纹分析云平台可以接收到不同声纹采集终端发送的不同电力设备在不同时间段对应的初始声纹数据,在对不同初始声纹数据进行特征变换,得到时频域特征数据并标注后,可以将多条时频域特征数据和故障标签的对应记录存储于云平台上,用户可以对时频域特征数据进行导出、录入、修改等管理操作。
步骤206,利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
其中,训练样本包括时频域特征数据和故障标签的对应记录。
本申请实施例利用时频域特征数据和故障标签的对应记录作为训练样本,对预设的平台故障识别模型进行参数调优,具体地,可以将时频域特征数据输入预设的平台故障识别模型中,输出电力设备正常或发生故障的工作状态,通过输出的结果和故障标签计算损失值并对模型参数进行调优,得到调优后的模型参数。
在一种实现方式中,声纹分析云平台中可以存储不同声纹采集终端发送的不同电力设备在不同时间段的初始声纹数据对应的时频域特征数据和相应的故障标签,根据平台故障识别模型基础结构的不同、识别对象电力设备类型的不同、数据时效性的不同等,可以选取不同的时频域特征数据构建训练样本集和测试样本集,在对平台故障识别模型的基础参数进行初始化后,采用训练样本集对平台故障识别模型进行训练,测试样本集进行准确性测试,获得完成训练的平台故障识别模型的模型参数。将该模型参数存储于云平台上,可以对模型参数进行导出、录入和修改等管理操作。
进一步地,可以采用不同基础结构的平台故障识别模型或不同训练样本集训练得到针对不同情况下调优后的模型参数,并依据用户需求将特定的模型参数下发至声纹采集终端。
本申请实施例的声纹采集终端利用声纹分析云平台下发的调优后的模型参数,构建终端侧本地的终端故障识别模型。声纹采集终端可以实时采集电力设备待识别的声纹信息,通过相应的特征变换处理得到待识别的声纹信息对应的时频域特征数据,再将待识别的声纹信息对应的时频域特征数据输入终端故障识别模型进行故障识别,辨识设备潜在故障风险,以对电力设备工作状态实时监测。
上述电力设备故障识别方法中,接收来自声纹采集终端发送的电力设备的初始声纹数据,对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签,利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。相对于目前广泛采用的电压、电流、油温等信号,声音信号具有采集成本低、对设备影响小、施工安装方便等特点,且声纹特征与设备异常状态的关系密切,本申请实施例部署开发声纹采集终端和声纹分析云平台,利用声纹采集终端实时采集电力设备运行的声纹音频信息,利用声纹分析云平台通过特征变换方法提取声纹信息的时频域特征并标注,通过时频域特征数据和标注的标签得到训练样本,对平台故障识别模型进行训练,得到调优后的模型参数,并将模型参数下发至声纹采集终端,由声纹采集终端实现实时本地化边缘故障识别,辨识设备潜在故障风险,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础。大幅度减少或完全取代巡检工的工作,减少巡检人员的重复枯燥的无效作业,对巡检人员素质和积极性的依赖大大降低;设备状态监测数据实时、可靠、安全,减少人员巡检带来的安全风险、数据造假或缺失风险。
进一步地,本申请实施例还可以实时监测电力设备工作状态,第一时间发现电力设备劣化趋势,为维修决策的制定提供充裕时间;使电力设备状态受控和预知性维修,延长检修间隔,为合理降低检修费用提供技术支撑;避免直至杜绝计划外的意外停机,避免因意外停机造成的产量损失;及时发现设备故障并找到故障原因,为检修方提供设备检修指导,缩短检修时间,减少检修成本。提前预判故障部位,对库房进行提前核对,避免检修时找不到标准配件,造成人等待备件,浪费检修时间;或使用其他应急备件顶替的情况,对设备造成其他伤害;定期对设备评估或出具体检报告,根据报告优化库存和采购计划,优化备品备件的数量及结构。
在一个实施例中,如图3所示,本申请实施例的声纹采集终端可以包括声纹采集器、声纹处理器以及至少一个声纹传感器,每个声纹传感器分别通过数据线缆和声纹采集器连接。声纹传感器可以实时采集电力设备的原始声纹数据,并将原始声纹数据通过数据线缆传输至声纹采集器。声纹采集器可以对原始声纹数据进行预处理得到初始声纹数据,并按照通讯协议通过网线将初始声纹数据传输到智能网关,由智能网关将初始声纹数据发送到声纹分析云平台。
在一个实施例中,声纹分析云平台在接收来自声纹采集终端发送的电力设备的初始声纹数据之后,还包括:对初始声纹数据进行预处理以更新初始声纹数据;其中,预处理包括预加重、分帧、空白音剔除和有效帧平滑中的至少一种。
在一种实现方式中,对初始声纹数据进行预处理以更新初始声纹数据包括:
步骤A1,利用预加重算法对初始声纹数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗。
步骤A2,依据确定分帧间隔,将补偿后的初始声纹数据切分为一组短时帧。
步骤A3,利用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
步骤A4,利用汉明窗对有效帧进行平滑操作,得到平滑后的有效帧,即更新后的初始声纹数据,其中,平滑的有效帧可表示为:
fh(n)=f(n)m(n)n=1,2,3,…,N;
式中,m(n)为汉明窗,N表示有效帧长度。
在一个实施例中,对初始声纹数据进行特征变换,获得时频域特征数据,包括:对初始声纹数据进行归一化,得到归一化数据;基于预设的超参数对归一化数据进行小波变换,得到不同小波子带上的时频谱;针对每一个小波子带上的时频谱,提取小波子带上的时频谱的倒谱系数,获得时频域特征数据。
在一种实现方式中,对初始声纹数据进行特征变换,获得时频域特征数据具体为:
步骤B1,确定预设的提取特征所需的超参数,该超参数包括母小波类型、小波分解层次和每个小波子带上提取的倒谱系数个数。
步骤B2,对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰。
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
步骤B3,利用Mallat算法对归一化处理后的有效帧进行小波变换,比如可以分为8个子帧,分别代表了声纹信号在不同的小波子带上的时频谱。滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
步骤B4,对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
步骤B5,计算倒谱系数,其中,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,D为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数。
步骤B6,根据每个小波子带上的时频谱的倒谱系数,获得时频域特征数据,该时频域特征数据可以采用声纹特征向量表示,具体表示为:
步骤B7,依据所提取声纹片段的时间段内,是否发生电力设备故障进行标签标记。考虑正常和故障两种类型,使用二维向量[1,0]代表电力设备正常,[0,1]代表电力设备发生故障。标签向量与声纹特征向量相关联匹配并存储于云平台中。
在一个实施例中,声纹分析云平台可以接收来自不同声纹采集终端发送的不同电力设备在不同时段内的初始声纹数据;获取不同初始声纹数据对应的时频域特征数据和故障标签之间的多条对应记录,并将多条对应记录进行存储;响应于用户的需求指令,从多条对应记录中选取至少一条对应记录构建训练样本集,并通过训练样本集对预设的平台故障识别模型进行参数调优。具体地,上述过程可以包括:
步骤C1,声纹分析云平台可以响应用户的使用需求指令,选择指定数目的对应记录,构建训练样本集,并选择平台故障识别模型的基础架构,比如,预设的平台故障识别模型可以采用深度神经网络。假设X为输入数据集,Y作为输出数据集,可表示为:
Y=[y1,…yn]T;
式中,m为样本数量;n为特征数据维度,代表n个特征属性;X为深度神经网络的算法输入;y为标签向量,[1,0]代表电力设备正常,[0,1]代表电力设备发生故障;Y为深度神经网络的算法目标输出。
步骤C2,声纹分析云平台可以响应用户的输入参数指令,设置深度神经网络训练的基本参数,包括深度神经网络模型的层数、深度神经网络模型的每层单元数、学习率、训练次数等参数。
步骤C3,利用Adam算法和训练数据集,训练深度神经网络,进行故障识别模型建模,深度神经网络的模型结构图可见参见图3。其中,第i层隐含层的输出为:
式中,gi为第i层隐藏层的输出结果;ωi,bi分别为第i组隐藏层之间的权重向量与阈值向量;f为隐藏层的激活函数;x为输入数据。
经过所有隐藏层后,到达最终输出层,输出层结果可表示为:
y=f′(ωNgN-1+bN);
式中,ωN,bN分别为最后一层隐藏层与输出层之间的权重向量与阈值向量;f’为输出层的激活函数;y为输出数据。
激活函数的取法如下所示:
选择交叉熵作为深度神经网络训练时的损失函数,描述如下:
式中,为神经网络的实际输出;y为真实结果的标签情况。
通过Adam算法和训练样本集,经过训练即可得到训练好的基于深度神经网络的故障识别模型,即可得到调优后的模型参数,例如各层级之间的权重向量与阈值向量。
本申请实施例可以将调优后的模型参数存储于声纹分析云平台,授权用户可进行对模型参数的导出、录入、修改等管理操作,并依据用户需求将特定模型参数数据下发至声纹采集识别终端。
在一个实施例中,如图5所示,声纹分析云平台可以采用B\S架构,其可以包括声纹模块和管理模块。
声纹模块可以包括平台服务子模块、数据处理子模块、模型管理子模块、数据交互子模块,其中,平台服务子模块包括数据云存储单元、云计算服务单元、数据分析单元和可视化单元;数据处理子模块包括声纹数据预处理单元、声纹特征提取单元、特征样本标准单元和训练样本集构造单元;模型管理子模块包括训练参数管理单元、训练算法管理单元、AI算法管理单元和故障诊断库管理单元;数据交互子模块包括采集终端声纹数据存储单元和故障诊断算法模型下发单元。
管理模块可以包括数据安全子模块、数据管理子模块和管理配置子模块,其中,数据安全子模块包括身份验证单元、用户授权单元、存储安全单元和身份验证单元;数据管理子模块包括基础数据管理单元、数据质量管理单元和数据运维管理单元;管理配置子模块包括配置管理单元、任务管理单元、日志管理单元和监控告警单元。数据安全子模块可以对用户权限进行管理,授权用户可以在互联网覆盖的任意地方,随时了解电力设备的运行情况。
本申请实施例的声纹分析云平台还可以和第三方业务应用通信,以在业务应用中发布运行监测、故障告警、数据处理、模型训练、模型发布等功能。
在一个实施例中,声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,可以包括:
步骤D1,声纹采集终端接收声纹分析云平台下发的调优后的模型参数,并利用调优后的模型参数更新终端内置的终端故障识别模型的参数。
步骤D2,声纹采集终端在实际运行中采集电力设备声纹信息,通过本地边缘计算依据上述特征变换的方法进行特征向量计算,形成待识别声纹信息对应的特征输入样本。
步骤D3,利用更新后的终端故障识别模型和特征输入样本,对本地电力设备进行实时故障诊断,最终输出故障诊断结果,并将诊断结果发回声纹分析云平台,声纹分析云平台对于存在电力设备故障异常的,及时告警。
在一个实施例中,如图6所示,本申请实施例的电力设备如空调、变压器、电源、机柜等周围布置有声纹采集终端,声纹采集终端实时采集声纹数据,并上传至到声纹分析云平台;通过声纹分析云平台对对声纹数据进行预处理,包括预加重、分帧、空白音剔除、有效帧平滑等操作;用声纹分析云平台内置如小波变换等特征变换方法提取声纹数据的时频域特征向量,并对时频域特征向量进行标注,将时频域特征向量和其对应标注的故障标签存储于云平台;输入深度神经网络训练的基本参数,从存储的多个时频域特征向量中选取特定数目的时频域特征向量构建训练样本集。利用声纹分析云平台进行模型训练,将完成训练的模型参数存储于云平台,可对训练好的模型参数进行导出、录入、修改等管理操作,并依据用户需求将特定训练好的模型参数数据下发至声纹采集终端;声纹采集终端利用基于声纹分析云平台下发的模型参数数据,构建终端侧故障识别模型。利用终端侧故障识别模型对待识别的声纹数据实时采集监测,本地构建测试识别样本集,实施进行故障诊断识别,辨识设备潜在故障风险。
本实施例形成了基于电力设备声纹的采集硬件和分析处理软件云平台,配套研制声纹采集终端架构、布置方式,配套研制的声纹分析云平台的架构、功能,用声纹采集终端对电力设备的声纹信息进行实时采集,积累运行声纹数据,记录故障时的声纹信息数据,并上传至声纹分析云平台进行存储,实现声纹分析或可视化展示等功能,利用声纹采集终端对电力设备的声纹信息进行实时采集,积累运行声纹数据,记录故障时的声纹信息数据,并上传至声纹分析云平台进行存储,实现声纹分析或可视化展示等功能;将多种声纹数据预处理算法、声纹特征提取算法、人工智能模型训练算法集成于声纹分析云平台,并可实现迭代更新,快速迁移部署功能;声纹分析云平台可将已训练的模型参数,依据用户需求下发到声纹采集终端,实现终端本地化故障识别,有助于实现更多复杂场景下的声纹识别,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础,大幅度减少或完全取代巡检人员的工作,降低人员巡检带来的安全风险、数据造假或缺失风险;从终端设备、通信通道、信息模型和高级应用上进行整合和集成的解决方案,在满足各类业务需求的情况下,解决各类终端、设备功能重复、冗余的问题,降低***自身的复杂度和运维成本,提高其可用性;声纹分析云平台具备AI智能诊断、大数据专家智能诊断等功能,其云平台内部算法可进行改进和优化,具备迭代优化和在线更新模型的功能,可拓展性强。
基于同样的发明构思,本申请实施例还提供了一种应用于声纹采集终端的电力设备故障识别方法。该应用于声纹采集终端的电力设备故障识别方法所提供的解决问题的实现方案与上述应用于声纹分析云平台的电力设备故障识别方法中所记载的实现方案相似,故下面所提供的一个或多个应用于声纹采集终端的电力设备故障识别方法实施例中的具体限定可以参见上文中对于应用于声纹分析云平台的电力设备故障识别方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种电力设备故障识别方法,应用于声纹采集终端,该方法包括:
步骤702,获取电力设备的初始声纹数据,并将初始声纹数据发送至声纹分析平台。
步骤704,接收声纹分析平台发送的模型参数,并根据模型参数,确定声纹采集终端内置的终端故障识别模型,其中,模型参数是声纹分析平台对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签后,利用时频域特征数据和故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数。
步骤704,通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的应用于声纹分析云平台的电力设备故障识别方法的电力设备故障识别装置。该装置所提供的解决问题的实现方案与上述应用于声纹分析云平台的电力设备故障识别方法中所记载的实现方案相似,故下面所提供的一个或多个电力设备故障识别装置实施例中的具体限定可以参见上文中对于应用于声纹分析云平台的电力设备故障识别方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种电力设备故障识别装置,包括:接收数据模块802、提取标注模块804和调优参数模块806,其中:
接收数据模块802,用于接收来自声纹采集终端发送的电力设备的初始声纹数据。
提取标注模块804,用于对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签,故障标签包括电力设备正常和电力设备故障。
调优参数模块806,用于利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将调优后的模型参数下发至声纹采集终端,以使声纹采集终端在接收调优后的模型参数之后,根据调优后的模型参数,确定声纹采集终端内置的终端故障识别模型,并通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,其中,训练样本包括时频域特征数据和故障标签的对应记录。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的应用于声纹采集终端的电力设备故障识别方法的电力设备故障识别装置。该装置所提供的解决问题的实现方案与上述应用于声纹采集终端的电力设备故障识别方法中所记载的实现方案相似,故下面所提供的一个或多个电力设备故障识别装置实施例中的具体限定可以参见上文中对于应用于声纹采集终端的电力设备故障识别方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种电力设备故障识别装置,包括:获取数据模块902、接收参数模块904和故障识别模块906,其中:
获取数据模块902,用于获取电力设备的初始声纹数据,并将初始声纹数据发送至声纹分析平台。
接收参数模块904,用于接收声纹分析平台发送的模型参数,并根据模型参数,确定声纹采集终端内置的终端故障识别模型,其中,模型参数是声纹分析平台对初始声纹数据进行特征变换,获得时频域特征数据,并基于初始声纹数据对应时间段内电力设备的工作状态,获得时频域特征数据对应的故障标签后,利用时频域特征数据和故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数。
故障识别模块906,用于通过终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
上述电力设备故障识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力设备声纹数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现应用于声纹采集终端的电力设备故障识别方法或应用于声纹分析云平台的电力设备故障识别方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备故障识别方法,其特征在于,应用于声纹分析云平台,所述方法包括:
接收来自声纹采集终端发送的电力设备的初始声纹数据;
对所述初始声纹数据进行特征变换,获得时频域特征数据,并基于所述初始声纹数据对应时间段内所述电力设备的工作状态,获得所述时频域特征数据对应的故障标签,所述故障标签包括电力设备正常和电力设备故障;
利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将所述调优后的模型参数下发至所述声纹采集终端,以使所述声纹采集终端在接收所述调优后的模型参数之后,根据所述调优后的模型参数,确定所述声纹采集终端内置的终端故障识别模型,并通过所述终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,其中,所述训练样本包括所述时频域特征数据和所述故障标签的对应记录。
2.根据权利要求1所述的方法,其特征在于,所述对所述初始声纹数据进行特征变换,获得时频域特征数据,包括:
对所述初始声纹数据进行归一化,得到归一化数据;
基于预设的超参数对所述归一化数据进行小波变换,得到不同小波子带上的时频谱;
针对每一个小波子带上的时频谱,提取所述小波子带上的时频谱的倒谱系数,获得所述时频域特征数据。
3.根据权利要求2所述的方法,其特征在于,所述接收来自声纹采集终端发送的电力设备的初始声纹数据之后,还包括:
对所述初始声纹数据进行预处理以更新初始声纹数据;
其中,所述预处理包括预加重、分帧、空白音剔除和有效帧平滑中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收来自不同声纹采集终端发送的不同电力设备在不同时段内的初始声纹数据;
获取不同所述初始声纹数据对应的时频域特征数据和故障标签之间的多条对应记录,并将所述多条对应记录进行存储;
响应于用户的需求指令,从所述多条对应记录中选取至少一条对应记录构建训练样本集,并通过所述训练样本集对预设的平台故障识别模型进行参数调优。
5.一种电力设备故障识别方法,其特征在于,应用于声纹采集终端,所述方法包括:
获取电力设备的初始声纹数据,并将所述初始声纹数据发送至声纹分析平台;
接收所述声纹分析平台发送的模型参数,并根据所述模型参数,确定所述声纹采集终端内置的终端故障识别模型,其中,所述模型参数是所述声纹分析平台对所述初始声纹数据进行特征变换,获得时频域特征数据,并基于所述初始声纹数据对应时间段内所述电力设备的工作状态,获得所述时频域特征数据对应的故障标签后,利用所述时频域特征数据和所述故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数;
通过所述终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
6.一种电力设备故障识别装置,其特征在于,所述装置包括:
接收数据模块,用于接收来自声纹采集终端发送的电力设备的初始声纹数据;
提取标注模块,用于对所述初始声纹数据进行特征变换,获得时频域特征数据,并基于所述初始声纹数据对应时间段内所述电力设备的工作状态,获得所述时频域特征数据对应的故障标签,所述故障标签包括电力设备正常和电力设备故障;
调优参数模块,用于利用训练样本对预设的平台故障识别模型进行参数调优,获得调优后的模型参数,并将所述调优后的模型参数下发至所述声纹采集终端,以使所述声纹采集终端在接收所述调优后的模型参数之后,根据所述调优后的模型参数,确定所述声纹采集终端内置的终端故障识别模型,并通过所述终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别,其中,所述训练样本包括所述时频域特征数据和所述故障标签的对应记录。
7.一种电力设备故障识别装置,其特征在于,所述装置包括:
获取数据模块,用于获取电力设备的初始声纹数据,并将所述初始声纹数据发送至声纹分析平台;
接收参数模块,用于接收所述声纹分析平台发送的模型参数,并根据所述模型参数,确定所述声纹采集终端内置的终端故障识别模型,其中,所述模型参数是所述声纹分析平台对所述初始声纹数据进行特征变换,获得时频域特征数据,并基于所述初始声纹数据对应时间段内所述电力设备的工作状态,获得所述时频域特征数据对应的故障标签后,利用所述时频域特征数据和所述故障标签的对应记录对预设的平台故障识别模型进行参数调优,获得的调优后的参数;
故障识别模块,用于通过所述终端故障识别模型对终端本地实时采集的电力设备待识别声纹信息进行故障识别。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088522.7A CN117217730A (zh) | 2023-08-24 | 2023-08-24 | 电力设备故障识别方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088522.7A CN117217730A (zh) | 2023-08-24 | 2023-08-24 | 电力设备故障识别方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217730A true CN117217730A (zh) | 2023-12-12 |
Family
ID=89039885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311088522.7A Pending CN117217730A (zh) | 2023-08-24 | 2023-08-24 | 电力设备故障识别方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217730A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
CN118100444A (zh) * | 2024-04-19 | 2024-05-28 | 国网四川省电力公司广安供电公司 | 低压配网故障模式分析方法 |
-
2023
- 2023-08-24 CN CN202311088522.7A patent/CN117217730A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
CN118100444A (zh) * | 2024-04-19 | 2024-05-28 | 国网四川省电力公司广安供电公司 | 低压配网故障模式分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN108008332A (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 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
US20100030521A1 (en) | Method for analyzing and classifying process data | |
CN114973155B (zh) | 一种基于ai图像识别行为智能监测分析管理*** | |
CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和*** | |
CN113112038B (zh) | 智能监测与诊断分析***、装置、电子设备及存储介质 | |
CN115640915A (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
CN113257249A (zh) | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 | |
CN113612625A (zh) | 一种网络故障定位方法及装置 | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
Jarwar et al. | NEAT: A resilient deep representational learning for fault detection using acoustic signals in IIoT environment | |
CN113497725A (zh) | 告警监控方法、***、计算机可读存储介质及电子设备 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测*** | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及*** | |
CN117291575A (zh) | 设备检修方法、装置、计算机设备和存储介质 | |
CN110197289B (zh) | 一种基于大数据的节能设备管理*** | |
CN114997749B (zh) | 电力人员智能调度方法和*** | |
CN115406522A (zh) | 基于声纹识别的电厂设备运行状态研究与应用 | |
CN116129935A (zh) | 一种针对矿用变压器的声纹数据采集*** |
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 |