CN117292713A - 基于端边云协同的变压器声纹监测方法及*** - Google Patents
基于端边云协同的变压器声纹监测方法及*** Download PDFInfo
- Publication number
- CN117292713A CN117292713A CN202311239288.3A CN202311239288A CN117292713A CN 117292713 A CN117292713 A CN 117292713A CN 202311239288 A CN202311239288 A CN 202311239288A CN 117292713 A CN117292713 A CN 117292713A
- Authority
- CN
- China
- Prior art keywords
- transformer
- time
- voiceprint
- cepstrum
- feature matrix
- 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 49
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000009432 framing Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 16
- 238000007689 inspection Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 210000000860 cochlear nerve Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003454 tympanic membrane Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G10L25/24—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 the cepstrum
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于端边云协同的变压器声纹监测方法及***,方法包括采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于端边云协同的变压器声纹监测方法及***。
背景技术
变电站日常人工巡检工作对保障变电站内高压设备的可靠运行以及保障电力***的可靠性有着重要的意义。站内变压器等电网主设备在运行过程中由于受到电磁力、机械应力的作用,铁芯、绕组、操纵机构等会发生振动并产生机械波,经过绝缘介质与腔体的传播,产生的振动声学信号包含了大量的设备状态信息。尤其是当设备发生缺陷或故障后,内部组件或结构发生机械形变,会使变压器运行声音发生改变,现有手段主要依靠人工在现场听声,依赖自身经验来判断设备是否发生缺陷及故障。
由于变压器等重要电力设备主要建设在远离人群的地区,长期运行于户外,日常巡视工作需要专业的工作人员到变电站现场进行听声巡视来判断设备存在安全隐患,时间成本高,巡视效率低,无法为变电站电力设备运维提供远程高效巡视手段。
随着人工智能技术的发展,利用声纹技术通过对设备振动声学信号的分析,采用深度学习算法,挖掘设备在不同运行工况和缺陷下的声纹特征,可以有效地表征其运行状态,主动发现设备缺陷,比如公布号为CN115389865A的专利申请文献中提出采用融入声纹振动传播机理的神经网络对电力设备声纹振动数据进行特征向量提取后进行加权融合,之后在云端利用深度残差网络来对融合后的特征向量进行故障识别和分类,但现有手段仍停留在单个站点,站级数据样本无法自动更新,算法模型实际应用成效较差。
比如CN115219015A的专利申请文献中提出采用傅里叶变换和分帧法提取变压器噪音,然后在进行与变压器声纹库进行比对来辨识变压器绕组故障,可以理解为特征值提取对比的方法实现识别,并且目前仅能识别变压器绕组这一种故障,涉及到其他类型故障时识别效果会明显下降。
发明内容
本发明所要解决的技术问题在于如何运用声纹技术实现变压器运行声音检测和精准缺陷识别。
本发明通过以下技术手段解决上述技术问题的:
本发明提出了一种基于端边云协同的变压器声纹监测方法,所述方法包括:
采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;
将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
进一步地,所述采集变压器声纹数据的时域信号,包括:
利用非接触式传感器和/或接触式传感器对变压器的声纹数据进行采集;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
进一步地,所述将所述时域信号转换为二维的时频谱图,包括:
对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
进一步地,所述利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵,包括:
采用MFCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(m,j);
采用PNCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(p,j)
进一步地,所述将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据,包括:
将各所述二维特征矩阵叠加为倒谱特征矩阵
C[m,g,p]={αC[m,j]+βC[g,j]+γC[p,j];
其中:α,β,γ为权重,0≤α≤1,0≤β≤1,0≤γ≤1,α+β+γ=1。
将所述倒谱特征矩阵输入至卷积神经网络,得到变压器异常告警数据。
此外,本发明还提出了一种基于端边云协同的变压器声纹监测***,所述***包括边缘计算终端、站级监测后台和物联网平台;
所述边缘计算终端,用于采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
所述站级监测后台,用于利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
所述物联网平台,用于按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
进一步地,所述边缘计算终端连接声纹传感器,所述声纹传感器包括非接触式传感器和接触式传感器;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
进一步地,所述边缘计算终端具体包括:
分帧模块,用于对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
加窗变换模块,用于对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
进一步地,所述站级监测后台包括:
特征矩阵生成模块,用于采用MFCC、GFCC及PNCC分别对所述时频谱图进行处理,得到对应的二维特征矩阵C(m,j)、C(g,j)、C(p,j);
异常识别模块,用于将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据。
进一步地,所述物联网平台包括:
巡视模块,用于基于编制的巡视任务对接入的各个站级监测后台进行远程巡视;
样本库,用于存储标注样本,所述标注样本为对所述异常告警数据进行分类并将分类结果标注在对应的所述时频谱图中得到。
本发明的优点在于:
(1)本发明针对变压器声纹监测,运用标准化端边云协同的方式实现声纹数据的采集、分析、诊断,通过物联平台层对站级***进行统一管理,实现数据缺陷样本的集中标注和模型实时更新,并快速下发至各个变电站;基于端边云协同的变压器声纹监测***技术,实现了变电站设备的远程无人化巡视,提高了巡视效率,保障了设备安全。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明一实施例提出的一种基于端边云协同的变压器声纹监测方法的流程示意图;
图2是本发明一实施例中变压器声纹检测配置图;
图3是本发明一实施例中声纹数据采集及预处理流程图;
图4是本发明一声信号倒谱特征矩阵计算流程图;
图5是本发明一实施例中纹样本人工标注流程图;
图6是本发明一实施例提出的一种基于端边云协同的变压器声纹监测***的结构示意图;
图7是本发明一实施例中边缘计算终端配置示意图。
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,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。
如图1所示,本发明第一实施例公开了一种基于端边云协同的变压器声纹监测方法,所述方法包括以下步骤:
S10、采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
S20、利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;
S30、将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
S40、按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
本实施例针对变压器声纹监测,运用标准化端边云协同的方式实现声纹数据的采集、分析、诊断,通过物联平台层对站级***进行统一管理,实现数据缺陷样本的集中标注和模型实时更新,并快速下发至各个变电站;基于端边云协同的变压器声纹监测***技术,实现了变电站设备的远程无人化巡视,提高了巡视效率,保障了设备安全。
在一实施例中,所述步骤S10中,采集变压器声纹数据的时域信号,包括:
利用非接触式传感器和/或接触式传感器对变压器的声纹数据进行采集;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
具体地,如图2所示,依据现场设备布置情况选择传感器类别,如待测设备附近无其它干扰设备,应优先选择非接触式传感器,可选配接触式传感器。如待测设备附近空间有限,无法安装非接触式传感器,优先选择接触式传感器。针对接触式T、非接触式F、组合式R采用不同的部署原则,包含多个声纹传感终端设备的位置设计,不同数量,不同距离进行传感器布置。
具体为将非接触式传感器宜安装在落地支架上或防火墙上距离设备1~2米,避免放置在变压器风机、散热器、端子箱等高噪声区域。将接触式传感器应紧贴设备外壳,尽量避免传感器与设备表面产生相对振动,应避开潜在的非监测本体振动源,原则上需远离此类振动源1米以上。所有传感器有线接入边缘计算终端模块,通电后实现声纹源数据采集。
在一实施例中,所述步骤S10中,将所述时域信号转换为二维的时频谱图,包括以下步骤:
对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
具体地,边缘计算终端包含多个声纹传感器接口,用于接入不同类型声纹传感器采集数据,边缘计算终端按照数据传输格式进行配置,设备运行时应持续采集声纹数据,每间隔30分钟启动存储1次,每次存储10秒声纹数据。
如图3所示,前端采集的数据传入边缘计算终端,对存储的所有长度为10s的声纹数据进行预处理,对变压器原始时域信号转化为具有时域频域两个维度的时频谱图,整个过程有分帧、加窗以及离散傅里叶变换,过程为:
(1)对T=10s的原始时域声信号进行叠加分段的分帧操作,采用帧长T1<1s,帧移S<0.5s。
(2)为削弱后续傅里叶变换带来的频谱缺失影响,将每帧时域数据进行加窗处理,采用较好的时间和频率聚集特性的汉明窗加窗,其中N为汉明窗的长度,由T1和采样率决定;
(3)完成加窗后对波形片段进行通用的短时傅里叶变换,得到能够同时描述时间与频率的时频谱。
在一实施例中,所述步骤S20:利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵,包括以下步骤:
S21、采用MFCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(m,j);
具体地,MFCC(Mel Frequency Cepstrum Coefficient,梅尔频率倒谱系数)是基于人耳听觉感知特性的一种倒谱参数,在Mel域人耳感知与Mel频率是成正比的。其关系为Mel(f)=2595lg(1+f/700),f为频率;通过计算得到每帧频谱X(m,k),对X(m,k)取模后平方得到功率谱。将功率谱通过频域为三角形的Mel尺度滤波器组得到新的参数R(m,k),滤波器组频率下限为fmin,上限为fmax,G为Mel滤波器数量。
将R(m,k)取自然对数,有:
式中,S(m,g)为对数函数,k为频点序号,m为帧数,Hg(k)为滤波函数,g为变量。
通过离散余弦变换得到G维MFCC:
式中,C(m,j)为Mel函数,j为变量,G为Mel滤波器数量。
S22、采用GFCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(g,j);
具体为,GFCC(Gammatone Frequency Cepstrum Coefficient,伽玛通频率倒谱系数)的提取过程与MFCC提取过程几乎相同,两者区别在于功率谱通过的滤波器组是由G个不同尺度参数和形状参数的伽马滤波器组成的Gammatone滤波器组,而非Mel尺度滤波器,滤波器组频率下限为fmin,上限为fmax,后续步骤也相同。最终得到GFCC特征矩阵C(g,j)。
S23、采用PNCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(p,j)
具体为,PNCC(power-normalized cepstral coefficients,功率正则化倒谱系数)的提取过程的前两个步骤与MFCC相同,当功率谱通过Gammatone滤波器后得到Pg(m,g)。其中,Mw为平滑窗口的大小,将每一帧与前后两帧做平滑处理,此时Mw=1计算中时平均功率:
式中,Q(m,g)为中等时间平均功率谱,m为帧数,Pg(m,g)为滤波函数。
得到的中等平均功率用于后面的环境背景噪声估计和补偿,使用谱减法来过滤掉低频部分以达到抑制噪声的目的,进行非对称噪声抑制,得到R[m,g]。
对不同信道进行平滑处理:
g1=max(g-gw,1)
g2=min(g+gw,G)
式中,g1为频率组变量,g2为频率组变量,R[m,g′]为单信道时间掩蔽功率谱,Q[m,g′]为单信道中等时间平均功率谱,gw为4,R[m,g]为时间掩蔽功率谱。
令gw为4,利用Sg[m,g]对Pg[m,g]时频域归一化,得到能量谱:
Tg[m,g]=Pg(m,g)·Sg[m,g]
式中,Tg[m,g]为归一化后的能量谱,Sg[m,g]为平滑能量谱。
估计值μ[m]对Tg[m,g]进行平均功率归一化:
式中,λμ为系数,可设置为任意常数;Pmax为最大信道,Ug[m,g]为功率谱。
为了更加接近人耳听觉神经的压缩感知特性,不同于MFCC所采用对数非线性,PNCC采用幂律非线性压缩:
Vg[m,g]=Ug[m,g]1/15,0<g≤G
Vg[m,g]为非线性压缩功率谱,最终进行离散余弦变换和均值归一化即可得到PNCC特征矩阵C(p,j)。
在一实施例中,所述步骤S30:所述将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据,包括以下步骤:
将各所述二维特征矩阵经权重叠加为倒谱特征矩阵
C[m,g,p]={αC[m,j]+βC[g,j]+γC[p,j];
其中:α,β,γ为权重,0≤α≤1,0≤β≤1,0≤γ≤1,α+β+γ=1。
将所述倒谱特征矩阵输入至卷积神经网络,得到变压器异常告警数据。
本实施例中采用了三种倒谱系数相结合进行倒谱,MFCC主要是构建听觉模型,GFCC主要是构建基础的耳膜模型,PNCC在噪声背景下的声音特征更具有优势,通过三种基础倒谱特征,构成倒谱特征矩阵,用于后续的特征融合和声信号识别。通过三种不同权重叠加,可以实现变压器设备不同故障的精准识别,如变压器常规异响,利用标准的前端非接触传感器采用MFCC模型就可以实现精准识别;如一些微弱的内部异响,利用标准的前端接触式传声器采用GFCC模型可以实现精准识别;像变压器故障如局部放电、直流偏磁、重过载等,并且在户外复杂环境下运行,需要采用组合式传感器采用PNCC进行降噪和多维特征处理可以实现精准识别。
在一实施例中,站级监测后台通过TCP标准网络协议接入边缘计算终端转发的经过预处理的声纹数据,形成站级局域网,并使用卷积神经网络CNN作为分类器进行故障类型识别,采用混合倒谱的降维处理方式,能够从而减少后续识别模型的运算量并提升识别效果。具有监测主机的声纹监测装置应配置大容量硬盘或电子盘等存储介质,存储空间至少满足本地存储30天的需求,异常数据经规范标注后应能储存至样本库。
如图5所示,站级监测后台将识别出缺陷声纹数据,通过云边协同上送到物联网后台,物联网平台通过声纹样本标注模块对缺陷样本进行标注和审核,实现样本归集与管理。算法模型通过样本库数据集进行训练优化,经审核验证后在物联网平台统一发布。变电站声纹监测***获取优化后的算法模型进行更新应用。
此外,如图6所示,本发明第二实施例公开了一种基于端边云协同的变压器声纹监测***,所述***包括边缘计算终端、站级监测后台和物联网平台;
所述边缘计算终端,用于采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
所述站级监测后台,用于利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
所述物联网平台,用于按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
在一实施例中,所述边缘计算终端连接声纹传感器,所述声纹传感器包括非接触式传感器和接触式传感器;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
在一实施例中,所述边缘计算终端具体包括:
分帧模块,用于对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
加窗变换模块,用于对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
在一实施例中,所述站级监测后台包括:
特征矩阵生成模块,用于采用MFCC、GFCC及PNCC分别对所述时频谱图进行处理,得到对应的二维特征矩阵C(m,j)、C(g,j)、C(p,j);
异常识别模块,用于将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据。
在一实施例中,所述物联网平台包括:
巡视模块,用于基于编制的巡视任务对接入的各个站级监测后台进行远程巡视;
样本库,用于存储标注样本,所述标注样本为对所述异常告警数据进行分类并将分类结果标注在对应的所述时频谱图中得到。
具体地,边缘计算终端配置如图7所示,站级监测后台包括监测模块和样本库模块,主要用于站级设备的管理和应用,后台具有信号声压级现场校准、声压级显示和声压级过载指示,能够进行声纹图谱计算与显示,包括时域图、频域图、时频域图显示;站级***通过针对各500条6类变压器缺陷样本进行的融合特征提取后再进行神经网络模型训练,实现自动识别直流偏磁、冷却器异响、夹件松动、局部放电、短路冲击、重过载及其他异响。
建立声纹样本库模块,样本库自动保存的声纹音频文件名称满足声纹样本命名规则,包括被监测设备ID、声纹监测装置编号、原始源文件生成的日期,日期格式:YYYYMMDDHHmmSS三部分组成,***的样本库应具有声纹图谱及音频文件的保存、查询、比对、导入、导出、删除功能。
在一实施例中,由站级声纹***向上级***传输时,以UDP/TCP网络协议进行传输,采用61850/MQTT通信协议;传输的报文包括但不限于设备编码、声道数、采样率、时间戳、校验码、声音采样点的幅值或者声纹特征量。
物联网后平台在家接收到站级监测后台发送的信息后进行远程变电站声纹巡视作业:
(1)物联网后台***含巡视任务编制和巡视任务执行模块,能够对接入的各个站级***实现远程一键巡视。
巡视任务编制。在物联网后台***任务模块中进行巡视任务编制,由物联网远程巡视单元与智能巡视集中监控模块进行巡视任务的同步。
巡视任务执行。根据巡视任务,物联网智能巡视集中监控模块远程调动站级声纹监测***执行巡视任务,调动声纹监测等巡视设备执行音频数据采集工作。所采集数据经过边缘计算终端处理和识别后,上送远程智能巡视集中监控模块和物联网后台***。
(2)物联网后台声纹样本标注
站级巡视结果数据上传至物联网后台,后台***统一接入全省各地市变电站声纹数据,对异常告警数据进行分类,通过人工专家进行样本标注。
标注人员使用标注工具对某一段原始音频数据进行听诊,参照可视化时频谱图,采用框选的方式标注出该段音频数据中的异常片段,标注信息应包括:标注日期、标注人员编号、异常名称、异常开始时间、异常结束时间等。标注信息通过音频唯一标识与音频文件进行关联,标注完成后形成标注记录,存储于关系型数据库中。
若原始音频文件存在多个异常片段,应根据异常开始和结束时间切分出所有异常音频片段,并在标注后纳入异常样本库。样本库中同一批次所有异常音频文件,对应生成一个csv标注文件。标注文件内容应包括原始音频文件名称、异常片段序号、异常开始时间、异常结束时间和样本标签。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于端边云协同的变压器声纹监测方法,其特征在于,所述方法包括:
采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;
将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
2.如权利要求1所述的基于端边云协同的变压器声纹监测方法,其特征在于,所述采集变压器声纹数据的时域信号,包括:
利用非接触式传感器和/或接触式传感器对变压器的声纹数据进行采集;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
3.如权利要求1所述的基于端边云协同的变压器声纹监测方法,其特征在于,所述将所述时域信号转换为二维的时频谱图,包括:
对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
4.如权利要求1所述的基于端边云协同的变压器声纹监测方法,其特征在于,所述利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵,包括:
采用MFCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(m,j);
采用GFCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(g,j);
采用PNCC对所述时频谱图进行处理,得到对应的二维特征矩阵C(p,j)。
5.如权利要求4所述的基于端边云协同的变压器声纹监测方法,其特征在于,所述将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据,包括:
将各所述二维特征矩阵经权重叠加为倒谱特征矩阵
C[m,g,p]={αC[m,j]+βC[g,j]+γC[p,j];
其中:α,β,γ为权重,0≤α≤1,0≤β≤1,0≤γ≤1,α+β+γ=1;
将所述倒谱特征矩阵输入至卷积神经网络,得到变压器异常告警数据。
6.一种基于端边云协同的变压器声纹监测***,其特征在于,所述***包括边缘计算终端、站级监测后台和物联网平台;
所述边缘计算终端,用于采集变压器声纹数据的时域信号,并将所述时域信号转换为二维的时频谱图;
所述站级监测后台,用于利用混合倒谱系数对所述时频谱图进行处理,得到不同倒谱系数对应的二维特征矩阵;将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据;
所述物联网平台,用于按照对所述异常告警数据的分类结果对相应的所述时频谱图进行标注,形成标注样本用于对卷积神经网络进行更新。
7.如权利要求6所述的基于端边云协同的变压器声纹监测***,其特征在于,所述边缘计算终端连接声纹传感器,所述声纹传感器包括非接触式传感器和接触式传感器;
其中,所述非接触式传感器安装在落地支架上或防火墙上,所述接触式传感器紧贴变压器设备外壳布置。
8.如权利要求6所述的基于端边云协同的变压器声纹监测***,其特征在于,所述边缘计算终端具体包括:
分帧模块,用于对所述声纹数据的时域信号进行叠加分段的分帧操作,得到分帧结果;
加窗变换模块,用于对分帧结果中每帧时域数据进行加窗处理后,对窗内波形片段进行短时傅里叶变换,得到二维的时频谱图。
9.如权利要求6所述的基于端边云协同的变压器声纹监测***,其特征在于,所述站级监测后台包括:
特征矩阵生成模块,用于采用MFCC、GFCC及PNCC分别对所述时频谱图进行处理,得到对应的二维特征矩阵C[m,j]、C[g,j]、C[p,j];
异常识别模块,用于将各所述二维特征矩阵合并为倒谱特征矩阵后输入至卷积神经网络,得到变压器异常告警数据。
10.如权利要求6所述的基于端边云协同的变压器声纹监测***,其特征在于,所述物联网平台包括:
巡视模块,用于基于编制的巡视任务对接入的各个站级监测后台进行远程巡视;
样本库,用于存储标注样本,所述标注样本为对所述异常告警数据进行分类并将分类结果标注在对应的所述时频谱图中得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239288.3A CN117292713A (zh) | 2023-09-22 | 2023-09-22 | 基于端边云协同的变压器声纹监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239288.3A CN117292713A (zh) | 2023-09-22 | 2023-09-22 | 基于端边云协同的变压器声纹监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117292713A true CN117292713A (zh) | 2023-12-26 |
Family
ID=89256654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311239288.3A Pending CN117292713A (zh) | 2023-09-22 | 2023-09-22 | 基于端边云协同的变压器声纹监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292713A (zh) |
Cited By (1)
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*** |
-
2023
- 2023-09-22 CN CN202311239288.3A patent/CN117292713A/zh active Pending
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*** |
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*** |
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*** | |
US11905926B2 (en) | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof | |
CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及*** | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及*** | |
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 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
CN115618205A (zh) | 一种便携式声纹故障检测***及方法 | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
CN115932659A (zh) | 一种基于声纹特征的变压器故障检测方法 | |
CN116705039A (zh) | 一种基于ai的电力设备声纹监测***及方法 | |
CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
CN116229991A (zh) | 基于mfcc语音特征提取与机器学习的电机故障诊断方法 | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及*** | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN116168727A (zh) | 一种变压器异常声音检测方法、***、设备及存储介质 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN115406522A (zh) | 基于声纹识别的电厂设备运行状态研究与应用 | |
CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
KR20210156146A (ko) | 변압기 소음 측정 방법 및 장치 |
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 |