一種基于聲紋識別的高壓斷路器機械故障在線診斷方法技術

本發明專利技術公開了一種基于聲紋識別的高壓斷路器機械故障在線診斷方法，包括聲音傳感器、狀態監測前端、云端服務器和客戶終端。所述聲音傳感器安裝開關柜外殼處，聲音傳感器與狀態監測前端相連，狀態監測前端將其信號處理后，按照設定的通訊時間發送給云端服務器；云端服務器對監測數據進行存儲，同時基于聲音數據歷史記錄，進行數據預處理、算法分析，識別故障；同時，云端服務器向客戶終端發送實時的監測數據，以及識別結果，用戶通過客戶終端查詢歷史數據及高壓斷路器設備故障識別結果。本發明專利技術通過斷路器動作的聲音信號監測以及算法分析識別的方式，來判斷高壓斷路器是否發生機械故障，以保證斷路器的安全穩定運行并對其設備維修計劃提供參考。修計劃提供參考。修計劃提供參考。

【技術實現步驟摘要】
一種基于聲紋識別的高壓斷路器機械故障在線診斷方法


[0001]本專利技術屬于人工智能技術、電力設備在線監測與故障診斷領域，具體涉及一種基于聲紋識別的高壓斷路器機械故障在線診斷方法。

技術介紹

[0002]高壓斷路器通過開斷、關合及承載運行線路的正常或異常電流，在電力系統中起著非常重要的保護與控制作用，它的運行狀態對電力系統的穩定性和可靠性具有重大的影響。為了滿足電弧控制的要求，高壓斷路器必須保持良好的機械特性。
[0003]高壓斷路器的主要缺陷一般有本體故障、操動機構故障及二次回路故障。當前，操動機構故障、二次回路故障等仍是高壓斷路器的主要故障類型；而根據對斷路器故障發生情況的統計資料，國內63.2％的斷路器故障是由操作機構造成的。斷路器本體的故障中，彈簧機構故障多表現為彈簧疲勞、卡澀等，進而導致斷路器的動作可靠性下降及分合閘速度不足等問題。斷路器在運輸及組裝過程中，也可能因為振動導致螺釘等部件松動，進而造成間隙變異故障，間隙過大或過小可能造成動作不到位或動能不足的問題，進而導致分合閘失敗。
[0004]為了改善此類問題，通過監測手段獲取斷路器的各種物理信號，再對其分析定位、診斷故障，成為了一種必要的解決方案，是目前斷路器故障檢測領域的發展趨勢。
[0005]所以，一種有效、易實現、準確率高、魯棒性強的斷路器故障診斷在線監測方法對維護電力系統正常運維有很大的價值，從計劃維護(Scheduled maintenance,SM)這種根據生產計劃和經驗,按規定的時間間隔進行停機檢查、解體、更換零部件,以期預防設備損壞、繼發性毀壞及生產損失的方法轉變為更經濟更合理的視情維護(Condition
?
based maintenance，CBM)這種以系統實際運行狀態為依據的維護策略,通過對主要的(或有需要的)部位進行定期(或連續)的狀態監測,當有證據表明系統需要進行維護時才實施維護活動的方法。
[0006]通過在線監測方法可以有效識別電力設備的運行狀態，及時預知、預防劣化故障的發生和發展。研究結果表明，電流的波形穩定性好、簡單直觀，但是僅依靠電流信號不能全面地診斷斷路器的各種故障，尤其是無法診斷發生在電磁鐵部分之外的故障，而這些故障正是高壓斷路器的主要故障；而振動信號雖然可以檢測出本體故障和操動機構故障，但是因為需要與斷路器本體進行接觸，且斷路器運動過程中可能會帶動檢測振動信號的加速度傳感器位移，導致每次傳遞的信號不一致，影響診斷的準確率。

技術實現思路

[0007]為解決上述問題，本專利技術公開了一種基于聲紋識別的高壓斷路器機械故障在線診斷系統及方法，通過非接觸的方式實時準確監測斷路器設備狀態聲音信號，通過后臺算法識別故障情況，在識別到明顯異常狀態后及時發送給客戶終端，不僅能夠彌補現有檢測手段的不足，填補高壓斷路器在線監測技術的空白，而且能有效地實時監控高壓斷路器的運
行狀態，以及時發現潛在故障缺陷，進一步保證轄區內配電網絡的安全穩定運行。
[0008]為達到上述目的，本專利技術的技術方案如下：
[0009]一種基于聲紋識別的高壓斷路器機械故障在線診斷方法，包括聲音傳感器、狀態監測前端、云端服務器和客戶終端。所述聲音傳感器安裝在開關柜外殼并與狀態監測前端相連，狀態監測前端將其信號進行Mel濾波處理后，在斷路器每一次即將動作時錄制音頻數據并發送給所述云端服務器；云端服務器對監測數據進行存儲，同時進行數據預處理、算法分析，識別異常故障；云端服務器向客戶終端發送實時的監測數據，以及斷路器本體和操動機構的異常故障識別結果；用戶通過客戶終端查詢歷史數據以及故障識別結果，從而獲得斷路器故障情況并據此安排檢修。
[0010]具體包括以下步驟：
[0011](1)首先在斷路器動作時，聲音傳感器拾取設備動作聲音并傳輸給狀態監測前端進行濾波預處理。
[0012](2)設計包含高階頻域特征提取模塊、時序信號提取模塊、softmax分類模塊的深度神經網絡，訓練后可用于對故障樣本進行分類，以達到故障診斷的效果。
[0013](3)模擬多種故障現場并錄制聲音樣本，針對不同動作不同故障情況的聲音樣本進行神經網絡模型訓練，將訓練后得到的模型作為最終的故障診斷算法。
[0014]進一步的，步驟(1)中對于信號進行預加重和分幀，加窗，經過mel濾波器組：對采樣后的數字信號預加重的公式為：
[0015]y(n)＝x(n)
?
α
·
x(n
?
1)#(1)
[0016]其中α取0.95，n∈最大值是聲音信號的時間
×
信號采樣率sr、最小值為1的整數集。
[0017]加窗時的窗函數公式為：
[0018][0019]其中α取0.46，n∈最大值是幀長(25ms)
×
信號采樣率sr、最小值為1的整數集，N為幀長(25ms)
×
信號采樣率sr。
[0020]梅爾濾波器組的刻度選擇為[0,fm_max]的32均等分值，并以如下公式轉換為mel頻率并投影到[0,N/2]的頻率區間上：
[0021][0022][0023]其中N為傅里葉變換選擇的頻率范圍，fs為采樣頻率
[0024]梅爾濾波器矩陣生成的公式如下：
[0025]H
m
(n)＝0，n＜k(m
?
1)#
[0026][0027][0028]H
m
(n)＝0，n≥k(m+1)#
[0029]其中k值的集合為上一步公式(3)、(4)生成的mel頻率向量。
[0030]進一步的，步驟(2)中的頻域特征提取模塊和時序信息特征提取模塊的網絡結構如圖4所示，其中頻域特征提取包含兩個模塊ResBlock和expansion
?
Resblock，分別作為特征提取過程的主要結構組成部分。
[0031][0032][0033][0034]其中公式(6)為conv層公式，為上層對于范圍的頻域特征，而k為特征對應的可學習參數；公式(7)為BN層公式，X為每個channel的所有batch對應的特征，γ與β都是可學習參數。公式(8)為relu層公式，其中x為經過conv層感知和bn層歸一化后的所有特征值。
[0035]時序信息提取模塊：
[0036]z
t
＝σ(W
z
(x
t
)+U
z
(h
t
?1))(更新門)#(9)
[0037]r
t
＝σ(W
r
(x
t
)+Ur(h
t
?1))(重置門)
[0038][0039][0040]其中z
t
為GRU模塊中的更新門值，r
t
為重置門值，為隱藏單元值，h
t
為輸入下一個時間步的值。
[0041]最本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于聲紋識別的高壓斷路器機械故障在線診斷方法，其特征在于：包括聲音傳感器、狀態監測前端、云端服務器和客戶終端，所述聲音傳感器安裝在開關柜外殼并與狀態監測前端相連，狀態監測前端將其信號進行Mel濾波處理后，在斷路器每一次即將動作時錄制音頻數據并發送給所述云端服務器；云端服務器對監測數據進行存儲，同時進行數據預處理、算法分析，識別異常故障；云端服務器向客戶終端發送實時的監測數據，以及斷路器本體和操動機構的異常故障識別結果；用戶通過客戶終端查詢歷史數據以及故障識別結果，從而獲得斷路器故障情況并據此安排檢修；具體包括以下步驟：(1)首先在斷路器動作時，聲音傳感器拾取設備動作聲音并傳輸給狀態監測前端進行預加重、分幀、加窗、梅爾濾波的預處理操作；(2)設計包含高階頻域特征提取模塊、時序信號提取模塊、softmax分類模塊的深度神經網絡，訓練后可用于對故障樣本進行分類，以達到故障診斷的效果；(3)模擬多種故障現場并錄制聲音樣本，針對不同動作不同故障情況的聲音樣本進行神經網絡模型訓練，將訓練后得到的模型作為最終的故障診斷算法。2.根據權利要求1所述的一種基于聲紋識別的高壓斷路器機械故障在線診斷方法，其特征在于：所述步驟(1)中對于信號進行預加重和分幀，加窗，經過mel濾波器組：對采樣后的數字信號預加重的公式為：y(n)＝x(n)
?
α
·
x(n
?
1)#(1)其中α取0.95，n∈最大值是聲音信號的時間
×
信號采樣率sr、最小值為1的整數集；加窗時的窗函數公式為：其中α取0.46，n∈最大值是幀長
×
信號采樣率sr、最小值為1的整數集，N為幀長
×
信號采樣率sr；梅爾濾波器組的刻度選擇為[0，fm_max]的32均等分值，并以如下公式轉換為mel頻率并投影到[0，N/2]的頻率區間上：并投影到[0，N/2]的頻率區間上：其中N為傅里葉變換選擇的頻率范圍，fs為采樣頻率梅爾濾波器矩陣生成的公式如下：H
m
(n)＝0，n＜k(m
...

【專利技術屬性】
技術研發人員：吳在軍，戴錦澄，許佳杰，周旭峰，馬俊陽，
申請(專利權)人：南京中大智能科技有限公司，
類型：發明
國別省市：