【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于電網(wǎng)主設(shè)備診斷，尤其涉及一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法及系統(tǒng)。
技術(shù)介紹
1、本部分的陳述僅僅是提供了與本專利技術(shù)相關(guān)的
技術(shù)介紹
信息，不必然構(gòu)成在先技術(shù)。
2、隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術(shù)的發(fā)展，智能化運(yùn)檢技術(shù)對(duì)電網(wǎng)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)控、狀態(tài)評(píng)估和故障診斷，實(shí)現(xiàn)了電網(wǎng)運(yùn)行的智能化管理和優(yōu)化，降低了電力企業(yè)的運(yùn)行成本和故障處理時(shí)間。高清視頻、機(jī)器人以及計(jì)算機(jī)視覺等智能巡視技術(shù)的應(yīng)用實(shí)現(xiàn)了外部狀態(tài)客觀和遠(yuǎn)程智能巡視。但是對(duì)于電網(wǎng)主設(shè)備內(nèi)部運(yùn)行狀態(tài)缺乏更全面的檢測(cè)手段。
3、當(dāng)電網(wǎng)主設(shè)備中例如變壓器正常運(yùn)行時(shí)，會(huì)發(fā)出均勻的嗡嗡聲。一旦變壓器產(chǎn)生不均勻聲音或異音，可能是因?yàn)樽儔浩鬟^負(fù)荷、負(fù)荷急劇變化、系統(tǒng)短路、電網(wǎng)發(fā)生過電壓、變壓器鐵芯夾緊件松動(dòng)、變壓器內(nèi)部故障放電打火、絕緣擊穿或匝間短路等原因，同時(shí)，可能會(huì)出現(xiàn)變壓器本體或部件局部溫度升高的現(xiàn)象，或者出現(xiàn)溫度表讀數(shù)異常、套管局部放電、呼吸器硅膠變色、部件表面油污、油封油位異常等外觀缺陷。當(dāng)變壓器處于這些異常運(yùn)行狀態(tài)時(shí)，應(yīng)及時(shí)給出告警信號(hào)，以避免故障的發(fā)生。
4、目前的故障診斷方法存在以下技術(shù)問題：
5、1、故障診斷方法主要通過在云端的大數(shù)據(jù)分析平臺(tái)對(duì)數(shù)據(jù)進(jìn)行分析處理，由于現(xiàn)場(chǎng)的數(shù)據(jù)類型多、數(shù)據(jù)檢測(cè)量大，在高并發(fā)情況下，對(duì)數(shù)據(jù)的處理能力不足，導(dǎo)致實(shí)時(shí)性降低；
6、2、設(shè)備聲紋診斷可能受到外部環(huán)境噪聲的干擾，如電磁干擾、人聲、鳥鳴等，這些噪聲會(huì)對(duì)聲紋診斷的準(zhǔn)確性造成影響。
7、3、樣本數(shù)據(jù)
8、4、數(shù)據(jù)之間的融合診斷分析能力不足，各位監(jiān)測(cè)運(yùn)維手段產(chǎn)生聲紋、可見光、紅外等多種感知數(shù)據(jù)，但是多源數(shù)據(jù)的協(xié)同診斷分析能力不足，無法進(jìn)行更精準(zhǔn)的設(shè)備狀態(tài)評(píng)價(jià)。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述
技術(shù)介紹
中存在的至少一項(xiàng)技術(shù)問題，本專利技術(shù)提供一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法及系統(tǒng)，其在完成聲紋信號(hào)采集后，在邊緣側(cè)對(duì)信號(hào)進(jìn)行譜減法降噪、聲紋信噪比計(jì)算、異常檢測(cè)等流程，將檢測(cè)出的異常信號(hào)上傳到云端平臺(tái)進(jìn)行精確分類；檢測(cè)出的故障數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充以進(jìn)行模型的增量學(xué)習(xí)優(yōu)化，優(yōu)化后的模型可以在線更新或下發(fā)至邊緣側(cè)硬件。
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用如下技術(shù)方案：
3、本專利技術(shù)的第一方面提供一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，包括如下步驟：
4、獲取電網(wǎng)主設(shè)備的聲紋數(shù)據(jù)、可見光圖像數(shù)據(jù)及紅外圖像數(shù)據(jù)；
5、對(duì)獲取的聲紋數(shù)據(jù)進(jìn)行噪聲抑制，得到噪聲抑制后的聲紋數(shù)據(jù)；
6、在邊緣側(cè)，將噪聲抑制后的聲紋特征和設(shè)置的條件特征作為組合特征對(duì)異常檢測(cè)模型進(jìn)行訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值；采用訓(xùn)練后的異常檢測(cè)模型計(jì)算待檢測(cè)聲紋數(shù)據(jù)的風(fēng)險(xiǎn)值，當(dāng)風(fēng)險(xiǎn)值大于最佳風(fēng)險(xiǎn)閾值，判定為異常聲紋數(shù)據(jù)；
7、在云端，結(jié)合檢測(cè)得到的異常聲紋數(shù)據(jù)，融合可見光圖像數(shù)據(jù)及紅外圖像數(shù)據(jù)，對(duì)異常聲紋數(shù)據(jù)進(jìn)行二次分類，得到異常聲紋信號(hào)診斷結(jié)果。
8、進(jìn)一步地，對(duì)獲取的聲紋數(shù)據(jù)進(jìn)行噪聲抑制，得到噪聲抑制后的聲紋數(shù)據(jù)，包括：
9、根據(jù)本底聲紋估計(jì)模塊得到的本底聲紋估計(jì)結(jié)果，對(duì)每幀數(shù)據(jù)進(jìn)行信噪比計(jì)算，根據(jù)設(shè)定的噪聲一致閾值門限，確定待去噪幀序號(hào)；
10、通過本底聲紋估計(jì)模塊中得到的本底聲紋信號(hào)幅度譜信息及噪聲時(shí)段估計(jì)模塊中得到的噪聲段信號(hào)的相位譜信息進(jìn)行數(shù)據(jù)融合處理得到譜替后融合全譜信息；
11、基于譜替后融合全譜信息，進(jìn)行ifft計(jì)算得到降噪后的時(shí)域信號(hào)。
12、進(jìn)一步地，所述將噪聲抑制后的聲紋特征和設(shè)置的條件特征作為組合特征對(duì)異常檢測(cè)模型進(jìn)行訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值，包括：
13、將變壓器聲紋特征s和設(shè)置的條件特征c組合為輸入特征x＝(s，c)，經(jīng)過生成編碼器ge得到隱向量z，經(jīng)過生成解碼器gd得到x的重構(gòu)特征再經(jīng)過額外的編碼器e，得到隱向量的重構(gòu)特征基于組合特征x和重構(gòu)特征輸入至判別器d，判決器和編碼器ge和解碼器gd組合得到的生成器，通過不斷的對(duì)抗訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值。
14、進(jìn)一步地，使用訓(xùn)練好的生成編碼器ge、生成解碼器gd、編碼器e來計(jì)算重構(gòu)損失和編碼損失，并計(jì)算待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)r′值，當(dāng)待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)r′值超過訓(xùn)練得到的風(fēng)險(xiǎn)閾值r時(shí)，可判定為異常數(shù)據(jù)。
15、進(jìn)一步地，異常檢測(cè)模型整體損失的計(jì)算公式為：
16、l＝ladv+αlrec+βlenc，
17、
18、
19、
20、其中，其中，ladv為對(duì)抗損失，lrec為重構(gòu)損失，lenc為編碼損失，α和β為權(quán)重系數(shù)，xi表示輸入特征的第i個(gè)元素，表示重構(gòu)特征的第i個(gè)元素，d(x，c)表示條件特征向量經(jīng)過判別器的輸出，表示從正樣例樣本分布pdata(x)中抽取樣本x并對(duì)其進(jìn)行期望的操作，表示從正樣例樣本分布pdata(x)中重構(gòu)特征并對(duì)其進(jìn)行期望的操作，表示生成的重構(gòu)特征經(jīng)判決器d的輸出。
21、進(jìn)一步地，聲紋特征包括mfcc、時(shí)頻圖和梅爾譜圖，條件特征包括變壓器電壓等級(jí)、冷卻方式、生產(chǎn)廠家和所屬場(chǎng)站。
22、進(jìn)一步地，條件特征組合后使用one-hot編碼。
23、進(jìn)一步地，所述結(jié)合檢測(cè)得到的異常聲紋數(shù)據(jù)，融合可見光圖像數(shù)據(jù)及紅外圖像數(shù)據(jù)，對(duì)異常聲紋數(shù)據(jù)進(jìn)行二次分類，得到異常聲紋信號(hào)診斷結(jié)果，包括：
24、對(duì)聲紋數(shù)據(jù)進(jìn)行擴(kuò)充得到擴(kuò)充后的聲紋數(shù)據(jù)；
25、將可見光圖像、紅外圖像和擴(kuò)充后的聲紋數(shù)據(jù)多種模態(tài)映射到一個(gè)共同的表示空間中，構(gòu)建了一個(gè)具有集外觀缺陷標(biāo)簽、溫度標(biāo)簽、聲紋頻譜的多源結(jié)構(gòu)的電網(wǎng)主設(shè)備缺陷圖像數(shù)據(jù)集；
26、基于構(gòu)建的電網(wǎng)主設(shè)備缺陷圖像數(shù)據(jù)集和訓(xùn)練后的多模態(tài)特征提取網(wǎng)絡(luò)得到可見光圖像特征、紅外圖像特征和聲紋圖像特征；
27、通過相互注意力機(jī)制對(duì)可見光圖像特征、紅外圖像特征和聲紋圖像特征加權(quán)融合，得到融合后的電網(wǎng)主設(shè)備特征向量；
28、根據(jù)融合后的電網(wǎng)主設(shè)備特征向量識(shí)別得到異常聲紋信號(hào)類型。
29、進(jìn)一步地，所述對(duì)聲紋數(shù)據(jù)進(jìn)行擴(kuò)充得到擴(kuò)充后的聲紋數(shù)據(jù)，包括：
30、選擇基準(zhǔn)聲紋樣本，計(jì)算有效值；
31、分別計(jì)算兩個(gè)或多個(gè)樣本幅值譜，保留基準(zhǔn)樣本的相位譜；
32、基于樣本幅值譜，對(duì)所有樣本根據(jù)設(shè)定的峰值條件進(jìn)行峰值幅值序列提取，得到峰值幅值序列；
33、對(duì)各峰值幅值序列進(jìn)行隨機(jī)加權(quán)處理，得到增強(qiáng)后的峰值幅值序列；
34、對(duì)增強(qiáng)后的峰值幅值序列按照樣本權(quán)重進(jìn)行求和計(jì)算，得到混合峰值序列；
35、按照基準(zhǔn)序列有效值和相位譜及混合后峰值序列幅值譜進(jìn)行ifft計(jì)算，得到多樣本混合增強(qiáng)后樣本。
36、進(jìn)一步地，利用psosift方法對(duì)三種模態(tài)圖像進(jìn)行像素級(jí)對(duì)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，對(duì)獲取的聲紋數(shù)據(jù)進(jìn)行噪聲抑制，得到噪聲抑制后的聲紋數(shù)據(jù)，包括：
3.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述將噪聲抑制后的聲紋特征和設(shè)置的條件特征作為組合特征對(duì)異常檢測(cè)模型進(jìn)行訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值，包括：
4.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，使用訓(xùn)練好的生成編碼器GE、生成解碼器GD、編碼器E來計(jì)算重構(gòu)損失和編碼損失，并計(jì)算待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)R′值，當(dāng)待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)R′值超過訓(xùn)練得到的風(fēng)險(xiǎn)閾值R時(shí)，可判定為異常數(shù)據(jù)。
5.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，異常檢測(cè)模型整體損失的計(jì)算公式為：
6.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，聲紋特征包括MFCC、時(shí)頻圖和梅爾譜圖，條件特征包括變壓器電壓等級(jí)、冷卻
7.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，條件特征組合后使用one-hot編碼。
8.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述結(jié)合檢測(cè)得到的異常聲紋數(shù)據(jù)，融合可見光圖像數(shù)據(jù)及紅外圖像數(shù)據(jù)，對(duì)異常聲紋數(shù)據(jù)進(jìn)行二次分類，得到異常聲紋信號(hào)診斷結(jié)果，包括：
9.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述對(duì)聲紋數(shù)據(jù)進(jìn)行擴(kuò)充得到擴(kuò)充后的聲紋數(shù)據(jù)，包括：
10.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，利用PSOSIFT方法對(duì)三種模態(tài)圖像進(jìn)行像素級(jí)對(duì)齊，多種模態(tài)映射到一個(gè)共同的表示空間中，然后，進(jìn)行工標(biāo)注、Mosaic數(shù)據(jù)增強(qiáng)及歸一化預(yù)處理，構(gòu)建了得到具有集外觀缺陷標(biāo)簽、溫度標(biāo)簽、聲紋頻譜的多源結(jié)構(gòu)的電網(wǎng)主設(shè)備缺陷圖像數(shù)據(jù)集。
11.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，多模態(tài)特征提取網(wǎng)絡(luò)為CNN與Transformer網(wǎng)絡(luò)雙分支并行的多尺度網(wǎng)絡(luò)，分別選用CNN網(wǎng)絡(luò)的第一層特征層、最后一層特征層與transformfer融合后網(wǎng)絡(luò)，分別記為F0，F(xiàn)_L，針對(duì)不同場(chǎng)景下目標(biāo)特性，采用加權(quán)策略融合，當(dāng)檢測(cè)大場(chǎng)景下小目標(biāo)時(shí)，加大F0權(quán)重融合占比；當(dāng)檢測(cè)到大目標(biāo)時(shí)，加大F_L權(quán)重融合比例。
12.一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，采用如權(quán)利要求1-11任一項(xiàng)所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，包括數(shù)據(jù)采集模塊、邊緣計(jì)算裝置和云端平臺(tái)；所述邊緣計(jì)算裝置包括噪聲抑制模塊和異常檢測(cè)模塊；
13.如權(quán)利要求12所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊中，聲紋數(shù)據(jù)通過聲音信號(hào)采集裝置采集，聲音信號(hào)采集裝置通過使用數(shù)字麥克風(fēng)和模擬麥克風(fēng)協(xié)同采集，數(shù)字麥克風(fēng)將聲音信號(hào)以數(shù)字?jǐn)?shù)據(jù)的形式進(jìn)行存儲(chǔ)，模擬麥克風(fēng)帶有可存儲(chǔ)振動(dòng)信號(hào)的物理磁盤，振動(dòng)信號(hào)以劃線的形式將振動(dòng)信號(hào)以振動(dòng)線條痕跡的形式存儲(chǔ)在物理磁盤中，在采集裝置后方設(shè)有合并交集處理單元，將數(shù)字麥克風(fēng)和模擬麥克風(fēng)的信號(hào)進(jìn)行合并處理，取交集信號(hào)作為最終采集的輸出信號(hào)。
14.如權(quán)利要求13所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，合并交集處理單元中，將數(shù)字麥克風(fēng)和模擬麥克風(fēng)的信號(hào)進(jìn)行合并處理，包括：
15.如權(quán)利要求12所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，所述噪聲抑制模塊包括本底聲紋估計(jì)模塊、噪聲時(shí)段估計(jì)模塊、譜替計(jì)算模塊和數(shù)據(jù)還原模塊；
16.如權(quán)利要求12所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，所述異常檢測(cè)模塊被配置為：將噪聲抑制后的聲紋特征和設(shè)置的條件特征作為組合特征對(duì)異常檢測(cè)模型進(jìn)行訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值，包括：
17.如權(quán)利要求12所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，聲紋特征包括MFCC、時(shí)頻圖和梅爾譜圖，條件特征包括變壓器電壓等級(jí)、冷卻方式、生產(chǎn)廠家和所屬場(chǎng)站。
18.如權(quán)利要求12所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷系統(tǒng)，其特征在于，所述云端平臺(tái)包括數(shù)據(jù)擴(kuò)充模塊、數(shù)據(jù)集構(gòu)建模塊、多模態(tài)特征提取模塊、多模態(tài)特征融合及缺陷識(shí)別模塊；
...【技術(shù)特征摘要】
1.一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，對(duì)獲取的聲紋數(shù)據(jù)進(jìn)行噪聲抑制，得到噪聲抑制后的聲紋數(shù)據(jù)，包括：
3.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述將噪聲抑制后的聲紋特征和設(shè)置的條件特征作為組合特征對(duì)異常檢測(cè)模型進(jìn)行訓(xùn)練，得到最佳風(fēng)險(xiǎn)閾值，包括：
4.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，使用訓(xùn)練好的生成編碼器ge、生成解碼器gd、編碼器e來計(jì)算重構(gòu)損失和編碼損失，并計(jì)算待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)r′值，當(dāng)待檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)r′值超過訓(xùn)練得到的風(fēng)險(xiǎn)閾值r時(shí)，可判定為異常數(shù)據(jù)。
5.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，異常檢測(cè)模型整體損失的計(jì)算公式為：
6.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，聲紋特征包括mfcc、時(shí)頻圖和梅爾譜圖，條件特征包括變壓器電壓等級(jí)、冷卻方式、生產(chǎn)廠家和所屬場(chǎng)站。
7.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，條件特征組合后使用one-hot編碼。
8.如權(quán)利要求1所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述結(jié)合檢測(cè)得到的異常聲紋數(shù)據(jù)，融合可見光圖像數(shù)據(jù)及紅外圖像數(shù)據(jù)，對(duì)異常聲紋數(shù)據(jù)進(jìn)行二次分類，得到異常聲紋信號(hào)診斷結(jié)果，包括：
9.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，所述對(duì)聲紋數(shù)據(jù)進(jìn)行擴(kuò)充得到擴(kuò)充后的聲紋數(shù)據(jù)，包括：
10.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，利用psosift方法對(duì)三種模態(tài)圖像進(jìn)行像素級(jí)對(duì)齊，多種模態(tài)映射到一個(gè)共同的表示空間中，然后，進(jìn)行工標(biāo)注、mosaic數(shù)據(jù)增強(qiáng)及歸一化預(yù)處理，構(gòu)建了得到具有集外觀缺陷標(biāo)簽、溫度標(biāo)簽、聲紋頻譜的多源結(jié)構(gòu)的電網(wǎng)主設(shè)備缺陷圖像數(shù)據(jù)集。
11.如權(quán)利要求8所述的一種基于聲紋云邊協(xié)同的電網(wǎng)主設(shè)備故障診斷方法，其特征在于，多模態(tài)特征提取網(wǎng)絡(luò)為cnn與tra...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郭修宵，王正，王振利，李陽，任杰，王童，李濤，張志，李建祥，李巖，周大洲，王萬國，許榮浩，王琦，
申請(qǐng)(專利權(quán))人：國網(wǎng)智能科技股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。