调相机设备状态在线监测方法、系统、终端和存储介质技术方案

本发明专利技术公开了一种调相机设备状态在线监测方法、系统、终端和存储介质。本发明专利技术的调相机设备状态在线监测方法，其包括：首先，采集调相机设备不同状态的声纹与振动原始数据；其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。本发明专利技术利用辨识度高、可靠性强的设备状态感知方法，实现了调相机设备状态的实时监测和状态感知，提升了设备运行的稳定性。提升了设备运行的稳定性。提升了设备运行的稳定性。

【技术实现步骤摘要】
调相机设备状态在线监测方法、系统、终端和存储介质


[0001]本专利技术涉及调相机设备状态监测
，特别是涉及一种基于声纹振动的调相机设备状态在线监测方法、系统、终端及存储介质。

技术介绍

[0002]调相机设备作为一种动态无功功率补偿装置，具有自动快速调节无功功率的作用，其设备的稳定运行可提升电力系统的稳定性、改善系统供电质量，在支撑电网安全运行中发挥着重要作用。但限于设备的体积庞大、结构复杂，调相机设备早期缺陷通常难以被发现，因此，如何实现设备实时工作状态的可靠感知意义重大。
[0003]传统的状态监测方法主要基于振动传感器进行采集，但该方法需要针对每种设备进行独立的监测系统设计和构建，且通常为获得完整的监测设备状态参量，还需布置大量传感器，增加了工作量与实际成本。由于设备的异常振动会向外辐射噪声，同时噪声的采集为非侵入式检测、采集成本低、采集效率高，因此也在电力设备的状态检测中得到了应用。但对于系统结构繁多、工作环境复杂的调相机设备而言，仅利用常规单一信号的检测方法，难以实现被监测设备状态参量的全面感知。
[0004]有鉴于此，有必要提供一种有效融合多参量感知信号的调相机设备状态在线监测方法，在得到被检测设备丰富状态参量的同时，提高设备的运行效率和可靠性，降低生产停机时间和维修成本，最终达到提升电力系统运行稳定性的目的。

技术实现思路

[0005]鉴于以上所述现有技术存在的缺点，本专利技术的目的在于提供一种基于声纹振动的调相机设备状态监测方法及系统，其利用辨识度高、可靠性强的设备状态感知方法，以实现调相机设备状态的实时监测和状态感知，提升设备运行的稳定性。
[0006]为实现上述目的，本专利技术采用的一种技术方案如下：一种调相机设备状态监测方法，其包括：
[0007]首先，采集调相机设备不同状态的声纹与振动原始数据；
[0008]其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；
[0009]然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；
[0010]最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。
[0011]进一步地，利用相空间映射技术实现声纹一维时域信号x和振动一维时域信号y的相空间重构为：
[0012][0013]式中，X
i
和Y
i
分别表示重构后的声纹和振动信号向量，m表示嵌入维数，τ表示延迟
时间，N表示时域信号离散点数。
[0014]进一步地，借助稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素，其计算公式如下：
[0015][0016]式中，x
i
、x
j
分别表示第i、j个声纹信号数据，y
i
、y
j
分别表示第i、j个振动信号数据。
[0017]进一步地，利用拉普拉斯金字塔技术实现声纹和振动二维图谱的融合，其融合计算公式如下：
[0018]LF
N
(i,j)＝w
A
LPA
N
+w
B
LPB
N
(3)
[0019]式中，LPA
N
为通道A图像的N层拉普拉斯金字塔的顶层；LPB
N
为通道B图像的N层拉普拉斯金字塔的顶层；LF
N
为融合图像拉普拉斯金字塔的顶层；w
A
、w
B
分别为通道A、B图像的权重。
[0020]进一步地，利用LeNet
‑
5卷积神经网络以实现不同调相机设备不同运行状态下的有效识别，该LeNet
‑
5卷积神经网络是一种智能的自学习模型，包括集成学习、反向传播和选择优化，其卷积层及池化层的计算公式为：
[0021][0022]式中，f()表示激活函数，X
i,j
表示第i行、第j列的输入元素，σ表示卷积核元素，m、n分别表示卷积核的宽度和高度，δ表示误差偏移量，D()表示下采样，Y
i,j
表示池化区域中的元素，M表示卷积核在输入特征图上的坐标位置，即卷积过程中滤波器的空间位置。
[0023]本专利技术采用的另一种技术方案如下：调相机设备状态在线监测系统，其包括数据采集单元、数据处理单元和声振图谱融合单元；
[0024]所述的数据采集单元用于采集调相机设备的声纹和振动信号；
[0025]所述的数据处理单元用于处理原始声纹和振动信号数据，并将数据传送至所述声振图谱融合单元；
[0026]所述的声振图谱融合单元用于处理、计算声纹和振动数据，实现声振二维图谱的融合；
[0027]所述声振图谱融合单元的具体处理过程如下：
[0028]利用相空间映射技术实现声纹和振动一维时域信号的精准映射，借助动态时间规整方法构造声纹和振动的二维图谱矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的融合，获得可充分表征调相机当前状态的融合图像，最后借助卷积神经网络实现调相机设备状态的智能辨识。
[0029]进一步地，所述的调相机设备状态在线监测系统还包括结果显示单元，所述的结果显示单元用于显示调相机设备不同状态的声振融合图谱以及状态识别/诊断结果的输
出。
[0030]进一步地，所述的数据处理单元包括：收集所述数据采集单元获得的声纹和振动信号并进行信号放大，ADC采集和信号存储。
[0031]与本专利技术的一种调相机设备状态在线监测方法相应地，本专利技术还提供一种计算机监测终端，其包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的调相机设备状态在线监测方法。
[0032]与本专利技术的一种调相机设备状态在线监测方法相应地，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的调相机设备状态在线监测方法。
[0033]与现有的常规技术相比，本专利技术具有以下有益效果：本专利技术提出的一种基于声纹振动的调相机设备状态在线监测方法，克服了常规监测方法难以全面感知监测设备的不足，能够有效感知调相机设备的工作状态变化程度；利用精度高的相空间重构技术充分挖掘调相机设备一维时域声学和振动数据的潜在状态参量信息，并借助于稳定性强的动态时间规整技术构造声纹和振动的二维可视化矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的充分融合，最终获得可充分表征调相机当前状态的融合图像。本专利技术所述的方法计算高效、实现便捷，在得到能够充分表征调相机设备当前工作状态的融合图谱的基础上，借助卷积神经网络最终实现调相机设备状态的可靠辨识。
[0034]综上，本专利技术计算高效、实现便捷、结果展示直观，得到的融合图谱所包含的调相机设备状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.调相机设备状态在线监测方法，其特征在于，包括：首先，采集调相机设备不同状态的声纹与振动原始数据；其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。2.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用相空间映射技术实现声纹一维时域信号x和振动一维时域信号y的相空间重构为：式中，X
i
和Y
i
分别表示重构后的声纹和振动信号向量，m表示嵌入维数，τ表示延迟时间，N表示时域信号离散点数。3.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，借助稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素，其计算公式如下：式中，x
i
、x
j
分别表示第i、j个声纹信号数据，y
i
、y
j
分别表示第i、j个振动信号数据。4.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用拉普拉斯金字塔技术实现声纹和振动二维图谱的融合，其融合计算公式如下：LF
N
(i,j)＝w
A
LPA
N
+w
B
LPB
N
(3)式中，LPA
N
为通道A图像的N层拉普拉斯金字塔的顶层；LPB
N
为通道B图像的N层拉普拉斯金字塔的顶层；LF
N
为融合图像拉普拉斯金字塔的顶层；w
A
、w
B
分别为通道A、B图像的权重。5.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用LeNet
‑
5卷积神经网络以实现不同调相机设备不同运行状态下的有效识别，该...

【专利技术属性】
技术研发人员：李文博，金涌涛，杨勇，董雪松，张帅，卢洪坤，赵琳，施吉祥，王在华，冯宇哲，温典，于兵，林浩凡，何坚，郑文哲，卫博，宋国权，赵璐旻，李泽宇，汪斌，杨万波，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：