【技术实现步骤摘要】
本专利技术属于故障诊断方法，涉及基于mfcc-cnn的配用电设备故障类型识别方法。
技术介绍
1、在电力领域，配用电设备在运行过程中，由于机械振动会产生声音。正常运行下的振动声音一般具有一定的规律性，但当设备发生某种故障后，由于运行状态或运行结构改变，其声音也会随之改变。比如出现机械故障时，其振动特性或部分频段内的振动能量将发生改变，因此会产生刺耳或尖锐的声音。此外，配用电设备的超负荷运行或其他故障也会引起异常的声音变化。因此，配用电设备的振动声音信号包含许多运行状态信息。
2、由于配用电设备在运行时经常处于高压、强电以及磁场等复杂环境下，不利于采用接触式传感器进行故障检测，因此可以采用基于声音信号的非接触式检测方法。传统的基于声信号判断方法是人工根据设备的异常声音，通过音色、音量、音高等音频特征的变化判断出设备是否处于不正常运行状态，甚至判别出故障的类型和严重程度。但人工判断费时费力，且效率低下。
技术实现思路
1、本专利技术的目的是提供一种基于mfcc-cnn的配用电设备故障类型识别方法，解决了现有技术中存在的故障诊断效率低问题。
2、本专利技术所采用的技术方案是，基于mfcc-cnn的配用电设备故障类型识别方法，包括以下步骤：
3、步骤1、采集配用电设备故障声音信号，并标注故障类型，得到故障数据集；
4、步骤2、对故障数据集中故障声音信号进行预处理；
5、步骤3、对预处理后的故障声音信号进行快速离散傅里叶变换，得到故
6、步骤4、对频谱提取梅尔频率倒谱系数，将其作为声音特征；
7、步骤5、构建基于卷积神经网的识别模型，将声音特征输入基于卷积神经网的识别模型进行训练，得到配用电设备故障识别模型；
8、步骤6、对待识别故障声音信号提取声音特征，将其输入配用电设备故障识别模型，得到故障声音信号的故障类型。
9、本专利技术的特点还在于：
10、故障类型包括配用电设备空载、负荷增大、铁芯结构松动。
11、预处理包括滤波、分帧、加窗。
12、滤波过程采用小波阈值滤波方法，其中，阈值函数表达式如下：
13、
14、上式中，λ是用于控制阈值大小的阈值参数。
15、基于卷积神经网的识别模型包括输入层、两个卷积层、两个池化层、全连接层及softmax输出层。
16、两个卷积层中，第一层卷积的卷积核为5×5，个数32，步长4，第二层卷积的卷积核为5×5，个数16，步长2。
17、在步骤6之前，对待识别故障声音信号进行步骤2-3的处理。
18、本专利技术的有益效果是：本专利技术基于mfcc-cnn的配用电设备故障类型识别方法，采用小波阈值滤波方法采集的故障声音信号进行去噪处理，能提高声信号的信噪比；将声音的识别分类与深度学习相结合，能提高故障诊断效率。
本文档来自技高网...【技术保护点】
1.基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，所述故障类型包括配用电设备空载、负荷增大、铁芯结构松动。
3.根据权利要求1所述的基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，所述预处理包括滤波、分帧、加窗。
4.根据权利要求3所述的基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，所述滤波过程采用小波阈值滤波方法，其中，阈值函数表达式如下：
5.根据权利要求1所述的基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，所述基于卷积神经网的识别模型包括输入层、两个卷积层、两个池化层、全连接层及softmax输出层。
6.根据权利要求5所述的基于MFCC-CNN的配用电设备故障类型识别方法，其特征在于，两个所述卷积层中，第一层卷积的卷积核为5×5，个数32，步长4，第二层卷积的卷积核为5×5，个数16，步长2。
7.根据权利要求1所述的基于MFCC-CNN的
...【技术特征摘要】
1.基于mfcc-cnn的配用电设备故障类型识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于mfcc-cnn的配用电设备故障类型识别方法，其特征在于，所述故障类型包括配用电设备空载、负荷增大、铁芯结构松动。
3.根据权利要求1所述的基于mfcc-cnn的配用电设备故障类型识别方法，其特征在于，所述预处理包括滤波、分帧、加窗。
4.根据权利要求3所述的基于mfcc-cnn的配用电设备故障类型识别方法，其特征在于，所述滤波过程采用小波阈值滤波方法，其中，阈值函数表达式如下：
5....
【专利技术属性】
技术研发人员：段勇，何鑫，王超，涂彬，申风玲，俞文瑾，郑浩天，印青，弋欣，王佩，
申请(专利权)人：国网陕西省电力有限公司营销服务中心计量中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。