【技术实现步骤摘要】
本专利技术属于电学领域，具体涉及一种变压器检测方法。
技术介绍
1、电力系统中电力设备的正常运行是保证电网系统安全稳定的前提，但设备在运行期间多种区域、多种原因诱发的故障时有发生。电力设备发生故障会造成较为严重的停电事故，给人民生活和社会生产带来不便。因此，可靠供电己成为人们衡量电力系统好坏的一个重要标准，如何及时和快速的处理故障也就成了科学家们追求的重要目标。避免发生电网重大事故的关键在于电气设备的日常维护与及时诊断，通过先进技术有效协助对电力设备的故障监测，对于维护电网稳定是必不可少的。而变压器在电力设备中属于内部结构比较复杂的一类设备，单纯地使用人工检修可能会对内部的检查产生疏漏，使变压器的运行出现安全隐患。因此，为了保证变压器能够正常运行，要加强在线智能监测技术的探讨，做好监测工作。
2、现阶段，常见的变压器设备状态监测与故障诊断方法所采用的状态量包括：油色谱、电磁、温度等，通常诊断发现时设备缺陷和故障已经形成，因此诊断存在滞后性。可听噪声与振动伴随变压器设备运行产生，声音与振动的幅值、时域波形、频谱特性与其运行电压、电流、机械状态、励磁状态、绝缘状态等密切相关，可及时反映设备运行状态变化。
3、变压器的声振联合监测系统采用的即是以声纹与振动监测为代表的非侵入式监测。声音等振动信号蕴含着大量的信息，是分析设备状态的重要指标。骨传导式声学和光纤振动传感器灵敏度高、信号受外界干扰少，响应频段覆盖机械异常所处的频段，便于提取特征。
4、目前国内外对变压器可听声信号的故障判据没有统一标准，因声
技术实现思路
1、针对现有问题，本专利技术提出一种基于骨传导与光纤传感的声振联合变压器检测方法，利用mems骨传导式传感器和光纤传感技术来获取声振联合的信号进行特征分析，构建变压器正常运行下的噪声声纹库；分析变压器正常运行下的声振特性；采用comsolmultiphysics结合有限元法来实现多物理场耦合计算，可通过在电磁场-结构场-声场三场耦合仿真，模拟变压器的各种故障；
2、采集变压器的初始噪声、模拟仿真设备的故障、计算考虑时间衰减常数的变压器动态数据构建数据库，利用声振联合状态特征库和变压器正常运行下的噪声声纹库，提取声音的底层声学特征作为训练网络的输入，对不同的运行状态及故障类型的声纹振动信息进行特征提取和识别分类；设计基于x-vector模型的变压器状态监测与故障诊断的智能识别与分类算法。
3、进一步的，所述利用声振联合状态特征库和变压器正常运行下的噪声声纹库，提取声音的底层声学特征作为训练网络的输入方法为：
4、预加重：将声音通过一个高通滤波器，增强高频部分，对发音系统抑制的高频部分进行补偿；
5、分帧、加窗：声音是短时平稳信号，为了方便处理，通常将声音信号分成一个个小段，即分帧；
6、快速傅里叶变换：对每帧语音做快速傅里叶变换，将语音从时域转换到频域，得到语音频谱和功率谱；
7、mel滤波器组：将fft处理后的信号通过一组中心频率为f(m)，(m＝1,2,...,m)的mel滤波器组，将频谱映射到mel谱上，各f(m)之间的间隔随着m值的增加而增大
8、对数运算和离散余弦变换：对得到的梅尔频谱进行倒谱分析，先进行对数运算，再做离散余弦变换；离散余弦变换经常用于信号处理和图像处理，经过变换可将能量集中到低频部分；
9、提取动态差分参数：对得到的mfcc参数做一阶差分和二阶差分，与原始的mfcc参数共同描述语音动态和静态特征。
10、进一步的，所述设计基于x-vector模型的变压器状态监测与故障诊断的智能识别与分类算法，x-vector是将不定长度的语音片段使用时延神经网络，即tdnn；映射到固定维度的“嵌入”；时延神经网络会以每一个中心时刻与规定时延步长内对应时刻的特征拼接起来作为下一层的输入。
11、进一步的，tdnn网络由帧级别层、统计池化层、段级别层组成；
12、(1)帧级别层：网络的前5层为帧级别层，处理的是声音帧级别的特征，采用的是时延结构，假设t为当前时刻，正如图所示，对于第一层，将对应时刻的各帧特征拼接起来作为输入，f表示每一帧上声学特征的维度；对于第二层则将第一层时刻的输出拼接起来作为这一层的输入；以此类推，对于第三层则是将第二层时刻的输出拼接起来作为这一层输入；接下来的两层依旧是帧级别层，但没有拼接时间上下文的特征；
13、(2)统计池化层：经过5层帧级别层变换后的特征输入统计池化层，该层的目的是将帧级别特征经过这一层的统计池化操作，获得一个可代表整条语音片段的全局特征向量，即段级别特征；该层的输入是来自上一层的特征，统计池化层对每一维求均值和标准差两个值，这些统计值串联在一起，得到一个3000维的代表语音片段全局的特征向量；
14、(3)段级别层：统计池化层之后的两层为段级别层，因为它们处理的是代表整个语音片段的段级别的特征，它们所采用的结构就是常见的全连接层，最终连接的是输出层，l表示的则是输出层的神经元个数，在声音识别任务中，即为语种种类个数；在段级别层提取得到的特征向量，即为x-vector；该提取x-vector的网络可直接进行端到端的分类，也可将提取出的x-vector作为特征结合其他后端的判别方法获得识别结果。
15、本专利技术的益处在于：本专利技术提出的基于声振联合信息检测与识别的变压器设备状态监测与故障诊断系统的研究目的是利用声振联合监测技术和人工智能识别技术对变压器设备进行监测与故障识别，从而达到在变压器外部对其运行状态进行全寿命周期不停电实时检测与智能预警的效果。
16、通过骨传导和新型光纤传感能够捕捉因设备内部振动而形成的机械波，机械波信号包含着大量时频域特征信息，这些频域特征信息可以作为诊断故障的特征。人工智能识别技术能够对设备异常声振联合频谱进行自动处理分析，有效提取声振联合特征并进行故障智能分类。
17、通过骨传导、新型光纤传感和人工智能识别技术，使获取变压器的运行状态信息更加快速和准确，能对变压器的运行情况进行快速的分析，其具有重要的科学价值和工程价值。
本文档来自技高网...【技术保护点】
1.基于骨传导与光纤传感的声振联合变压器检测方法，其特征在于，利用MEMS骨传导式传感器和光纤传感技术来获取声振联合的信号进行特征分析，构建变压器正常运行下的噪声声纹库；分析变压器正常运行下的声振特性；采用COMSOL Multiphysics结合有限元法来实现多物理场耦合计算，可通过在电磁场-结构场-声场三场耦合仿真，模拟变压器的各种故障；
2.根据权利要求1所述的基于骨传导与光纤传感的声振联合变压器检测方法，其特征在于，所述利用声振联合状态特征库和变压器正常运行下的噪声声纹库，提取声音的底层声学特征作为训练网络的输入方法为：
3.根据权利要求1所述的基于骨传导与光纤传感的声振联合变压器检测方法，其特征在于，所述设计基于x-vector模型的变压器状态监测与故障诊断的智能识别与分类算法，x-vector是将不定长度的语音片段使用时延神经网络，即TDNN；映射到固定维度的“嵌入”；时延神经网络会以每一个中心时刻与规定时延步长内对应时刻的特征拼接起来作为下一层的输入。
4.根据权利要求3所述的基于骨传导与光纤传感的声振联合变压器检测方法，其特征在
...【技术特征摘要】
1.基于骨传导与光纤传感的声振联合变压器检测方法，其特征在于，利用mems骨传导式传感器和光纤传感技术来获取声振联合的信号进行特征分析，构建变压器正常运行下的噪声声纹库；分析变压器正常运行下的声振特性；采用comsol multiphysics结合有限元法来实现多物理场耦合计算，可通过在电磁场-结构场-声场三场耦合仿真，模拟变压器的各种故障；
2.根据权利要求1所述的基于骨传导与光纤传感的声振联合变压器检测方法，其特征在于，所述利用声振联合状态特征库和变压器正常运行下的噪声声纹库，提取声音的底层声学特征作为...
【专利技术属性】
技术研发人员：李小晖，赵中奇，杨俊俊，孙永发，李佳乐，王勇智，杨静芝，邸庆民，王福杰，周先，童成霄，祁小林，
申请(专利权)人：国网青海省电力公司海北供电公司，
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。