基于深度学习模型的电力变压器故障声音诊断方法研究

利用声音信号对电力变压器进行故障诊断是一种不停机的设备维护方法,可以诊断变压器故障类型或预测故障产生的时间。声音诊断相对于其他诊断方式有许多优点,但是传统的声音自动诊断方法识别率不够理想。为了探索深度学习技术在声音故障诊断方面的可行性,本文采集了真实变压器在正常状态、老化和放电两种故障运行状态下发出的声音信号,对信号分别进行了声谱图转换和梅尔对数谱图的转换,输入一种高效轻量级卷积神经网络--Mobile Net深度学习模型中开展了训练。训练结果表明,将卷积神经网络应用在变压器故障声音诊断上能够得到较高的准确率,尤其是采用梅尔对数谱图对三种状态下识别准确率均能达到99%以上,而采用声谱图进行训练对放电类型的故障识别率较高,老化故障识别率不够理想。     

音频事件检测算法在计量费控用电压开关柜局部放电检测中的应用研究

有效检测开关柜故障是影响电网安全的因素,如何进行有效的非浸入式检测是国内外的研究热点之一。提出一种基于音频信号的电压开关柜局部放电检测算法,可识别开关柜正常态、电晕态和放电态3种状态。算法首先提取电压开关柜放电声音的MFCC特征作为识别特征,然后构建基于支持向量机的分类器来识别出电压开关柜的状态,从而进行故障检测。实验表明本文提出的检测算法具有较高的局部放电检测正确率。     

音频事件检测算法在计量费控用电压开关柜局部放电检测中的应用研究

有效检测开关柜故障是影响电网安全的因素,如何进行有效的非浸入式检测是国内外的研究热点之一,提出一种基于音频信号的电压开关柜局部放电检测算法。可识别开关柜正常态、电晕态和放电态3种状态、算法首先提取电压开关柜放电声音的 MFCC特征作为识别特征,然后构建基于支持向量机的分类器来识别出电压开关柜的状态,从而进行故障检测, 实验表明本文提出的检测算法具有较高的局部放电检测正确率。     

环网柜电缆头局部放电检测与模式识别

电缆接头的局部放电现象是户外环网柜绝缘故障的主要表现形式,本文利用电磁耦合法对电缆头局部放电进行检测,建立环网柜电缆局部放电检测实验平台,应用局放仪测得的局放量作为局放发生判据,运用小波变换理论滤除信号中的噪声干扰,提取有效信号。通过大量的实验分析,选取8MHz-12MHz信号频谱的功率谱面积作为模式识别的特征向量,利用BP神经网络算法实现电缆头的局部放电识别。结果表明,该方法能有效区分局部放电发生与否,具有较高的识别率,为局部放电检测提供了一种新的算法。     

一起220kV电缆终端局放带电检测分析与实例

带电检测电缆终端以及变压器等电气设备时,可以将设备内部缺陷致使的局部放电缺陷有效并及时的查找出来,以免设备内部局部放电缺陷引发更大的运行事故与故障.本文主要针对某区域某变电站(220kV)中电缆终端设备带电检测局部放电现象的实例进行分析,并探讨超声波定位结果、超高频局放检测以及高频局放检测,通过气象色谱方法来分析设备可疑部位SF6气体的气体分解产物,以便将断路器内部缺陷与故障及时推测出来,最终解体检查该断路器,发现断路器内部存在有多处的放电缺陷,该实例表明电缆采用高频局部放电检测方法是有效并可行的.     

应用特高频检测方法处理gis局部放电故障

整个gis局部放电特高频检测设备主要是由高频传感器设备、示波器装置以及射频电缆这三个部分所构成的。该设备是应用特高频检测方法处理gis局部放电故障的核心所在。通过对其的应用,能够检测得出具体的局部放电信号,明确正确的放电位置。同时,可结合具体的检测结果,实现对gis局部放电故障的妥善处理。实践经验证实:此种检测方法应用下,对gis局部放电故障的处理效果良好,能够保障gis设备的正常使用。文章围绕这一中心,展开详细论述。     

变压器局部放电信号检测与类型识别

为实现变压器局部放电信号检测和类型识别,设计基于超高频(UHF)法的变压器局部放电检测系统,针对4种典型的变压器放电模型进行了局部放电实验,获得相应的局部放电包络信号数据,并通过以太网通信将数据上传至电脑。利用提升双树复小波变换对包络信号数据进行消噪,从消噪后的信号不难看出,同一放电模型的局部放电包络信号形状大致相同,不同放电模型存在差别。提取6种包络信号的特征参数,结合外部加载电压,采用BP神经网络对变压器局部放电类型进行识别,当训练误差δ=0.02时,变压器放电类型识别平均正确率在98%以上。     

卷积神经网络在脑疲劳检测中的研究

脑疲劳是由于持续进行脑力劳动导致的一种状态，脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题，传统模式识别中手动提取特征会产生信息损失，针对脑电的时空特性，本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构，将特征提取和状态分类合二为一，对正常态与疲劳态脑电数据进行分类，可视化了卷积神经网络的空间域卷积核。结果表明，浅层卷积神经网络平均分类正确率为98.868%，深层卷积神经网络平均分类正确率为98.217%，均高于传统分类方法，通过空间域卷积核的可视化，能够了解不同导联在网络中的参与程度，验证了该模型在脑疲劳检测任务中具有很高的有效性，同时为脑疲劳检测提供了新思路。      

基于红外、超声和紫外技术的局部放电联合检测方法研究

利用图像配准与融合技术实现了一种超声、红外、 紫外联合的便携式局部放电在线检测系统。分别提出了这三种技术的检测原理和模块 化结构,然后利用计算机对三种局部放电检测信号进行了融合处理,并将该信号置入了由摄像头获取的设 备图像之中,从而建立了与设备图像的位置对应关系。本文系统不仅可以分别显示超声、红外、紫外三种信号的定 位成像视频,而且还可以将这三种信号融合到一个视频界面中,从而直观地显示出三种检测方法中的局部放电 位置及其变化情况。结果表明,该系统具有携带方便、检测快速等优点,能够及时发现电力设备的故障,因此具有 比较广泛的应用价值。     

残差膨胀卷积结构下的多模态特征调制方式识别

自动调制方式识别技术在通信领域有着不可或缺的作用,针对传统的卷积神经网络在信号分类问题中特征提取能力不足的问题,本文研究了一种利用多维度特征的端到端双流膨胀卷积神经网络来对调制信号进行分类的方法。该方法不仅利用原始采样信号,还利用输入信号的瞬时幅度和相位信息;原始IQ(In-phase and Quadrature, IQ)数据输入进神经网络后,网络首先通过内置的数据预处理模块对输入的IQ信号进行预处理,提取原始信号的幅度和相位信息,再将原始IQ信号和幅度相位两种特征信息分别通过两个并行的卷积神经网络结构分别进行特征提取;本文所设计的双流卷积神经网络模型中的膨胀残差网络分支利用卷积核的膨胀卷积特性,将膨胀卷积与残差网络结构相结合,在网络参数不变的情况下使得卷积核具有更大的感受野,同时也能够更好地结合上下文信息,另一个网络分支是将卷积神经网络与长短期记忆神经网络相串联,然后将两个并行卷积神经网络的输出特征向量进行矩阵相乘达到两种特征信息融合的目的。整个识别过程是基于端到端的,数据预处理模块内嵌到神经网络内部,由神经网络完成对数据的预处理,只需将原始的IQ数据直接送入神经网络即可;仿真实验...     

音频取证中基于压缩算法对录音设备的识别研究

为解决音频取证中私录音频由何种录音设备所录的问题,针对不同设备所采用的压缩算法不同,录音信号会有区别于其他录音设备的个性特征,提出了一种基于压缩算法对录音设备的识别方法。首先得到不同录音格式的音频,判决出无声段,分别提取改进MFCC倒谱参数,接着构建卷积神经网络识别模型,并将特征参数输入其中训练测试,最后识别并统计识别结果,为了验证本分类方法的有效性,将之与其他神经网络进行对比。实验结果表明,该方法能够较好地区分不同压缩算法下的音频特性。     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题，提出一种基于VMD与多尺度一维卷积神经网络（M1DCNN）的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解，并以峭度为指标，筛选出峭度值最大的分量进行包络分析；然后构建包含多个不同尺度卷积核通道的卷积神经网络，并采用多尺度卷积核提取不同尺度下包络信号的特征信息，进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析，结果表明：该方法在多工况、小样本情况下均有较高的故障识别精度，且模型具有较强的泛化性能；同时，与单通道卷积神经网络（1DCNN）的对比分析表明，所搭建的多尺度卷积神经网络能更全面地提取信号特征，因而具有更高的诊断精度。     

一种复杂噪声环境下的机电系统故障在线监测声学处理方法

针对复杂背景噪声环境下的机电系统故障检测问题,文中提出了一种基于宽带声学处理的噪声抑制和故障监测方法。该方法以声学信号拾取和处理为出发点,通过对机电设备正常运行状态下声学信号进行采集、数据跟踪和复杂背景噪声抑制,建立系统正常运行状态声纹库,并进一步通过基于宽带声学处理的声纹信号匹配和模式识别技术来实现故障信号的检测与分类,进而实现对机电系统运行状态的在线监测和隐形故障的自主预警。该处理方法将基于数据跟踪的自相关噪声抑制技术与基于宽带声学处理的故障信号检测以及分类判型技术有机结合,可对机电系统早期隐性故障进行监测,有效解决了复杂噪声环境下的机电系统故障检测问题。仿真实验也证明了该处理方法的有效性和良好的实用性。     

发电机局部放电超声波检测系统的研究

为了预防发电机绝缘故障放电,减少因发电机局部放电造成的损失,研制了一套基于超声波传感器的发电机定子绕组局部放电在线监测系统.该系统由超声波传感器、数据采集终端和虚拟仪器等部分组成.将检测到的超声信号进行分析、处理,利用串行总线(USB)通信技术,把数据传送到电脑上,在主机界面上显示波形.实验结果表明,该系统具有较好的灵敏度,操作简单,成本低等优点.     

船舶高压电气设备局部放电模式快速识别研究

船舶高压电气设备局部放电严重影响电气设备的正常运行与船舶安全,但是不同类型的局部放电在放电过程产生的超高频电磁波信号存在显著差异,需要根据其电磁波信号进行模式识别,而传统的检测方法无法适应船舶强电磁干扰、高频机械振动噪声的恶劣环境。为此,本文设计了可以快速进行船舶高压电气设备局部放电模式快速识别的方法。该方法根据船舶高压电气设备超高频电磁波信号的特点,提取四种典型局放信号以及待测信号的特征值向量,通过计算模式识别可信度因子R,实现对待测局放信号的快速准确识别,试验测试表明该方法能够快速识别船舶高压设备局部放电类型,提升了船舶高压设备的运行可靠性。     

基于卷积神经网络的关键输电断面故障诊断

关键输电断面是电网的薄弱环节，对关键断面状态监测、保障电力系统安全可靠与稳定运行有着重要作用。为避免大事故发生，通过卷积神经网络（CNN）故障识别进行“判面-判线-判相”。首先，以IEEE 14节点系统进行关键输电断面搜索，并用Matlab/Simulink批量获得输电断面故障样本数据，将样本数据归一化处理之后转化为灰度图；然后，通过不同层数网络结构及每层结构参数调试，用7种优化算法进行对比分析，选取充分适应电网故障诊断模型，并引入Dropout过拟合处理和Batch Normalization批标准化加速网络训练，利用选定好的卷积神经网络以交叉熵最小目标对故障样本数据的深层特征进行挖掘；最后，将获得的故障样本数据使用Anaconda平台实验，建立Keras框架设计卷积神经网络模型实现训练测试，并在实验中与AlexNet模型对比。结果表明该模型识别准确率分别提高了0.45%、0.8%、0.3%。     

基于残差神经网络的轴承声发射信号故障智能诊断

近年来,随着人工智能的发展与普及,深度学习算法以其高准确率和鲁棒性成为了目前分类识别技术的热门。传统的轴承故障诊断采用振动信号,对早期故障不敏感。由于传统的人工特征提取方法难以准确的表征滚动轴承状态,深度学习算法便逐渐应用于滚动轴承的故障诊断。因此采用滚动轴承的声发射信号并结合神经网络进行故障检测,以更好的对轴承运行中的早期故障进行识别,为此提出了一种基于一维卷积残差神经网络的轴承故障诊断模型,通过多层卷积叠加以提取出数据中更加关键重要的信息。该模型在诊断中能够自适应的从输入数据中学习出所需要的特征。模型采用categorical crossentropy交叉熵损失函数及Adam优化算法实现滚动轴承的故障诊断。在试验台上模拟了早期轴承内圈、外圈、滚动体、保持架故障等四种故障,并利用模型进行了故障的分析和诊断,研究结果表明文章提出的模型对故障的声发射信号拥有良好的识别能力。     

基于PBO与CNN的电梯轴承故障检测

电梯在生活中已经变得随处可见。而电梯轴承作为重要的部件之一，当出现故障时会造成财产损失，严重的会发生危及生命的事件。卷积神经网络(Convolutional Neural Network, CNN)具有强大的特征学习能力，能够根据电梯轴承在运行的过程中产生的振动信号来检测电梯轴承是否发生故障。文中结合了北极熊算法(Polar Bear Optimization, PBO)对卷积神经网络的参数进行优化。PBO作为自然界的一种启发式优化算法，采用PBO和卷积神经网络相结合的故障诊断方法，对轴承故障识别率达到了99.6%,高于传统的卷积神经网络对电梯轴承的振动产生的特征信号进行故障诊断的识别率。     

基于FPGA的I2S转AES/EBU音频转换系统的设计

为给数字广播电视设备提供附加有音频状态信息的AES/EBU数字音频接口，研究一种采用FPGA将I2S音频数据 转换为AES/EBU音频格式的实现方法，该实现方法中采用硬件描述语言Verilog HDL 获取音频数据和音频状态信息,并根据设定的计数单元重组成AES/EBU数字音频格式,最终经过BPM编码输出传输线型格式数据,系统设计通过逻辑功能仿真和硬件测试,输出信号均符合标准规定。     

音频信号处理技术在配网巡检系统中的实现

本文提出了一种将音频信号处理方法,来实现配网巡检系统中监测设备运行状态。首先,基于音频信号产生的原理和城市配网设备巡检的实际需求确定了巡检车载声音采集设备。然后,依据音频信号的特性,对采集到的声音信号进行分帧,最后通过短时傅立叶变换所得到的频谱来判断配网设备的运行状态。该方法将音频信号处理与配网巡检车载系统相结合,系统实现简单,成本低廉,具有广泛的工程应用价值。