融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解（EEMD）与卷积神经网络（CNN）相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量（IMF）和残余分量（Res）,然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。     

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备，运行中产生的振动声音包含大量的信息，其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验，并测量了不同铁心松动程度下的声纹信号；其次在声信号频谱主值区间内，根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率；然后对松动后的声纹特性进行分析，发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警；最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练，来消除声纹图中的冗余信息，并对不同松动程度下的特征进行独立映射，从而增强共同特征的学习能力。研究结果表明，该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%，优于传统深度学习算法，可为饱和电抗器在线监测提供重要依据。     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。     

基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别

变压器绕组松动故障给电力系统安全稳定埋下巨大隐患,目前缺乏切实有效的诊断方法。因此提出一种基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别方法。首先,针对变压器声纹特点提出50 Hz倍频小波时频熵,用于声纹信号特征提取。然后,针对变压器故障样本较少导致的样本不平衡的问题,提出基于RUSBoost模型的模式识别。最后,在现场实测数据的基础上验证了该方法的有效性。研究结果表明,所提方法对变压器绕组不同松动程度的故障均能实现可靠诊断,平均识别准确率达到了98.9%。样本较少的75%松动和100%松动的识别准确率也分别高达97.2%和94.6%。相较于RF、DT、KNN以及SVM等传统模型,总体识别准确率至少提高3.3%,样本较少的75%松动和100%松动的识别准确率至少提高了2.8%和2.5%。     

基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

为了准确提取变压器铁心松动故障时的声纹特征,提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理,提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进;最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验,采集铁心在不同松动程度下的声纹信号。计算结果表明,使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果,准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。     

基于声纹压缩和代价敏感的变压器状态检测评估方法

声纹检测技术可以助力巡检人员对变压器状态进行检测和评估。该文提出了一种基于声纹压缩和代价敏感的变压器状态检测和评估方法。该方法首先提取变压器音频的声纹特征,然后对声纹特征在频率维度上进行筛选和压缩,最后使用卷积神经网络评估变压器状态,并引入代价敏感损失函数提高对难检出样本的关注度。以某35kV变压器为对象,通过收集现场音频、模拟实验和样本扩充得到变压器音频数据集。测试结果表明,该文所提的方法将声纹维度从1025维降低到80维,计算量和显存分别降低到8.1%和7.7%。同时,声纹识别准确率达到83.5%,并将最难检出的短路电流异常状态的召回率从48.2%提升至63.6%。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于TVFEMD与中心频率算法的变压器绕组松动故障诊断方法

考虑到变压器振动信号为非平稳的周期信号,文中引入时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)和中心频率算法处理。在一台10 kV实验变压器连接额定阻性负载条件下,测试得到绕组正常和松动两种状态下的振动信号,利用TVFEMD对去噪后的振动信号进行模态分解,得到多个模态函数(IMF),然后通过中心频率算法筛选50 Hz～700 Hz频段内的IMF,最后求取各阶IMF能量特征,将其分为低频能量和高频能量,二者比值作为特征量。研究结果表明利用文中特征量提取方法可以实现绕组松动状态的诊断,并且该特征量能够排除变压器常见运行条件变量,如负载率、功率因数、电流谐波的影响,降低了误判风险。     

基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断

针对变压器绕组铁心机械故障诊断精度不足的问题,提出了一种基于改进自适应白噪声完整集成经验模态分解(ICEEMDAN)多尺度模糊熵(MFE)和多元宇宙优化算法优化核极限学习机(MVO-KELM)的变压器绕组铁心机械故障诊断方法。首先,为了避免虚假模态分量的产生,采用改进的ICEEMDAN对变压器原始振动信号进行分解。其次,利用Pearson相关系数法选取相关性最高的模态分量,并计算其MFE值。然后,将MFE值作为特征量构建特征数据集,并利用MVO优化KELM的核参数和正则化系数。最后,将特征数据集输入所建MVO-KELM模型进行分类识别,实现高准确率诊断目标。试验结果表明,所提方法具有优秀的诊断精度和稳定性,能够精确诊断变压器绕组铁心不同松动程度的故障,诊断准确率达到了99%以上,可为变压器现场检修策略的制定提供一定的指导。     

基于50Hz倍频倒谱系数与门控循环单元的变压器偏磁声纹识别

电力变压器运行中的声音信号包含大量变压器运行状态信息。该文提出一种基于50Hz倍频倒谱系数和门控循环单元的变压器直流偏磁声纹识别模型。首先,利用基于相似矩阵的盲源分离算法、幅值相位波动性法分别去除原始声信号中的瞬时性干扰信号和持续强干扰信号;然后,针对变压器声信号的特点提出50Hz倍频倒谱系数,用于声信号特征量提取;最后,使用500kV敬亭变的直流偏磁声纹数据对深度神经网络中的门控循环单元网络进行训练和超参数优化。算例研究结果表明,相较于传统声信号识别算法,所提方法能更好地对直流偏磁状态进行识别。     

基于二维特征提取方法与混合神经网络的接触式采集110 kV三相三绕组变压器无载调压异常

异常放电是电力变压器中一种潜在的危险故障,若未及时检测可能导致严重的安全事故。采用接触式拾音器收集变压器箱体内异常放电声纹信号,并提出了一种特征提取方法和一个深度神经网络结构,以实现对变压器异常放电的高效识别。首先,设计了一种结合梅尔频率提取和关键频率提取的二维声纹特征提取方法。其次,提出了一种基于卷积神经网络和Transformer网络的混合二维特征识别模型,能够在确保识别速度的同时准确辨识异常放电声纹信号。通过对110 kV三相三绕组变压器无载调压试验过程中采集的放电数据进行试验分析,所提方法相较于ResNet50识别速度增加约0.16秒/样本,同时识别效果提升了4.5%。     

基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。     

基于改进EEMD及能量特征的战场目标识别方法

针对战场声目标探测系统对目标识别及分类问题,提出了一种基于频率截止EEMD(cut-off frequency-EEMD,CFEEMD)的能量特征分析(energy feature analysis,EFA)方法。选取信号自身的最小有效频率作为EEMD筛分的终止条件,对EEMD方法进行改进,实现目标声信号的快速分解,获得准确的IMF分量;通过计算各阶IMF能量,得到目标信号的总体能量向量,进而分析典型目标声信号各阶IMF分量的能量分布情况;定义目标声信号高低频段能量差特征参数,用于战场声目标的特征识别与分类。半实物仿真试验结果证明了CF-EEMD与EFA相结合的目标声信号识别方法的可行性和实用性,适用于战场声目标识别及分类。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义.针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法.针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台...     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。     

基于CEEMDAN-小波阈值和3D-CNN的变压器铁心松动故障诊断模型

为了解决变压器铁心松动故障的识别与诊断,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)-小波阈值的环境噪声去除方法,并提出使用三维卷积神经网络(3D-CNN)去识别基于声纹的变压器铁心松动故障诊断方法。搭建变压器铁心松动故障试验平台,采集铁心在不同松动程度下的噪声信号;将采集的用于故障识别的声纹信号经过CEEMDAN-小波阈值算法,利用变压器本体噪声和环境噪声在峭度上的差异滤波,得到信噪比较高的变压器声纹信号;再将滤波后的声纹信号经过短时傅里叶变化生成时频矩阵,并用Mel滤波器降维得到Mel-语谱图,制作成适合3D-CNN输入格式的数据集;搭建好网络的各层,利用3D-CNN对变压器铁心松动故障进行分类和识别。试验结果表明：所提方法在考虑环境噪声的条件下,变压器铁心松动故障的识别率达到90%以上,可用于变压器铁心松动故障的识别和诊断。     

基于振动信号指标能量的变压器机械故障检测

针对变压器机械状态的检测问题,文中提出了一种基于振动信号本征模态函数(Intrinsic Mode Function,IMF)指标能量的变压器绕组、铁芯机械状态检测方法。根据IMF的能量特征,建立了基于IMF指标能量的二元特征向量。通过实验测试对比分析了正常状态与故障状态下,变压器振动信号基于指标能量的特征向量变化情况。研究结果表明,发生故障前后,变压器振动信号基于指标能量的特征向量变化明显,可以依据该特征向量对变压器的机械状态进行检测。