基于Mel时频谱-卷积神经网络的变压器铁芯夹件松动故障声纹模式识别

铁芯的振动噪声与其紧固状况密切相关,对变压器铁芯松动故障进行声纹特性分析和故障诊断研究是实现电力变压器在线监测的重要内容。提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯松动声纹识别方法。首先提出了基于Mel时频谱的噪声样本处理方法;然后搭建了铁芯夹件松动故障模型,对铁芯在不同松动程度与不同松动模式下的噪声信号进行研究,分析了噪声信号的频域特征;最后构建了Mel时频谱-卷积神经网络变压器铁芯松动声纹识别模型,以Mel时频谱降维处理后的噪声数据,作为深度学习的数据集,实现了铁芯松动故障的准确识别。可为变压器铁芯夹件松动故障诊断以及电网主设备的数据深度挖掘提供参考。

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273%提升至99.500%,提升了1.227个百分点。

用于变压器端部垫块脱落故障识别的时间序列频谱熵稳定度算法

变压器声纹信号包含丰富的信息,在不同的运行状态下声纹可分为瞬态声纹和稳态声纹。以某变压器端部垫块脱落故障为出发点,分析其振动机理并挖掘声纹特征,实现对该故障的判别工作。首先,建立质量-弹簧-阻尼模型分析了该故障的振动模式和发展规律;其次,对声纹信号进行短时傅里叶变换,并利用Mel滤波器组对时频谱进行压缩感知;再次,利用时间序列频谱熵特征提取算法,引入了信号稳定度的概念;最后,对162台变压器现场采集的工况声纹信号数据集和试验采集的铁心松动故障信号数据集进行稳定度计算,统计稳定度分布情况。利用端部垫块脱落为瞬态声纹分布,而现场和铁心松动故障为稳态声纹分布的差异,通过稳定度方法从两类数据集中识别出端部垫块脱落故障。

基于CNN的平波电抗器声纹模式识别方法

为实现对平波电抗器运行状态的准确识别,引入一种基于CNN(卷积神经网络)的深度学习方法,建立了使用Mel时频谱的电抗器绕组声纹模式识别模型。以干式平波电抗器作为实验对象采集声音信号,使用Mel滤波器方法将采集到的声音信号转化为时频谱图,以不同的工况类型作为数据集的标签,基于CNN算法识别不同信号所对应的工况类型。结果表明,CNN可用于干式平波电抗器声纹模式的准确识别,优化后的神经网络对正弦激励、谐波激励和直流偏磁激励下的声纹信号识别准确率高达98.4%。研究结果为实现电网信号的智能化检测提供了潜在的技术方案。