变电站高压设备异常声音识别检测装置的研制及应用

本文重点介绍了变电站高压设备异常故障识别检测装置的研制过程。通过结合声纹识别、臭氧识别以及局放试验数据识别等多种技术,实现对高压设备状态的有效监测与故障预警。本文详细介绍了装置的工作原理、技术特点、实施效果及未来发展方向,旨在为电力行业提供一种高效、可靠的设备监测工具,保证人身、电网和设备安全,提高运维人员工作效率和供电可靠性。

基于SENet和DenseNet的充填管道磨损声音识别

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题,提出了一种融合SENet的密集连接卷积神经网络模型(SE_DenseNet),可实现充填管道不同磨损程度的远程快速识别。首先通过完全集合经验模态分解(CEEMDAN),对与原信号相关性较高的分量进行重构;之后,使用短时傅里叶变换,形成声谱图;将声信号识别问题转化为图像识别问题;并将声谱图输入到DenseNet网络模型,通过特征重用,融合通道注意力机制SENet,增强特征信息,实现对充填管道磨损声信号的准确声音识别。结果表明:SE_DenseNet的识别准确率可达到97.368%。相比同类深层基线网络模型ResNet101和基线DenseNet121而言,该网络模型泛化能力及识别准确率有所提升,在模型参数数量上有所下降,实现更快收敛。SE_DenseNet的上述优势可被应用于类似的固液两相流输送管道无损检测领域。

基于声纹识别技术的变压器故障诊断实测与分析

变压器运行工况直接影响电网安全、人民生活和企业生成。然而,由于变压器运行机理复杂导致故障诊断困难。为此,该文基于声纹识别技术开展3个变电站7台变压器的实际声音信息采集,分析测试过程的主要问题,给出相应的缓解措施。最后,整合500 kV变电站中3台主变的声纹特性,通过主频分布情况推断3台主变的当前运行工况。

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。

结合载纤绕组形变测量法的大型变压器绕组多次短路冲击暂态声纹特征

电力变压器遭受短路冲击的暂态声音信号包含变压器绕组状态信息。为探究短路冲击声信号与变压器绕组形变之间的关系,该文首先对载纤改造后的110kV变压器开展多次短路冲击试验,并采集短路瞬间声纹。然后,构建占比时频谱熵与频谱成分欧氏距离2种短路冲击暂态声纹特征,用于表征绕组变形情况。最后,提出基于占比时频谱熵与频谱成分欧氏距离2种声纹特征的联合判定流程,并利用光纤应变量与短路电抗值验证该方法的有效性。结果表明,该方法能够对抗短路能力出现明显下降瞬间的声信号进行大致判别,在绕组状态的初期诊断工作中具有一定的价值。

基于声纹识别技术的Android设备声音功能自动化测试系统

显示器生产测试过程中需要对设备扬声器与麦克风等声音功能品质进行测试,针对现有测试系统自动化程度较低的问题,提出一种基于声纹识别技术的Android设备声音功能自动化测试系统。本系统采用MFCC+ΔMFCC算法提取语音信号特征,通过DTW算法对麦克风录制语音和扬声器播放语音的模型特征进行比对,实现对扬声器与麦克风同步的失真、无声、杂声等多种不良情况的有效检测。本系统良品与无声不良检测准确率接近100%,失真不良检测准确率高达96.67%,杂声不良检测准确率达93.33%。该方案相比人工测试效率提高6.25倍,且成本低、容易实现,有助于提升企业生产效率。

机车声纹特征事件识别研究

对HX_(D)2型机车机械间进行声学信号采集,确定机车运行正常工况条件下机械间内的声学信号类型,对典型声信号和声事件的信号特点进行分析归纳。实测数据分析表明,在HX_(D)2型机车机械间内采集声信号条件较好,对各典型声事件信号段进行标记提取,利用声纹特征可有效识别出风机、电笛、减速排气等声事件。