一种电抗器故障诊断方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开一种电抗器故障诊断方法、装置、计算机设备及存储介质。该方法包括以下步骤：获取电抗器运行时产生的声纹信号；将声纹信号切割成3～7.5秒语音片段并从语音片段中提取声纹特征；采用预设的基于DNN神经网络构建的声纹识别模型对待测声纹特征进行分析；根据声纹识别模型的分析结果判断电抗器是否发生故障。本发明专利技术对电抗器故障诊断精准度高，可精准探测变电抗器内部铁芯是否发生变形，避免产生大量人力消耗。产生大量人力消耗。产生大量人力消耗。

【技术实现步骤摘要】
一种电抗器故障诊断方法、装置、计算机设备及存储介质


[0001]本专利技术涉及变电抗器故障诊断
，尤其涉及一种电抗器故障诊断方法、装置、计算机设备及存储介质。

技术介绍

[0002]电抗器也叫电感器，一个导体通电时就会在其所占据的一定空间范围产生磁场，所以所有能载流的电导体都有一般意义上的感性。然而通电长直导体的电感较小，所产生的磁场不强，因此实际的电抗器是导线绕成螺线管形式，称空心电抗器；有时为了让这只螺线管具有更大的电感，便在螺线管中插入铁心，称铁心电抗器。电抗分为感抗和容抗，比较科学的归类是感抗器(电感器)和容抗器(电容器)统称为电抗器，然而由于过去先有了电感器，并且被称为电抗器，所以现在人们所说的电容器就是容抗器，而电抗器专指电感器。
[0003]在专利申请号为CN108170994A的一种基于双向深度网络的油浸式电抗器故障诊断方法中，该专利技术公开了一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：构建基于双向深度网络模型的电抗器故障诊断模型；选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；划分电抗器故障状态，并对其进行编码；采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。
[0004]上述专利中的变电抗器故障诊断中存在以下问题：1)精准度较差；2)不便于精准探测变电抗器内部铁芯是否发生变形；3)容易产生大量人力消耗。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出一种电抗器故障诊断方法、装置、计算机设备及存储介质。
[0006]为了达到上述目的，本专利技术的技术方案如下：
[0007]一种电抗器故障诊断方法，包括以下步骤：
[0008]S1、获取电抗器运行时产生的声纹信号；
[0009]S2、将声纹信号切割成3～7.5秒语音片段并从语音片段中提取声纹特征；
[0010]S3、采用预设的基于DNN神经网络构建的声纹识别模型对待测声纹特征进行分析；
[0011]S4、根据声纹识别模型的分析结果判断电抗器是否发生故障。
[0012]优选地，所述步骤S4后还包括如下步骤：若发生故障，则提取故障特征，并将所述故障特征依次与模型库中所有模型进行打分评估，根据评估得分情况辨别出所述故障的故障原因，所述模型库中的所有模型由电抗器不同故障特征以及不同故障特征所对应的不同的故障原因构成。
[0013]优选地，所述步骤S1，包括如下步骤：
[0014]S101、将若干个骨传导声音传感器分成若干小组；
[0015]S102、每组骨传导声音传感器独立的贴附于电抗器的外壁上，用于采集电抗器的声纹信号；
[0016]S103、获取每组骨传导声音传感器分布的状态、位置以及采集的声纹信号，并进行分类储存。
[0017]优选地，所述将声纹信号切割成语音片段，具体包括如下步骤：将一段声纹信号通过解析出wav音频文件中的pcm后按照预设要求进行分割，分割后重编码回wav音频文件格式。
[0018]优选地，所述步骤S3，具体包括以下步骤：
[0019]S301、获取待训练的声纹训练样本并进行预处理，并通过DNN神经网络进行网络训练，其中，所述预处理为将所述声纹训练样本分类成若干个神经单元，并将若干个神经单元分成神经单元组，以及对神经单元组标注A1、A2、A3
……
An以及An+1，其中，n为大于3的整数；
[0020]S302、对步骤S301中神经单元组内的若干个神经单元依次进行特征提取，并将DNN神经网络训练后提取的若干个特征数据汇总，再经神经单元算法对处理后的样本数据集进行机器学习，构建出对应的声纹识别模型；
[0021]S303、采用步骤S302的声纹识别模型与待测声纹特征进行打分评估，根据评估结果判断出是否为同一个发生介质。
[0022]一种电抗器故障诊断装置，包括数据获取模块、提取模块、分析模块和第一故障诊断模块，其中，
[0023]所述数据获取模块，用于获取电抗器运行时产生的声纹信号；
[0024]所述提取模块，用于将声纹信号切割成3～7.5秒语音片段并从语音片段中提取声纹特征；
[0025]所述分析模块，用于采用预设的基于DNN神经网络构建的声纹识别模型对待测声纹特征进行分析；
[0026]所述第一故障诊断模块，用于根据声纹识别模型的分析结果判断电抗器是否发生故障。
[0027]优选地，还包括第二故障诊断模块，用于提取第一故障诊断模块诊断的故障特征，并将所述故障特征依次与模型库中所有模型进行打分评估，根据评估得分情况辨别出所述故障的故障原因，所述模型库中的所有模型由电抗器不同故障特征以及不同故障特征所对应的不同的故障原因构成。
[0028]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述任一项权利要求所述一种电抗器故障诊断方法的步骤。
[0029]一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项权利要求所述一种电抗器故障诊断方法的步骤。
[0030]基于上述技术方案，本专利技术的有益效果是：
[0031]1)本专利技术利用深度神经网络(DNN)处理声纹能力强以及骨传导声纹传感器易于对电抗器内部声纹异响进行建模的特点，结合DNN神经网络优势，提出了一种基于声纹识别的
变压电抗器故障诊断方法，可准确、智能地识别变压电抗器故障，提高了变压电抗器故障检测的精度、效率和实时性；
[0032]2)本专利技术对电抗器的内部铁芯变形、异响故障诊断有着较高的准确率，能够识别电抗器是否发生内部故障，可有效降低检修人员劳动强度，电抗器检测的智能水平。
附图说明
[0033]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是一个实施例中一种电抗器故障诊断方法的应用环境图；
[0035]图2是一个实施例中一种电抗器故障诊断方法流程示意图；
[0036]图3是一个实施例中一种电抗器故障诊断装置的结构示意图；
[0037]图4是一个实施例中计算机设备的内部结构图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0039]本实施例提供的一种电抗器故障诊断方法，可以应用于如图1所示的应用环境中。如图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电抗器故障诊断方法，其特征在于，包括以下步骤：S1、获取电抗器运行时产生的声纹信号；S2、将声纹信号切割成3～7.5秒语音片段并从语音片段中提取声纹特征；S3、采用预设的基于DNN神经网络构建的声纹识别模型对待测声纹特征进行分析；S4、根据声纹识别模型的分析结果判断电抗器是否发生故障。2.根据权利要求1所述的一种电抗器故障诊断方法，其特征在于，所述步骤S4后还包括如下步骤：若发生故障，则提取故障特征，并将所述故障特征依次与模型库中所有模型进行打分评估，根据评估得分情况辨别出所述故障的故障原因，所述模型库中的所有模型由电抗器不同故障特征以及不同故障特征所对应的不同的故障原因构成。3.根据权利要求1所述的一种电抗器故障诊断方法，其特征在于，所述步骤S1，包括如下步骤：S101、将若干个骨传导声音传感器分成若干小组；S102、每组骨传导声音传感器独立的贴附于电抗器的外壁上，用于采集电抗器的声纹信号；S103、获取每组骨传导声音传感器分布的状态、位置以及采集的声纹信号，并进行分类储存。4.根据权利要求1所述的一种电抗器故障诊断方法，其特征在于，所述将声纹信号切割成语音片段，具体包括如下步骤：将一段声纹信号通过解析出wav音频文件中的pcm后按照预设要求进行分割，分割后重编码回wav音频文件格式。5.根据权利要求1所述的一种电抗器故障诊断方法，其特征在于，所述步骤S3，具体包括以下步骤：S301、获取待训练的声纹训练样本并进行预处理，并通过DNN神经网络进行网络训练，其中，所述预处理为将所述声纹训练样本分类成若干个神经单元，并将若干个神经单元分成神经单元组，以及对神经单元组标注A1、A2、A3……
A
n
以及A...

【专利技术属性】
技术研发人员：戴汝秋，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：