一种基于深度学习算法的变压器声音缺陷识别系统技术方案

本发明专利技术涉及变压器检修技术领域，且公开了一种基于深度学习算法的变压器声音缺陷识别系统，工作人员通过人工将其扩音装置放入到变压器的表面，同时将其固定于变压器的表面，防止其使用过程中出现脱落的现象，固定完成之后，继而使其变压器开始通电工作，同时扩音装置开始进行变压器工作时所产生噪音的放大，同时将放大后的音频送入到计算机的内部，本发明专利技术通过设有基于深度学习算法的变压器声音缺陷识别方法，继而加快了其变压器所发生故障的判断效率，且通过设有计算机进行声音幅频特性图的导出，继而方便其工作人员进行分类处理变压器可能出现的故障情况，一定程度上，加大了变压器故障分析的准确性，继而方便后期工作人员进行维修处理。进行维修处理。进行维修处理。

【技术实现步骤摘要】
一种基于深度学习算法的变压器声音缺陷识别系统


[0001]本专利技术涉及变压器检修
，更具体地说，本专利技术涉及一种基于深度学习算法的变压器声音缺陷识别系统。

技术介绍

[0002]电力变压器在电力系统中承担电压转换、电能分配的任务，具有非常重要的地位，其安全可靠运行对整个电网的安全稳定起着关键性作用，但是长期带负荷运行的电力变压器工作条件十分严酷，在运行中难免会发生老化和故障，而在这些故障中，绕组变形、移位、坍塌等故障最为严重，已经严重影响了变压器的使用寿命，危害电网的安全运行；而电力变压器在发生故障的时候，维修人员主要会通过其工作时的声音状态，继而可以判断其变压器是否处于故障状态，这一判断过程主要是通过人工进行判断，这样做的话，极易导致判断失误情况的发生，继而导致整体变压器的维修效率降低，所以说目前市场上急需一种新型高效的变压器声音缺陷识别方法。

技术实现思路

[0003]为了克服现有技术的上述缺陷，本专利技术提供一种基于深度学习算法的变压器声音缺陷识别系统，以解决上述
技术介绍
中存在的问题。
[0004]本专利技术提供如下技术方案：一种基于深度学习算法的变压器声音缺陷识别系统，包括以下操作步骤：S1、工作人员通过人工将其扩音装置放入到变压器的表面，同时将其固定于变压器的表面，防止其使用过程中出现脱落的现象；S2、固定完成之后，继而使其变压器开始通电工作，同时扩音装置开始进行变压器工作时所产生噪音的放大，同时将放大后的音频送入到计算机的内部；S3、当其噪音送入殴打计算机的内部时，进行音频的转化，继而将其转化为声音幅频特性图；S4、当其音频转化为声音幅频特性图之后，再通过人工观察其特性图中波长与幅值是否为周期性，在通过这一特征进行分类处理；S5、分类完成之后，再通过智能微机判断，继而将其进行二次分类处理，分类完成之后，再将其依次送入到故障诊断部门进行分类处理，继而方便其工作人员进行故障的分析与判断。
[0005]其中，所述扩音装置上设定有负压吸附装置，同时负压吸附装置工作方式为电动。
[0006]其中，所述当特性图中波长与幅值是为周期性时，同时其声音小于1000Hz时，送入到故障诊断部门时，如果通过人工听取其声音是否为“嗡嗡”的电磁声，即可判断变压器基本为无故障状态。
[0007]其中，所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出的也是嗡嗡声时，此时即可判断变压器中电源电压较高、负荷较
大，或者铁芯夹件两头螺丝、穿心螺丝、垫块压钉螺丝不紧情况的出现。
[0008]其中，所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“吱吱”声，继而可以判断其可能是触头有污垢而引起的接触不良现象，所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“吱啦”声，此时即可判断故障可能是由于新组装或吊芯检修时的疏忽大意，螺钉或铁垫没有上紧或掉入小的铁质部件，在电磁力作用下抖动所，且在判断时需要确定其扩音装置是否为固定状态。
[0009]其中，所述当特性图中波长与幅值是为非周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“啪叽”的清脆击铁声时，此时即可判断变压器的故障可能为变压器出现渗油现象，所述当特性图中波长与幅值是为非周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出蛙鸣般的“唧哇、唧哇”声时，此时即可判断变压器出现不正常励磁现象。
[0010]其中，所述当特性图中波长与幅值是为非周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“哇哇”的哺叫声时，此时即可判断变压器可能出现了与连接设备中产生了谐波电流现象，所述当特性图中波长与幅值是为非周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出了“虎啸声”时，此时即可判断其变压器内部的低压线路发生了短路与接地现象，所述当特性图中波长与幅值是为非周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，其发出了“咕噜”的沸腾声，此时即可判断当变压器绕组发生层间或匝间短路等情况。
[0011]其中，所述当特性图中波长与幅值是为非周期性时，同时其声音小于1000Hz时，此时可以大致判断为变压器的工作环境过于潮湿，继而导致其油枕内部出现了氧化生锈的现象。
[0012]其中，微机处理判断过程为设X= {xt ,x,
…
},G= G1,G2…
,G
n
为属性集,W= l,2,
…
W
m
为属性的原定向量,其中w
i
>0, 。对于方案x
i
X,按第i个属性G
i
,进行测度,得到x
j
关于G
j
,的属性值a
ij ,从而构成决策矩阵A =(a
ij
)m
xn
。令M = {1,2,
…
,m
l },N={1,2,
…
,n
l
},其中X为需要判定的数据集。
[0013]本专利技术的技术效果和优点：1、本专利技术通过设有基于深度学习算法的变压器声音缺陷识别方法，继而加快了其变压器所发生故障的判断效率，且通过设有计算机进行声音幅频特性图的导出，继而方便其工作人员进行分类处理变压器可能出现的故障情况，一定程度上，加大了变压器故障分析的准确性，继而方便后期工作人员进行维修处理。
附图说明
[0014]图1为本专利技术的整体检测识别流程图。
具体实施方式
[0015]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，能够以各种形式实现本公开而不应被这里阐述的实施例
所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。
[0016]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0017]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
[0018]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0019]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0020]本申请实施例能够应用于计算机系统/服务器，其可与众多其他通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于，包括以下操作步骤：S1、工作人员通过人工将其扩音装置放入到变压器的表面，同时将其固定于变压器的表面，防止其使用过程中出现脱落的现象；S2、固定完成之后，继而使其变压器开始通电工作，同时扩音装置开始进行变压器工作时所产生噪音的放大，同时将放大后的音频送入到计算机的内部；S3、当其噪音送入殴打计算机的内部时，进行音频的转化，继而将其转化为声音幅频特性图；S4、当其音频转化为声音幅频特性图之后，再通过人工观察其特性图中波长与幅值是否为周期性，在通过这一特征进行分类处理；S5、分类完成之后，再通过智能微机判断，继而将其进行二次分类处理，分类完成之后，再将其依次送入到故障诊断部门进行分类处理，继而方便其工作人员进行故障的分析与判断。2.根据权利要求1所述的一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于：所述扩音装置上设定有负压吸附装置，同时负压吸附装置工作方式为电动。3.根据权利要求1所述的一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于：所述当特性图中波长与幅值是为周期性时，同时其声音小于1000Hz时，送入到故障诊断部门时，如果通过人工听取其声音是否为“嗡嗡”的电磁声，即可判断变压器基本为无故障状态。4.根据权利要求1所述的一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于：所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出的也是嗡嗡声时，此时即可判断变压器中电源电压较高、负荷较大，或者铁芯夹件两头螺丝、穿心螺丝、垫块压钉螺丝不紧情况的出现。5.根据权利要求1所述的一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于：所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“吱吱”声，继而可以判断其可能是触头有污垢而引起的接触不良现象，所述当特性图中波长与幅值是为周期性时，同时其声音大于1000Hz时，且送入到故障诊断部门时，发出“吱啦”声，此时即可判断故障可能是由于新组装或吊芯检修时的疏忽大意，螺钉或铁垫没有上紧或掉入小的铁质部件，在电磁力作用下抖动所，且在判断时需要确定其扩音装置是否为固定状态。6.根据权利要求1所述的一种基于深度学习算法的变压器声音缺陷识别系统，其特征在于：所述当特性图中波长与幅值是为非周期性时，同时其...

【专利技术属性】
技术研发人员：朱星，吴杰，
申请(专利权)人：南京悠阔电气科技有限公司，
类型：发明
国别省市：