一种滤除变压器振动噪音的声波检测方法与流程

本发明涉及变压器振动噪音声波检测，具体为一种滤除变压器振动噪音的声波检测方法。

背景技术：

1、变压器是电力系统中的关键设备之一，它的正常运行对于保障电力系统的稳定运行和满足用户的电力需求至关重要。但是，变压器在运行过程中也会发生各种故障，如绕组短路、触头接触不良、油温异常等，这些故障如果不及时发现和解决，会对变压器设备甚至整个电力系统的安全稳定运行造成严重影响，所以，需要采用有效的检测方法发现和解决变压器的故障。

2、变压器的检测方法有多种，可以使用红外热成像这种非接触式技术检测变压器表面的温度，发现过载、绝缘老化等异常热点问题，但是这种方法只能检测变压器表面的温度，不能深入检测内部问题；振动分析方法通过安装振动传感器，可以监测变压器内部机械部件的异常振动，这种方法收到变压器自身振动的影响较大，且无法检测非机械故障类型；绝缘电阻实验也是一种检测变压器绝缘性能的方法，通过进行绝缘电阻测试，可以发现变压器的绝缘缺陷和潜在的故障，但是这种方法只能提供整体的绝缘状态，无法检测到局部故障。

3、声波检测方法是一种非常便捷准确的方法，通过在变压器周围安装声波传感器，可以实时收集和分析变压器运行过程中产生的声波信号，依此对变压器的故障进行检测和分析，例如，当变压器绕组产生短路、开路、接触不良等故障时，绕组发生发生振动产生相应的声波信号；当变压器发生绝缘老化、绝缘击穿等故障时，电场分布发生变化引起局部放电后，进而产生超声波信号的变化；当变压器发生机械松动、轴承磨损等机械故障时，也会导致变压器内部产生振动并通过超声波信号传播。与传统的检测方法相比，声波检测方法不需要拆解变压器，也不需要对变压器进行停电处理，不会对变压器的正常运行造成影响。

4、但是，在用声波检测方法进行变压器故障的检测时，变压器自身正常运行也会产生大量的噪音信号，如电力设备运行产生的振动、风声、机械摩擦等，这些噪声信号可能会与变压器故障产生声波信号重叠在一起，导致难以区分正常信号和故障信号，进而影响对故障的准确检测。

5、所以，在用声波检测方法进行振动噪音的分析时，需要将变压器自身的产生的振动噪音信号与故障噪音信号进行区分，提取出故障噪音信号区别于振动噪音信号的特征，实现对变压器故障的准确检测。

技术实现思路

1、为解决上述声波检测方法中变压器振动噪音区分的问题，本发明提供了一种滤除变压器振动噪音的声波检测方法。

2、本发明技术方案如下：

3、一种滤除变压器振动噪音的声波检测方法，包括以下步骤：

4、s1、非故障数据采集：用超声传感器采集不同工作状态下变压器的非故障振动噪音数据，经小波变换得到非故障时频谱图；

5、s2、故障数据采集：用超声传感器采集变压器的故障振动噪音数据，经小波变换得到故障时频谱图；

6、s3、特征提取：将相同工作状态下的故障时频谱图与非故障时频谱图对比，分别从故障时频谱图、非故障时频谱图中搜索设定步长范围内的最大值至作为峰值点，遍历两个时频谱图，获取所有峰值点；获取两个时频谱图在相同频率范围内的峰值点位置变化值、幅度变化值，作为故障特征点，与故障类型关联；

7、s4、建立变压器基准模型：建立变压器非故障振动的有限元仿真模型，输出不同工作状态下的仿真非故障时频谱图；在有限元仿真模型中添加故障模型，输出不同工作状态下的仿真故障时频谱图；比对相同工作状态下的仿真故障时频谱图和仿真故障时频谱图，提取仿真故障特征点，与故障类型关联；

8、s5、训练神经网络模型：选择神经网络模型，并使用提取的故障特征点、仿真故障特征点、故障类型对神经网络模型进行训练，得到训练好的神经网络；

9、s6、故障推断：将实际检测到的变压器振动噪音时频谱输入训练好的神经网络模型中，进行分类，输出故障类型。

10、具体地，所述s1中用超声传感器采集不同工作状态下变压器的非故障振动噪音数据，为采集变压器在不同环境温度和湿度、冷却方式、额定电压、负荷大小工作状态下的非故障振动噪音数据。

11、进一步地，所述s1、s2中经小波变换分别得到非故障时频谱图和故障时频谱图，为选择小波基函数对振动噪音数据进行小波变换，将振动噪音数据拆解为不同频率上的小波系数，基于小波系数计算能量谱密度，将小波能量谱密度转换到时频域，生成时频谱图。

12、具体地，所述s4中建立变压器非故障振动的有限元仿真模型，为：

13、收集变压器的几何数据，包括变压器的结构尺寸、绕组形状、铁芯形状，构建有限元网格；

14、收集变压器的材料参数，包括导电率、磁导率、热导率、热容；

15、确定边界条件，包括支撑方式、固定边界；

16、添加外部负载，包括机械载荷、电磁力、外部电源电压、负载电流；

17、进行有限元分析，得到变压器在不同工作状态下的振动响应。

18、进一步地，根据提取的故障特征点在有限元仿真模型中添加故障模型，为根据故障时频谱图中提取的峰值、突变点、频率成分，添加绕组断裂、铁芯饱和、机械松动、油路堵塞等故障模型。

19、进一步地，建立变压器非故障振动的有限元仿真模型，使用s1中得到的非故障时频谱图对有限元仿真模型进行修正；在有限元仿真模型中添加故障模型后，使用s2中得到的故障时频谱图对添加故障模型的有限元仿真模型进行修正。

20、具体地，所述s5中使用提取的仿真故障特征点对其进行训练，为使用反向传播算法对神经网络模型进行训练。

21、进一步地，本发明还提供了一种滤除变压器振动噪音的声波检测系统，包括：

22、数据采集模块：使用超声传感器采集变压器的振动噪声数据，小波变换后得到时频谱图；

23、特征提取模块：负责将相同工作状态下的故障时频谱图与非故障时频谱图对比，比较在相同频率范围内的峰值点位置、幅度，提取故障特征点，并与故障类型关联；

24、仿真模型建立模块：建立变压器非故障振动的有限元仿真模型，输出仿真非故障时频谱图，并在此基础上添加故障模型，输出仿真故障时频谱图；

25、神经网络模型建立模块：使用卷积神经网络建立变压器的神经网络模型；

26、网络模型训练模块：使用反向传播算法用提取的故障特征点、仿真故障特征点、故障类型对构建的神经网络模型进行训练；

27、故障推断模块：将实际检测到的变压器振动噪音时频谱数据输入至神经网络模型中，分类输出故障类型。

28、另外，本发明提供了一种滤除变压器振动噪音的声波检测装置，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如上所述的滤除变压器振动噪音的声波检测方法。

29、本发明还提供了一种计算机可读存储介质，存有计算机程序，该程序被处理器执行时可实现如上所述的滤除变压器振动噪音的声波检测方法的步骤。

30、本发明的有益效果在于：

31、1、用超声传感器先采集变压器在非故障情况下的振动噪音数据，作为后续故障识别的基准，然后采集故障情况下的振动噪音数据，通过对比变压器振动噪音故障数据和非故障数据的时频谱图，可以识别出异常振动噪音模式，进行故障特征的定位；对一些复杂的变压器故障情况，提取分析故障特征点，可以更准确地描述故障情况，提高仿真模型的精度和可信度，帮助仿真模型更好地模拟变压器的实际运行情况。

32、2、通过在有限元仿真模型中输入不同的电气参数和工作条件，可以模拟变压器的各种故障情况和工作状态，确定与每个故障相关的特征，并生成故障库，这些故障模式的分析可以对神经网络模型的训练提供指导，以便更准确地对变压器各种故障进行检测和诊断。

33、3、神经网络模型则基于有限元仿真模型产生的数据和提取的故障模式，可以自动学习和识别变压器振动噪音中的故障特征，避免手动分析和识别过程的繁琐和不确定性，提高变压器故障分类推断的准确性。