技术新讯 > 乐器声学设备的制造及制作,分析技术 > 一种水电机组放电和轴承故障风险声音的分类方法及系统与流程  >  正文

一种水电机组放电和轴承故障风险声音的分类方法及系统与流程

  • 国知局
  • 2024-06-21 11:40:49

本发明涉及水电设备风险识别,更具体的说是涉及一种水电机组放电和轴承故障风险声音的分类方法及系统。

背景技术:

1、随着经济与工业的发展,电力行业已经进入特高压、大电网的发展阶段。期间,各类电力电子设备被不断开发,如发电机、水电机组等。水电机组是水力发电网中常见的电力设备。电网规模的进一步扩大对这类的电力设备的安全可靠性提出了更高的要求。如果这些电力设备出现故障,将会造成配网系统工作失稳,甚至会导致严重的电力安全问题。目前,此类设备仍采用无人值守+人工定期巡检的检修方式,部分在网电力设备智能化程度低下,难以及时发现故障隐患。因此,实时监测电力设备的运行状态及快速识别电力设备的故障类型对电力系统的安全与稳定具有重要意义。

2、在水电设备产生绝缘介质损伤引发局部放电时,会产生各类可听声、高频波、超声、光、脉冲电流、电磁波信号及绝缘气体分解得到的化学产物等,针对这些信号与化学产物的特征,对应的声学检测法、光学检测法、电信号检测法及化学检测法也不断被开发出来。

3、脉冲电流法虽具有检测灵敏度高,可以视在放电量的优势,但此方法必须嵌入设备里面离线检测,频繁脱机检测会对电网可靠性造成一定影响;暂态地电压检测法对绝缘子间隙放电检测尤其敏感,但只适用于特定场景,现如今应用在变压器、水轮机等其他设备上还有一定的难度;特高频法灵敏度高,抗干扰较强,但不适合金属封闭装置,也存在无法量化描述局部放电强度等问题。可听声检测技术是通过分析设备发出的20hz~20khz人耳可听声声音来诊断设备运行工况的技术。不同于传统局部放电检测技术,可听声局放声音检测技术具有非接触式、成本低廉、声音采集装置(传声器)安装便捷等天然优势。可听声声音检测技术是从语音识别技术发展而来的。而现有的故障声音信号分析检测方法大多通过移植使用现有语音识别模型,对具体的放电声音特征考虑不足,模型与声音特征参数契合度低,导致系统识别率不高,同时对电力设备的具体工作环境考虑不足。

4、同样针对轴承故障的识别问题,振动和噪声信号可以真实地反映设备运行过程中的各种状态信息,利用噪声信号对设备进行故障诊断具有设备安装位置灵活、可以监测带电设备及监测更高频率的设备信息等优点。水电机组在运行时主要会受到水流冲击、电磁耦合及机械旋转等三方面的耦合作用,机组的噪声信号亦包含以上三个因素的信息。但现有研究仅依靠声音分贝值对水电机组进行状态监测,极易受到噪声影响。在其他领域,基于声音的设备故障诊断方法使用了正常数据和故障数据,而在水电机组监测系统部署初期,由于缺少标注的故障数据,无法实现基于监督学习的诊断模型。

5、因此,提出一种水电机组放电和轴承故障风险声音的分类方法及系统,来解决现有技术存在的困难,是本领域技术人员亟须解决的问题。

技术实现思路

1、有鉴于此,本发明提供了一种水电机组放电和轴承故障风险声音的分类方法及系统,以模拟设备出现风险而产生的音频信号来尽可能地实时识别,混合内部或外界噪声的情况以构建训练数据集并对网络的特征提取进行融合以确保精准分析。

2、为了实现上述目的,本发明提供如下技术方案:

3、一种水电机组放电和轴承故障风险声音的分类方法,包括以下步骤:

4、构建待分类时频图数据集,并将待分类时频图数据集输入至训练好的分类模型中;

5、分类模型利用vgg16、inception10以及resnet18神经网络分别提取待分类时频图数据集的音频特征,音频特征通过加权的特征融合得到融合后的音频特征,对融合后的音频特征采用逻辑回归分类器进行分类;

6、将分类结果进行输出。

7、上述的方法,可选的,待分类时频图数据集构建的具体内容为:

8、利用水电设备放电故障的音频采集平台以及轴承故障实验平台,获取模拟故障音频、设备正常工作音频,进一步利用音频处理软件混叠设备正常工作噪声、模拟放电和轴承故障声音以及外界的环境噪声,形成音频资源库;

9、选取短时傅里叶变换得到的时频图来提取音频资源库中音频信息特征,得到短时时频图,利用得到的短时时频图构建待分类时频图数据集;

10、水电设备放电故障的音频采集平台由模拟放电实验系统与录音装置两部分构成。

11、上述的方法,可选的,在对模拟放电声音采集的同时,也采集了部分水轮机组的正常工作声音,采集设备的采集距离与模拟放电故障声音采集时的距离保持一致。

12、上述的方法,可选的,采用基于时频图的水电机组设备可听声短时频谱特征提取算法,批量生成短时时频图,构建待分类时频图数据集。

13、上述的方法,可选的,分类模型采用vgg16、inception10以及resnet18神经网络构成三条网络支路,三条网络支路的输出通过加权的特征融合方法融合后连接逻辑回归分类器。

14、上述的方法,可选的,vgg16、inception10以及resnet18神经网络使用tensorflow深度学习框架搭建并对应修改参数后得到。

15、上述的方法,可选的,加权的特征融合的表达式为:

16、

17、其中,为克罗内克积;a1,a2,a3为加权系数;f1,f2,f3为三条支路的特征;f为融合后的特征,t为特征向量转置。

18、一种水电机组放电和轴承故障风险声音的分类系统,执行上述任一项所述的一种水电机组放电和轴承故障风险声音的分类方法,包括依次连接的数据输入模块、数据处理步骤、分类输出模块,其中,

19、数据输入模块:构建待分类时频图数据集,并将待分类时频图数据集输入至训练好的分类模型中;

20、数据处理模块:分类模型利用vgg16、inception10以及resnet18神经网络分别提取待分类时频图数据集的音频特征,音频特征通过加权的特征融合得到融合后的音频特征,对融合后的音频特征采用逻辑回归分类器进行分类;

21、分类输出模块:将分类结果进行输出。

22、上述的系统,可选的,数据输入模块包括依次连接的音频采集单元、混频单元、音频资源库;

23、其中,音频采集单元,用于利用水电设备放电故障的音频采集平台以及轴承故障实验平台获取模拟故障音频、设备正常工作音频;

24、混频单元,用于进一步利用音频处理软件混叠设备正常工作噪声、模拟放电和轴承故障声音以及外界的环境噪声,得到音频信息;

25、音频资源库,用于存储音频信息。

26、一种计算机可读存储介质,可读存储介质包括存储的指令,其中,在指令运行时控制可读存储介质所在的设备执行上述任一项的一种水电机组放电和轴承故障风险声音的分类方法。

27、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种水电机组放电和轴承故障风险声音的分类方法及系统,其有益效果为:

28、1)本发明充分分析水电机组的具体工作环境,以及内部和外界噪声,通过将水电机组正常工况声音、放电故障声音、滚动体故障、内圈故障、外圈故障、设备运行环境噪声混淆制作音频数据库,模拟真实应用场景,提高了实验准确性和可靠性;

29、2)本发明充分学习水电机组不同放电和轴承故障声音及正常工况音频时频图的图像差异,达到准确识别水电机组放电和轴承故障的效果;

30、3)本发明所述方法性能稳定,适于应用于解决水电机组的具体工程中;

31、4)本发明混合内部或外界噪声的情况以构建训练数据集并对网络的特征提取进行融合以确保精准分析。

本文地址:https://www.jishuxx.com/zhuanli/20240618/22855.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。