阀冷设备故障检测方法、装置、计算机设备及存储介质与流程
- 国知局
- 2024-06-21 11:49:52
本申请涉及直流输电,特别是涉及一种阀冷设备故障检测方法、装置、计算机设备及存储介质。
背景技术:
1、高压直流输电系统是电力系统的重要组成部分,换流阀作为高压直流输电系统的核心设备,在整流、逆变过程中将产生巨大的热量,为避免换流阀被热量损坏,需要安全、稳定、可靠的阀冷设备为换流阀散热。然而,阀冷系统受运行方式、跨区电网输送容量、外界温度等各种因素影响容易出现内部故障。
2、现有技术中,阀冷设备的故障检测更多依靠站内运维人员及厂家专业人员的经验进行判断,其准确性无法得到保障,只适用于更明显的故障发生。而现有技术中基于机器学习和深度学习方法的阀冷设备故障检测,例如使用人工神经网络算法实现设备内部故障检测,或基于bp神经网络实现阀冷设备故障诊断模型,均存在准确率不高,且由于模型训练耗时较长,内存消耗较大,导致针对于阀冷设备的故障检测方案需求的成本更高。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种检测准确率更高且损耗较小的阀冷设备故障检测方法、装置、计算机设备及存储介质。
2、第一方面,本申请提供了一种阀冷设备故障检测方法,包括:
3、获取所述阀冷设备在运行状态下的声音数据;
4、对所述声音数据进行预处理,得到目标声纹特征向量;
5、将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,其中,所述目标卷积神经网络模型为基于注意力机制改进后的卷积神经网络模型。
6、在其中一个实施例中,所述将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果之前,所述方法还包括:
7、获取所述阀冷设备在正常状态、第一异常状态和第二异常状态运行时的声音样本数据;
8、根据所述声音样本数据训练所述目标卷积神经网络模型。
9、在其中一个实施例中,所述根据所述声音样本数据训练所述目标卷积神经网络模型,包括:
10、对所述声音样本数据进行预处理,得到训练声纹特征向量和测试声纹特征向量;
11、根据所述训练声纹特征向量训练卷积神经网络模型;
12、根据所述测试声纹特征向量对训练后的卷积神经网络模型进行测试,测试通过后,得到所述目标卷积神经网络模型。
13、在其中一个实施例中,所述根据所述训练声纹特征向量训练卷积神经网络模型,还包括:
14、利用多进程运行库创建多个子进程,其中,每个子进程均用于根据所述训练声纹特征向量确定所述故障判断结果,各子进程间通过队列函数进行通信,以协同训练所述目标卷积神经网络模型。
15、在其中一个实施例中,所述将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,包括:
16、输入所述目标声纹特征向量;
17、根据校正线性单元激活函数对所述目标声纹特征向量进行卷积运算;
18、根据最大池化方法筛选目标检测特征;
19、计算目标检测特征的权重和偏差,得到加权后的特征值;
20、根据预设权重值处理各加权后的特征值,并得到结果特征;
21、输出所述结果特征,其中,所述结果特征用于表征所述阀冷设备所处的状态。
22、在其中一个实施例中,所述对所述声音数据进行预处理,得到目标声纹特征向量,包括:
23、将所述声音数据归一化,得到初始声纹数据;
24、按照预设帧数、预设帧位移、两帧之间的重叠部分与帧信号的预设关系处理所述初始声纹数据,得到声纹成帧数据;
25、使用快速傅里叶变换将声纹成帧数据变换为频域中的能量分布;
26、利用mel滤波方法处理所述能量分布,得到所述目标声纹特征向量。
27、在其中一个实施例中,所述获取所述阀冷设备在运行状态下的声音数据,包括:
28、控制所述阀冷设备进入运行状态;
29、按照预设采样周期采集所述阀冷设备的声音数据。
30、第二方面,本申请还提供了一种阀冷设备故障检测装置,包括:
31、获取模块,用于获取所述阀冷设备在运行状态下的声音数据;
32、预处理模块,用于对所述声音数据进行预处理,得到目标声纹特征向量;
33、故障检测模块,用于将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,其中,所述目标卷积神经网络模型为基于注意力机制改进后的卷积神经网络模型。
34、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的阀冷设备故障检测方法的步骤。
35、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的阀冷设备故障检测方法的步骤。
36、第五方面,本申请还提供了一种计算机程序产品,所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的阀冷设备故障检测方法的步骤。
37、综上所述,本申请提出一种阀冷设备故障检测方法、装置、计算机设备及存储介质,包括:获取所述阀冷设备在运行状态下的声音数据;对所述声音数据进行预处理,得到目标声纹特征向量;将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,其中,所述目标卷积神经网络模型为基于注意力机制改进后的卷积神经网络模型。本实施例采用基于注意力机制改进后的卷积神经网络模型识别阀冷设备在运行状态下的声音数据,从而能够更加准确、快速的判断阀冷设备的实时运行状态,并确定阀冷设备的故障类型。
技术特征:1.一种阀冷设备故障检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述根据所述声音样本数据训练所述目标卷积神经网络模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练声纹特征向量训练卷积神经网络模型,还包括:
5.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,包括:
6.根据权利要求1所述的方法,其特征在于,所述对所述声音数据进行预处理,得到目标声纹特征向量,包括:
7.根据权利要求1所述的方法,其特征在于,所述获取所述阀冷设备在运行状态下的声音数据,包括:
8.一种阀冷设备故障检测装置,其特征在于,包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的阀冷设备故障检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的阀冷设备故障检测方法的步骤。
技术总结本申请涉及一种阀冷设备故障检测方法、装置、计算机设备及存储介质,包括:获取所述阀冷设备在运行状态下的声音数据;对所述声音数据进行预处理,得到目标声纹特征向量;将所述目标声纹特征向量输入目标卷积神经网络模型,得到故障判断结果,其中,所述目标卷积神经网络模型为基于注意力机制改进后的卷积神经网络模型。本实施例采用基于注意力机制改进后的卷积神经网络模型识别阀冷设备在运行状态下的声音数据,从而能够更加准确、快速的判断阀冷设备的实时运行状态,并确定阀冷设备的故障类型。技术研发人员:焦石,谷裕,张健成,李舒维,邓健俊,赖桂森,杨学广,张朝辉,龙建华受保护的技术使用者:中国南方电网有限责任公司超高压输电公司广州局技术研发日:技术公布日:2024/5/8本文地址:https://www.jishuxx.com/zhuanli/20240618/23832.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。
下一篇
返回列表