故障检测方法、装置、计算机设备和存储介质与流程

本申请涉及电力系统故障识别，特别是涉及一种故障检测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着电力系统的发展，高压直流输电已成为电力系统中的关键部分，阀冷系统中的换流阀是实现高压直流输电的核心设备。然而，换流阀在整流和逆变过程中会产生大量热量，这些热量可能会影响到换流阀的正常工作，因此需要对换流阀进行及时的故障检测。

2、传统的故障检测方案，主要依赖于站内运维人员和厂家专业人员的经验判断对换流阀进行故障诊断，或者采用振动分析、红外成像分析以及油液分析等故障检测方式，对阀冷系统进行故障排查。

3、然而，上述故障检测方案容易受到人为因素或环境因素的影响，例如采用振动分析的方式进行故障检测，很容易受到换流阀自身安装情况、设备噪声以及环境噪声的影响，从而导致故障检测结果的准确性低下。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高故障检测结果准确性的故障检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本申请提供了一种故障检测方法。所述方法包括：

3、获取待检测设备的声纹时序数据；

4、对所述声纹时序数据进行声音特征提取，得到声音特征数据；

5、以所述声音特征数据为输入，调用已训练的故障检测模型进行故障检测，得到故障检测结果；

6、其中，所述已训练的故障检测模型通过所述待检测设备的携带故障检测结果标签的历史声音特征数据，对初始故障检测模型训练得到，所述初始故障检测模型基于卷积神经网络和双向长短期记忆网络构建。

7、在其中一个实施例中，所述调用已训练的故障检测模型进行故障检测，得到故障检测结果，包括：

8、通过所述卷积神经网络，对所述声音特征数据进行空间特征提取，得到故障空间特征，并通过所述双向长短期记忆网络，对所述声音特征数据进行时间特征提取，得到故障时间特征数据；

9、根据所述故障空间特征数据和所述故障时间特征数据，确定故障检测结果。

10、在其中一个实施例中，所述调用已训练的故障检测模型进行故障检测，得到故障检测结果，包括：

11、通过所述卷积神经网络，对所述声音特征数据进行空间特征提取，得到故障空间特征数据；

12、通过所述双向长短期记忆网络，对所述故障空间特征数据进行时间特征提取，得到故障特征数据；

13、根据所述故障特征数据，确定故障检测结果。

14、在其中一个实施例中，所述双向长短期记忆网络包括正向传播层和反向传播层；

15、所述通过所述双向长短期记忆网络，对所述故障空间特征数据进行时间特征提取，得到故障特征数据，包括：

16、通过所述正向传播层，对所述故障空间特征数据进行正向时间特征提取，得到所述故障空间特征数据的正向隐藏状态；

17、通过所述反向传播层，对所述故障空间特征数据进行反向时间特征提取，得到所述故障空间特征数据的反向隐藏状态；

18、根据所述正向隐藏状态和所述反向隐藏状态，确定故障特征数据。

19、在其中一个实施例中，所述故障检测模型包括全连接层；

20、所述根据所述故障特征数据，确定故障检测结果，包括：

21、通过所述全连接层，对所述故障特征数据进行故障分类，得到所述待检测设备的故障类型，所述故障检测结果包括所述故障类型。

22、在其中一个实施例中，所述对所述声纹时序数据进行声音特征提取，得到声音特征数据，包括：

23、对所述声纹时序数据进行傅里叶变换，得到所述声纹时序数据在线性频谱上的第一特征数据；

24、对所述第一特征数据进行梅尔滤波，得到所述声纹时序数据在梅尔频谱上的第二特征数据；

25、对所述第二特征数据进行对数变换和离散余弦变换，确定所述声音特征数据。

26、第二方面，本申请还提供了一种故障检测装置。所述装置包括：

27、数据获取模块，用于获取待检测设备的声纹时序数据；

28、特征提取模块，用于对所述声纹时序数据进行声音特征提取，得到声音特征数据；

29、故障检测模块，用于以所述声音特征数据为输入，调用已训练的故障检测模型进行故障检测，得到故障检测结果；

30、其中，所述已训练的故障检测模型通过所述待检测设备的携带故障检测结果标签的历史声音特征数据，对初始故障检测模型训练得到，所述初始故障检测模型基于卷积神经网络和双向长短期记忆网络构建。

31、第三方面，本申请还提供了一种计算机设备。所述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上述故障检测方法实施例中的步骤。

32、第四方面，本申请还提供了一种计算机可读存储介质。所述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上述故障检测方法实施例中的步骤。

33、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上述故障检测方法实施例中的步骤。

34、上述故障检测方法、装置、计算机设备、存储介质和计算机程序产品，预先基于卷积神经网络和双向长短期记忆网络构建得到的初始故障检测模型，结合了卷积神经网络和双向长短期记忆网络的优点，既可以高效准确地处理声音特征数据的局部空间特征，又能高效准确处理声音特征数据在时间上的特征，因此将上述初始故障检测模型训练过后，应用于故障检测任务中，可以得到准确性高的故障检测结果。并且，通过对待检测设备的声纹时序数据进行声音特征提取，可以减少声纹时序数据中的噪声信号，从而得到高质量的声音特征数据，再以高质量的声音特征数据作为已训练的故障检测模型的输入，也可以进一步提高故障检测结果的准确性。

技术特征：

1.一种故障检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述调用已训练的故障检测模型进行故障检测，得到故障检测结果，包括：

3.根据权利要求1所述的方法，其特征在于，所述调用已训练的故障检测模型进行故障检测，得到故障检测结果，包括：

4.根据权利要求3所述的方法，其特征在于，所述双向长短期记忆网络包括正向传播层和反向传播层；

5.根据权利要求3或4所述的方法，其特征在于，所述故障检测模型包括全连接层；

6.根据权利要求1至4任意一项所述的方法，其特征在于，所述对所述声纹时序数据进行声音特征提取，得到声音特征数据，包括：

7.一种故障检测装置，其特征在于，所述装置包括：

8.一种计算机设备，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6中任一项所述的方法的步骤。

9.一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6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结本申请涉及一种故障检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待检测设备的声纹时序数据；对所述声纹时序数据进行声音特征提取，得到声音特征数据；以所述声音特征数据为输入，调用已训练的故障检测模型进行故障检测，得到故障检测结果；其中，所述已训练的故障检测模型通过所述待检测设备的携带故障检测结果标签的历史声音特征数据，对初始故障检测模型训练得到，所述初始故障检测模型基于卷积神经网络和双向长短期记忆网络构建。采用本方法能够提高故障检测结果的准确性。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：2024/6/11