调相机设备状态在线监测方法、系统、终端和存储介质与流程

1.本发明涉及调相机设备状态监测技术领域，特别是涉及一种基于声纹振动的调相机设备状态在线监测方法、系统、终端及存储介质。


背景技术：

2.调相机设备作为一种动态无功功率补偿装置，具有自动快速调节无功功率的作用，其设备的稳定运行可提升电力系统的稳定性、改善系统供电质量，在支撑电网安全运行中发挥着重要作用。但限于设备的体积庞大、结构复杂，调相机设备早期缺陷通常难以被发现，因此，如何实现设备实时工作状态的可靠感知意义重大。
3.传统的状态监测方法主要基于振动传感器进行采集，但该方法需要针对每种设备进行独立的监测系统设计和构建，且通常为获得完整的监测设备状态参量，还需布置大量传感器，增加了工作量与实际成本。由于设备的异常振动会向外辐射噪声，同时噪声的采集为非侵入式检测、采集成本低、采集效率高，因此也在电力设备的状态检测中得到了应用。但对于系统结构繁多、工作环境复杂的调相机设备而言，仅利用常规单一信号的检测方法，难以实现被监测设备状态参量的全面感知。
4.有鉴于此，有必要提供一种有效融合多参量感知信号的调相机设备状态在线监测方法，在得到被检测设备丰富状态参量的同时，提高设备的运行效率和可靠性，降低生产停机时间和维修成本，最终达到提升电力系统运行稳定性的目的。


技术实现要素：

5.鉴于以上所述现有技术存在的缺点，本发明的目的在于提供一种基于声纹振动的调相机设备状态监测方法及系统，其利用辨识度高、可靠性强的设备状态感知方法，以实现调相机设备状态的实时监测和状态感知，提升设备运行的稳定性。
6.为实现上述目的，本发明采用的一种技术方案如下：一种调相机设备状态监测方法，其包括：
7.首先，采集调相机设备不同状态的声纹与振动原始数据；
8.其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；
9.然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；
10.最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。
11.进一步地，利用相空间映射技术实现声纹一维时域信号x和振动一维时域信号y的相空间重构为：
[0012][0013]
式中，xi和yi分别表示重构后的声纹和振动信号向量，m表示嵌入维数，τ表示延迟
时间，n表示时域信号离散点数。
[0014]
进一步地，借助稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素，其计算公式如下：
[0015][0016]
式中，xi、xj分别表示第i、j个声纹信号数据，yi、yj分别表示第i、j个振动信号数据。
[0017]
进一步地，利用拉普拉斯金字塔技术实现声纹和振动二维图谱的融合，其融合计算公式如下：
[0018]
lfn(i,j)＝walpan+wblpbn(3)
[0019]
式中，lpan为通道a图像的n层拉普拉斯金字塔的顶层；lpbn为通道b图像的n层拉普拉斯金字塔的顶层；lfn为融合图像拉普拉斯金字塔的顶层；wa、wb分别为通道a、b图像的权重。
[0020]
进一步地，利用lenet-5卷积神经网络以实现不同调相机设备不同运行状态下的有效识别，该lenet-5卷积神经网络是一种智能的自学习模型，包括集成学习、反向传播和选择优化，其卷积层及池化层的计算公式为：
[0021][0022]
式中，f()表示激活函数，x
i,j
表示第i行、第j列的输入元素，σ表示卷积核元素，m、n分别表示卷积核的宽度和高度，δ表示误差偏移量，d()表示下采样，y
i,j
表示池化区域中的元素，m表示卷积核在输入特征图上的坐标位置，即卷积过程中滤波器的空间位置。
[0023]
本发明采用的另一种技术方案如下：调相机设备状态在线监测系统，其包括数据采集单元、数据处理单元和声振图谱融合单元；
[0024]
所述的数据采集单元用于采集调相机设备的声纹和振动信号；
[0025]
所述的数据处理单元用于处理原始声纹和振动信号数据，并将数据传送至所述声振图谱融合单元；
[0026]
所述的声振图谱融合单元用于处理、计算声纹和振动数据，实现声振二维图谱的融合；
[0027]
所述声振图谱融合单元的具体处理过程如下：
[0028]
利用相空间映射技术实现声纹和振动一维时域信号的精准映射，借助动态时间规整方法构造声纹和振动的二维图谱矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的融合，获得可充分表征调相机当前状态的融合图像，最后借助卷积神经网络实现调相机设备状态的智能辨识。
[0029]
进一步地，所述的调相机设备状态在线监测系统还包括结果显示单元，所述的结果显示单元用于显示调相机设备不同状态的声振融合图谱以及状态识别/诊断结果的输
出。
[0030]
进一步地，所述的数据处理单元包括：收集所述数据采集单元获得的声纹和振动信号并进行信号放大，adc采集和信号存储。
[0031]
与本发明的一种调相机设备状态在线监测方法相应地，本发明还提供一种计算机监测终端，其包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的调相机设备状态在线监测方法。
[0032]
与本发明的一种调相机设备状态在线监测方法相应地，本发明还提供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如上述的调相机设备状态在线监测方法。
[0033]
与现有的常规技术相比，本发明具有以下有益效果：本发明提出的一种基于声纹振动的调相机设备状态在线监测方法，克服了常规监测方法难以全面感知监测设备的不足，能够有效感知调相机设备的工作状态变化程度；利用精度高的相空间重构技术充分挖掘调相机设备一维时域声学和振动数据的潜在状态参量信息，并借助于稳定性强的动态时间规整技术构造声纹和振动的二维可视化矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的充分融合，最终获得可充分表征调相机当前状态的融合图像。本发明所述的方法计算高效、实现便捷，在得到能够充分表征调相机设备当前工作状态的融合图谱的基础上，借助卷积神经网络最终实现调相机设备状态的可靠辨识。
[0034]
综上，本发明计算高效、实现便捷、结果展示直观，得到的融合图谱所包含的调相机设备状态信息丰富，为调相机设备不同工况下的状态辨识提供了可靠的数据支撑。
[0035]
由此，本发明的一种调相机设备状态在线监测系统、终端及存储介质也具有上述有益效果，此处不再赘述。
附图说明
[0036]
图1为本发明调相机设备状态在线监测方法的流程示意图；
[0037]
图2为本发明调相机设备状态在线监测系统的结构示意图；
[0038]
图3为本发明调相机设备状态在线监测终端的结构示意图；
[0039]
图4为本发明在调相机在正常-融合状态下的二维图像示意图；
[0040]
图5为本发明在调相机异常-融合状态下的二维图像示意图；
[0041]
图6为利用本发明所述方法在实测数据训练过程中的性能曲线图；
[0042]
图7为利用本发明所述方法得到的混淆矩阵计算结果示意图。
具体实施方式
[0043]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
[0044]
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范
围内。
[0045]
实施例
[0046]
本实施例给出了一种基于声纹振动的调相机设备状态在线监测方法、系统、终端和存储介质。
[0047]
第一方面，提供一种调相机设备状态在线监测方法，如图1所示，其步骤如下：
[0048]
步骤1，采集调相机设备不同状态的声纹与振动原始数据；
[0049]
步骤2，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；
[0050]
步骤3，利用拉普拉斯金字塔技术实现声振二维图谱的融合；
[0051]
步骤4，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。
[0052]
利用相空间映射技术实现声纹一维时域信号x和振动一维时域信号y的相空间重构为：
[0053][0054]
式中，xi和yi分别表示重构后的声纹和振动信号向量，m表示嵌入维数，τ表示延迟时间，n表示时域信号离散点数。
[0055]
借助稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素，其计算公式如下：
[0056][0057]
式中，xi、xj分别表示第i、j个声纹信号数据，yi、yj分别表示第i、j个振动信号数据。
[0058]
利用拉普拉斯金字塔技术实现声纹和振动二维图谱的融合，其融合计算公式如下：
[0059]
lfn(i,j)＝walpan+wblpbn(3)
[0060]
式中，lpan为通道a图像的n层拉普拉斯金字塔的顶层；lpbn为通道b图像的n层拉普拉斯金字塔的顶层；lfn为融合图像拉普拉斯金字塔的顶层；wa、wb分别为通道a、b图像的权重。
[0061]
利用lenet-5卷积神经网络以实现不同调相机设备不同运行状态下的有效识别，该lenet-5卷积神经网络是一种智能的自学习模型，包括集成学习、反向传播和选择优化，其卷积层及池化层的计算公式为：
[0062][0063]
式中，f()表示激活函数，x
i,j
表示第i行、第j列的输入元素，σ表示卷积核元素，m、n
分别表示卷积核的宽度和高度，δ表示误差偏移量，d()表示下采样，y
i,j
表示池化区域中的元素，m表示卷积核在输入特征图上的坐标位置，即卷积过程中滤波器的空间位置。
[0064]
第二方面，提供一种基于声纹振动的调相机设备状态在线监测系统，其包括数据采集单元、数据处理单元、声振图谱融合单元和结果显示单元；系统装置框架示意见图2。
[0065]
所述的数据采集单元用于采集调相机设备的声纹和振动信号。
[0066]
所述的数据处理单元用于处理原始声纹和振动信号数据，具体包括收集所述数据采集单元获得的声纹和振动信号并进行信号放大，adc采集和信号存储，并将数据传送至所述声振图谱融合单元；
[0067]
所述的声振图谱融合单元用于处理、计算声纹和振动数据，实现声振二维图谱的融合。
[0068]
所述声振图谱融合单元的具体处理过程如下：
[0069]
利用相空间映射技术实现声纹和振动一维时域信号的精准映射，借助动态时间规整方法构造声纹和振动的二维图谱矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的融合，获得可充分表征调相机当前状态的融合图像，最后借助卷积神经网络实现调相机设备状态的智能辨识。
[0070]
所述的结果显示单元用于显示调相机设备不同状态的声振融合图谱以及状态识别/诊断结果的输出。
[0071]
第三方面，本发明还提供一种计算机监测终端，具体包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的调相机设备状态在线监测方法。
[0072]
第四方面，本发明还提供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如上述任一项所述的调相机设备状态在线监测方法。
[0073]
第三、四方面的示意简图见图3。
[0074]
应用例
[0075]
为凸显本发明方法的优越性，针对某组实测数据，该组数据包括了调相机设备的正常状态和异常状态两种类型数据。并采用本发明的调相机设备状态在线监测方法进行计算，所得到的两种典型状态下的融合二维图像如图4和5所示。
[0076]
从图4和图5可以看到，在利用本发明方法得到调相机正常和异常状态下的二维融合图像具有明显的辨别度。调相机设备在正常运行状态时，融合图像的极值呈现“线状”分布；而异常状态下的融合图像则呈现显著的点状扩散形态，极值分布较为广泛。
[0077]
其训练过程中的性能曲线如图6所示，由图可知，模型在迭代至50次后，损失函数值已趋于平稳，这表明该模型已具备较好的分类性能。
[0078]
引入混淆矩阵进行所述调相机设备状态在线监测方法分类效果的定量评价，如图7所示即为利用本发明所述方法得到的混淆矩阵计算结果。图中混淆矩阵的对角线分别表示利用本发明所述方法对于每种状态的正确识别样本。结合图7可知，在全部111个测试集中只有2个被错误分类，测试样本集的分类正确率为98.20％。由表1可知，本发明所述方法的状态识别精度、召回率和f1值分别为97.67％、97.67％和97.67％。这一结果表明本发明所述的方法具备良好的分类性能，证明了该发明方法的有效性。
[0079]
表1评价参数表
[0080]
参数/标签12平均值精度98.78％96.55％97.67％召回率98.78％96.55％97.67％f1值98.78％96.55％97.67％
[0081]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.调相机设备状态在线监测方法，其特征在于，包括：首先，采集调相机设备不同状态的声纹与振动原始数据；其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。2.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用相空间映射技术实现声纹一维时域信号x和振动一维时域信号y的相空间重构为：式中，x
i
和y
i
分别表示重构后的声纹和振动信号向量，m表示嵌入维数，τ表示延迟时间，n表示时域信号离散点数。3.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，借助稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素，其计算公式如下：式中，x
i
、x
j
分别表示第i、j个声纹信号数据，y
i
、y
j
分别表示第i、j个振动信号数据。4.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用拉普拉斯金字塔技术实现声纹和振动二维图谱的融合，其融合计算公式如下：lf
n
(i,j)＝w
a
lpa
n
+w
b
lpb
n
(3)式中，lpa
n
为通道a图像的n层拉普拉斯金字塔的顶层；lpb
n
为通道b图像的n层拉普拉斯金字塔的顶层；lf
n
为融合图像拉普拉斯金字塔的顶层；w
a
、w
b
分别为通道a、b图像的权重。5.根据权利要求1所述的调相机设备状态在线监测方法，其特征在于，利用lenet-5卷积神经网络以实现不同调相机设备不同运行状态下的有效识别，该lenet-5卷积神经网络是一种智能的自学习模型，包括集成学习、反向传播和选择优化，其卷积层及池化层的计算公式为：式中，f()表示激活函数，x
i,j
表示第i行、第j列的输入元素，σ表示卷积核元素，m、n分别表示卷积核的宽度和高度，δ表示误差偏移量，d()表示下采样，y
i,j
表示池化区域中的元素，m表示卷积核在输入特征图上的坐标位置。6.调相机设备状态在线监测系统，其特征在于，包括数据采集单元、数据处理单元和声振图谱融合单元；
所述的数据采集单元用于采集调相机设备的声纹和振动信号；所述的数据处理单元用于处理原始声纹和振动信号数据，并将数据传送至所述声振图谱融合单元；所述的声振图谱融合单元用于处理、计算声纹和振动数据，实现声振二维图谱的融合；所述声振图谱融合单元的具体处理过程如下：利用相空间映射技术实现声纹和振动一维时域信号的精准映射，借助动态时间规整方法构造声纹和振动的二维图谱矩阵元素，并利用拉普拉斯金字塔技术实现声振二维图像的融合，获得可充分表征调相机当前状态的融合图像，最后借助卷积神经网络实现调相机设备状态的智能辨识。7.根据权利要求6所述的调相机设备状态在线监测系统，其特征在于，还包括结果显示单元，所述的结果显示单元用于显示调相机设备不同状态的声振融合图谱以及状态识别/诊断结果的输出。8.根据权利要求6所述的调相机设备状态在线监测系统，其特征在于，所述的数据处理单元包括：收集所述数据采集单元获得的声纹和振动信号并进行信号放大，adc采集和信号存储。9.一种计算机监测终端，其特征在于，一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5任一项所述的调相机设备状态在线监测方法。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如权利要求1-5任一项所述的调相机设备状态在线监测方法。

技术总结
本发明公开了一种调相机设备状态在线监测方法、系统、终端和存储介质。本发明的调相机设备状态在线监测方法，其包括：首先，采集调相机设备不同状态的声纹与振动原始数据；其次，基于高分辨率的相空间映射技术实现声纹和振动一维时域信号的精准映射，并基于稳定性强的动态时间规整方法构造声纹和振动信号的二维图谱矩阵元素；然后，利用拉普拉斯金字塔技术实现声振二维图谱的融合；最后，基于卷积神经网络实现调相机设备不同运行状态下的有效识别。本发明利用辨识度高、可靠性强的设备状态感知方法，实现了调相机设备状态的实时监测和状态感知，提升了设备运行的稳定性。提升了设备运行的稳定性。提升了设备运行的稳定性。


技术研发人员：李文博 金涌涛 杨勇 董雪松 张帅 卢洪坤 赵琳 施吉祥 王在华 冯宇哲 温典 于兵 林浩凡 何坚 郑文哲 卫博 宋国权 赵璐旻 李泽宇 汪斌 杨万波
受保护的技术使用者：国网浙江省电力有限公司电力科学研究院
技术研发日：2023.05.15
技术公布日：2023/8/6