浅谈智能变电站声纹监测技术的应用

介绍

朱海电供应局在2018年开始探索智能变电站的建设。经过大量的初步工作，它是在2019年正式建造的，基本上是在2020年完成的。设备操作和维护管理在示范项目中智能变电站一直是科学研究的重点。在20世纪末，南方电力网系统进行了相关的研究和勘探；随着神经网络和机器学习技术的发展，近年来，深圳电源局一直基于电源局。人声模式识别和变压器振动信号变化设备缺陷和智能分析技术和地图库研究的故障诊断，以及基于声学指纹大数据分析的声学指纹大数据分析的诊断诊断技术的研究工作。积极的探索。

因此，在朱达电源供应局有关声音模式技术应用的统计数据中，可以使用4个关键领域（主要变压器，电容器，高压开关柜，GIS）的检查工作来衡量当前智能构建的实用性变电站。结果如表1所示。

可以看出，智能变电站覆盖的油，水，气和电力生产设备通常伴随着异常的噪音，例如放电声音，机械声音不平坦，管道泄漏声音，振动声音和父系列异常噪音。如果生产设备是通过机器智能技术对智能技术的智能感知而操作的，则该机器取代了传统的人工检查检查，并进行了对电台关键生产设备状态的真实时机智能感知，检查更换费率将平均增加8/25％，并与使用的使用结合使用。其他技术的覆盖范围可以增加到100％。

1声音模式和声音模式识别

在智能变压器站，内部生产设备应遵守电气，磁性和机械应力，伴随着振动。形成的机械波可以通过介质传输到壳。传感器设备可以捕获声源信号。该信号包含大量时间 - 频率域特征信息开元ky888棋牌官方版，例如指纹。当生产设备异常时，声指纹（“声音模式”）将会改变，可以用作诊断设备缺陷和故障的主要特征参数。声音模式具有稳定性，可调查性和独特性的特征，非常适合监视智能变电站。

人声识别是一种生物识别技术。它是通过提取设备的声音特性和声音特性，然后使用计算机将数据库中的识别技术与相关算法进行比较。近年来，许多国内外学者将声音模式纳入了机械设备的异常测试中。例如，山东大学的Du Shibin提出了一个基于音频的电气设备故障监控方案，以实时监视电气设备的操作。根据对ON -Site Transformer站中异常振动信号光谱的分析，例如Qing Sheng和其他人检测到的机械缺陷，该缺陷支持支持B相电压变压器的凹槽钢。出色的声音提取方法等。

2个技术设计思想和框架

变压器是电源系统中的典型设备之一。它的结构很复杂且昂贵。变压器的稳定操作可以提高电源的安全性和可靠性。不同的制造商和不同模型的变压器具有不同的结构和尺寸，而变压器故障的声音通常很难监测。由于其结构特征，它也可能导致各种独特的人格失败。尽管规则库可以存储一些典型的缺陷，但规则将始终落后于实际生产技术的演变。变压器是巨大的，每年被充电。正常工作时，机械振动将发出声音开yun体育app入口登录，并且具有一定的规律性。一旦变压器内部异常，就会触发许多特征。节奏和声音反射。现在，将变压器用作主监视对象，通过声音收集传感器收集声音的声音，并且获得的声源信号已得到充分认识。然后将机器听力和声音模式识别作为主要技术手段。作为识别载体，智能AI盒意识到对生产设备状态的手动听力更换的真实时间智能感知，这使电网设备安全监督工作的效率提高了60％。

2.1研究思想

对设备操作的预测和评估随时不仅反映了设备的个性化，还可以满足智能变电站的实际工作需求。因此，基于机器听觉设备的设备状态管理工具的开发可以为电源系统辅助决策提供数据支持。通过机器学习，AI可以深入了解自学习以来的潜在缺陷和隐藏危险，缩短了故障治疗和紧急维修时间，这是电力系统的安全性和电力系统的安全性。稳定的操作提供了可靠的保证。

基于声源信号的设备故障监视系统的设计分为硬件电路和软件算法。

硬件电路零件包括声音传感器，数据收集和降噪处理电路。该系统是根据ON -Site Transformer的实际情况开发的，因此考虑如何有效收集数据是技术的关键。使用多个声音传感器形成传感器阵列的智能AI框开发。要测试和周围环境的研究数量已经开发出一种麦克风传感器，该传感器开发了声音特征的相应参数（同步6音频信号数据）。考虑到监视需要多个传感器的数组，因此为声音收集开发了多通道数据收集系统。传感器功率模块的干扰是设备固有噪声的主要来源。它通过在电源模块电路中添加恒定电流芯片和脱钩电容元件来稳定电源的输出，从而减少了电源噪声中其他设备的干扰。可以根据过滤电路处理 - 位点环境噪声，其特定频率的选择特征可用于使输出声音信号中特定范围频率的信号平稳地传递，同时，也是如此。其他不需要的噪音被阻塞并衰减。为此，在收集有效的声音并提取有效的声音后（图1），需要删除声源样品中的无关声音。然后找出故障位置。

麦克风传感器小且便携，并且在车站中获得声源收集更容易。更改麦克风传感器阵列的距离和角度和要测试的设备。它可以改善小信号提取效果，并在要测试的设备的工作状态下的声源定位系统定位性能。

软件系统主要分为数据收集零件，预处理零件，声学特征提取零件，功能向量识别零件，延迟计算零件和声源定位零件。声音传感器阵列收集的信号很快进入了程序中的软件系统。过滤后，提取声信号的特征参数以将其传输到背景，并进一步分析定位算法。声源定位算法结合了传感器阵列接收到的声音信号和阵列的空间排列以分析其以获得声源相对于传感器坐标系的原始点的位置。根据故障声源之间的时间差，到达每个传感器，请确定相对于声源相对于声源的声源。基准传感器的位置可以识别和定位在机械故障中，如图2所示。噪声干扰部分以突出接收信号的相关部分，然后再反变换至时域得到广义互相关功能执行峰值信号监视以实现降低噪声的目的。

图2多-T线传感器识别和定位图

选择一般相关的延迟估计（GCC）的声音定位算法，不仅是角度定位，而且还可以准确地定位声源坐标。基于易于使用用户操作的平台设计，它包括监视系统基本参数设置，设备操作声音信息显示，故障声音源识别和定位结果显示，记录文件保存和其他模块等模块。新设备的声音稳定检测技术被采用，并且无需提前记录大量的声音样本。首先，直接安装系统，然后通过在设备中稳定的稳定运行来建立一个稳定的状态模型（不超过一周）。设备通过设备稳定的特性判断设备的健康状况。存储的音频故障标签。故障声音模型是通过自我训练获得的，所有过程不需要手动干预。

机器听觉设备状态管理工具的使用不仅可以有效地改善智能变电站的检查工作，减轻草根检查员的负担，并尝试探索通过深度学习进行变压器的声音故障分析。

2.2模型框架的构建

根据变压器的声源信号特征提取作为研究目标，开发机器听觉设备状态管理工具，并实现设备监控和故障诊断。主要的研究内容如下：

（1）基于传感器阵列的声源收集系统的开发。为了为要测试的设备的声音特性，开发了麦克风传感器，并且在要测试的设备数量和周围环境之后设计了监视方案的数量。内部，安装了多个麦克风传感器，具有一定的几何空间结构，以形成具有一定几何空间结构的传感器阵列。最终传输到设备的变压器设备的声源信号的真实时间集合，最初实现了智能AI框的无线应用网络，如图3所示。

（2）研究降低降噪技术的声源信号，面临多种噪声环境。传感器阵列收集的声源信号包含噪声干扰。该项目旨在研究多种环境中的声源信号降噪技术，为随后的研究和诊断提供有效的信号。

（3）基于声音源信号的设备故障的诊断和定位算法的研究。设备的周围环境相对复杂，需要找到多声源。研究多声源信号定位算法，并通过广义延迟估计声源的角度定位以及空间坐标的准确定位。研究单个声源的复杂状态特征的演变，并使汇编算法使机器能够记录设备的声源信号的特性，以实现对声源信号状态的比较分析并完成设备操作状态的健康诊断。

图3智能AI盒申请方案的意义

该项目将实际的操作变压器作为研究对象。 ON -Site Transformer被半透明，声音环境相对复杂。初步完成研究后，将在完全开放的环境中对其进行监控。 HUA操作和维护。

2.3核心功能设计和相关算法摘要

2.3.1数据分析

数据分析是SMART A1框的核心功能，该功能在服务器端实现，主要包括多通道麦克风阵列算法模块，降低噪声处理模块，小信号提取模块，信号稳定 - 稳定的自我实现模块，故障，故障诊断和定位模块。

（1）多通道麦克风阵列算法模块：第六道麦克风信号通过麦克风阵列算法AEC实现了有效麦克风信号的有效提取。其他五道路麦克风信号是噪声信号。当有效的麦克风通过AEC算法叠加到设备的有效信号中时，可以实现具有最小开销的设备信号，同时确保设备有效信号的完整性。

（2）减少降噪处理模块：AEC算法后的音频信号处理也将包含噪声，主要来自设备侧的噪声，因此需要降低一定数量的噪声。

（3）小信号提取模块：为了确保信号的完整性，减少噪声处理模块不会抑制噪声开元ky888棋牌官网版，否则有效信号将被扭曲。通过在设备安静的环境中对声音谱的自我学习，智能A1框可以自动建模设备声频谱。在噪声环境中，通过频谱模型实现设备声信号的有效提取。

（4）信号稳定 - 州自我学习模块：大多数时间要测试，它正在运行而不会失败。智能A1盒是对提取的有效设备提取的稳态特征的自我学习。稳定的状态特征。

（5）诊断和定位模块：通过自我学习和建模信号稳定 - 状态特征，实时监视设备音频流。对于连续的非稳定状态特征，可以系统地发出预警，提醒手动维护。维护完成后，背景自动将工作订单信息关联。对于预警音频流数据，它会自动标记故障。同时，故障音频数据的建模完成，并且将向警方报告相同的故障。无需手动干预即可自动学习和完成整个过程。

2.3.2算法逻辑

2.3.2.1降低降噪算法的收集，用于面对多种环境的声源

传统的抑制方法只能对某些固定稳态噪声作用。通过寻找连续的背景声音，估算噪声的基线，然后将其过滤出来：当动态噪声的声音和设备的操作声音经常重叠时，传统方法无法很好地抑制。深神经网络（DNN）在该领域显示出强大的优势。近年来，深度学习方法发展迅速，设备声音监测中越来越多的应用也在增加，包括卷积神经网络（CNN）等。

配备了前端降噪技术的收集系统可以保留减少的清洁设备以运行原始声音，从而有效地减少了操作环境中设备操作的噪声干扰。针对自我介绍，例如回声，回声，刺耳的尖叫等的回响和回声。经常出现在操作环境中，前端获取系统采用麦克风和扬声器分开的设计，以及领先的智能回声消除技术（行业中的AEC）可能是有效的。消除在现场环境中产生的回声，线性回声消除了ERL≥35DB，总回声抑制能力≥60dB。

2.3.2.2小信号提取算法

研究设备在真实和复杂的环境中进行声音处理技术，对如何应对环境中的两个关键问题以及在真实和复杂场景中的设备之间的差异进行研究，并专注于声音信号模式的分析和分析在真实和复杂的场景中的真实和复杂场景中。确定此挑战问题并研究深度学习下设备声音结构化建模的理论和方法。

基于机器听力的变压器状态管理工具的硬件可以根据ON -Site环境进行自定义。其中，由M1C传感器组成的传感器阵列和边缘收集端子负责获取前端声源信号。设备声音数据已上传到背景系统。背景算法使用信号提取技术后，获得了有效的声音数据。源定位算法建立声音设备空间模型，快速判断并定位故障设备。管理员还可以通过在本地安装支持声音信号分析软件以实现小信号提取来分析数据。

2.3.2.3设备故障诊断和定位算法基于声源信号

设备的周围环境通常更复杂。当要同时测试多个设备时，需要同时将多声源定位。使用多声源信号定位算法来估计声源的角度定位，而空间通过通常相关的延迟进行精确定位。根据单个声源的复杂状态特征的演变，汇编算法使机器能够记录设备的声源信号的特性，从而对声音源信号状态和相对分析进行比较分析设备操作状态的健康诊断。

基于声音检测技术的重要性和传统声音检测技术的问题，声音检测使用该行业的第一个空间六 - 微粒降噪技术来实现360o全面的综合空间噪音。 ，可以很好地实现设备的有效声音，不仅适用于室内设备检测，而且还适用于室外设备测试。

3摘要和前景

（1）设备更安全：通过声音模式收集系统收集声源，以及传感参数的设计实现，传输特性，存储方法，例如不同的测试设备和应用程序场景。设备是否正常运行，从而可以安全地用电源监视设备状态。

（2）管理更精简：设备状态管理工具基于机器听觉设备，预计它将实现真实的音频显示（显示每个频道收集的音频频率频谱图和声音模式），音频声音模式样本的标签，数据库类别以及数据库的分类整洁。通过人工智能自我学习方法，收集的设备声源（包含异常或故障声音模式）分析并处理时间域和频域上的相应信号，有效地将特定声音模式与背景噪声分开，并确定异常。声音可以为辅助决策提供数据支持。

（3）操作检查更有效：传统检查方法首先，技术人员需要聆听设备前的声音，这极大地消耗了人力和物质资源：其次，人耳朵具有特定的范围听力意识。声音音频仅为20〜20000Hz，无法监视此范围之外的声音声音：最后，在恶劣的天气条件下，例如雷暴和高压环境，在人工检查中存在很大的隐藏危险。访问背景数据分析系统。安装M1C传感器收集声音，以监视设备旁边M1C传感器的设备工作。无需阻止设备运行，也无需与设备接触。信号收集很方便。存储的数据量相对较小，不会干扰变压器的正常操作。

总而言之，手动检查方法存在问题，例如检查时间太长，实际效果差和对无法控制的声音的判断。检查的劳动成本节省了运营时间，从而大大提高了设备​​监控的强度以及检查操作和维护工作的效率。在未来的工业化过程中，有必要大力促进无人监测模型的实施。