有人说实话：Unity CEO说2016年不是VR元年
06-18
简介 珠海供电局于2018年开始探索智能变电站建设，经过大量的前期工作，于2018年开始正式建设，并于2018年基本完成。
智能变电站示范项目中的设备运维管理一直是科研的重点。
20世纪末，南方电网系统开展了相关研究和探索；随着神经网络和机器学习技术的进步，近年来，深圳供电局基于声纹识别、变压器振动信号智能分析技术和谱库的研究用于变电站设备缺陷和故障诊断，以及断路器的研究南方电网研究院开展的基于声指纹大数据分析的机械故障诊断技术，都在这方面做的工作。
出于积极的探索。
为此，珠海供电局对声纹技术的应用情况进行了统计，通过四个重点领域（主变压器、电容器、高压开关柜）巡检工作的替代率来衡量当前智能变电站建设的实用性。
和地理信息系统）。
可以看出，智能变电站所覆盖的油、水、气、电生产设备出现异常时，往往会伴有异常噪声，如放电声音、机械不均匀等。
如果利用机器听觉和边缘智能技术，智能感知站内生产设备的运行状态，让机器代替传统人工巡检，实时进行智能感知站内关键生产设备状态，巡检更换率平均提高8/25%。
其他技术扩大了监测覆盖范围，巡检工作替代率可提高至%。
1 声纹与声纹识别 在智能变电站中，生产设备内部受到电、磁、机械等应力，会产生振动。
由此产生的机械波通过介质传输到外壳，声源信号可以被传感器装置捕获。
信号中含有大量的时频域特征信息，就像指纹一样。
当生产设备出现异常时，声指纹（简称“声纹”）会发生变化，可作为诊断设备缺陷和故障的主要特征参数。
声纹具有稳定性、可测量性、唯一性等特点，非常适合在智能变电站监控中使用。
声纹识别是生物识别技术的一种。
它是提取设备的声音特征参数和声纹特征，然后将声源信号转换为电信号，并利用计算机通过相关算法在数据库中进行比较和识别的技术。
近年来，国内外许多学者将声纹识别融入到机械设备的异常检测中。
例如，山东大学杜世斌提出了一种基于音频特征的电气设备故障监测方案，实时监测电气设备的运行情况。
孙庆生等人通过对现场变电站异常振动信号的频谱分析，发现支撑B相电压互感器的槽钢松动存在机械缺陷。
中国科学院微电子研究所陈志全等人提出了基于总体平均经验模态分解的异常声音特征提取方法等。
2 技术设计思路与框架 变压器是电力系统中的典型设备之一。
其结构复杂、价格昂贵。
变压器的稳定运行可以提高供电的安全性和可靠性。
不同厂家、型号的变压器结构、尺寸等不同，变压器故障声音往往难以监听，因其结构特点可能会出现各种独特的故障声音。
虽然规则库可以存储一些典型的缺陷，但规则总是滞后于生产技术的实际演变。
变压器体积庞大，常年充电。
正常工作时，机械振动会发出有一定规律的声音。
变压器内部一旦出现异常，就会引起许多特征量的变化。
声波之间的差异可以通过频率、节奏和所体现的声音来确定。
现以变压器为主要监测对象，通过声音采集传感器采集其运行过程中产生的声音。
采集到的声源信号具有良好的识别性。
然后以机器听觉、声纹识别为主要技术手段，利用我局研发的运算产生的声音。
智能AI盒子作为识别载体，实现机器听觉代替人工实时智能感知生产设备状态，将电网设备安全监管效率提升60%。
2.1 研究思路 随时在线预测评估设备的运行情况，既体现了设备的个性化，又满足了智能变电站的实际工作需求。
因此，开发基于机器听觉的设备状态管理工具可以为电力系统辅助决策提供数据支持。
通过机器学习、人工智能自学习，识别潜在缺陷和隐患，缩短故障处理和应急抢修时间，提高电力系统安全保障。
稳定运行提供了坚实的保障。
基于声源信号的设备故障监测系统的设计分为硬件电路和软件算法部分。
硬件电路部分包括声音传感器、数据采集和降噪处理电路。
该系统是根据现场变压器的实际情况开发的，因此考虑如何有效地采集数据是一个技术关键。
开发的智能AI盒子采用多个声音传感器组成传感器阵列。
在研究了待测设备的数量和周围环境后，根据声音特性（同步采集6个音频信号数据）开发了相应参数的MIC传感器。
考虑到监测需要构建多个传感器阵列，开发了多通道数据采集系统用于声音采集。
传感器电源模块的干扰是设备固有噪声的主要来源。
通过在电源模块电路中添加恒流芯片和去耦电容组件，可以稳定电源的输出，从而减少电源噪声对其他组件的干扰。
通过滤波电路可以对现场环境噪声进行相应的处理，利用其特定的选频特性，让输出声音信号中特定有效频率范围内的信号顺利通过，同时阻挡和衰减其他不需要的噪声。
为此，在采集并提取各通道有效声音后（图1），需要剔除声源样本中不相关的声音，仅保留所需的故障声音信号，对故障声音信号进行分析并找出类型的过错。
然后找出故障位置。
MIC传感器体积小、便于携带，可以更轻松地收集站内的声源。
改变MIC传感器阵列与被测设备之间的距离和角度，可以提高被测设备工作时的小信号提取效果和声源定位系统的定位性能。
软件系统主要分为数据采集部分、预处理部分、声学特征提取部分、特征向量识别部分、时延计算部分、声源定位部分。
声音传感器阵列采集到的信号快速输入到程序中的软件系统中。
经过滤波后，提取声音信号的特征参数并传输到后台，利用定位算法进行进一步分析。
声源定位算法将传感器阵列接收到的声音信号与阵列的空间排列相结合进行分析，从而得到声源相对于传感器坐标系原点的位置，并确定声源的位置根据故障声源到达每个传感器之间的时间差相对于传感器坐标系的原点。
参考传感器的位置用于识别和定位机械故障，如图2所示。
当设备声音数据输入后台系统时，通过广义互相关算法，抑制受噪声影响的部分，突出接收信号的相关部分，然后反变换到时域，得到广义互相关函数。
相关函数监测声音信号的峰值，以达到降噪的目的。
图2多元T型传感器识别定位示意图 选用广义互相关（GCC）的声源定位算法，不仅可以实现角度定位，还可以实现声源坐标的精确定位。
基于该平台设计了易于操作的用户界面，包括监控系统基本参数设置、设备运行状况声音信息显示、故障声源识别和定位结果显示、记录存储等模块文件。
采用新型设备声音稳态检测技术，无需提前记录大量故障声音样本。
首先直接安装系统，然后通过设备稳态运行的自学建立稳态模型（不超过一周）。
通过判断设备的稳态特性，可以对设备的健康状态进行预警。
同时，通过与维修工单后台对接，可自动提供存储的音频进行故障标记。
故障声音模型自行训练，所有过程无需人工干预。
使用基于机器听觉的设备状态管理工具，不仅可以有效提高智能变电站巡检工作的替代率，减轻基层巡检人员的负担，而且还尝试通过深度挖掘变压器运行的声纹故障分析。
学习。
2.2模型框架构建 以变压器声源信号特征提取为研究目标，开发基于机器听觉的设备状态管理工具，实现设备监测和故障诊断。
主要研究内容如下： (1)基于传感器阵列的声源采集系统开发。
根据被测设备的声音特性开发MIC传感器，明确被测设备数量和周围环境后设计相应的监测方案。
在待测设备周围一定的几何空间结构中安装多个MIC传感器，形成传感器阵列，实时采集变压设备的声源信号，最后统一传输到设备，初步实现智能AI盒子的无线应用组网，如图3所示。
(2)多噪声环境下声源信号降噪技术研究。
传感器阵列采集到的声源信号中含有噪声干扰。
本项目计划研究多噪声环境下的声源信号降噪技术，为后续研究和诊断提供有效信号。
(3)基于声源信号的设备故障诊断与定位算法研究。
被测设备周围环境相对复杂，需要对多个声源进行定位研究。
研究多声源信号定位算法，通过广义互相关时延估计实现声源的角度定位和空间坐标的精确定位。
研究单一声源复杂状态特征的演化规律，编写算法使机器能够记录被测设备中运行的声源信号特征，从而实现声源信号状态的对比分析，完成健康状况设备运行状态诊断。
图3智能AI盒子应用方案示意图 本项目以实际运行的变压器为研究对象。
现场变压器处于半封闭状态，声环境相对复杂。
研究初步完成后，监测将在完全开放的环境中进行。
后期将研究声纹信号专家智能分析系统，实现差异化运维。
2.3 核心功能设计及相关算法概述 2.3.1 数据分析 数据分析是智能A1盒子的核心功能，在服务器端实现，主要包括多通道麦克风阵列算法模块、降噪处理模块、小信号提取模块、信号稳态自学习模块、故障诊断与定位模块。
（1）多通道麦克风阵列算法模块：六通道麦克风信号采用麦克风阵列算法AEC，有效提取面向设备的有效麦克风信号。
其他五通道麦克风信号都是噪声信号，噪声信号也会通过空气或固态传播到有效麦克风并叠加到设备的有效信号中。
通过AEC算法，可以在保证设备有效信号完整性的同时，实现最低成本的设备信号提取。
（2）降噪处理模块：经过AEC算法处理后的音频信号也会含有噪声，主要来自设备侧，因此需要进行一定的降噪处理。
（3）小信号提取模块：为了保证信号的完整性，降噪处理模块不会强烈抑制噪声，否则有效信号会失真。
通过在安静环境下自学习设备的声谱，智能A1盒子可以自动对设备的声谱进行建模。
在噪声环境下，频谱模型可以有效地提取设备声音的小信号。
(4)信号稳态自学习模块：被测设备大部分时间运行无故障。
智能A1盒子通过自学习提取有效设备音频信号的稳态特征来对设备进行建模。
不同工作条件下的稳态特性。
(5)故障诊断与定位模块：通过信号稳态特性的自学习和建模，实时监测设备音频流。
对于持续不稳定的特性，系统会发出预警并提示人工维护。
维护完成后，后台自动关联工单信息，自动将报警音频流数据标记为故障，完成故障音频数据的建模。
如果以后再出现同样的故障，会直接上报告警。
整个过程自动学习并完成，无需人工干预。
2.3.2 算法逻辑 2.3.2.1 多噪声环境下的声源采集与降噪算法 传统的噪声抑制方法只能作用于某些固定的稳态噪声，通过寻找连续的背景声，估计噪声的基线，然后将其滤除：当动态噪声的频率与设备的运行声音重叠时，传统方法无法很好地抑制。
深度神经网络（DNN）在该领域表现出了强大的优势。
近年来，深度学习方法发展迅速，越来越多地应用于设备声音监测，其中包括卷积神经网络（CNN）。
配备前端降噪技术的采集系统，可以保留并还原设备运行时干净的原始声音，有效降低运行环境中设备运行声音的噪音干扰。
针对作业环境中经常出现的混响、混响、刺耳啸叫等设备自噪声，前端采集系统采用麦克风和扬声器分离设计，内置业界领先的智能回声消除技术（AEC），可有效消除现场环境中产生的回声，线性回声消除ERL≥35dB，整体回声抑制能力≥60dB。
2.3.2.2小信号提取算法 研究真实复杂环境下设备声音处理技术的鲁棒性，针对真实复杂场景下如何处理与环境的差异和与设备的差异两个关键问题。
围绕真实复杂场景下声音信号模式分析与识别这一挑战性问题开展研究，研究深度学习下设备声音结构建模的理论与方法。
基于机器听觉的变压器状态管理工具硬件可根据现场环境进行定制。
由M1C传感器组成的传感阵列和边缘采集终端负责采集前端声源信号，自组织组网，使能组网服务。
将实时采集的设备声音数据上传至后端系统，后端算法利用信号提取技术进行处理，得到有效的声音数据。
将设备声音数据与数据库中的数据进行全方位、多维度的对比，分析此时设备的运行状态。
辅以声源定位算法，建立完整的设备空间模型，快速判断和定位故障设备。
管理员还可以在本地安装配套的声音信号分析软件，自行分析数据，实现小信号提取。
2.3.2.3 基于声源信号的设备故障诊断与定位算法 被测设备的周围环境往往比较复杂。
当多个被测设备同时工作时，需要先对多个声源进行定位。
多声源信号定位算法通过广义互相关时延估计实现声源的角度定位和空间坐标精确定位。
根据单个声源复杂状态特征的演化规律，编写算法，使机器能够记录被测设备中运行的声源信号的特征，从而实现对声源信号状态与状态的对比分析。
完成设备运行状态的健康诊断。
基于声音检测技术的重要性以及传统声音检测技术存在的问题，声音检测采用业界首创的空间六麦克风阵列降噪技术，实现全方位空间降噪，无论噪音是否来袭从上方或从底部或侧面，可以有效提取设备的有效声音。
不仅适用于室内设备检测，也适用于室外设备检测。
3总结与展望 （1）设备更安全：通过声纹采集系统采集声源，针对不同的待测设备设计实现传感参数、传输特性、存储方式等。
应用场景。
无需与用电设备进行电气连接即可判断设备运行状态是否正常，从而安全在线监测设备状态。
（2）更精益管理：基于机器听觉的设备状态管理工具，实现实时音频的显示（显示各通道采集的音频频谱图和声纹特征）、音频声纹样本的标记、数据库的分类和组织。
通过人工智能自学习，对采集到的设备声源（包括异常或故障声纹）进行时域和频域分析并进行相应的信号处理，有效地将特定声纹从背景噪声中分离出来，识别异常情况。
语音可以为决策提供数据支持。
（3）运行检查更高效：传统的检查方式首先需要技术人员时刻监听设备前方的声音，极大消耗人力物力；其次，人耳有特定的听觉感知范围。
人耳能听到的声音频率只有20~0Hz，超出这个范围的声音人耳是听不到的：最后，在雷雨、高压环境等恶劣天气条件下，人工巡检具有更大的安全性存在风险，获取的数据也无法准确、及时地接入后台数据分析系统。
将M1C传感器安装在被测设备旁边，采集声音，实时监控设备的工作状况。
无需停止设备或联系设备。
信号采集方便，存储的数据量比较小，不会干扰变压器的正常工作。
综上所述，人工检查方式存在检查时间过长、实际效果差、声音判断不可控等问题。
然而，基于机器听觉的设备状态管理工具不再受这些问题的限制。
直接降低巡检人力成本，节省运维时间，大大提高设备监控强度和巡检运维效率。
在未来的产业化进程中，大力推进无人监控模式的实现是非常有必要的。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-17
06-18
06-18
最新文章
PCBA质检员的日常工作内容
美国法院裁定VoIP不属于电信服务，需征税
雷达嵌入式工控主板如何使用？工控主板故障分析
摩托罗拉在西班牙促销Z8手机
中宇买下了一台三星机型，品牌和规模是合作的主要原因
舰载军用加固计算机热设计
谷歌开始对仍由HTC生产的谷歌手机进行内部测试
英国EE分享LTE发展经验教训，面临终端-语音-回传三大挑战