全国电力技术协作网首页
CopyRight 2012-2014 DS文库版权所有
基于 Mel 时频谱卷积神经网络的水电机组状态在线声纹识别方法研究
(0 次评价)170 人阅读0 次下载
智慧巡检 - 783 - 基于 Mel 时频谱卷积神经网络的 水电机组状态在线声纹识别方法研究 沈阳工程学院,张玉艳、王森、高庆忠、鲍洁秋、于宏涛、马艺骅 沈阳奎昊电力机械制造有限公司,李玉杰、刘邵磊 摘 要: 为了实现水电机组声学指纹的不停电检测, 提出了一种基于 Mel 时频谱卷积神经网络的水电机组状态声纹 识别模型。首先利用骨传导声纹传感技术采集设备声纹信息,对声音信息进行 Mel 时频谱预处理降维;然后将 Mel 时频 谱作为 CNN 网络的输入量进行深度学习,开发基于声纹识别技术的水电机组状态在线侦听和故障预诊模型。通过超参数 调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的 Mel 时频谱CNN 识别模型 对 4 种不同工况的声信号识别率达到了 98.79%,对于提高故障预诊的准确率和提高水电机组的安全性具有重要意义。 关键词:Mel 时频谱;卷积神经网络;水电机组;声纹识别 随着水电在电力行业的占比和水电开发规模的 大幅增长,水电机组作为水电厂的核心关键设备, 也在向大型化、复杂化、精密化、自动化等方向发 展。但是,水电机组运行故障屡见不鲜。一般通过 定期巡视和检修来维持水电机组设备的正常运行, 但是效率低,设备故障检测不及时。因此,可以通 过运用先进的信息技术对水电机组进行状态检修, 针对设备出现的故障,采取有效的维修方法,不仅 能延长水电机组的使用寿命,而且能够提高水电站 运行可靠性,有效减少电力能源的浪费。 目前,主要有两种方法实现对水电机组进行状 态监测。其一采集相关设备温度、振动、电流等生 产过程参数并转换为标准电信号,利用数据处理技 术提取设备状态的特征信息,再通过大数据技术以 及互联网对设备的信息进行分析和检测,进而实现 对设备进行状态评估。由于影响过程参数因素众多 且相互耦合、过程参数对设备状态变化反应不敏感 等问题,导致设备状态特征信息的提取不够精准, 进而影响设备状态评估的准确性。另外一种方法通 过图像检测和识别的方法实现水电机组状态监测。 成像手段具有检测特征有限和检测纵深不足的问 题,导致设备状态评估准确率低,设备故障检测不 及时。因此,需要改进水电机组状态检测方法,以 提供更加精准的设备状态信息,对设备健康情况及 时、准确的评估,提前预警、及时检修,实现水电 机组状态在线侦听和故障预诊,以此减小设备检修 不及时带来的损失。 一直以来,人们多把水电机组发出的声音视为 噪声而忽略了其研究价值。实际上设备在运行时发 出的声音蕴含着丰富的设备信息,且与其设备结构、 运行状态等密切相关,设备状态不同其声信号也会 相应发生改变,产生异响。因此可将声纹识别技术 应用于设备状态在线监测,对复杂的噪声机理进行 有效分析并识别出不同的设备状态,可实现超前诊 断微小故障,并通过人工智能技术进行分析预警, 超前制定防范措施,该项技术具有很高的工程实用 价值。 本文采用某水电站的实际机组声纹信号进行分 析与故障预诊,该电站共有两台混流式水电机组, 机组额定转速为 300r/min,单机容量 24.5MW,采集

打分:

0 星

用户评论:

关于我们 | 联系我们 | 版权声明 | 企业服务 | 媒体合作
备案号:京ICP备13025456号-2 | 客服电话:010-88892009 | 反馈建议:1565227076@qq.com