CN114255784A - 一种基于声纹识别的变电站设备故障诊断方法及相关装置 - Google Patents

Abstract

本申请公开了一种基于声纹识别的变电站设备故障诊断方法及相关装置，方法包括：根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，预设基础数据采集底层框架包括多个数据传输节点；采用预置声音识别模型根据运行声音数据进行异常判定，得到异常识别结果；在异常识别结果为异常的情况下，根据设备相关信息生成设备故障信息组；基于预置故障分析模型，依据设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，故障分析结果包括故障原因和故障应对措施。本申请能解决现有技术前期的数据采集和传输过程不可靠，且异常检测粒度大，精准度较低，导致实际的故障诊断效果不理想的技术问题。

Description

一种基于声纹识别的变电站设备故障诊断方法及相关装置

技术领域

本申请涉及变电站设备技术领域，尤其涉及一种基于声纹识别的变电站设备故障诊断方法及相关装置。

背景技术

随着电网建设的发展和安全要求的提高，变电站建设正朝无人值守或少人值守的方向发展。目前，无人值守变电站主要倾向于向“五遥”方向发展(遥测、遥信、遥控、遥调、遥视)，利用视频监控系统，变电站中已逐步实现了“遥视”功能，但对于运行设备内部声音的监测却没有得到重视，已开发的成套设备也非常少，针对电力设备运行状态的智能化音频识别系统则更少。

电力设备在带电运行过程中，会产生可以表征设备本身状态的特有的声音及振动，并且这个声音是该设备独有的，该声音还可以通过电声学仪器所测量和分析，因此我们称该声音携带的表征电力设备运行状态的特性为声纹及振动。利用这一特性，将被检测设备的检测声纹信息进行异常检测可以预判设备的工作状况，实现在设备发生故障前提前预知和排除，避免因电力设备的突然故障导致的异常电网断电而引发的损失。

现有技术虽然通过对目标设备的声音进行采集并进行预处理后可以判断出是否存在异常，但是缺无法保证数据采集过程的准确性，需要后期对数据进行针对性处理，工作繁琐；且数据的传输过程得不到保障，这也是数据质量和判定结果的重要影响因素；此外，仅仅判定异常存在无法切实解决实际问题，就是说异常检测粒度和精确度较差，监控效果不理想。

发明内容

本申请提供了一种基于声纹识别的变电站设备故障诊断方法及相关装置，用于解决现有技术前期的数据采集和传输过程不可靠，且异常检测粒度大，精准度较低，导致实际的故障诊断效果不理想的技术问题。

有鉴于此，本申请第一方面提供了一种基于声纹识别的变电站设备故障诊断方法，包括：

根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，所述预设基础数据采集底层框架包括多个数据传输节点，所述设备相关信息包括设备构造信息、设备图像和设备环境信息；

采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果；

在所述异常识别结果为异常的情况下，根据所述设备相关信息生成设备故障信息组；

基于预置故障分析模型，依据所述设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，所述故障分析结果包括故障原因和故障应对措施。

优选地，所述根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，之前还包括：

对原始电网区域进行区域范围划分，得到多个目标电网区域；

获取所述目标电网区域内所有变电站的基础信息，所述基础信息包括变电站数量和变电站位置。

优选地，所述根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，之前还包括：

基于每个变电站的所述基础信息搭建初始数据传输网络框架，所述初始数据传输网络框架包括多个数据传输节点；

将变电站中每个设备的预置设备基础信息与所述数据传输节点建立关联，得到预设基础数据采集底层框架，所述预置设备基础信息包括设备型号、设备名称、设备类型。

优选地，所述采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果，之前还包括：

将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

通过所述声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

本申请第二方面提供了一种基于声纹识别的变电站设备故障诊断装置，包括：

第一获取模块，用于根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，所述预设基础数据采集底层框架包括多个数据传输节点，所述设备相关信息包括设备构造信息、设备图像和设备环境信息；

异常判定模块，用于采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果；

信息生成模块，用于在所述异常识别结果为异常的情况下，根据所述设备相关信息生成设备故障信息组；

故障诊断模块，用于基于预置故障分析模型，依据所述设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，所述故障分析结果包括故障原因和故障应对措施。

优选地，还包括：

区域划分模块，用于对原始电网区域进行区域范围划分，得到多个目标电网区域；

第二获取模块，用于获取所述目标电网区域内所有变电站的基础信息，所述基础信息包括变电站数量和变电站位置。

优选地，还包括：

框架构建模块，用于基于每个变电站的所述基础信息搭建初始数据传输网络框架，所述初始数据传输网络框架包括多个数据传输节点；

信息关联模块，用于将变电站中每个设备的预置设备基础信息与所述数据传输节点建立关联，得到预设基础数据采集底层框架，所述预置设备基础信息包括设备型号、设备名称、设备类型。

优选地，还包括：

样本获取模块，用于将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

模型训练模块，用于通过所述声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

本申请第三方面提供了一种基于声纹识别的变电站设备故障诊断设备，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于声纹识别的变电站设备故障诊断方法。

本申请第四方面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用于存储程序代码，所述程序代码用于执行第一方面所述的基于声纹识别的变电站设备故障诊断方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种基于声纹识别的变电站设备故障诊断方法，包括：根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，预设基础数据采集底层框架包括多个数据传输节点，设备相关信息包括设备构造信息、设备图像和设备环境信息；采用预置声音识别模型根据运行声音数据进行异常判定，得到异常识别结果；在异常识别结果为异常的情况下，根据设备相关信息生成设备故障信息组；基于预置故障分析模型，依据设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，故障分析结果包括故障原因和故障应对措施。

本申请提供的基于声纹识别的变电站设备故障诊断方法，采用预设基础数据采集底层框架获取并传输运行声音数据等信息，通过获取框架确保获取数据的准确性，通过数据传输节点确保数据传输的可靠性；在通过声音识别模型判定出异常结果后，继续根据设备信息和异常判定结果进行故障原因分析，确切的诊断出设备的故障，并针对特定故障提供相应的故障应对措施，既可以提供精准的故障诊断方案，又可以确保前期数据处理的可靠性。因此，本申请能够解决现有技术前期的数据采集和传输过程不可靠，且异常检测粒度大，精准度较低，导致实际的故障诊断效果不理想的技术问题。

附图说明

图1为本申请实施例提供的一种基于声纹识别的变电站设备故障诊断方法的流程示意图；

图2为本申请实施例提供的一种基于声纹识别的变电站设备故障诊断装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种基于声纹识别的变电站设备故障诊断方法的实施例，包括：

步骤101、根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，预设基础数据采集底层框架包括多个数据传输节点，设备相关信息包括设备构造信息、设备图像和设备环境信息。

预设基础数据采集底层框架是为了保障数据的获取和传输质量构建的，该框架能够通过多个数据传输节点保障数据传输的可靠性，可追溯性；而基于此框架除了能够获取到设备的运行声音数据，还可以获取到设备其他多种相关信息，除了设备的构造信息、设备图像和设备环境信息以外，还可以根据需要增加其他设备相关信息，具体的不作限定。

预设基础数据采集底层框架搭建完成后，通过采集设备实时的采集目标区域内对应的变电站内各个设备的运行声音数据，然后基于构建的数据传输框架的各个数据传输节点传输数据至后台服务器中，然后，通过后台服务器处理对应设备的实时运行声音数据。

进一步地，步骤101，之前还包括：

对原始电网区域进行区域范围划分，得到多个目标电网区域；

获取目标电网区域内所有变电站的基础信息，基础信息包括变电站数量和变电站位置。

分区是为了更好的管理监控各个区域内的变电站设备，使得监测的结果也更加可靠，还可以减少总的数据处理量。目标电网区域划分后，就可以获取变电站的基础信息，也就是确定目标电网区域内变电站的数量和具体位置。

进一步地，步骤101，之前还包括：

基于每个变电站的基础信息搭建初始数据传输网络框架，初始数据传输网络框架包括多个数据传输节点；

将变电站中每个设备的预置设备基础信息与数据传输节点建立关联，得到预设基础数据采集底层框架，预置设备基础信息包括设备型号、设备名称、设备类型。

明确了目标电网区域内变电站的数量和具体位置，就可以根据这些信息合理的建立数据传输节点，提高数据传输的效率，并保证数据传输的可靠性。可以理解的是，数据传输节点均配置有唯一标识，可以追溯查找，或者用于建立关联；数据传输节点可以包括总节点和辅助节点，以保证当某一个或者多个分节点出现故障时也可以及时的获取到对应的变电站的相关信息，另外还需要依据每个数据传输节点最多传输的数据量设定合理的数据传输节点数量，以保证进行快速的传输数据的同时避免出现多余的传输节点，节约配置资源。此外，还可以设定初始框架内的各个数据传输节点数据传输目标。

预置设备基础信息除了型号、名称和类型外，还包括设备位置，设备零部件构造等信息，基于这些信息可以建立分类目录，以便存储不同类别的设备信息，同时便于后续的设备分类管理。根据分类目录下的设备，将变电站中每个设备的预置设备基础信息与数据传输节点建立关联，从而得到完整的预设基础数据采集底层框架。

步骤102、采用预置声音识别模型根据运行声音数据进行异常判定，得到异常识别结果。

将各个设备对应的运行声音数据输入预置声音识别模型中进行特征提取操作，基于多种特征进行声音判断，得到异常识别结果，即每个处理的运行声音数据是否异常。预置声音识别模型是已经基于声音样本训练完成的可以直接使用的模型，模型的判断识别性能可以在训练时通过测试集进行测试，从而得到判别准确率较高的预置声音识别模型。

进一步地，步骤102，还包括：

将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

通过声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

预处理操作是为了提升设备声音样本数据的质量，可以根据实际情况选择性设置，在此不作限定。预训练操作的目的是为了提升模型的识别准确率和速率。为了验证模型的性能，还可以采用声音样本测试集对训练后的模型进行测试，测试结果达标才确定预置声音识别模型。

步骤103、在异常识别结果为异常的情况下，根据设备相关信息生成设备故障信息组。

实际操作过程是当识别结果显示为设备运行异常时，服务器分析确定出是哪一个变电站内的哪一个或者多个设备出现了异常情况，然后生成一个数据采集信号给对应变电站内的数据采集装置采集对应设备的情况。

通过变电站内的对应的异常设备关联的数据传输节点传输数据采集装置采集的设备数据以及设备本身上传的数据给到后台服务器，以便后台服务器进行进一步精准的分析，传输的数据包括设备图像、设备各个部件构造、设备环境等多方面的数据。这些数据信息进行不同的数据分析操作，可以生成一个设备故障信息组，用于具体的故障分析。

步骤104、基于预置故障分析模型，依据设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，故障分析结果包括故障原因和故障应对措施。

预置故障分析模型主要是依据预置历史经验数据进行比对分析，确定具体的故障设备，故障设备的故障零部件以及故障设备的故障原因等等。可以理解的是，预置故障分析模型也可以是训练完成的模型，具体过程不赘述。而预置历史经验数据则可以则通过列表或者清单的形式整理成待使用材料。故障应对措施可以是控制设备暂停运行，保证设备运行安全之类的举措。

本申请实施例提供的基于声纹识别的变电站设备故障诊断方法，采用预设基础数据采集底层框架获取并传输运行声音数据等信息，通过获取框架确保获取数据的准确性，通过数据传输节点确保数据传输的可靠性；在通过声音识别模型判定出异常结果后，继续根据设备信息和异常判定结果进行故障原因分析，确切的诊断出设备的故障，并针对特定故障提供相应的故障应对措施，既可以提供精准的故障诊断方案，又可以确保前期数据处理的可靠性。因此，本申请实施例能解决现有技术前期的数据采集和传输过程不可靠，且异常检测粒度大，精准度较低，导致实际的故障诊断效果不理想的技术问题。

为了便于理解，请参阅图2，本申请提供了一种基于声纹识别的变电站设备故障诊断装置的实施例，包括：

第一获取模块201，用于根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，预设基础数据采集底层框架包括多个数据传输节点，设备相关信息包括设备构造信息、设备图像和设备环境信息；

异常判定模块202，用于采用预置声音识别模型根据运行声音数据进行异常判定，得到异常识别结果；

信息生成模块203，用于在异常识别结果为异常的情况下，根据设备相关信息生成设备故障信息组；

故障诊断模块204，用于基于预置故障分析模型，依据设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，故障分析结果包括故障原因和故障应对措施。

进一步地，还包括：

区域划分模块205，用于对原始电网区域进行区域范围划分，得到多个目标电网区域；

第二获取模块206，用于获取目标电网区域内所有变电站的基础信息，基础信息包括变电站数量和变电站位置。

进一步地，还包括：

框架构建模块207，用于基于每个变电站的基础信息搭建初始数据传输网络框架，初始数据传输网络框架包括多个数据传输节点；

信息关联模块208，用于将变电站中每个设备的预置设备基础信息与数据传输节点建立关联，得到预设基础数据采集底层框架，预置设备基础信息包括设备型号、设备名称、设备类型。

进一步地，还包括：

样本获取模块209，用于将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

模型训练模块210，用于通过声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

本申请还提供了一种基于声纹识别的变电站设备故障诊断设备，设备包括处理器以及存储器；

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行上述方法实施例中的基于声纹识别的变电站设备故障诊断方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于声纹识别的变电站设备故障诊断方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于声纹识别的变电站设备故障诊断方法，其特征在于，包括：

根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，所述预设基础数据采集底层框架包括多个数据传输节点，所述设备相关信息包括设备构造信息、设备图像和设备环境信息；

采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果；

在所述异常识别结果为异常的情况下，根据所述设备相关信息生成设备故障信息组；

基于预置故障分析模型，依据所述设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，所述故障分析结果包括故障原因和故障应对措施。

2.根据权利要求1所述的基于声纹识别的变电站设备故障诊断方法，其特征在于，所述根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，之前还包括：

对原始电网区域进行区域范围划分，得到多个目标电网区域；

获取所述目标电网区域内所有变电站的基础信息，所述基础信息包括变电站数量和变电站位置。

3.根据权利要求2所述的基于声纹识别的变电站设备故障诊断方法，其特征在于，所述根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，之前还包括：

基于每个变电站的所述基础信息搭建初始数据传输网络框架，所述初始数据传输网络框架包括多个数据传输节点；

将变电站中每个设备的预置设备基础信息与所述数据传输节点建立关联，得到预设基础数据采集底层框架，所述预置设备基础信息包括设备型号、设备名称、设备类型。

4.根据权利要求1所述的基于声纹识别的变电站设备故障诊断方法，其特征在于，所述采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果，之前还包括：

将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

通过所述声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

5.一种基于声纹识别的变电站设备故障诊断装置，其特征在于，包括：

第一获取模块，用于根据预设基础数据采集底层框架获取目标变电站区域内的各个设备的运行声音数据和设备相关信息，所述预设基础数据采集底层框架包括多个数据传输节点，所述设备相关信息包括设备构造信息、设备图像和设备环境信息；

异常判定模块，用于采用预置声音识别模型根据所述运行声音数据进行异常判定，得到异常识别结果；

信息生成模块，用于在所述异常识别结果为异常的情况下，根据所述设备相关信息生成设备故障信息组；

故障诊断模块，用于基于预置故障分析模型，依据所述设备故障信息组和预置历史经验数据进行故障分析，得到故障分析结果，所述故障分析结果包括故障原因和故障应对措施。

6.根据权利要求5所述的基于声纹识别的变电站设备故障诊断装置，其特征在于，还包括：

区域划分模块，用于对原始电网区域进行区域范围划分，得到多个目标电网区域；

第二获取模块，用于获取所述目标电网区域内所有变电站的基础信息，所述基础信息包括变电站数量和变电站位置。

7.根据权利要求6所述的基于声纹识别的变电站设备故障诊断装置，其特征在于，还包括：

框架构建模块，用于基于每个变电站的所述基础信息搭建初始数据传输网络框架，所述初始数据传输网络框架包括多个数据传输节点；

信息关联模块，用于将变电站中每个设备的预置设备基础信息与所述数据传输节点建立关联，得到预设基础数据采集底层框架，所述预置设备基础信息包括设备型号、设备名称、设备类型。

8.根据权利要求5所述的基于声纹识别的变电站设备故障诊断装置，其特征在于，还包括：

样本获取模块，用于将获取的大量设备声音样本数据进行预处理操作，得到声音样本训练集；

模型训练模块，用于通过所述声音样本训练集对构建的初始声音识别模型进行异常判定预训练操作，得到预置声音识别模型。

9.一种基于声纹识别的变电站设备故障诊断设备，其特征在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于声纹识别的变电站设备故障诊断方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于声纹识别的变电站设备故障诊断方法。

Images