【摘 要】
：
绕组松动故障是变压器安全稳定运行中的巨大隐患，目前尚缺乏有效的在线诊断方法。变压器运行产生的声音信号蕴含着大量反映设备状态的有效信息，依据声音信号的特征图谱对松动故障实现在线诊断。首先，构建4种特征图谱，包括通过格拉米角场构建时域特征图谱、通过傅里叶变化和马尔可夫变迁场构建频域特征图谱、通过小波变换构建时频域特征图谱、通过递归分析构建混沌特征图谱；然后，建立轻量化卷积神经网络模型，以4种特征图谱作
【基金项目】
：
国家自然科学基金（51577050）； 国网江苏省电力公司科技项目（J2021053）；
论文部分内容阅读
绕组松动故障是变压器安全稳定运行中的巨大隐患，目前尚缺乏有效的在线诊断方法。变压器运行产生的声音信号蕴含着大量反映设备状态的有效信息，依据声音信号的特征图谱对松动故障实现在线诊断。首先，构建4种特征图谱，包括通过格拉米角场构建时域特征图谱、通过傅里叶变化和马尔可夫变迁场构建频域特征图谱、通过小波变换构建时频域特征图谱、通过递归分析构建混沌特征图谱；然后，建立轻量化卷积神经网络模型，以4种特征图谱作为输入，通过卷积、池化等一系列操作提取有效故障特征；最后，利用分类器直接输出绕组松动的故障程度。实验结果表明，所提方法对25%、50%、75%及100%的松动程度均能实现可靠诊断，平均准确率为99.6%,对最为轻微的25%松动程度，准确率仍达98%。与仅采用单一特征的诊断相比，所提方法的准确率提升了9.9%;与采用AlexNet、MobileNetV2、GoogleNet、ShuffleNet、ResNet等经典神经网络的诊断相比，所提方法的准确率提升了18.1%,同时训练速度提高37%,占用内存减少20%。
其他文献
变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关，对其声纹信号开展特征分析，有助于进一步了解设备运行工况，保障电力系统安全稳定运行。文中以声纹特征分析为基础，兼顾诊断效率与准确性，提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征，构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型，可实现变压器声纹特征的有效
利用语音听觉特征的特征表现，根据辨听人对语音听觉特征的听辨结果，对2段语音进行赋值化表述，采用比较研究法，根据语音听觉特征赋值加成结果判断2段语音相似程度。结果显示，引入表格，使声纹辨听过程操作性更强，得出结果的过程更加直观规范。因此，语音听觉特征在声纹辨听比对工作中具有很强反映性和稳定性，利用语音听觉特征能够快速直接判断2段语音的相似程度，过程快速、易操作，流程规范，结果反馈直观，在声纹比对中发
800米跑是国家体质健康测试和体育中考中用来评价初中女生耐力素质的一个必测项目,教育部连续6年的“全国学生体质与健康调研”显示,我国初中女生耐力素质逐年下降。故探索初中女生耐力素质练习的新思路、新手段,以达提升运动成绩的目的,成为当前初中女生耐久跑教学改革的目标。传统观念认为力量练习会带来肌肉肥大,不利于800米跑竞技能力的提高。但近年有大量研究表明力量的作用已经突破传统的意义,合理的力量练习可以
目前,大多数声纹识别模型在无噪音环境中的识别准确率较高。而在噪音环境中,声纹识别模型的识别准确率通常会迅速下降[1]。在实际应用中受检验对象不同状态及获取样本所使用录音设备、环境等客观因素的影响,办案人员采集的声纹信息样本往往质量不佳,从而难以做出准确判断[2]。为提高声纹识别的准确率,在改善采集样本质量、节约成本、方便使用的基础上,提出研制一种可减少回响和噪音,用于声纹信息采集的隔音箱。
针对声纹识别领域中基于传统Res2Net模型特征表达能力不足、泛化能力不强的问题，提出了一种结合稠密连接与残差连接的特征提取模块SE-DR-Res2Block（Sequeeze and excitation with dense and residual connected Res2Block）.首先，介绍了应用传统Res2Block的ECAPA-TDNN（Emphasized channel a
针对声纹识别领域中现有模型分类损失函数无法有效的区分类别之间的可分性与缺乏对声纹数据质量关注的问题，本文提出一种新的分类损失函数DV-Softmax。首先，介绍了声纹领域现有边界损失函数工作原理；其次，介绍目标检测领域的挖掘损失函数，并在其基础上提出模糊样本的概念；然后，引入人脸识别领域的MV-Softmax损失函数，并加入模糊样本，使其能自适应强调不同样本之间的区别并指导特征学习；最后，分别在V
当前，自监督学习技术已成为缓解声纹识别任务有标签训练数据不足问题的主要手段。然而，相关研究目前仅注重学习样本的全局特征，忽略了对样本局部特征的学习。为了解决该问题，本文提出了一种耦合生成式建模和对比式建模的声纹识别自监督框架。该框架不仅保留了对比式建模对所学全局特征的约束，同时引入了生成式建模对所学局部特征的约束，使得特征提取模型学习到更具判别性的特征。基于此框架，本文提出了一种新的声纹识别自监督
高压电抗器是保障电力系统安全稳定运行的重要设备之一，针对高压电抗器故障难以被准确识别的问题，提出了基于LSTM（长短期记忆）神经网络的高压电抗器故障声纹识别方法。首先对一台高压电抗器运行时产生的声纹信号进行收集，然后将声纹信号分为若干个声纹片段后转换为语谱图，并使用Mel时频谱降维处理，最后采用LSTM网络对语谱图进行高压电抗器故障识别。实验结果表明，所提出的方法实现了高压电抗器故障的智能化诊断，
反映声道（谐振器）物理特性且不易受环境影响的元音共振峰可以更好地反映说话人的声纹特征，为此提出了说话人共振峰自适应MFCC（梅尔倒谱系数）特征提取SOC（片上系统）设计。首先提取说话人语音元音的三组共振峰来设计Mel三角形滤波器组，并基于传统MFCC与共振峰改进MFCC矩阵参数比值设计自适应融合说话人语音特征以改进MFCC。在MATLAB中完成性能仿真，在QUARTUS II中完成VERILOG-