一种电力设备运行状态识别方法、装置和电力巡检机器人
文献发布时间:2023-06-19 18:49:33
技术领域
本说明书实施例涉及电力设备状态识别技术领域,更具体的,涉及一种电力设备运行状态识别方法、装置和电力巡检机器人。
背景技术
电力设备运行过程中会产生声信号,产生的声信号的特征和电力设备的运行状态有关。因此,所述声信号可以作为识别电力设备运行状态的依据,从而实现电力设备的故障诊断。
现有技术中常采用巡检机器人对电力设备的运行状态进行识别。所述巡检机器人可以采集电力设备的声信号,根据声信号幅值来识别设备运行状态,但是对电力设备运行状态的识别可靠性较低。
发明内容
本说明书实施例提供一种电力设备运行状态识别方法、装置和电力巡检机器人,以可靠识别电力设备运行状态。
为实现上述目的,本说明书实施例提供了一种电力设备运行状态识别方法,包括,采集待识别电力设备的声信号;将所述声信号转换为频域信号;根据所述频域信号建立Hankel矩阵;分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵;将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
为实现上述目的,本说明书实施例还提供了一种电力设备运行状态识别装置,包括,音频采集模块,用于采集待识别电力设备的声信号;数据处理模块,用于将所述声信号转换为频域信号,根据所述频域信号建立Hankel矩阵,并分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵;监控终端,用于将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
为实现上述目的,本说明书实施例还提供了一种电力巡检机器人,包括,音频采集模块,用于采集待识别电力设备的声信号;数据处理模块,用于将所述声信号转换为频域信号,根据所述频域信号建立Hankel矩阵,并分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵;通讯模块,用于将所述声信号的特征值矩阵和特征向量矩阵通过机器人通讯平台发送至监控终端,以使所述监控终端对所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
由上可见,在本说明书实施例中,将采集待识别电力设备的声信号转换为频域信号,根据所述频域信号建立Hankel矩阵;分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵,将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果可靠识别所述电力设备的运行状态。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例中电力设备运行状态识别装置的示意图;
图2为本说明书实施例中电力设备运行状态识别方法的流程图;
图3为本说明书实施例中气体绝缘组合电气设备正常状态的Hankel矩阵和特征向量矩阵图谱的示意图;
图4为本说明书实施例中气体绝缘组合电气设备屏蔽罩松动故障状态的Hankel矩阵和特征向量矩阵图谱的示意图;
图5为本说明书实施例中异常程度随样本序号变化的示意图;
图6为本说明书实施例中电力巡检机器人的示意图;
图7为本说明书实施例中建立Hankel矩阵的示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本说明书实施例保护的范围。
实施例一:
本说明书实施例提供一种电力设备运行状态识别装置。请参阅图1所示。所述电力设备运行状态识别装置可以包括音频采集模块11、数据处理模块12、监控终端13。
具体的,所述音频采集模块11可以采集待识别电力设备的声信号。所述音频采集模块11可以包括传声器阵列。所述音频采集模块11可以向数据处理模块发送采集的声信号。
所述数据处理模块12可以接收声信号。所述数据处理模块12可以将所述声信号转换为频域信号。数据处理模块12可以根据所述频域信号建立Hankel矩阵,并分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵。
在一些实施例中,所述数据处理模块12可以采用傅里叶变换法将所述声信号转换为频域信号。
进一步的,所述数据处理模块12可以在根据所述频域信号建立Hankel矩阵之前,对所述频域信号进行去冗余处理,包括去除频域信号中冗余的对称分量。
在一些实施例中,所述监控终端13可以将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
进一步的,所述监控终端13可以预设阀值。所述监控终端可以计算所述特征值矩阵或特征向量矩阵与相应的参考矩阵的差值,并求所述差值的Frobeniu范数,获取两者之间的异常程度。若所述异常程度不大于设定阈值,则所述电力设备的运行状态正常;否则,所述电力设备的运行状态异常。
进一步的,所述监控终端13还可以显示电力设备状态识别结果并进行状态预警。
在一些实施例中,所述电力设备运行状态识别装置还可以包括通讯模块14和机器人通讯平台15。
具体的,所述通讯模块14可以用于接收所述数据处理模块传送的所述声信号的特征值矩阵和特征向量矩阵。所述机器人通讯平台15可以用于通过通讯模块获取所述声信号的特征值矩阵和特征向量矩阵,并将所述声信号的特征值矩阵和特征向量矩阵传送至所述监控终端。
所述监控终端13可以接收机器人通讯平台15发来的特征值矩阵和特征向量矩阵。
在一些实施例中,为了对所述装置进行供电,减少与电力巡检机器人的结合难度,所述电力设备运行状态识别装置还包括电源模块16。
具体的,所述电源模块16可以用于分别为所述音频采集模块11、数据处理模块12、通讯模块14供电。
在一些实施例中,为了避免所述装置通讯断联后的数据丢失,所述电力设备运行状态识别装置还包括内存模块17。
具体的,所述内存模块17可以用于存储采集的声信号和参考矩阵。进一步的,所述内存模块17还可以用于存储异常程度。所述内存模块可以是存储器。
实施例二:
本说明书实施例提供一种电力设备运行状态识别方法。请参阅图2对应的流程图,所述方法可以包括如下步骤:
步骤S1:采集待识别电力设备的声信号;
在一些实施例中,所述声信号可以是待识别电力设备振动产生的信号。所述声信号可以是用幅值表示的时间序列。所述待识别电力设备可以包括气体绝缘开关、变压器等。
在一些实施例中,音频采集模块中的传声器阵列可以按固定采样频率采集所述声信号。具体的,采用电力巡检机器人搭载所述音频采集模块靠近所述待识别电力设备,以采集声信号。
步骤S2:将所述声信号转换为频域信号;
在一些实施例中,所述频域信号可以用于描述所述声信号在不同频率方面的特性。所述转换可以是将声信号的时间函数转换成频率函数。
进一步的,所述声信号可以经傅里叶变换转换为频域信号。
步骤S3:根据所述频域信号建立Hankel矩阵;
在一些实施例中,所述Hankel矩阵可以是每一条副对角线上的元素都相等的矩阵。所述Hankel矩阵可以表征电力设备系统内部结构。具体的,所述Hankel矩阵的每一个元素可以是一个频域信号。
例如,转换后的频域信号为y
其中,H为对应的Hankle矩阵;n为嵌入维数;N-n+1为矩阵长度。
在一些实施例中,所述Hankel矩阵H可以采用下述公式表示:
式中:H
具体的,请参阅图7所示,所述声信号可以是一系列时间序列,在所述时间序列中随机选取M个声信号片段,对所述M个声信号片段进行傅里叶变换后获得对应的M个频域信号,根据所述M个频域信号建立M个Hankel矩阵H
步骤S4:分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵。
在一些实施例中,所述特征值可以是Hankel矩阵在特征向量方向的伸缩量。所述特征值矩阵可以是对角阵。所述特征值矩阵对角线上的元素可以是特征值。所述特征向量矩阵的每一列可以对应一个特征向量。
在一些实施例中,所述分解Hankel矩阵包括对Hankel矩阵进行奇异值分解。
进一步的,所述Hankel矩阵满足:
式中:H、Λ、Γ、Γ′分别为Hankle矩阵、特征值矩阵、特征向量矩阵、特征向量矩阵的逆矩阵。
例如,请参照图4所示,根据气体绝缘组合电气设备屏蔽罩松动故障时采集声信号进行数据处理后生成相应的Hankel矩阵、特征向量矩阵图谱。图中屏蔽罩松动故障时的Hankel矩阵的峰值则较为松散,从副对角线向两边均有峰值分布。
步骤S5:将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
在一些实施例中,所述参考矩阵可以与不同的待识别电力设备一一对应。所述参考矩阵可以包括相应待识别电力设备在正常运行状态下获取的特征值矩阵或特征向量矩阵。
具体的,可以采集电力设备正常运行状态下的声信号,将正常运行状态下的声信号转换为频域信号。根据转换的频域信号可以建立正常状态下的Hankel矩阵。对正常状态下的Hankel矩阵进行分解可以获得正常状态下的特征值矩阵或特征向量矩阵。
例如,正常状态下的Hankel矩阵为H
其中,Γ
进一步的,为了增强电力设备运行状态识别方法的鲁棒性,所述与正常状态对应的Hankel矩阵H
其中,H
在一些实施例中,所述参考矩阵可以包括根据所述电力设备在正常运行状态下的声信号获取的相应的特征向量矩阵。将步骤S4生成的特征向量矩阵与相应正常运行状态下的特征向量矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态。
具体的,通过对比特征向量矩阵图谱可以识别所述电力设备的运行状态。
例如,请参照图3所示,为根据气体绝缘组合电气设备正常状态时采集所述设备声信号进行数据处理后获得Hankel矩阵、特征向量矩阵图谱。正常状态时的Hankel矩阵的峰值集中于副对角线上。对比图3和图4中的特征向量矩阵图谱,可以识别图4的设备状态。
在一些实施例中,计算所述特征值矩阵或特征向量矩阵与相应的参考矩阵的差值,并求所述差值的Frobenius范数,获取两者之间的异常程度;若所述异常程度不大于设定阈值,则所述电力设备的运行状态正常;否则,所述电力设备的运行状态异常。
具体的,特征值矩阵或特征向量矩阵与参考矩阵对应元素相减可以获得差值。所述差值可以是一个矩阵。所述Frobenius范数可以是差值矩阵每个元素平方和的二次方根。所述异常程度z公式可以为:
z=||Λ-Λ
其中,||·||
例如,请参阅图5所示,随机抽取60个待识别设备声音样本信号,其中一半样本对应正常状态,一半样本对应屏蔽罩松动状态。可以看出通过计算异常程度,样本的状态得到可靠的识别。
在一些实施例中,在步骤S3之前,还包括,
对所述频域信号进行去冗余处理,包括去除频域信号中冗余的对称分量。
具体的,为克服Hankel矩阵平移变动性的缺点,在建立Hankel矩阵前,去除声信号中的冗余成分,包括去除冗余的对称分量。在去除冗余对称分量后,将声信号转换为频域信号,根据非冗余的频域信号建立Hankel矩阵,实现一定程度上的近平移不变性。
例如,对采样频率为fs的声信号去除冗余对称分量后,可以获得信号长度为fs/2的声信号。对长度为fs/2的声信号进行傅里叶变换后获得去除冗余对称分量的频域信号。
本说明书实施例提供了一种电力设备运行状态识别方法,将采集待识别电力设备的声信号转换为频域信号,根据所述频域信号建立Hankel矩阵;分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵,将所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果可靠识别所述电力设备的运行状态。该方法能可靠识别电力设备的运行状态。
实施例三:
本说明书实施例提供一种电力巡检机器人,请参阅图6所示,包括:
音频采集模块61,用于采集待识别电力设备的声信号;
数据处理模块62,用于将所述声信号转换为频域信号,根据所述频域信号建立Hankel矩阵,并分解所述Hankel矩阵生成所述声信号的特征值矩阵和特征向量矩阵;
通讯模块63,用于将所述声信号的特征值矩阵和特征向量矩阵通过机器人通讯平台发送至监控终端,以使所述监控终端对所述特征值矩阵或特征向量矩阵与相应的参考矩阵进行对比分析,根据对比分析结果识别所述电力设备的运行状态;
其中,所述参考矩阵包括:根据所述电力设备在正常运行状态下的声信号获取的相应的特征值矩阵或特征向量矩阵。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本说明书实施例。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本说明书实施例的精神或范围的情况下,在其它实施例中实现。因此,本说明书实施例将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 一种高压线路障碍物识别方法、装置、巡检机器人
- 一款基于深度学习的电力设备图像识别方法及巡查机器人
- 电力设备巡检机器人及电力设备巡检机器人系统
- 电力设备巡检机器人及电力设备巡检机器人系统