一种“听振”结合的电厂密封设备漏气监测方法与流程

1.本发明涉及电气设备缺陷识别技术领域，具体涉及一种“听振”结合的电厂密封设备漏气监测方法。


背景技术：

2.气体作为物质形态之一，在工业领域起到各异的作用。一方面，sf6气体的绝缘性和灭弧性能可以给电气设备增添较好的保护作用，另一方面，空压机等电厂密封设备通过压缩气体将机械能转换成气体压力能，从而为气动系统提供气源动力。
3.在电厂中，气体绝缘开关设备、气阀门等电厂密封设备并不少见，当设备由于老化或破损导致气密性下降，就极有可能出现设备漏气的现象。一旦发生设备漏气，轻则导致设备动作异常，降低电厂生产效率导致经济损失；重则导致有毒气体泄漏，危及人身安全带来严重危害。
4.在设备发生漏气的过程中，往往伴随着设备的异常振动与气体泄漏的“吱吱”声，传统监测设备是否漏气的方法包括肥皂泡捡漏方法、真空监视检漏与气体检漏方法。传统方法无法达到实时监测的效果，而且均依赖于工作人员动手操作，不具备自动识别的功能。
5.肥皂泡检测方法是指：检漏的过程中，将肥皂水涂抹到怀疑的漏点或是密封点上，若出现鼓泡的情况便说明此处存在漏点或是鼓泡处便是漏点。
6.真空监视检漏方法是指检漏过程中首先要将回装的设备抽真空，连接管也要采用抽真空的方式，确保设备处于真空状态后需一定的观察期，在观察期内设备观察有没有出现泄露的情况；
7.气体检漏方法：利用能与密封气体反应的检测器，在设备附近检测是否有密封气体漏出从而获知设备是否有漏气。
8.随着数据采集技术和人工智能技术的持续发展，不断丰富起来的监控资源足以让漏气监测技术不用局限在外观判断、气体探测等传统检测方法。而是从电厂密封设备漏气的振动信号特征与声音特征两方面进行全自动的漏气监测。
9.现有技术的声音识别算法中，基于深度学习的设备声音识别方法是利用深度学习模型提取电厂密封设备异常声音序列中的有用特征，再利用提取到的特征进行识别和分类，可以取得良好的性能。
10.现有技术的气体特征识别算法中，基于bp神经网络的气体管道泄漏方法，是利用标定流速值呼吸气潮气量等参数训练神经网络从而识别呼吸机仪器是否发生漏气，根据其显著的气体特征参数可以轻松识别出漏气。
11.现有技术的声音监测方法中，漏气噪声监测方法通过传感器模块识别断路器噪声的音量、音频和时长以判断是否发生漏气；基于声检测与盲信号分离得气密性监测方法通过多路声音传感器信号波形的一致性来判断是否发生漏气。
12.现有技术的背景声识别方法中，基于深度学习的背景声识别方法首先进行声音的预处理、特征选择和特征融合以及数据增强，在amlenet网络模型中对汽车鸣笛声、玻璃破
碎声、尖叫声、枪声和背景噪声进行分类识别。
13.现有技术的漏气振动诊断方法中，气阀漏气故障诊断方法通过提取漏气故障振动的时域和频域的故障特征参，再经过支持向量机进行分类，从而辨识出气阀是否漏气。
14.当前的声音识别算法需要先对原始数据进行降噪处理，从而确保提取到的特征充分有效，针对设备漏气的深度学习声音识别算法或文章极少，到目前为止，由于电厂场景的噪声大及设备漏气声音的能量低，声音降噪的预处理操作有可能隐去了设备漏气的声音特点，检测设备漏气异常声音仍然纯在较大的困难；其次由于电厂密封设备中无法完全对采集气体特性的传感器进行布设，气体流速的特征难以检测。
15.现在的声音识别算法采用深度神经网络对设备声音进行训练和分类，从而达到识别的目的，但存在缺陷和不足：由于电厂噪声大、漏气声音能量低、漏气声音特征不明显等原因，在正常声音识别算法中漏气声音极有可能被隐去。
16.现有的漏气声音监测方法仅依据声音波形的一致性进行漏气监测，在较为安静的环境下效果较好，在电厂噪声中难以达到监测效果。
17.当前的背景声识别方法主要是分类鸣笛声、玻璃破碎声等突出特征的声音与背景声，没法考证其识别电厂嘈杂环境的效果。
18.当前的背景声识别方法使用bp神经网络进行训练，需要极大量数据进行训练才能收敛，而电厂密封设备存量数据有限，需要持续获取数据不断优化模型，同时模型可解释性低，对类似设备的鲁棒性不高，在设备选型更新较快的环境下难以达到监测效果。
19.据调研，结合声信号及振信号用于故障监测的方法可以实际应用。合肥工业大学陈剑等人于2020年提出一种滚动轴承声振信号故障诊断方法的发明专利(陈剑,程明.一种滚动轴承声振信号故障诊断方法、系统及设备[p].安徽省：cn114323650a,2022-04-12.)，主要提取声敏感特征和振敏感特征进行联合诊断。广西电网电科院李锐等人提出了一种基于暂态声振信号的变压器绕组短路冲击后故障诊断方法(李锐,黎大健,陈梁远,易辰颖,韩方源,张磊,芦宇峰,余长厅,苏毅,饶夏锦.基于暂态声振信号的变压器绕组短路冲击后故障诊断方法[p].广西壮族自治区：cn114779130a,2022-07-22.)，提取暂态声振信号的特征参量和短路阻抗，并对变化模式进行分析诊断。福建电力公司徐建南等人提出了一种变压器声振故障诊断方法(徐建南,焦飞,雷龙武,张中浩,谈元鹏,刘冰倩,黄建业.一种变压器声振故障诊断方法、系统、设备及存储介质[p].北京市：cn114580474a,2022-06-03.)，设计了声振故障诊断智能体。沈阳建筑大学石怀涛等人提出了一种基于声振信号融合的滚动轴承故障检测方法(石怀涛,李阳阳,白晓天,李献文,李思慧.一种基于声振信号融合的滚动轴承故障检测方法[p].辽宁省：cn111678698b,2022-03-04.)，提取基于均滑值的最有声振融合信号，并根据最优融合信号所在的故障特征频率范围判断是否出现故障。华北电力大学赵书涛等人提出了一种声振信号融合处理的断路器孤战诊断方法(赵书涛,王亚潇.一种声振信号融合处理的断路器故障诊断方法[p].河北：cn107796602a,2018-03-13.)，利用离散小波变换分离声振信号，提取小波包平方差能量熵作为特征矩阵，通过支持向量机和证据理论进行故障识别。由于设备漏气发生的不确定性从而导致预警不及时的问题，而当前声音识别算法由于在声音预处理阶段对电厂噪声进行降噪处理，极有可能隐去了设备漏气声音及其特征。传统办法在检测过程中依赖技术人员参与，受到设备、环境情况制约。目前人工智能监测电厂密封设备漏气方法，仅限于设备外表破损识别及振动信号识别的方法，
还没有通过声音信号监测设备漏气的方法。


技术实现要素：

[0020]
本发明为解决当前漏气识别技术通过传统探测方法的其中之一来判断漏气是否发生，由于设备漏气发生的不确定性从而导致预警不及时的问题，而当前声音识别算法由于在声音预处理阶段对电厂噪声进行降噪处理，极有可能隐去了设备漏气声音及其特征。传统办法在检测过程中依赖技术人员参与，受到设备、环境情况制约，而本发明使用人工智能技术对声音进行异常识别，开拓了时间维度和空间维度，便于大数据时代背景下同时对海量设备数据进行处理，构建云边侧协同的电厂密封设备状态监测体系，这是传统探测方法所不能做到的。
[0021]
本发明提出了一种“听振”结合的电厂密封设备漏气监测方法，能同时识别漏气振动异常和声音异常，一方面通过多振动传感器采集信号，检测其高次谐波是否出现及振幅阈值是否越限，从而完成漏气振动异常识别；另一方面可以通过漏气声的相似度衡量判断是否漏气。
[0022]
本发明的创新点在于结合了声音信号识别与振动信号识别进行漏气监测，对两者进行结合得到更高效、效果更好的漏气监测方法。
[0023]
本发明的目的至少通过如下技术方案之一实现。
[0024]
一种“听振”结合的电厂密封设备漏气监测方法，包括以下步骤：
[0025]
s1、振动数据获取及预处理；
[0026]
s2、振动信号特征提取；
[0027]
s3、根据振动信号特征进行漏气振动异常判断；
[0028]
s4、声音数据获取；
[0029]
s5、电厂密封设备声音高频特征提取，并进行漏气声音异常判断；
[0030]
s6、根据漏气振动异常判断结果和漏气声音异常判断，得到电厂密封设备漏气识别结果。
[0031]
进一步地，步骤s1中，所述振动数据为根据电厂密封设备自带的振动传感器获取到电厂密封设备某个位置的振动信号；
[0032]
所述预处理为对获取的振动数据进行切片处理，即分成等长度的预处理后的振动信号：
[0033]
nz＝(s-a)/l 1
[0034]
其中，l为每一片段的预处理后的振动信号的长度，a是每一片段的预处理后的振动信号的采样点数，s是一个振动数据的采样点数，nz是预处理后的振动信号的片段数。
[0035]
进一步地，步骤s2中，将预处理后的振动信号分别进行频域特征提取与振幅特征提取，包括以下步骤：
[0036]
s2.1、功率谱特征提取；
[0037]
s2.2、振幅特征提取。
[0038]
进一步地，步骤s2.1中，功率谱特征提取，具体如下：
[0039]
首先对时域信号进行傅里叶变换：
[0040][0041]
其中，f(t)为时域信号，f(ω)为频域信号，t为时间，ω为角频率；
[0042]
其次对频域信号进行平方计算：
[0043]
h(f)＝|f(ω)|2＝|f(2πf)|2[0044]
其中，h(f)为振动信号的功率谱函数，f为频率。
[0045]
进一步地，步骤s2.2中，振幅特征提取，具体如下：
[0046]
提取每一段原始振动信号的振幅：
[0047]
z＝max|f(t)|
[0048]
其中，z为原始振动信号的最大振幅。
[0049]
进一步地，步骤s3中，漏气振动异常判断包括高次谐波判断及阈值判断，将功率谱高峰与振幅越限作为振动信号检测的判据，两者之间的关系是
‘
或’的逻辑关系，即只要有一个条件满足即可输出判断为漏气振动异常，具体如下：
[0050]
功率谱高峰判断中，由于电厂密封设备正常工作时会发生振动，在功率谱函数上通常会出现几个固定频率的高峰，通过检测是否有频率高峰的消失来进行判断是否出现漏气振动异常，具体如下：
[0051]
if n
peak
＞n'
peak
,yz＝1
[0052]
其中，n’peak
为待检测振动信号的功率谱峰值数量，n
peak
为正常振动信号的功率谱峰值数量，yz为漏气振动异常判断，yz＝1判断为漏气振动异常。
[0053]
振幅越限判断中，由于电厂密封设备正常工作时会发生规律性振动，在振动信号上通常会出现几个固定大小的振幅，通过检测是否有超过常规振幅的一定裕度来进行判断是否发生异常，具体如下：
[0054]
if z'＞ηz,yz＝1
[0055]
其中，z’为待检测振动信号的振幅大小，z为正常振动信号的振幅最大值，η为设定的裕度，yz为漏气振动异常判断，yz＝1判断为漏气振动异常。
[0056]
进一步地，步骤s4中，所述声音数据是通过布设在电厂密封设备周围的声音传感器进行收集的；为方便后续声音数据的分析，进行声音预处理，预处理包括预加重或分帧。
[0057]
进一步地，利用下式进行声音信号的预加重：
[0058][0059]
其中，为经过预加重的声音信号，s(t)为原始声音信号，a为预加重系数；通常是利用可移动的定长度的窗口进行加权来达到声音信号的分帧处理：
[0060][0061]
其中，se(t)为经过分帧处理的声音信号，e(n)为窗函数；
[0062]
窗函数包括：矩形窗、汉宁窗、海明窗或布莱克曼窗。
[0063]
进一步地，步骤s5中，由于设备漏气声音的高频特征较为明显，当通过声音特征提取出待检测设备的高频声音后，可以直接对比正常声音信号高频特征的波动程度，从而判断其是否有漏气声音异常，具体包括以下步骤：
[0064]
s5.1、高频特征提取，对待检测设备的声音进行高通滤波，提取对待检测设备的声音高频的特征
[0065]
fh(t)＝h(ωn)
×
se(t)
[0066]
其中，fh(t)为高频特征，h(ωn)为高通滤波器，ωn为设置的截止频率，即只取超过截止频率的高频声音特征；
[0067]
s5.2、漏气声音异常判断，对提取的高频特征进行波动程度判据，方差衡量。
[0068][0069]
其中，fh(t)为待检测设备的声音信号的高频特征函数，fhr(t)为漏气声音的高频特征；
[0070]
通过相似度衡量，若待检测设备的声音与设备漏气声音的高频特征的相似度大于波动程度阈值λ，则输出漏气声音异常。
[0071]
if d(fh(t),fhr(t))＞λ,ys＝1
[0072]
其中，d(fh(t),fhr(t))为待检测设备的声音与设备漏气声音的高频特征的波动程度比，λ为设置的波动程度阈值，ys为漏气声音异常判断。
[0073]
进一步地，步骤s6中，漏气声音异常判断ys和漏气振动异常判断yz作为
‘
与’的关系，进行对电厂密封设备漏气识别结果进行输出，即需要检测出漏气声音异常和漏气振动异常才能识别出电厂密封设备漏气。
[0074]
和现有技术相比，本发明的目的在于：
[0075]
本发明提出了一种“听振”结合的电厂密封设备漏气监测方法，有效解决了目前漏气检测技术通过气体监测及物理检测的实用性不足、可靠性不高等问题，本发明结合了声音识别和振动识别达到了更好的漏气识别效果。
附图说明
[0076]
图1为本发明实施例中一种“听振”结合的电厂密封设备漏气监测方法的步骤流程图；
[0077]
图2为本发明实施例中设备振动数据01和正常振动数据的波形图；
[0078]
图3为本发明实施例中设备振动数据01和正常振动数据滤波后的声音高频特征图；
[0079]
图4为本发明实施例中设备振动数据01和正常振动数据的峰值图；
[0080]
图5为本发明实施例中设备振动数据02和正常振动数据滤波后的声音高频特征图；
[0081]
图6为本发明实施例中设备振动数据02和正常振动数据的波形图；
[0082]
图7为本发明实施例中设备振动数据02和正常振动数据的峰值图；
[0083]
图8为本发明实施例中设备振动数据03和正常振动数据滤波后的声音高频特征图。
具体实施方式
[0084]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0085]
实施例1：
[0086]
一种“听振”结合的电厂密封设备漏气监测方法，如图1所示，包括以下步骤：
[0087]
s1、振动数据获取及预处理；
[0088]
所述振动数据为根据电厂密封设备自带的振动传感器获取到电厂密封设备某个位置的振动信号；
[0089]
所述预处理为对获取的振动数据进行切片处理，即分成等长度的预处理后的振动信号：
[0090]
nz＝(s-a)/l 1
[0091]
其中，l为每一片段的预处理后的振动信号的长度，a是每一片段的预处理后的振动信号的采样点数，s是一个振动数据的采样点数，nz是预处理后的振动信号的片段数。
[0092]
s2、将预处理后的振动信号分别进行频域特征提取与振幅特征提取，包括以下步骤：
[0093]
s2.1、功率谱特征提取，具体如下：
[0094]
首先对时域信号进行傅里叶变换：
[0095][0096]
其中，f(t)为时域信号，f(ω)为频域信号，t为时间，ω为角频率；
[0097]
其次对频域信号进行平方计算：
[0098]
h(f)＝|f(ω)|2＝|f(2πf)|2[0099]
其中，h(f)为振动信号的功率谱函数，f为频率。
[0100]
s2.2、振幅特征提取，具体如下：
[0101]
提取每一段原始振动信号的振幅：
[0102]
z＝max|f(t)|
[0103]
其中，z为原始振动信号的最大振幅。
[0104]
s3、根据振动信号特征进行漏气振动异常判断；
[0105]
漏气振动异常判断包括高次谐波判断及阈值判断，将功率谱高峰与振幅越限作为振动信号检测的判据，两者之间的关系是
‘
或’的逻辑关系，即只要有一个条件满足即可输出判断为漏气振动异常，具体如下：
[0106]
功率谱高峰判断中，由于电厂密封设备正常工作时会发生振动，在功率谱函数上通常会出现几个固定频率的高峰，通过检测是否有频率高峰的消失来进行判断是否出现漏气振动异常，具体如下：
[0107]
if n
peak
＞n'
peak
,yz＝1
[0108]
其中，n’peak
为待检测振动信号的功率谱峰值数量，n
peak
为正常振动信号的功率谱峰值数量，yz为漏气振动异常判断，yz＝1判断为漏气振动异常。
[0109]
振幅越限判断中，由于电厂密封设备正常工作时会发生规律性振动，在振动信号上通常会出现几个固定大小的振幅，通过检测是否有超过常规振幅的一定裕度来进行判断是否发生异常，具体如下：
[0110]
if z'＞ηz,yz＝1
[0111]
其中，z’为待检测振动信号的振幅大小，z为正常振动信号的振幅最大值，η为设定的裕度，yz为漏气振动异常判断，yz＝1判断为漏气振动异常。
[0112]
s4、声音数据获取；
[0113]
所述声音数据是通过布设在电厂密封设备周围的声音传感器进行收集的；为方便后续声音数据的分析，进行声音预处理，预处理包括预加重或分帧。
[0114]
进一步地，利用下式进行声音信号的预加重：
[0115][0116]
其中，为经过预加重的声音信号，s(t)为原始声音信号，a为预加重系数；通常是利用可移动的定长度的窗口进行加权来达到声音信号的分帧处理：
[0117][0118]
其中，se(t)为经过分帧处理的声音信号，e(n)为窗函数；
[0119]
窗函数包括：矩形窗、汉宁窗、海明窗或布莱克曼窗。
[0120]
s5、电厂密封设备声音高频特征提取，并进行漏气声音异常判断；
[0121]
由于设备漏气声音的高频特征较为明显，当通过声音特征提取出待检测设备的高频声音后，可以直接对比正常声音信号高频特征的波动程度，从而判断其是否有漏气声音异常，具体包括以下步骤：
[0122]
s5.1、高频特征提取，对待检测设备的声音进行高通滤波，提取对待检测设备的声音高频的特征
[0123]
fh(t)＝h(ωn)
×
se(t)
[0124]
其中，fh(t)为高频特征，h(ωn)为高通滤波器，ωn为设置的截止频率，即只取超过截止频率的高频声音特征；
[0125]
s5.2、漏气声音异常判断，对提取的高频特征进行波动程度判据，方差衡量。
[0126][0127]
其中，fh(t)为待检测设备的声音信号的高频特征函数，fhr(t)为漏气声音的高频特征；
[0128]
通过相似度衡量，若待检测设备的声音与设备漏气声音的高频特征的相似度大于波动程度阈值λ，则输出漏气声音异常。
[0129]
if d(fh(t),fhr(t))＞λ,ys＝1
[0130]
其中，d(fh(t),fhr(t))为待检测设备的声音与设备漏气声音的高频特征的波动程度比，λ为设置的波动程度阈值，ys为漏气声音异常判断。
[0131]
s6、根据漏气振动异常判断结果和漏气声音异常判断，得到电厂密封设备漏气识
别结果；
[0132]
漏气声音异常判断ys和漏气振动异常判断yz作为
‘
与’的关系，进行对电厂密封设备漏气识别结果进行输出，即需要检测出漏气声音异常和漏气振动异常才能识别出电厂密封设备漏气。
[0133]
本实施例中，如图2所示，采集设备振动数据01，结合已有正常振动数据进行振动异常判断；首先提取振幅特征，
[0134]
得到正常振动数据最大振幅值为0.2551；设备振动数据01的最大振幅值为3.2361。可判断yz＝1，漏气振动异常。
[0135]
获取正常声音数据的高频特征与设备声音数据01的高频特征，进行波动程度衡量。声音时长为25ms，窗函数采用汉宁窗，滤波器采用iir滤波器，截止频率选19200hz，波动程度阈值设为2。得到如图3所示的声音高频特征图。
[0136]
得到正常声音数据高频特征方差为0.0042；设备声音数据01的高频特征方差为0.0166，d(fh(t),fhr(t))》2。可判断ys＝1，漏气声音异常。
[0137]
结合yz＝1及ys＝1，综合判断电厂密封设备漏气。
[0138]
实施例2：
[0139]
本实施例中，提取正常振动数据与设备振动数据01的功率谱峰值数，如图4所示；
[0140]
得到正常振动数据峰值数为81；设备振动数据01的最大振幅值为71。可判断yz＝1，漏气振动异常。
[0141]
本实施例中，如图5所示，获取正常声音数据的高频特征与设备声音数据02的高频特征，进行波动程度衡量。声音时长为25ms，窗函数采用汉宁窗，滤波器采用iir滤波器，截止频率选19200hz，波动程度阈值设为2。得到下图。
[0142]
得到正常声音数据高频特征方差为0.0042；设备声音数据02的高频特征方差为0.0128，d(fh(t),fhr(t))》2。可判断ys＝1，漏气声音异常。
[0143]
结合yz＝1及ys＝1，综合判断电厂密封设备漏气。
[0144]
实施例3：
[0145]
本实施例中，采集设备振动数据02，结合已有正常振动数据进行振动异常判断。如图6所示，首先提取振幅特征，
[0146]
得到正常振动数据最大振幅值为0.2551；设备振动数据01的最大振幅值为1.7542。可判断yz＝1，漏气振动异常。
[0147]
提取正常振动数据与设备振动数据01的功率谱峰值数，如下图所示：
[0148]
得到正常振动数据峰值数为81；设备振动数据02的最大振幅值为76。可判断yz＝1，漏气振动异常。
[0149]
本实施例中，如图7所示，获取正常声音数据的高频特征与设备声音数据03的高频特征，进行波动程度衡量。声音时长为25ms，窗函数采用汉宁窗，滤波器采用iir滤波器，截止频率选19200hz，波动程度阈值设为2。得到图8所示的声音高频特征图；
[0150]
得到正常声音数据高频特征方差为0.0042；设备声音数据02的高频特征方差为0.0175，d(fh(t),fhr(t))》2。可判断ys＝1，漏气声音异常。
[0151]
结合yz＝1及ys＝1，综合判断电厂密封设备漏气。
[0152]
上述识别和跟踪方法组合为本发明较佳的实施方式，但本发明的实施方式并不受
上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。