CN104064186A - 一种基于独立分量分析的电气设备故障音检测方法 - Google Patents

Abstract

本发明涉及一种基于独立分量分析的电气设备故障音检测方法，包括步骤：采用麦克风阵列采集电气设备运行的声音信号；采用基于负熵最大的独立分量分析法Fast-ICA算法针对采用麦克风阵列采集的声音信号分离各个独立声源信号；提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识别声音信号，将待测试声音模板与所有的参考样本模板匹配后，匹配距离最小的参考样本模板是电气设备工作音识别的结果：如匹配距离最小的参考样本模板为正常音，则与之匹配的电气设备工作音为正常音；如匹配距离最小的参考样本模板为故障音，则与之匹配的电气设备工作音为故障音。本发明用定点迭代算法，使收敛更加稳定和迅速。

Description

一种基于独立分量分析的电气设备故障音检测方法

技术领域

本发明涉及一种基于独立分量分析的电气设备故障音检测方法，属于电气设备维护的技术领域。

背景技术

现如今电气设备故障诊断以及状态检测最常用的方法就是电气测量法，但是电气量通常不能够明显地表征电气设备故障信息，且这种参数比较难以检测，我们很难准确及时的判断设备故障类型及信息，且电气设备在发生故障之前能够正常工作且电气量没有太大变化。除非电气量之外，很多的变化信息如电气设备故障时发出异常的声音包含了电气设备将要发生故障或已经发生故障的信号。因此，非电气量检测方法的一些参数指标能够更有效更方便我们对电气设备进行诊断，例如电气设备声音信号。

实时地电气设备在线监测技术早已应用并发挥重要的作用。以往的电气设备故障音诊断方法一般要通过接触式传感器检测来实现，在高电压和强电磁场的输变电站的复杂环境下，可能对设备的监测结果会产生一定的影响。此外，接触式的传感器安装和维护十分不便，一旦传感器发生问题还可能带来意想不到的后果。

从20世纪80年代开始，基于声音信号处理的故障检测手段已经广泛应用于工业生产领域来对各种机械进行故障诊断，如内燃机和发动机等；90年代更是快速发展和延伸到其他许多领域如医学，获得了巨大的成功。目前基于声音信号处理的产品已经广泛应用于科技、工业、生活和教育的方方面面，产品也越来越成熟，越来越受欢迎，如Google公司的产品谷歌翻译的语音输入，手机的语音拨号，腾讯公司的社交应用微信和QQ的语音搜索等技术，以及各种导航中的语音交互控制等。目前的电力设备网络已经拥有了比较有效的在线故障监测***，本文提出一种基于独立分量分析法Fast-ICA算法检测电气设备故障音的方法来实时监控电气设备的运行情况，它可以作为当今电气设备监测方法的一种有效补充手段。

发明内容

针对现有技术的不足，本发明提供一种基于独立分量分析的电气设备故障音检测方法。

本发明的技术方案如下：

一种基于独立分量分析的电气设备故障音方法，包括步骤如下：

(1)采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号；

(2)采用基于负熵最大的独立分量分析法Fast-ICA算法针对步骤(1)采用麦克风阵列采集的声音信号分离各个独立声源信号；

(3)提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果：如果匹配距离最小的参考样本模板为正常音，则与之相匹配的电气设备工作音为正常音；如果匹配距离最小的参考样本模板为故障音，则与之相匹配的电气设备工作音为故障音。

MIC阵列通过对拾取的多路声音信号进行分析和处理，使阵列形成的波束方向图主瓣对准目标声源，“零点”指向干扰源以抑制干扰信号，从而尽可能得获取目标声音，波束的形成不但消除了使用单个或两个麦克风时需要不断调节麦克风指向性的问题，而且使输出声音信号的信噪比大幅提高，获得高质量的声音信号。

根据本发明优选的，所述的步骤(2)中分离独立声源信号的具体步骤为：

a、步骤(1)中采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号记为：x＝[x₁,x₂,…,x_n]，n＝1,2,3…n，其中，

x₁＝a₁₁s₁+a₁₂S₂+…a_1ms_m

x₂＝a₂₁s₁+a₂₂S₂+…a_2ms_m

.

.

.

x_n(t)＝a_n1s₁+a_n2s₂+…a_nms_m (i)

式(ⅰ)中，s₁,s₂,…,s_m为独立信号源发出的声音信号，a_ij(i＝1,2,…,n；j＝1,2,…,m)是实系数，且n＞m；

首先，对步骤a中所述的采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号进行中心化处理，得到的声音信号通过式(ⅱ)所得:

${\stackrel{\‾}{x}}_i=x_i-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(\mathrm{ii}\right)$

然后，对中心化处理后得到的声音信号进行白化处理，得到声音信号z，通过式(ⅲ)所得:

$z=q\stackrel{\‾}{x}={\mathrm{\Λ}}^{-1/2}{U}^T\stackrel{\‾}{x}---\left(\mathrm{iii}\right)$

在式(ⅲ)中，z的各分量z_i互不相关，且具有单位方差E{zz^T}＝I；Λ＝diag(d₁,d₂,…,d_n)是相关阵的n个最大特征值组成的对角阵；U∈C^m×n，是n个对应的特征矢量组成的矩阵；

b.基于峭度和负熵两个非高斯性度量间取得很好折中的负熵近似估计J(x)，如式(ⅳ)所示：

J(x)∝[E(G(x))-E(G(v))]² (ⅳ)

在式(ⅳ)中，G为任意的非二次函数，v是零均值单位方差的高斯变量；

c.近似的牛顿迭代算法如式(ⅴ)所示：

w←w-[E{zg(w^Tz)}+βw]/[E{g'(w^Tz)}+β] (ⅴ)

上式(ⅴ)两边同时乘以E{g'(w^Tz)}+β，简化为：

w←w-E{zg(w^Tz)}-E{g'(w^Tz)}w (ⅵ)

将式(ⅵ)中的w标准化，得到式(ⅶ)：

w←w/||w|| (ⅶ)

上述式(ⅴ)中，w是一个可随机选取的具有单位范数的初始化向量，z是式(ⅲ)得到的白化数据，即得到声音信号，g是非二次函数G的导数，如下式：

g₁(x)＝tanh(a₁x)

g₂(x)＝uexp(-x²/2)

g₃(x)＝x³；

上述式子中，β是一个常数，式(ⅵ)是FastICA的基本公式，如果不收敛，则返回步骤(ⅴ)。

由ICA的基本模型可知，只要求出分离矩阵w，则wz就能无限逼近独立信号源发出的声音信号s₁,s₂,…,s_m了，从而实现盲源分离；

所述独立分量分析法ICA算法为基于负熵最大方向的Fast-ICA算法，该算法的优点是采用定点迭代算法，使得收敛更加稳定和迅速；进而提取声音的Mel频率倒谱系数MFCC作为声音特征参数。

根据本发明优选的，所述的步骤(3)具体步骤为：

a.对步骤(2)中分离出的独立声源信号进行预加重、分帧和加窗操作；

b.对步骤(3)a中处理后的每帧声音信号进行FFT变换，即快速傅里叶变换，获得其频谱，再取模的平方作为离散功率谱S(k)；

c.计算S(k)通过带通滤波器组后所得的功率值，得到M个参数P_m,m＝0,1,…,M-1；接着计算P_m的自然对数，得到L_m,m＝0,1,…,M-1；最后计算L_m的DCT离散余弦变换，获得D_m,m＝0,1,…,M-1，去掉D₀，取D₁,D₂,…,D_k作为MFCC的参数；

d.所述模式匹配算法为动态时间规整DTW算法进行声音识别的具体步骤为：

设步骤(3)a的声音信号分了N帧矢量即{T(1),T(2),…,T(n),…,T(N)},T(n)是第n帧的语音特征矢量，参考样本有M帧矢量即{R(1),R(2),…,R(m),…,R(M)},R(m)为第m帧的语音特征矢量，则动态时间规整DTW算法利用时间规整函数j＝w(i)完成待测试矢量与参考模板矢量时间轴的映射，且这个规整函数w满足下式(ⅸ)：

$D=\underset{w\left(i\right)}{\min }\underset{i=1}{\overset{l}{\mathrm{\Σ}}}d[T\left(i\right),R\left(w\left(i\right)\right)]---\left(\mathrm{ix}\right)$

在式(ⅸ)中，d[T(i),R(w(i))]是待测试矢量T(i)和参考模板矢量R(j)之间的距离测度；T(i)表示T中第i帧的语音特征矢量；R(w(i))表示R中第j帧语音特征矢量；D则待测试矢量与参考样本矢量之间的最小距离；

利用DTW将待测试声音模板与所有参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果。

为了在ICA估计中使用非高斯性，必须对随机变量的非高斯性定义一个定量化的指标，本发明采用的是基于峭度和负熵两个非高斯性度量间取得很好折中的负熵近似估计。

本发明的有益效果为：

1、本发明采用基于负熵最大方向的Fast-ICA算法，该算法的优点是采用定点迭代算法，使得收敛更加稳定和迅速；

2、本发明中阵列信号采用广义旁瓣对消思想，用“电子瞄准”的方式从声源位置获取品质较高的声音信号，同时能够抑制其他环境噪声，具有很好的空间选择性。

具体实施方式

下面结合实施例对本发明做详细的说明，但不限于此。

实施例

一种基于独立分量分析的电气设备故障音检测方法，包括步骤如下：

(1)采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号；

(2)采用基于负熵最大的独立分量分析法Fast-ICA算法针对步骤(1)使用麦克风阵列采集的声音信号分离各个独立声源信号；

(3)提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果：如果匹配距离最小的参考样本模板为正常音，则与之相匹配的电气设备工作音为正常音；如果匹配距离最小的参考样本模板为故障音，则与之相匹配的电气设备工作音为故障音。

MIC阵列通过对拾取的多路声音信号进行分析和处理，使阵列形成的波束方向图主瓣对准目标声源，“零点”指向干扰源以抑制干扰信号，从而尽可能得获取目标声音，波束的形成不但消除了使用单个或两个麦克风时需要不断调节麦克风指向性的问题，而且使输出声音信号的信噪比大幅提高，获得高质量的声音信号。

所述的步骤(2)中分离独立声源信号的具体步骤为：

a、步骤(1)中采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号记为：

x＝[x₁,x₂,…,x_n]，n＝1,2,3…n，其中，

x₁＝a₁₁S₁+a₁₂s₂+…a_1ms_m

x₂＝a₂₁s₁+a₂₂s₂+…a_2ms_m

.

.

.

x_n(t)＝a_n1s₁+a_n2S₂+…a_nms_m (i)

式(ⅰ)中，s₁,s₂,…,s_m为独立信号源发出的声音信号，a_ij(i＝1,2,…,n；j＝1,2,…,m)是实系数，且n＞m；

首先，对步骤a中所述的采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号进行中心化处理，得到的声音信号通过式(ⅱ)所得:

${\stackrel{\‾}{x}}_i=x_i-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(\mathrm{ii}\right)$

然后，对中心化处理后得到的声音信号进行白化处理，得到声音信号z，通过式(ⅲ)所得:

$z=q\stackrel{\‾}{x}={\mathrm{\Λ}}^{-1/2}{U}^T\stackrel{\‾}{x}---\left(\mathrm{iii}\right)$

在式(ⅲ)中，z的各分量z_i互不相关，且具有单位方差E{zz^T}＝I；Λ＝diag(d₁,d₂,…,d_n)是相关阵的n个最大特征值组成的对角阵；U∈C^m×n，是n个对应的特征矢量组成的矩阵；

b.基于峭度和负熵两个非高斯性度量间取得很好折中的负熵近似估计J(x)，如式(ⅳ)所示：

J(x)∝[E(G(x))-E(G(v))]² (ⅳ)

在式(ⅳ)中，G为任意的非二次函数，v是零均值单位方差的高斯变量；

c.近似的牛顿迭代算法如式(ⅴ)所示：

w←w-[E{zg(w^Tz)}+βw]/[E{g'(w^Tz)}+β] (ⅴ)

上式(ⅴ)两边同时乘以E{g'(w^Tz)}+β，简化为：

w←w-E{zg(w^Tz)}-E{g'(w^Tz)}w (ⅵ)

将式(ⅵ)中的w标准化，得到式(ⅶ)：

w←w/||w|| (ⅶ)

上述式(ⅴ)中，w是一个可随机选取的具有单位范数的初始化向量，z是式(ⅲ)得到的白化数据，即得到声音信号，g是非二次函数G的导数，如下式：

g₁(x)＝tanh(a₁x)

g₂(x)＝uexp(-x²/2)

g₃(x)＝x³；

上述式子中，β是一个常数，式(ⅵ)是FastICA的基本公式，如果不收敛，则返回步骤(ⅴ)。

由ICA的基本模型可知，只要求出分离矩阵w，则wz就能无限逼近独立信号源发出的声音信号s₁,s₂,…,s_m了，从而实现盲源分离；

所述独立分量分析法ICA算法为基于负熵最大方向的Fast-ICA算法，该算法的优点是采用定点迭代算法，使得收敛更加稳定和迅速；进而提取声音的Mel频率倒谱系数MFCC作为声音特征参数。

所述的步骤(3)具体步骤为：

a.对步骤(2)中分离出的独立声源信号进行预加重、分帧和加窗操作；

b.对步骤(3)a中处理后的每帧声音信号进行FFT变换，即快速傅里叶变换，获得其频谱，再取模的平方作为离散功率谱S(k)；

c.计算S(k)通过带通滤波器组后所得的功率值，得到M个参数P_m,m＝0,1,…,M-1；接着计算P_m的自然对数，得到L_m,m＝0,1,…,M-1；最后计算L_m的DCT离散余弦变换，获得D_m,m＝0,1,…,M-1，去掉D₀，取D₁,D₂,…,D_k作为MFCC的参数；

d.所述模式匹配算法为动态时间规整DTW算法进行声音识别的具体步骤为：

设步骤(3)a的声音信号分了N帧矢量即{T(1),T(2),…,T(n),…,T(N)},T(n)是第n帧的语音特征矢量，参考样本有M帧矢量即{R(1),R(2),…,R(m),…,R(M)},R(m)为第m帧的语音特征矢量，则动态时间规整DTW算法利用时间规整函数j＝w(i)完成待测试矢量与参考模板矢量时间轴的映射，且这个规整函数w满足下式(ⅸ)：

$D=\underset{w\left(i\right)}{\min }\underset{i=1}{\overset{l}{\mathrm{\Σ}}}d[T\left(i\right),R\left(w\left(i\right)\right)]---\left(\mathrm{ix}\right)$

在式(ⅸ)中，d[T(i),R(w(i))]是待测试矢量T(i)和参考模板矢量R(j)之间的距离测度；T(i)表示T中第i帧的语音特征矢量；R(w(i))表示R中第j帧语音特征矢量；D则待测试矢量与参考样本矢量之间的最小距离；

利用DTW将待测试声音模板与所有参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果。

为了在ICA估计中使用非高斯性，必须对随机变量的非高斯性定义一个定量化的指标，本发明采用的是基于峭度和负熵两个非高斯性度量间取得很好折中的负熵近似估计。

Claims (3)

1.一种基于独立分量分析的电气设备故障音检测方法，其特征在于，包括步骤如下：

(1)采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号；

(2)采用基于负熵最大的独立分量分析法Fast-ICA算法针对步骤(1)采用麦克风阵列采集的声音信号分离各个独立声源信号；

(3)提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果：如果匹配距离最小的参考样本模板为正常音，则与之相匹配的电气设备工作音为正常音；如果匹配距离最小的参考样本模板为故障音，则与之相匹配的电气设备工作音为故障音。

2.根据权利要求1所述的一种基于独立分量分析法Fast-ICA算法检测电气设备故障音的方法，其特征在于，所述的步骤(2)中分离独立声源信号的具体步骤为：

a、步骤(1)中采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号记为：x＝[x₁,x₂,…,x_n]，n＝1,2,3…n，其中，

x₁＝a₁₁S₁+a₁₂s₂+…a_1ms_m

x₂＝a₂₁s₁+a₂₂S₂+…a_2mS_m

.

.

.

x_n(t)＝a_n1s₁+a_n2S₂+…a_nmS_m (i)

式(ⅰ)中，s₁,s₂,…,s_m为独立信号源发出的声音信号，a_ij(i＝1,2,…,n；j＝1,2,…,m)是实系数，且n＞m；

首先，对步骤a中所述的采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号进行中心化处理，得到的声音信号通过式(ⅱ)所得:

${\stackrel{\‾}{x}}_i=x_i-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i---\left(\mathrm{ii}\right)$

然后，对中心化处理后得到的声音信号进行白化处理，得到声音信号z，通过式(ⅲ)所得:

$z=q\stackrel{\‾}{x}={\mathrm{\Λ}}^{-1/2}{U}^T\stackrel{\‾}{x}---\left(\mathrm{iii}\right)$

在式(ⅲ)中，z的各分量z_i互不相关，且具有单位方差E{zz^T}＝I；Λ＝diag(d₁,d₂,…,d_n)是相关阵的n个最大特征值组成的对角阵；U∈C^m×n，是n个对应的特征矢量组成的矩阵；

b.基于峭度和负熵两个非高斯性度量间取得很好折中的负熵近似估计J(x)，如式(ⅳ)所示：

J(x)∝[E(G(x))-E(G(v))]² (ⅳ)

在式(ⅳ)中，G为任意的非二次函数，v是零均值单位方差的高斯变量；

c.近似的牛顿迭代算法如式(ⅴ)所示：

w←w-[E{zg(w^Tz)}+βw]/[E{g'(w^Tz)}+β] (ⅴ)

上式(ⅴ)两边同时乘以E{g'(w^Tz)}+β，简化为：

w←w-E{zg(w^Tz)}-E{g'(w^Tz)}w (ⅵ)

将式(ⅵ)中的w标准化，得到式(ⅶ)：

w←w/||w|| (ⅶ)

上述式(ⅴ)中，w是一个可随机选取的具有单位范数的初始化向量，z是式(ⅲ)得到的白化数据，即得到声音信号，g是非二次函数G的导数，如下式：

g₁(x)＝tanh(a₁x)

g₂(x)＝uexp(-x²/2)

g₃(x)＝x³；

上述式子中，β是一个常数，式(ⅵ)是FastICA的基本公式，如果不收敛，则返回步骤(ⅴ)。

3.根据权利要求2所述的一种基于独立分量分析法Fast-ICA算法检测电气设备故障音的方法，其特征在于，所述的步骤(3)具体步骤为：

a.对步骤(2)中分离出的独立声源信号进行预加重、分帧和加窗操作；

b.对步骤(3)a中处理后的每帧声音信号进行FFT变换，即快速傅里叶变换，获得其频谱，再取模的平方作为离散功率谱S(k)；

c.计算S(k)通过带通滤波器组后所得的功率值，得到M个参数P_m,m＝0,1,…,M-1；接着计算P_m的自然对数，得到L_m,m＝0,1,…,M-1；最后计算L_m的DCT离散余弦变换，获得D_m,m＝0,1,…,M-1，去掉D₀，取D₁,D₂,…,D_k作为MFCC的参数；

d.所述模式匹配算法为动态时间规整DTW算法进行声音识别的具体步骤为：

设步骤(3)a的声音信号分了N帧矢量即{T(1),T(2),…,T(n),…,T(N)},T(n)是第n帧的语音特征矢量，参考样本有M帧矢量即{R(1),R(2),…,R(m),…,R(M)},R(m)为第m帧的语音特征矢量，则动态时间规整DTW算法利用时间规整函数j＝w(i)完成待测试矢量与参考模板矢量时间轴的映射，且这个规整函数w满足下式(ⅸ)：

$D=\underset{w\left(i\right)}{\min }\underset{i=1}{\overset{l}{\mathrm{\Σ}}}d[T\left(i\right),R\left(w\left(i\right)\right)]---\left(\mathrm{ix}\right)$

在式(ⅸ)中，d[T(i),R(w(i))]是待测试矢量T(i)和参考模板矢量R(j)之间的距离测度；T(i)表示T中第i帧的语音特征矢量；R(w(i))表示R中第j帧语音特征矢量；D则待测试矢量与参考样本矢量之间的最小距离；

利用DTW将待测试声音模板与所有参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电气设备工作音识别的结果。