CN110208022A - 基于机器学习的电力设备多特征音频指纹故障诊断方法及*** - Google Patents

Abstract

本公开提出了基于机器学习的电力设备多特征音频指纹故障诊断方法及***，包括：训练阶段：对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；根据观测序列对参数的初始值进行重估，进行训练；保存重估后的HMM模型参数，则HMM模型建立完成；诊断阶段：获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率。本公开通过声音的音色、音量的大小、频率的高低等音频特征的变化就可以判断设备是否处于不正常运行状态，甚至可以判断故障的类型和严重程度。

Description

基于机器学习的电力设备多特征音频指纹故障诊断方法及 ***

技术领域

本公开涉及故障诊断技术领域，特别是涉及基于机器学习的电力设备多特征音频指纹故障诊断方法及***。

背景技术

电力设备的结构复杂，其运行条件较苛刻，因此在***中出现故障的机率比较大。调查中发现，机械所引起的故障占MF与mf故障的70％左右。所谓MF是指主要故障，即导致电力设备出现一种以及一种以上的基本功能出现故障。mf是指次要故障，即除了主要故障以外的其他故障。在针对63kV以上的电力设备的调查中发现，在所有的主要故障中，因机械操作所引起的故障就占了其中的44％，在所有次要故障中，因机械操作所引起的故障占其中的39.4％。因此由此可见，机械故障是其中的主要部分。在前人的两次调查中还发现，仅仅只有4.7％的主要故障及25.1％的次要故障能在例行检查中被提前发现；另外有8.1％的主要故障与4.5％的次要故障是因为不适当的修理而造成的，由此可知，在电力设备的定期维修中还存在很大的问题与不足。

物体在状态改变时自动发出声音的现象为声发射，其实质地物体受到外力或内力作用产生变形或断裂时，以弹性波形式释放能量的一种现象。由于声发射提供了材料状态变化的有关信息，所以可用于设备的状态监测和故障诊断。根据材料的微观变形和开裂以及裂纹的发生和发展过程所产生声发射的特点、频谱及强度来分析声发射源目前的状态(故障的存在、位置、严重程度)，进行预警预报并根据历史记录推断其发展趋势，是一种智能故障诊断技术，克服了传统传感手段无法自动检测大型设备内部该类故障的问题(目前仍主要靠有经验的老工人凭耳朵通过听音棒来辨别运动机械的正常与否)。

目前社会上存在的基于音频特征提取的室内变电站设备故障判断方法、基于声音识别的便携式高压设备故障定位装置及定位方法以及设备故障诊断的方法、装置和***，虽然都是基于音频的故障诊断方法，但是研究方向和内容却有很大却别，具体分析如下：

1、基于音频特征提取的室内变电站设备故障判断方法，是利用巡检机器人携带双声道音频采集模块，来采集的变电站室内设备如保护屏，监控屏、通讯屏、电池柜以及后台机等二次设备的音频信息，主要信号为放电声音信号，不是实时在线监测。

2、基于声音识别的便携式高压设备故障定位装置及定位方法，主要的专利内容是一种便携的音频采集装置，采集到音频信息后传给后台，根据已存储的音频故障特征进行判断，并没有阐明定位方法。而且这种电磁电路装置在强磁场的电力设备运行环境下，很容易受到电磁干扰，后台不具备自我学习和训练能力，智能化程度不高。

3、设备故障诊断的方法、装置和***，研究的是汽车的噪声音频信息，不但跟本发明的研究对象不同，采用的技术方法也不同。

发明内容

本说明书实施方式的目的是提供基于机器学习的电力设备多特征音频指纹故障诊断方法，是变电站设备的综合在线和离线相结合的故障诊断方法。

本说明书实施方式提供基于机器学习的电力设备多特征音频指纹故障诊断方法，通过以下技术方案实现：

包括：

训练阶段：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

诊断阶段：

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

本说明书实施方式提供基于机器学习的电力设备多特征音频指纹故障诊断***，通过以下技术方案实现：

包括：

音频信号采集设备、多路光电模数转换装置及计算机；

所述音频信号采集设备提取电力设备正常工作和出现故障时音频数据经过多路光电模数转换装置进行处理后转换成数字信号，并传输至数据服务器；

所述数据服务器被配置为执行以下内容：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

与现有技术相比，本公开的有益效果是：

本公开不仅针对二次设备，还包含变电站的变压器、开关、母线以及刀闸等一次设备，提取的音频指纹特征不仅包含放电音频信号，还包含机械震动、变位音频信息等多种音频，是变电站设备的综合在线和离线相结合的故障诊断方法。

本公开基于多特征参数音频指纹的电力设备故障在线诊断方法，是利用光线麦克风作为音频采集设备，探头无源处理音频信号的能力放在远端，不受干扰，方法具备自学习能力能自动训练样本，确定故障类别。

本公开是基于大数据学习从多设备多特征中学习和训练样本。

本公开声发射监测可以获得有关缺陷的动态信息。结构或部件在受力情况下，利用声发射进行监测，可以知道缺陷的产生、运动及发展状态，并根据缺陷的严重程度进行实时报告。

本公开声发射监测不受材料位置的限制。材料的任何部位只要有声发射，就可以进行检测并确定声源的位置。

本公开灵敏度高。结构缺陷在萌生之初就有声发射现象，而超声波、X射线等方法必须在展到一定程度之后才能检测到。

本公开不受材料限制，因为声发射现象普遍存在于金属、塑料、陶瓷、木材、混泥土及复合材料等等物体中，因此得到广泛应用。

本公开由于声发射方法能连续监视结构内部损伤的全过程，因此得到了广泛应用。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的样本训练过程图；

图2为本公开实施例子的***架构图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释部分:

MFCC分析特征参数：在信号的包络检测、***的非线性分析、相关分析等方面都有重要的用途。同时，利用希尔伯特变换可以得到声音信号的一种特征参数，用于后期的训练和识别。

LPCC分析技术：线性预测倒谱系数LPCC在语音识别***中，通常使用由线性预测分析系数推导出另一种参数，LPCC作为特征参数.倒谱实际上是一种同态信号处理方法，标准的倒谱系数计算流程需要进行FFT变换、对数操作和相位校正等运算，运算比较复杂。LPCC参数的优点是计算量小，易于实现，对元音有较好的描述能力。

信息熵分析技术：基于信息熵的音频指纹特征提取，作为一种表示信号中所含信息量大小的值，熵也可以被称作混乱程度或不确定度，直观的理解就是，信息的不确定度越高，它的熵值也就越高，人们对该信息就越感兴趣，那么它所包含的信息量也就越大。

小波包分析：基于小波包分析的音频特征提取，小波包分析是一种比小波分析更为精细的分解方法，继承了小波变换的多分辨率分析形式，并可实现对信号进行各频率带相互衔接、正交和无冗余的分解。

实施例子一

该实施例公开了基于机器学习的电力设备多特征音频指纹故障诊断方法，本公开针对变电站主要设备类型分别采集和建立音频数据，获取各种设备典型的音频模型。并结合仿真分析和现场采集，获取电力设备不同故障条件下的音频指纹特征，实现长时间自动采集、存储和自动分析变电站设备音频数据，为设备状态的音频诊断分析建立必要的基础。

本公开采集现场数据或将已有数据加入到诊断平台的数据库中，可以建立针对于特定问题的诊断模型，并且可以将最终完善的模型保存到故障智能诊断平台的模型库中供选择。

在具体实施时，采用光纤麦克风模块采集音频数据，利用光纤麦克风优良的环境适应能力建立工业环境的现场音频数据采集，从次生到音频，并将现场信号用光纤传送回后方处理。后方对音频信号进行数字化和传输，得到数字化信号。

构建诊断平台的诊断方法，在大数据背景下，研究基于音频信号的故障模式识别和模式分类的理论和方法，构建深度学习智能故障诊断模型，实现变电站设备的故障在线智能故障诊断预警。

本公开具体的基于机器学习的电力设备多特征音频指纹故障诊断方法，参见附图1所示，可以分两个阶段以下步骤去完成：

在第一阶段为训练建立模型过程中，可以分以下步骤去完成：

步骤一：确定样本：提取正常工作和出现故障时有效样本，作为训练样本。

步骤二：信号预处理：将用于训练的样本分别进行预加重处理、加窗处理、端点检测处理、去噪等处理，去掉冗余信息。

步骤三：提取特征：从预处理过的声音信号中提取足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列。在后期实施阶段期可以提取多种特征参数分别进行识别，如LPCC、小波包特征参数、信息熵等，找到较好的识别参数，也可以多个参数进行组合识别，提高识别的准确性。

步骤四：初始化参数：根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值作为后续训练的依据。在后期的实施阶段，可以使用多种不同的识别检测方法，如高斯混合模型(GMM)、支持向量机(SVM)、BP神经网络等，找到较好的识别技术，也可以多种识别技术进行组合，使***达到更好的故障识别正确率。

步骤五：训练模型与学习：根据观测序列对参数的初始值进行重估，直到总输出概率不再有明显变化时，则训练成功；如果迭代600次仍不收敛，则训练失败，退出。

各类异常声音的学习，根据学习的各类异常声音进行设备的状态诊断，识别设备的状态。

步骤六：保存参数：如果训练成功，保存重估后的HMM模型参数，则HMM模型建立完成，此时，该模型已经具备了诊断能力。我们最终得到了多个HMM模型参数，其中每类故障对应一个HMM参数模型，正常工作情况下的声音也对应了一个HMM参数模型。

第二个阶段为诊断，分以下步骤完成

步骤一：提取信号：工作声音中提取需要监测的工作阶段的有效声音信号。

步骤二：信号预处理：将用于训练的样本分别进行预加重处理、加窗处理、端点检测处理、去噪等处理，去掉冗余信息。

步骤三：提取特征：从预处理过的声音信号中提取足以代表信号特征的26维MFCC参数和26维ΔMFCC参数作为观测序列。在后期实施阶段期可以提取多种特征参数分别进行识别，如LPCC、小波包特征参数等，找到较好的识别参数，也可以多个参数进行组合识别，提高识别的准确性。

步骤四：故障识别：根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，通常情况下，概率最大的模型即为识别结果。

步骤五：结果处理：由于HMM模型对于故障的识别存在一定的误差，且根据***的特点，需要对HMM的识别结果进行再处理，从而提高***的识别率。

步骤六：报警：当经过结果处理后认为该观测序列为故障状态下发生时，发出报警声音，进行报警提醒。

实施例子二

参见附图2所示，该实施例子公开了基于机器学习的电力设备多特征音频指纹故障诊断***，包括用于采集不同电力设备音频信号的光纤音频传感器，对于每个电力设备，其周边布置多个光纤音频传感器，多个光纤音频传感器将采集的信号传输至多路光电模数转换装置，多路光电模数转换装置包括光电转换器及高速模数转换器，将模拟信号转换成数字信号，最终传输到PC端(计算机)利用软件***进行数据的采集和存储。

PC端与数据服务器通信，基于该数据服务器存储历史数据、在线数据及故障模型库。

数据服务器被配置为执行：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

本公开实现对变电站设备音频数的采集、存储和自动分析。本公开采集多种变电站主要设备的音频数据，通过分析建立各种设备各种故障模式下的音频指纹特征数据库。

在大数据背景下，研究了基于音频信号的故障模式识别和模式分类的理论和方法，构建深度学习智能故障诊断模型，实现变电站设备的故障在线智能听诊；诊断模型具有增量自学习能力，可通过类别增量学习分类功能，实现未知类型故障的音频指纹特征建立。

本公开通过声音的音色、音量的大小、频率的高低等音频特征的变化就可以判断设备是否处于不正常运行状态，甚至可以判断故障的类型和严重程度。在实际工作中，运行人员通常使用绝缘棒一端紧贴电力设备金属外壳，在绝缘棒的另外一端用耳朵听设备发出的声音，根据声音来判断设备运行状态。这种方法需要有经验的工作人员，工作效率和判断的准确性都很低，不符合现在无人值守变电站的要求，而且运行工作人员经常靠近高压的电力设备危险性很大。

电力设备故障检测的目的就是确保设备处于正常的工作状态，若出现故障，能够及时发现并通知相关的检修人员进行检修，以防止发生重大事故，维持设备的正常工作，保障电网安全，提升整体用能安全水平。

可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，包括：

训练阶段：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

诊断阶段：

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

2.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，所述电力设备包括二次设备及一次设备，一次设备可为：变电站的变压器、开关、母线以及刀闸。

3.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对训练样本进行预处理包括：预加重处理、加窗处理、端点检测处理、去噪处理，去掉冗余信息。

4.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对于观测序列提取多种特征参数分别进行识别或多个参数进行组合识别。

5.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，参数训练后得到多个HMM模型参数，其中每类故障对应一个HMM参数模型，正常工作情况下的声音也对应一个HMM参数模型。

6.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对于测试样本，提取特征，从预处理过的声音信号中提取足以代表信号特征的26维MFCC参数和26维ΔMFCC参数作为观测序列。

7.如权利要求6所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，当经过结果处理后认为该观测序列为故障状态下发生时，发出报警声音，进行报警提醒。

8.基于机器学习的电力设备多特征音频指纹故障诊断***，其特征是，包括：

音频信号采集设备、多路光电模数转换装置及计算机；

所述音频信号采集设备提取电力设备正常工作和出现故障时音频数据经过多路光电模数转换装置进行处理后转换成数字信号，并传输至数据服务器；

所述数据服务器被配置为执行以下内容：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

9.如权利要求8所述的基于机器学习的电力设备多特征音频指纹故障诊断***，其特征是，音频信号采集设备为光纤音频传感器，对于每个电力设备，其周边布置多个光纤音频传感器，多个光纤音频传感器将采集的信号传输至多路光电模数转换装置。

10.如权利要求9所述的基于机器学习的电力设备多特征音频指纹故障诊断***，其特征是，多路光电模数转换装置包括光电转换器及高速模数转换器，将模拟信号转换成数字信号。