CN113252323B - 一种基于人耳听觉特性的断路器机械故障识别方法及*** - Google Patents
一种基于人耳听觉特性的断路器机械故障识别方法及*** Download PDFInfo
- Publication number
- CN113252323B CN113252323B CN202110461473.1A CN202110461473A CN113252323B CN 113252323 B CN113252323 B CN 113252323B CN 202110461473 A CN202110461473 A CN 202110461473A CN 113252323 B CN113252323 B CN 113252323B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- dimension
- sparse representation
- coefficient
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于人耳听觉特性的断路器机械故障识别方法,所述识别方法为:提取断路器合闸过程声音序列组成联合特征向量;对其进行降维优化;利用改进稀疏表示分类算法对特征向量进行识别,完成对断路器机械故障的在线诊断。本发明还提供了一种基于人耳听觉特性的断路器机械故障识别***,包括声音传感器以及控制模块,所述声音传感器用于采集断路器合闸对应的声音序列;所述控制模块用于执行上述的基于人耳听觉特性的断路器机械故障识别方法的步骤流程。本发明具有诊断精度高、抗干扰性强、适用范围广等优点。
Description
技术领域
本发明涉及故障识别技术领域,特别涉及一种基于人耳听觉特性的断路器 机械故障识别方法及***。
背景技术
众所周知,断路器是维持电网安全运行的基本保障,及时检测出断路器的 机械故障对于断路器的维护工作具有十分重要的意义。
在现有技术中,可以通过分析断路器分合闸过程的振动信号来实现对常见 机械故障的在线诊断,但考虑到振动传感器为接触式安装,其安装位置与方式 均会对监测的振动信号数据产生影响。因此,这种通过振动信号对断路器的机 械故障进行检测受人的主观因素影响较大,在工程实践中应用效果并不理想, 尚不能普遍应用。
发明内容
为解决上述问题,本发明旨在提出一种基于人耳听觉特性的断路器机械故 障识别方法及***,通过利用非接触的声音传感器采集断路器合闸的声音序列, 并通过提取合闸的声音序列特征实现断路器的机械故障诊断,具有诊断精度高、 适用性强等优点。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于人耳听觉特性的断路器机械故障识别方法,所述识别方法为:提 取断路器合闸过程声音序列组成联合特征向量;对其进行降维优化;利用改进 稀疏表示分类算法对特征向量进行识别,完成对断路器机械故障的在线诊断。
进一步的,所述识别方法具体包括以下步骤:
S1、采集断路器合闸对应的声音序列;并将断路器一次合闸对应的声音序 列作为一帧信号,对每帧信号进行加窗处理;
S2、对声音序列进行快速傅里叶变换,得到声音序列的频谱序列X(ω);
S3、将频谱序列X(ω)分别输入梅尔滤波器组和伽马滤波器组,以提取声音 序列的梅尔滤波器倒谱系数和伽马滤波器倒谱系数;
S4、基于梅尔滤波器倒谱系数和伽马滤波器倒谱系数构建声音序列的特征 向量;
S5、对特征向量进行信息凸显处理和降维处理,得到处理后的特征向量矩 阵;
S6、采用改进稀疏表示分类算法对特征向量矩阵进行识别,以识别断路器 机械故障。
进一步的,所述步骤S3是指:将频谱序列X(ω)分别输入梅尔滤波器组和 伽马滤波器组,然后对滤波器组的输出进行指数压缩按压,并控制压缩系数取 为0.2。
进一步的,所述步骤S3包括以下步骤:
S31、以梅尔滤波器倒谱系数的提取过程为例,第m个梅尔滤波器组的压 缩过程如下述公式所示:
在上述公式中,Hm(ω)表示第m个滤波器的频率响应;m表示第m个滤波 器;n表示为各声音序列对应帧数信号的傅里叶变换点数;
S32、相应地,对梅尔滤波器组和伽马滤波器组的输出进行指数压缩后, 通过离散余弦变换进行去相关,以提取梅尔滤波器倒谱系数和伽马滤波器倒谱 系数;其中,离散余弦变换可以如下述公式所示:
在上述公式中,d(j)表示为第j维的倒谱系数;P表示为滤波器的个数;m 表示第m个滤波器;n表示为各声音序列对应帧数信号的傅里叶变换点数。
进一步的,所述步骤S4具体为:倒谱系数在30维往后的系数基本为零, 因此,分别取梅尔滤波器倒谱系数和伽马滤波器倒谱系数的前31维数据作为 断路器合闸声音序列的特征向量,该联合特征向量T表示为:
T={(M1、M2、M3…M31)、(G1、G2、G3…G31));
其中,M1、M2......M31均为梅尔滤波器倒谱系数;G1、G2......G31均为伽 马滤波器倒谱系数;M1和G1分别表示梅尔滤波器倒谱系数和伽马滤波器倒谱 系数在1维的系数,以此类推,M31和G31分别表示梅尔滤波器倒谱系数和伽 马滤波器倒谱系数在31维的系数。
进一步的,所述步骤S5是指:分别运用线性判别分析和核主成分分析对 联合特征向量T进行信息凸显和降维;其中,采用线性判别分析方法对联合特 征向量T进行信息凸显处理,得到信息凸显后特征向量;采用核主成分分析方法对信息凸显后的特征向量进行降维处理。
进一步的,所述步骤S5包括以下步骤:
S51、假设共有C类机械状态断路器合闸声音序列,则联合特征向量T第 j维数据对应的LDA值Lj可以如下述公式所示:
在上述公式中,Lj分式的分子部分为第j维数据的类内散度;Ti j为第i类 合闸状态特征向量中第j维数据,为其遍历;Lj分式的分母部分为第j维数 据类间散度;ni为第i类机械状态合闸信号的帧数;/>为第i类合闸状态特征 向量中第j维数据平均值;mj为所有特征向量第j维数据平均值;
S52、基于上述公式可以运算得到特征向量T中每个维度对应的LDA值Lj, 将其与特征向量T中每个维度数据相乘进行加权,即可得出信息凸显后的特征 向量;
S53、相应地,为了对信息凸显后的特征向量进行降维,运用核函数将其 映射到更高维的最佳鉴别空间,然后运用主成分分析算法对高维的映射数据进 行降维处理;
核函数选用高斯核函数,对两特征向量Ti,Tj,其核函数表达式可以如下述 公式所示:
在上述公式中,e表示自然对数;σ表示为方差;Ti表示第i类特征向量; Tj表示第j类特征向量;K(Ti,Tj)为核矩阵K第i行、j列值,对映射后的核矩阵 求取其特征值,特征值即为核矩阵在对应特征向量方向上的方差σ,方差σ越大 表示核矩阵在该特征向量方向上越离散,所含信息量越多;
S54、将核矩阵特征值按从大到小排列,选取占总特征值总和85%的前I 大特征值对应特征向量按行排列组成降维矩阵G,降维后的样本空间维度减少 为I维,则新的特征向量矩阵Tnew如下述公式所示:
Tnew=T*G。
进一步的,所还步骤S6包括以下步骤:
S61、稀疏表示即获取向量T=[t1,t2,…,ti]T在某一组基向量D=[d1,d2,…,dj]上的稀疏表达a=[a1,a2,…,aj]T,其数学表达如下述公式所示:
T=Da;
在上述公式中,D称为字典,其每一个列向量称为原子,每个原子向量维 度与向量T相等;表示系数a中元素具有稀疏性,即大部分值为零,仅有小部分为非零值;
S62、将所有断路器合闸声音序列特征向量对应字典组合成联合字典同时 学习,并将线性判别分析中的散度概念引入到字典学习目标函数中以提升分类 效果;
联合字典D为所有子字典的集合,其表示为D=[D1,…,Di,…,Dc];其中,子 字典Di对应第i类特征向量,其与第i类特征向量相关程度最大,而与其他类 别特征向量几乎不相关;相应地,第i类特征向量训练样本集合Ti在字典D上的稀疏表达为 表示为子字典Dj对应的稀疏表示系数, Ti可近似表示为下述公式所示:
DAi应能很好地表示Ti,即应尽可能小,在此基础上希望Di与Ti相关程度最大,即/>应尽可能小,其他子字典Dj,j≠i对该类特征向量的表 示能力较弱,即应尽可能接近0,则可以得到下述公式所示的残差目标 函数:
在上述公式中,F表示Frobenius范数;c表示机械状态种类数目;
联合字典D对特征向量的区分再通过稀疏表示系数的相似性来反映:同类 别的断路器机械状态合闸声音序列特征向量的稀疏表示系数越相似;不同类别 对应的特征向量的稀疏表示系数差距越大,说明联合字典D的识别能力越强;
引入线性判别分析中散度概念对断路器合闸声音特征向量稀疏表示系数的 相似程度Sw(A)、Sb(A)进行量化表示,具体表达如下:
在上述公式中,Sw(A)表示A的类内散度;Sb(A)表示A的类间散度;T表 示矩阵的转置;c表示机械状态种类数目;(.)T表示矩阵的转置;mi和m分 别为第i类特征向量稀疏表示系数的平均值和所有类别特征向量稀疏表示系数 的平均值;Ai为第i类特征向量稀疏表示系数矩阵,ak为其遍历,ni为第i类 特征向量训练样本个数,选取所有机械状态训练样本数目相等;
假定g(A)=tr(Sw(A))-tr(Sb(A))为特征向量稀疏表示系数相似程度的量化 函数,则其值越小表明同类机械状态合闸声音序列特征向量越相似,不同机械 状态合闸声音序列特征向量差距越大;
由此可见,基于下述优化后的稀疏表示学习对应目标函数J(D,A)确定联合字 典D和稀疏表示系数A:
在上述公式中,联合字典D为所有子字典的集合,其表示为 D=[D1,…,Di,…,Dc],子字典Di对应第i类特征向量集合;A为Ai的集合,Ai为作 为训练样本的第i类特征向量集合Ti在联合字典D上的稀疏表达,g(A)为特征 向量稀疏表示系数相似程度的量化函数,λ1和λ2为惩罚系数,||A||1表示A的范 数,c表示特征向量集合的类别数量;r表示残差函数;
基于上述公式确定的联合字典D和稀疏表示系数A可以识别的声音序列对 应的特征向量进行稀疏重构,以得到断路器机械故障的识别分类结果;
为了实现上述目的,本发明还提供了一种基于人耳听觉特性的断路器机械 故障识别***,包括声音传感器以及控制模块,所述声音传感器用于采集断路 器合闸对应的声音序列;所述控制模块用于执行上述的基于人耳听觉特性的断 路器机械故障识别方法的步骤流程。
有益效果:本发明通过采集断路器合闸的声音序列,并提取合闸的声音序 列特征来实现断路器的机械故障诊断,其诊断精度高、适用性广泛,具有良好 的推广前景和应用价值。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示 意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图 中:
图1为本发明实施例所述的基于人耳听觉特性的断路器机械故障识别方法 的流程图;
图2为本发明实施例所述的基于人耳听觉特性的断路器机械故障识别方法 的算法逻辑流程图;
图3为本发明实施例所述的基于人耳听觉特性的断路器机械故障识别*** 的声音传感器采集到各类声音序列的一帧波形图;
图4为本发明实施例中降维后的特征向量前三维数据可视图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征 可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明的设计思路:在发明所述的断路器机械故障识别方法中,对断路器 合闸对应的声音序列提取合适的特征向量是诊断算法能够成功识别分类的关 键,本发明分别利用梅尔滤波器组和伽马滤波器组模拟人耳对声音序列的处理 过程,提取断路器合闸过程声音序列的梅尔滤波器倒谱系数与伽马滤波器倒谱 系数组成联合特征向量,并对其进行降维优化,利用改进稀疏表示分类算法对特征向量进行识别,完成对断路器机械故障的在线诊断。
由于人耳对声音的感知是非线性的,因此该特性可以由梅尔滤波器组进行 等效,梅尔滤波器带宽在梅尔标度下相等,则声音频率f与其梅尔频率Mel(f) 的转换关系可以如下公式(1)所示:
相应地,第m个滤波器的频率响应Hm(k)可以如下述公式(2)所示:
在上述公式(2)中,k表示为频率,f(m)表示为第m个滤波器中心频率。
此外,还需要说明的是,人耳耳蜗基底膜对声音序列具有分频特性,在本 发明中利用伽马滤波器组便可以通过模仿耳蜗此特性实现听觉滤波。其中,第i个滤波器阶跃响应函数gi(t)可以如下述公式(3)所示:
相应地,衰减因子ci与第i个滤波器中心频率fi存在以下关系式:
实施例1
如图1所示,基于以上设计思路,本实施例公开了一种基于人耳听觉特性 的断路器机械故障识别方法,所述识别方法为:提取断路器合闸过程声音序列 组成联合特征向量;对其进行降维优化;利用改进稀疏表示分类算法对特征向 量进行识别,完成对断路器机械故障的在线诊断。
在一具体的实例中,所述识别方法包括以下步骤:
S1、采集断路器合闸对应的声音序列;并可以将断路器一次合闸对应的声 音序列作为一帧信号,对每帧信号进行加窗处理。
S2、对声音序列进行快速傅里叶变换,得声音序列的频谱序列X(ω)。
S3、将频谱序列X(ω)分别输入梅尔滤波器组和伽马滤波器组,以提取声音 序列的梅尔滤波器倒谱系数和伽马滤波器倒谱系数。
需要说明的是,在上述步骤S3中,可以将频谱序列X(ω)分别输入梅尔滤 波器组和伽马滤波器组,然后对滤波器组的输出进行指数压缩按压,并控制压 缩系数取为0.2,以梅尔滤波器倒谱系数的提取过程为例,第m个梅尔滤波器 组的压缩过程可以如下述公式(5)所示:
在上述公式中,Hm()表示第m个滤波器的频率响应;m表示第m个滤 波器;n表示为各声音序列对应帧数信号的傅里叶变换点数。
相应地,对梅尔滤波器组和伽马滤波器组的输出进行指数压缩后,可以通 过离散余弦变换进行去相关,以提取梅尔滤波器倒谱系数和伽马滤波器倒谱系 数。其中,离散余弦变换可以如下述公式(6)所示:
在上述公式(6)中,d(j)表示为第j维的倒谱系数;P表示为滤波器的个 数;m表示第m个滤波器;n表示为各声音序列对应帧数信号的傅里叶变换点数。
S4、基于梅尔滤波器倒谱系数和伽马滤波器倒谱系数构建声音序列的特征 向量。
然而需要注意的是,倒谱系数在30维往后的系数基本为零,在某些实施 方式中,本实施例可以分别取梅尔滤波器倒谱系数和伽马滤波器倒谱系数的前 31维数据作为断路器合闸声音序列的特征向量,该联合特征向量T可以表示 为:
T={(M1、M2、M3…M31)、(G1、G2、G3…G31)} (7)
其中,M1、M2......M31均为梅尔滤波器倒谱系数;G1、G2......G31均为伽 马滤波器倒谱系数。M1和G1分别表示梅尔滤波器倒谱系数和伽马滤波器倒谱 系数在1维的系数,以此类推,M31和G31分别表示梅尔滤波器倒谱系数和伽 马滤波器倒谱系数在31维的系数。
S5、对特征向量进行信息凸显处理和降维处理,得到处理后的特征向量矩阵。
在本实施例中,梅尔滤波器倒谱系数和伽马滤波器倒谱系数各个维度数据 对识别效果的贡献程度存在一定的差异,考虑到联合特征向量的数据维度较高, 这将造成后续的模式识别算法运算量过大的问题。
因此,在上述步骤S5中,本实施例可以分别运用线性判别分析(LinearDiscriminant Analysis,LDA)和核主成分分析(Kernel Principal Component Analysis,KPCA)对联合特征向量T进行信息凸显和降维。其中,采用线性判 别分析方法可以对联合特征向量T进行信息凸显处理,得到信息凸显后特征向 量;采用核主成分分析方法可以对信息凸显后的特征向量进行降维处理。
假设共有C类机械状态断路器合闸声音序列,则联合特征向量T第j维数 据对应的LDA值Lj可以如下述公式(8)所示:
在上述公式(8)中,Lj分式的分子部分为第j维数据的类内散度;Ti j为第 i类合闸状态特征向量中第j维数据,为其遍历;Lj分式的分母部分为第j维 数据类间散度;ni为第i类机械状态合闸信号的帧数;/>为第i类合闸状态特 征向量中第j维数据平均值;mj为所有特征向量第j维数据平均值。
基于上述公式(8)可以运算得到特征向量T中每个维度对应的LDA值Lj, 将其与特征向量T中每个维度数据相乘进行加权,即可得出信息凸显后的特征 向量。
相应地,为了对信息凸显后的特征向量进行降维,本实施例可以首先运用 核函数将其映射到更高维的最佳鉴别空间,然后运用主成分分析(SRC)算法 对高维的映射数据进行降维处理。
在本实施例的某些实施方式中,核函数可以选用高斯核函数,对两特征向 量Ti,Tj,其核函数表达式可以如下述公式(9)所示:
在上述公式(9)中,e表示自然对数;σ表示为方差;Ti表示第i类特征 向量;Tj表示第j类特征向量;K(Ti,Tj)为核矩阵K第i行、j列值,对映射后的 核矩阵求取其特征值,特征值即为核矩阵在对应特征向量方向上的方差σ,方 差σ越大表示核矩阵在该特征向量方向上越离散,所含信息量越多。
将核矩阵特征值从大到小排列,选取占总特征值总和85%的前/大特征值 对应特征向量按行排列组成降维矩阵G,降维后的样本空间维度减少为/维, 则新的特征向量矩阵Tnew可以如下述公式(10)所示:
Tnew=T*G (10)
步骤(6):采用改进稀疏表示分类算法对特征向量矩阵进行识别,以识别 断路器机械故障。
需要说明的是,为了公式的简洁表达,本文将经过降维处理的新的特征向 量矩阵Tnew作为新的T,以应用于后文的内容中,因此后续公式中的T实际上 为上述公式(10)中的Tnew。本领域内技术人员知晓后文中的″T″实际为降 维处理后的″Tnew〞,而非原始的″T″。
如上述步骤(6)所示,在本实施方式中,稀疏表示即获取向量T=[t1,t2,…,ti]T在某一组基向量D=[d1,d2,…,dj]上的稀疏表达a=[a1,a2,…,aj]T,其数学表达可以 如下述公式(11)所示:
T=Da (11)
在上述公式(11)中,D可以称为字典,其每一个列向量称为原子,每个 原子向量维度与向量T相等;表示系数a中元素具有稀疏性,即大部分值为零, 仅有小部分为非零值。
稀疏表示分类(SRC)算法对每类信号特征向量学习出对应字典,比较测 试样本特征向量在各个字典上的重构误差实现信号类别的分类,本实施例将所 有断路器合闸声音序列特征向量对应字典组合成联合字典同时学习,并将线性 判别分析(LDA)中的散度概念引入到字典学习目标函数中以提升分类效果。
需要说明的是,联合字典D为所有子字典的集合,其可以表示为 D=[D1,…,Di,…,Dc];其中,子字典Di对应第i类特征向量,其与第i类特征向 量相关程度最大,而与其他类别特征向量几乎不相关。相应地,第i类特征向 量训练样本集合Ti在字典D上的稀疏表达为 表示为 子字典Dj对应的稀疏表示系数,Ti可近似表示为下述公式(12)所示:
DAi应能很好地表示Ti,即应尽可能小,在此基础上希望Di与Ti相关程度最大,即/>应尽可能小,其他子字典Dj,j≠i对该类特征向量的表 示能力较弱,即应尽可能接近0,则可以得到下述公式(13)所示的 残差目标函数:
在上述公式(13)中,F表示Frobenius范数;c表示机械状态种类数目。
需要说明的是,在本实施例中,联合字典D对特征向量的区分还可以通过 稀疏表示系数的相似性来反映:同类别的断路器机械状态合闸声音序列特征向 量的稀疏表示系数越相似;不同类别对应的特征向量的稀疏表示系数差距越大, 说明联合字典D的识别能力越强。
因此,本实施例可以引入线性判别分析(LDA)中散度概念对断路器合闸声 音特征向量稀疏表示系数的相似程度Sw(A))、Sb(A)进行量化表示,具体表达如 下:
在上述公式(14)中,Sw(A)表示A的类内散度;Sb(A)表示A的类间散度; T表示矩阵的转置;c表示机械状态种类数目;(.)T表示矩阵的转置;mi和m 分别为第i类特征向量稀疏表示系数的平均值和所有类别特征向量稀疏表示系 数的平均值。Ai为第i类特征向量稀疏表示系数矩阵,ak为其遍历,ni为第i 类特征向量训练样本个数,本实施例中取所有机械状态训练样本数目相等。
假定g(A)=tr(Sw(A))-tr(Sb(A))为特征向量稀疏表示系数相似程度的量化 函数,则其值越小表明同类机械状态合闸声音序列特征向量越相似,不同机械 状态合闸声音序列特征向量差距越大。
由此可见,在本实施例所述方法的步骤(6)中,可以基于下述优化后的稀 疏表示学习对应目标函数J(D,A)确定联合字典D和稀疏表示系数A:
在上述公式16中,式中,联合字典D为所有子字典的集合,其表示为 D=[D1,…,Di,…,Dc],子字典Di对应第i类特征向量集合;A为Ai的集合,Ai为作 为训练样本的第i类特征向量集合Ti在联合字典D上的稀疏表达,g(A)为特 征向量稀疏表示系数相似程度的量化函数,λ1和λ2为惩罚系数,||A||1表示A的 范数,c表示特征向量集合的类别数量;r表示残差函数。
基于上述公式(16)确定的联合字典D和稀疏表示系数A可以识别的声 音序列对应的特征向量进行稀疏重构,以得到断路器机械故障的识别分类结果。 对于待识别样本y,首先利用联合字典D求出其稀疏表示系数求取公式如下公式(17)所示:
相应地,进一步参阅图2所示的步骤流程示意图可以看出,在本实施例中, 本实施例所述的断路器机械故障识别方法可以利用迭代法逐步逼近公式(16) 的最优解,返回更新完毕的联合变量(D,A),即完成改进稀疏表示分类(SRC)算法的训练过程。
在本实施例中,对于测试样本y,可以首先求出其在联合字典上的稀疏表 示系数然后利用各子字典的重构误差与/>和训练集第i类合闸声音序列特征 向量稀疏表示系数平均值mi的欧式距离之和,即可完成y的分类识别过程。
实施例2
为了实现上述目的,本实施例还提供了一种基于人耳听觉特性的断路器机 械故障识别***,包括声音传感器以及控制模块,所述声音传感器用于采集断 路器合闸对应的声音序列;所述控制模块用于执行上述的基于人耳听觉特性的 断路器机械故障识别方法的步骤流程。
本实施例的基于人耳听觉特性的断路器机械故障识别***与上述基于人耳 听觉特性的断路器机械故障识别方法相对于现有技术所具有的优势相同,在此 不再赘述。
为了更好地说明上述实施例所述基于人耳听觉特性的断路器机械故障识别 方法及***的应用情况本实施例通过现场采用某公司生产的110KV气体绝缘 组合开关设备的断路器进行实验,以进行进一步说明。
在本实验中,声音传感器可以采集到断路器正常、传动导杆卡涩、铁芯间 隙过大拒动状态下的合闸声音。同时为了验证改进稀疏表示分类算法的分类能 力,声音传感器还可以采集局部放电枪放电声音序列与变压器风机声音序列和 断路器不同状态下的合闸声音序列共同识别。声音传感器采集到各类声音序列中的一帧波形如图3所示。
在本实验中,声音传感器所采集的断路器合闸对应的声音序列能够被断路 器机械故障识别***中的控制模块进行处理,以识别断路器机械故障。
图4示意性地显示了降维后特征向量前三维数据可视图。
如图4所示,在本实施方式中,采用了改进稀疏表示分类算法(SRC)的 策略,以调高其分类能力。在本实施例中,采用本实施例所述的断路器机械故 障识别***及方法进行判断和识别时,在经过线性判别分析(LDA)优化与核主 成分分析方法(KPCA)降维后,各类别声音序列的前三维数据在三维空间中 具备良好的可分性,可为后续模式识别算法的运用提供良好的数据基础。
在本实施例中,为了验证本实施例的改进稀疏表示分类(SRC)算法的分 类能力,将其与采用普通稀疏表示分类(SRC)算法、支持向量机(SVM)的 分类效果进行比较,各算法识别结果如下表所示。
下表列出了采用本实施例的改进SRC算法与普通SRC算法和SVM算法的 分类识别结果。
从表中的数据可以看出来,普通稀疏表示分类(SRC)算法相较于SVM具 备更好的识别性能,但由于其没有将声音序列的差异性考虑到改进的目标学习函数,其分类准确率低于本实施例所采用的改进SRC算法。
本实施例中所采用的改进SRC算法具备较好的分类性能,且由于各类声音 序列特征向量在特征空间线性可分性较好,对各类别声音的识别率均在90%以 上,能够完成对断路器机械故障的准确识别。
综上所述可以看出,本实施例所述的基于人耳听觉特性的断路器机械故障 识别***及方法的诊断精度高,其可以通过采集断路器合闸的声音序列,并提 取合闸的声音序列特征来实现断路器的机械故障诊断,其适用性十分广泛,具 有良好的推广前景和应用价值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计 算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限 制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人 员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未 脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利 要求保护范围之内。。
Claims (9)
1.一种基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述识别方法为:提取断路器合闸过程声音序列组成联合特征向量;对其进行降维优化;利用改进稀疏表示分类算法对特征向量进行识别,完成对断路器机械故障的在线诊断,所述识别方法具体包括以下步骤:
S1、采集断路器合闸对应的声音序列;并将断路器一次合闸对应的声音序列作为一帧信号,对每帧信号进行加窗处理;
S2、对声音序列进行快速傅里叶变换,得到声音序列的频谱序列X(ω);
S3、将频谱序列X(ω)分别输入梅尔滤波器组和伽马滤波器组,以提取声音序列的梅尔滤波器倒谱系数和伽马滤波器倒谱系数;
S4、基于梅尔滤波器倒谱系数和伽马滤波器倒谱系数构建声音序列的特征向量;
S5、对特征向量进行信息凸显处理和降维处理,得到处理后的特征向量矩阵;
S6、采用改进稀疏表示分类算法对特征向量矩阵进行识别,以识别断路器机械故障。
2.根据权利要求1所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S3是指:将频谱序列X(ω)分别输入梅尔滤波器组和伽马滤波器组,然后对滤波器组的输出进行指数压缩按压,并控制压缩系数取为0.2。
3.根据权利要求2所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S3包括以下步骤:
S31、对梅尔滤波器倒谱系数进行提取,第m个梅尔滤波器组的压缩过程如下述公式所示:
在上述公式中,Hm(ω)表示第m个滤波器的频率响应;m表示第m个滤波器;n表示为各声音序列对应帧数信号的傅里叶变换点数;
S32、相应地,对梅尔滤波器组和伽马滤波器组的输出进行指数压缩后,通过离散余弦变换进行去相关,以提取梅尔滤波器倒谱系数和伽马滤波器倒谱系数;其中,离散余弦变换如下述公式所示:
在上述公式中,d(j)表示为第j维的倒谱系数;P表示为滤波器的个数;m表示第m个滤波器;n表示为各声音序列对应帧数信号的傅里叶变换点数。
4.根据权利要求1所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S4具体为:分别取梅尔滤波器倒谱系数和伽马滤波器倒谱系数的前31维数据作为断路器合闸声音序列的特征向量,该联合特征向量T表示为:
T={(M1、M2、M3…M31)、(G1、G2、G3…G31)};
其中,M1、M2……M31均为梅尔滤波器倒谱系数;G1、G2……G31均为伽马滤波器倒谱系数;M1和G1分别表示梅尔滤波器倒谱系数和伽马滤波器倒谱系数在1维的系数,以此类推,M31和G31分别表示梅尔滤波器倒谱系数和伽马滤波器倒谱系数在31维的系数。
5.根据权利要求1所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S5是指:分别运用线性判别分析和核主成分分析对联合特征向量T进行信息凸显和降维;其中,采用线性判别分析方法对联合特征向量T进行信息凸显处理,得到信息凸显后特征向量;采用核主成分分析方法对信息凸显后的特征向量进行降维处理。
6.根据权利要求5所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S5包括以下步骤:
S51、设定共有C类机械状态断路器合闸声音序列,则联合特征向量T第j维数据对应的LDA值Lj如下述公式所示:
在上述公式中,Lj分式的分子部分为第j维数据的类内散度;Ti j为第i类合闸状态特征向量中第j维数据,为其遍历;Lj分式的分母部分为第j维数据类间散度;ni为第i类机械状态合闸信号的帧数;/>为第i类合闸状态特征向量中第j维数据平均值;mj为所有特征向量第j维数据平均值;
S52、基于上述公式运算得到特征向量T中每个维度对应的LDA值Lj,将其与特征向量T中每个维度数据相乘进行加权,即可得出信息凸显后的特征向量;
S53、相应地,为了对信息凸显后的特征向量进行降维,运用核函数将其映射到更高维的最佳鉴别空间,然后运用主成分分析算法对高维的映射数据进行降维处理;
核函数选用高斯核函数,对两特征向量Ti,Tj,其核函数表达式可以如下述公式所示:
在上述公式中,e表示自然对数;σ表示为方差;Ti表示第i类特征向量;Tj表示第j类特征向量;K(Ti,Tj)为核矩阵K第i行、j列值,对映射后的核矩阵求取其特征值,特征值即为核矩阵在对应特征向量方向上的方差σ,方差σ越大表示核矩阵在该特征向量方向上越离散,所含信息量越多;
S54、将核矩阵特征值按从大到小排列,选取占总特征值总和85%的前I大特征值对应特征向量按行排列组成降维矩阵G,降维后的样本空间维度减少为I维,则新的特征向量矩阵Tnew如下述公式所示:
Tnew=T*G。
7.根据权利要求6所述的基于人耳听觉特性的断路器机械故障识别方法,其特征在于,所述步骤S6包括以下步骤:
S61、获取向量T=[t1,t2,…,ti]T在某一组基向量D=[d1,d2,…,dj]上的稀疏表达为a=[a1,a2,…,aj]T,其数学表达如下述公式所示:
T=Da;
在上述公式中,D称为字典,其每一个列向量称为原子,每个原子向量维度与向量T相等;表示系数a中元素具有稀疏性,即大部分值为零,仅有小部分为非零值;
S62、将所有断路器合闸声音序列特征向量对应字典组合成联合字典同时学习,并将线性判别分析中的散度概念引入到字典学习目标函数中以提升分类效果;
联合字典D为所有子字典的集合,其表示为D=[D1,…,Di,…,Dc];其中,子字典Di对应第i类特征向量,其与第i类特征向量相关程度最大,而与其他类别特征向量几乎不相关;相应地,第i类特征向量训练样本集合Ti在字典D上的稀疏表达为 表示为子字典Dj对应的稀疏表示系数,Ti可近似表示为下述公式所示:
DAi应能很好地表示Ti,即应尽可能小,在此基础上希望Di与Ti相关程度最大,即/>应尽可能小,其他子字典Dj,j≠i对该类特征向量的表示能力较弱,即/>应尽可能接近0,则可以得到下述公式所示的残差目标函数:
在上述公式中,F表示Frobenius范数;c表示机械状态种类数目;
联合字典D对特征向量的区分再通过稀疏表示系数的相似性来反映:同类别的断路器机械状态合闸声音序列特征向量的稀疏表示系数越相似;不同类别对应的特征向量的稀疏表示系数差距越大,说明联合字典D的识别能力越强;
引入线性判别分析中散度概念对断路器合闸声音特征向量稀疏表示系数的相似程度Sw(A)、Sb(A)进行量化表示,具体表达如下:
在上述公式中,Sw(A)表示A的类内散度;Sb(A)表示A的类间散度;T表示矩阵的转置;c表示机械状态种类数目;表示矩阵的转置;mi和m分别为第i类特征向量稀疏表示系数的平均值和所有类别特征向量稀疏表示系数的平均值;Ai为第i类特征向量稀疏表示系数矩阵,ak为其遍历,ni为第i类特征向量训练样本个数,选取所有机械状态训练样本数目相等;
假定g(A)=tr(Sw(A))-tr(Sb(A))为特征向量稀疏表示系数相似程度的量化函数,则其值越小表明同类机械状态合闸声音序列特征向量越相似,不同机械状态合闸声音序列特征向量差距越大;
由此可见,基于下述优化后的稀疏表示学习对应目标函数J(D,A)确定联合字典D和稀疏表示系数A:
在上述公式中,联合字典D为所有子字典的集合,其表示为D=[D1,…,Di,…,Dc],子字典Di对应第i类特征向量集合;A为Ai的集合,Ai为作为训练样本的第i类特征向量集合Ti在联合字典D上的稀疏表达,g(A)为特征向量稀疏表示系数相似程度的量化函数,λ1和λ2为惩罚系数,||A||1表示A的范数,c表示特征向量集合的类别数量;r表示残差函数;
基于上述公式确定的联合字典D和稀疏表示系数A可以识别的声音序列对应的特征向量进行稀疏重构,以得到断路器机械故障的识别分类结果。
9.一种基于人耳听觉特性的断路器机械故障识别***,其特征在于,包括声音传感器以及控制模块,所述声音传感器用于采集断路器合闸对应的声音序列;所述控制模块用于执行如权利要求1-8任一项所述的基于人耳听觉特性的断路器机械故障识别方法的步骤流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461473.1A CN113252323B (zh) | 2021-04-27 | 2021-04-27 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461473.1A CN113252323B (zh) | 2021-04-27 | 2021-04-27 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113252323A CN113252323A (zh) | 2021-08-13 |
CN113252323B true CN113252323B (zh) | 2023-06-16 |
Family
ID=77221881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461473.1A Active CN113252323B (zh) | 2021-04-27 | 2021-04-27 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252323B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137410A (zh) * | 2021-12-07 | 2022-03-04 | 国网湖南省电力有限公司检修公司 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
CN115424635B (zh) * | 2022-11-03 | 2023-02-10 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200233397A1 (en) * | 2019-01-23 | 2020-07-23 | New York University | System, method and computer-accessible medium for machine condition monitoring |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN111879397B (zh) * | 2020-09-01 | 2022-05-13 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112557004B (zh) * | 2020-11-23 | 2022-06-14 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械故障检测方法 |
-
2021
- 2021-04-27 CN CN202110461473.1A patent/CN113252323B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于改进梅尔倒谱系数的GIS机械故障诊断方法;徐明月;李喆;孙汉文;盛戈皞;江秀臣;;高压电器(09);第128-134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113252323A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108281146B (zh) | 一种短语音说话人识别方法和装置 | |
Tian et al. | Spoofing detection from a feature representation perspective | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN113252323B (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及*** | |
CN110047504B (zh) | 身份矢量x-vector线性变换下的说话人识别方法 | |
Yu et al. | Adversarial network bottleneck features for noise robust speaker verification | |
CN113223536B (zh) | 声纹识别方法、装置及终端设备 | |
CN111081223B (zh) | 一种语音识别方法、装置、设备和存储介质 | |
CN102982351A (zh) | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 | |
CN111508504B (zh) | 基于听觉中枢感知机理的说话人识别方法 | |
Sun et al. | Ai-synthesized voice detection using neural vocoder artifacts | |
Rahman et al. | Dynamic time warping assisted svm classifier for bangla speech recognition | |
Monteiro et al. | On the performance of time-pooling strategies for end-to-end spoken language identification | |
Sarkar et al. | Multilingual speaker recognition on Indian languages | |
Liu et al. | Learnable nonlinear compression for robust speaker verification | |
CN112329819A (zh) | 基于多网络融合的水下目标识别方法 | |
Xiao et al. | Improved source counting and separation for monaural mixture | |
Sailor et al. | Unsupervised Representation Learning Using Convolutional Restricted Boltzmann Machine for Spoof Speech Detection. | |
Reshma et al. | A survey on speech emotion recognition | |
Hanifa et al. | Comparative analysis on different cepstral features for speaker identification recognition | |
Hu et al. | Initial investigation of speech synthesis based on complex-valued neural networks | |
Abbasian et al. | Optimized linear discriminant analysis for extracting robust speech features | |
Eltanashi et al. | Proposed speaker recognition model using optimized feed forward neural network and hybrid time-mel speech feature | |
Bhaskar et al. | Analysis of language identification performance based on gender and hierarchial grouping approaches | |
CN110010137B (zh) | 一种基于张量结构及稀疏表示的说话人确认方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |