CN115932659A - 一种基于声纹特征的变压器故障检测方法 - Google Patents

Abstract

一种基于声纹特征的变压器故障检测方法，首先，通过对声纹库中已有的数据进行频谱分析，筛选出负样本较多的三种故障类型：直流偏磁，附件松动，局部放电，实现对这三类故障的识别并与变压器的正常运行状况区分开；其次，对声纹库中的声纹数据进行预处理，包括预加重，提取频谱特征，数据增强等操作得到变压器的声纹特征；然后，搭建残差网络框架，将提取的声纹特征作为神经网络的输入进行训练；再次，将待识别的声纹数据的特征输入模型中，得到变压器故障状态的识别结果；最后设计声纹监测平台，在软硬件上实现本***。本发明提供一种简洁、精度高的变压器故障检测方法。

Description

一种基于声纹特征的变压器故障检测方法

技术领域

本发明涉及变压器异常检测技术领域，具体来说是一种基于声纹特征的变压器故障检测方法。

背景技术

电力变压器作为电力***中最为核心的电力设备之一，其安全稳定运行对于电能的可靠传输及灵活分配有着举足轻重的作用。电力变压器运行时的声音信号包含大量的运行状态信息，基于声纹特征分析的电力变压器故障诊断方法获得了足够的重视。该方法具有状态全面感知、信息高效处理、应用便捷灵活等特征，能够有力提高电力变压器的故障识别水平，降低电力变压器的故障概率，有效防止和减少因变压器故障而导致的重大事故。

随着变压器声纹故障诊断的不断发展，除了改进诊断模型外，故障诊断的准确率也与采集到的声音信号及特征参数有关。在实际采集变压器声音信号时，很难对外界环境进行控制，不可避免的会采集到噪声信号。这些噪声信号掺杂在变压器本体声音信号中，会对变压器声纹故障诊断产生干扰而导致误判。同时，由于变压器异常状态的声纹数据获取难度较大，数据量不足，数据质量低等问题会导致识别模型的泛化能力相对较弱，距离实际应用的要求还有一定差距，迫切地需要改进。

发明内容

为了克服现有变压器声纹故障诊断方法在去噪、数据量有限等方面的不足，本发明提出一种能有效降低噪声干扰、提高识别模型泛化能力的基于声纹特征的变压器故障检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于声纹特征的变压器故障检测方法，所述方法包括以下步骤：

1)通过对声纹样本进行频谱分析，对现有声纹样本中样本的4类状态：“正常运行”，“直流偏磁”，“附件松动”，“局部放电”进行识别，***识别的结果为四类之一或四类中的多类；

2)输入由声学设备采集到的声纹库数据，采样率为22050Hz；使用谱减法对声纹信号进行降噪；

3)对输入的声纹数据进行预处理，得到一个抽象的声纹特征；

4)搭建Resnet-34神经网络框架，主体结构沿用了常规的Resnet-34神经网络，残差块上采用的是IRBlock；使用在中文语音语料数据集上训练好的权重作为本次任务的初始权重；

5)使用步骤4)搭建的神经网络框架在现有声纹库上学习识别模型；

6)将待测声纹数据经过步骤2)，3)，生成对应的特征向量，将其特征向量输入到训练好的模型中，得到一个声纹数据的输出特征，使用基于余弦相似度的匹配方法将其与现有各类异常的特征模板进行匹配，从而判断变压器此时的状态。

进一步，所述步骤3)的过程如下：

3.1)对声纹信号进行预加重，目的是为了对声音的高频部分进行加重，增加声音的高频分辨率，假设输入信号第i个采样点为x[n]，预加重公式如下:

y[n]＝x[n]-αx[n-1]

α的取值范围一般为0.9-1，这里α取了0.97；

3.2)数据拼接，为了更加有效地利用声纹数据，对较短的声纹数据进行拼接延长，并在拼接时随机取反；

3.3)对处理后的声纹信号短时傅里叶变换STFT，窗长取800个采样点，步长为250个采样点，重叠率为68.75％，不断做1024点的傅里叶变换；具体实现是调用了librosa库，得到的结果为一个[513，n]的矩阵，其中n为采样窗的平移次数；

3.4)对短时傅里叶处理完的矩阵求其对数功率谱；

3.5)对上面得到的矩阵进行随机裁剪，以增强模型的泛化能力，由于n与时间相关，对此特征矩阵进行裁剪实质上是在时域上随机取样，这里随机截取257次平移的结果，表示的是一段2.95秒的语音，之后再对裁剪完的矩阵进行归一化处理。

基于单条声纹数据的识别原理，在X86开发板上实现声音的实时识别以及对于识别结果为异常的数据进行保存，并将所识别的设备的名称，设备运行状态，异常发生时间等信息写入数据库文件；

设计声纹监测平台，实时显示变压器声纹识别的结果，包括主界面，实时波形，异常统计，历史数据，设备管理等模块。

本发明的技术构思为：一种基于声纹特征的变压器故障检测***，首先，通过对声纹库中已有的数据进行频谱分析，筛选出负样本较多的三种故障类型：直流偏磁，附件松动，局部放电，实现对这三类故障的识别并与变压器的正常运行状况区分开；其次，对声纹库中的声纹数据进行预处理，包括预加重，提取频谱特征，数据增强等操作得到变压器的声纹特征；然后，搭建残差网络框架，将提取的声纹特征作为神经网络的输入进行训练；再次，将待识别的声纹数据的特征输入模型中，得到变压器故障状态的识别结果；最后设计声纹监测平台，在软硬件上实现本***。本发明提供一种简洁，精度高的变压器故障检测***。

本发明的有益效果表现在：首先，对声纹信号进行了降噪处理，排除了一部分持续的环境噪声的干扰，增强了对变压器本体噪声的识别度；其次，采取了一系列数据增强操作，以此来增强识别模型的鲁棒性；最后，采用X86开发板来搭载变压器声纹检测***，具有体积小，可扩展性强等优点，同时也更符合用户日常使用习惯。

附图说明

图1为一种基于声纹特征的变压器故障检测***的示意图。

图2为Resnet-34网络结构。

具体实施方式

下面结合附图对本发明作进一步描

参照图1和图2，一种基于声纹特征的变压器故障检测方法，所述预测方法包括以下步骤：

1)通过对声纹样本进行频谱分析，对现有声纹样本中样本较多的4类状态：“正常运行”，“直流偏磁”，“附件松动”，“局部放电”进行识别，***识别的结果为四类之一或四类中的多类；

2)输入由声学设备采集到的声纹库数据，采样率为22050Hz，传感器方面，我们选择的是电容式传声器，电容式传声器并没有线圈及磁铁，靠着电容两片隔板间距离的改变来产生电压变化，电容式传感器因灵敏度较高，常用于高质量的录音。该传声器内置一个对声音敏感的电容式驻极体话筒。声波使话筒内的驻极体薄膜振动，导致电容的变化，而产生与之对应变化的微小电压。这一电压随后被转化成0～5V的电压，经过A/D转换被数据采集器接受，并传送给终端；由于对变压器的声纹监测是在室外，结果很容易受到外界环境噪声的影响，因此我们需要使用谱减法对声纹信号进行降噪；

3)对输入的声纹数据进行预处理，得到一个抽象的声纹特征，过程如下：

3.1)对声纹信号进行预加重，目的是为了对声音的高频部分进行加重，增加声音的高频分辨率，假设输入信号第i个采样点为x[n]，预加重公式如下:

y[n]＝x[n]-αx[n-1]

α的取值范围一般为0.9-1，这里α取了0.97；

3.2)数据拼接，为了更加有效地利用声纹数据，我们对较短的声纹数据进行拼接延长，并在拼接时随机取反；

3.3)对处理后的声纹信号短时傅里叶变换STFT，窗长取800个采样点，步长为250个采样点，重叠率为68.75％，不断做1024点的傅里叶变换；具体实现是调用了librosa库，得到的结果为一个[513，n]的矩阵，其中n为采样窗的平移次数；

3.4)对短时傅里叶处理完的矩阵求其对数功率谱；

3.5)对上面得到的矩阵进行随机裁剪，以增强模型的泛化能力，由于n与时间相关，对此特征矩阵进行裁剪实质上是在时域上随机取样，这里我们随机截取257次平移的结果，表示的是一段2.95秒的语音，之后再对裁剪完的矩阵进行归一化处理；

4)搭建Resnet-34神经网络框架，主体结构沿用了常规的Resnet-34神经网络，残差块上采用的是IRBlock；

5)使用步骤4)搭建的神经网络框架在现有声纹库上学习识别模型；

6)将待测声纹数据经过步骤2)，3)，生成对应的特征向量(不进行随机裁剪)，将其特征向量输入到训练好的模型中，得到一个声纹数据的输出特征，使用基于余弦相似度的匹配方法将其与现有各类异常的特征模板进行匹配，从而判断变压器此时的状态.

本实施例中，基于单条声纹数据的识别原理，在X86开发板上实现声音的实时识别以及对于识别结果为异常的数据进行保存，并将所识别的设备的名称，设备运行状态，异常发生时间等信息写入数据库文件；

设计声纹监测平台，实时显示变压器声纹识别的结果，包括主界面，实时波形，异常统计，历史数据，设备管理等模块。根据变电站的级别，对用户设立不同的权限，上级公司可以查看下级公司变压器的运行状况；

将监测设备安装到变电站现场，设计距离判断模块，根据采集到声纹数据的最大振幅，最小振幅，平均振幅，判断此时采集设备的放置位置应是靠近变压器或是远离变压器；

建立云声纹库，将采集设备采集到的声纹数据实时传输到云平台，方便随时查看，并且降低对声纹采集设备存储容量的要求。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，在不偏离本发明基本内容所涉及范围的前提下对其做各种变形和改进，不应排除在本发明的保护范围之外。

Claims (2)

1.一种基于声纹特征的变压器故障检测方法，其特征在于，所述方法包括以下步骤：

1)通过对声纹样本进行频谱分析，对现有声纹样本中样本的4类状态：“正常运行”，“直流偏磁”，“附件松动”，“局部放电”进行识别，***识别的结果为四类之一或四类中的多类；

2)输入由声学设备采集到的声纹库数据，采样率为22050Hz；使用谱减法对声纹信号进行降噪；

3)对输入的声纹数据进行预处理，得到一个抽象的声纹特征；

4)搭建Resnet-34神经网络框架，主体结构沿用了常规的Resnet-34神经网络，残差块上采用的是IRBlock；使用在中文语音语料数据集上训练好的权重作为本次任务的初始权重；

5)使用步骤4)搭建的神经网络框架在现有声纹库上学习识别模型；

6)将待测声纹数据经过步骤2)，3)，生成对应的特征向量，将其特征向量输入到训练好的模型中，得到一个声纹数据的输出特征，使用基于余弦相似度的匹配方法将其与现有各类异常的特征模板进行匹配，从而判断变压器此时的状态。

2.如权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述步骤3)的过程如下：

3.1)对声纹信号进行预加重，目的是为了对声音的高频部分进行加重，增加声音的高频分辨率，假设输入信号第i个采样点为x[n]，预加重公式如下:

y[n]＝x[n]-αx[n-1]

α的取值范围一般为0.9-1，这里α取了0.97；

3.2)数据拼接，为了更加有效地利用声纹数据，对较短的声纹数据进行拼接延长，并在拼接时随机取反；

3.3)对处理后的声纹信号短时傅里叶变换STFT，窗长取800个采样点，步长为250个采样点，重叠率为68.75％，不断做1024点的傅里叶变换；具体实现是调用了librosa库，得到的结果为一个[513，n]的矩阵，其中n为采样窗的平移次数；

3.4)对短时傅里叶处理完的矩阵求其对数功率谱；

3.5)对上面得到的矩阵进行随机裁剪，以增强模型的泛化能力，由于n与时间相关，对此特征矩阵进行裁剪实质上是在时域上随机取样，这里随机截取257次平移的结果，表示的是一段2.95秒的语音，之后再对裁剪完的矩阵进行归一化处理。

Images