变压器故障声纹检测与诊断方法研究-论文阅读笔记

Posted 2022-03-26 wyy_persist

变压器故障声纹检测与诊断方法研究

论文来源

DOI：10.27140/d.cnki.ghbbu.2021.000587

论文目的

针对于变压器机械故障声音和变压器本体噪声容易混淆的问题，提出了一种改进的小波包-BP神经网路算法，比传统的小波包-BP神经网络相比声音的识别率提高了5.7%。为了提高泛化能力，采用梅尔对数频谱-CNN声音识别算法。将两种方法进行相互验证，提高了识别系统的可靠性。

论文使用方法

1. 采用改进小波包-BP神经网络和梅尔对数频谱-CNN声音识别算法相互验证；
2. 对麦克风收集到的声音是变压器本体噪声和故障噪声混合的问题，使用了快速独立分量分析算法将两者进行分离；
3. 利用小波包将声音信号分解为32个频段，计算各个频段声音能量作为声音的特征向量；
4. 使用BP神经网络作为分类器对上述的特征向量进行分类；
5. 为了解决机械故障声音与变压器本体噪声，将声音1500hz以下的频段继续小波包分解为32个频段，重新输入网络模型进行二次识别；
6. 为了提高算法泛化性，采用基于梅尔对数频谱和CNN的声音识别方法；
7. 采用盲源分离算法分离麦克风采集到的混合声音，并从故障声音中提取特征值，构建异常声音库，采用NN算法作为分类器识别声音类型；

超声检测法

1. 主要用于故障定位和故障类型识别两个方面；
2. 高压设备绝缘老化发生局部放电时常会发生超声波，通过分析局部放电的电信号和超声波的行程差或不同位置超声波时间之差可以定位故障发生的位置；

可听声检测法

1. 音频频率范围在20hz-20khz之间。
2. 采用基于梅尔对数频谱-CNN算法作文补充，可以一定程度提高对变电站内出现声音库内没有声音的泛化能力。
3. 为了实现实时预测，论文采用计算量较低和计算时间短的小波包-BP神经网络来实现系统功能；

论文内容

1. 设计了均匀电场放电，电晕放电和沿面闪络放电三种放电类型；
2. 对机械故障，模拟了金属小部件和邮箱内线圈底部摩擦、夹件摩擦及压板摩擦产生的声音；
3. 同时，建立了干扰声音库（包含风声、脚步声、鸟叫声、汽车声、驱鸟叫声、人声）；
4. 本文建立了变压器放电和机械故障的音频数据库和异常声音频谱图；
5. 根据声音频率，声音检测方法可以分为超声波检测法和可听声检测法；
6. 研究了变压器声音类型和产生机理，调研变压器中可能产生的声音。采集不同变电站内变压器声音，模拟变压器中的机械故障，放电故障声音，分析声音产生机理和声音特征；
7. 研究快速独立量分析算法，将麦克风采集到的声音进行分离；
8. 使用声纹识别技术从变电站环境噪声中提取变压器故障声音的特征图谱，研究基于小波包、梅尔对数频谱等信号提取方法；
9. 论文中列出了一些变压器故障原因和故障声音的对比，如下表。

故障声音	故障原因
变压器声音低沉响亮；（咯咯，哇哇）	过负荷运行；线圈电流变大；
呼啸声音	短路故障
噼啪声音	变压器铁芯接地，发生断线故障
哼哼，嗡嗡的声音	过电压故障
叮叮当当的声音	变压器内夹件或螺丝松动，硅钢片试振动幅度变大
吱啦，吱啦的摩擦声	螺丝或小垫片掉入变压器内
放电声	变压器中有绝缘缺陷或接触不良产生
噼啪声	变压器套管内存在污渍，釉质有损伤或裂纹都可能造成电晕闪络

1. 变压器中绕组和铁芯的振动噪声是变压器本体噪声的主要组成部分；
2. 变压器产生的声音和所加电压有关系；
3. 铁芯振动和绕组振动声音的主要频谱分量是100hz；
4. 风扇等冷却系统的噪声频谱一般集中在100Hz以下；
5. 有载调压分接开关发出的声音是1000Hz；
6. 变压器内声音信号传播途径图：

1. 铁芯振动主要是由铁芯磁致伸缩导致的；
2. 由于机械故障声音和变压器本体噪声的频带由很大重叠，单纯去除噪声不可以满足故障识别精度的需要；
3. 变压器故障诊断系统图片：

重点

1. 盲源分离算法是在源信号和信号混合方法都不知道的情况下，从多个麦克风录制的混合信号中提取出未观测到的原始信号的方法；
2. 盲源分离算法的解释：

 

3.使用盲源分离算法需要设置假设：

假设源信号之间相互独立；源信号各成分之间不包含或只包含一个高斯信号；混合信号数量大于等于源信号数量，通常设置观测信号数量等于源信号数量；若存在噪声，那么源信号和噪声信号是相互独立的，且高斯信号就是噪声；

1. 快速独立分量算法是盲源分离算法中应用最广泛的算法，主要由构建目标函数和寻优算法构成；
2. 构建反应各成分之间相互独立程度的目标函数J（w），当某个w^使得目标函数达到极点时，w^就是最优解；
3. 寻找上述w^的过程就是寻优算法需要做的；
4. 论文中选择的目标函数为负熵最大化，采用牛顿拉夫逊寻优算法；

 

使用小波包BP神经网络算法进行声音识别

1. 可以采用小波包频段能量参数构建故障特征向量，通过该方法将声音分解到宽度相等的频率段上；

 

1. 使用小波包计算声音能量特征步骤：小波包分解、小波包重构、能量计算和特征向量的构造；

 

 3. 本文还提出了改进小波包的方法：将声音先对5层波包进行分解，然后通过NN网络进行识别，如果识别结果为能量分布集中在前两个频段，那么将前两个频段的声音继续进行细分，进行9层小波包的分解，将得到的声音特征向量输入神经网络模型，进行二次识别；

 4. BP分类NN参数的确定：

 使用梅尔对数频谱作为特征向量的提取方法，然后输入CNN中

1. 梅尔对数频谱具有足够的频率区间，可以在保留声音的原有频谱特征的情况下降低特征参数的维度；

2. 梅尔对数特征计算原理：

 

论文实验

1. 声音传感器需要采用：在可听声范围内有着良好的频率响应特性；较高的信噪比；较高的灵敏度；

2. 麦克风参数指标：

 3. 论文中建议对仅采用声音检测装置检测变压器内部异常的情况，使用梅尔对数频谱-CNN算法实现；

4. 论文中建议对使用声音检测装置和其他辅助装置一起来检测变压器内部异常的情况，使用小波包-BP神经网络算法实现；

系统实现

 

注意：论文中还提到了将声音检测装置获得故障声音进行特征提取之后，从新输入到CNN网络中，实现对故障诊断模型的在线更新。

个人总结

本文采用更加灵敏的电容麦克风对变压器故障声音进行采集，然后使用盲源分离算法对混合声音进行分离。

在对故障声音进行判断时，论文中首先基于改进的小波包和BP神经网络的机器学习方法对变压器中的几种故障声音进行识别，改进点在于小波包对声音频段的分解时，在分解了5层频段之后首先输入到BP网络中进行识别，然后对集中在1000Hz以下的频段包进行二次分解，然后进行二次分类，提高了故障声音识别的准确性。

同时，为了提高模型的泛化能力，论文又提出了一种基于梅尔对数频谱获得故障声音的特征谱图，然后输入到CNN网络中，进行分类。采用上述两种方法进行相互验证，进一步提高了模型的泛化能力。