機械故障是GIS常見的故障,若不及時發(fā)現(xiàn)會造成分合閘失誤等重大安全隱患。文中提出了一種用于GIS機械故障在線監(jiān)測的基于改進梅爾倒譜系數(shù)診斷方法。首先對預處理后的聲音信號提取MFCC;為適應GIS運行聲音能量變化平緩的特點,對MFCC進行優(yōu)化得到改進特征;引入SVM構(gòu)建基于聲學的GIS機械故障診斷模型,并采用袋裝算法對SVM模型進行集成。本研究通過在真型GIS上模擬機械故障,獲取真實的故障聲音信號進行訓練和測試。實驗結(jié)果表明,改進MFCC相較于傳統(tǒng)MFCC在GIS故障聲音識別系統(tǒng)中有著更高的識別精度。并且對比傳統(tǒng)MFCC特征,改進的特征在噪聲條件下也有更好的表現(xiàn),尤其在信噪比低時,F1分數(shù)提升幅度可以達到30%左右。 

【文章來源】：高壓電器. 2020,56(09)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

說話人識別流程圖

聲音信號預處理過程包括預加重、分幀加窗、靜音檢測等計算步驟，見圖2。預加重指的是將聲音信號的高頻部分加重，用來增強聲音的高頻分辨率[11]。一般的方法是讓聲音信號x(n)通過一個高通濾波器

特征提取的目的是從聲音信號中提取出對聲音識別有用的信息，形成該信號的聲學特征向量。傳統(tǒng)的信號分析方法主要集中在時域和頻域，易受環(huán)境噪音的干擾。人的耳朵能夠在嘈雜的環(huán)境噪音中聽到語音信號，這是因為人耳的基礎膜會對外來信號產(chǎn)生調(diào)節(jié)作用，不同頻率的信號會引起基礎膜上不同位置的振動。梅爾倒譜系數(shù)(mel-frequency cepstral coefficients,MFCC)就是利用一系列不同權(quán)重的帶通濾波器組來模仿人耳基礎膜的調(diào)節(jié)作用[13]，對頻譜進行非線性化處理，降低干擾頻段的比重，由此減少噪音的影響[14]。MFCC計算過程見圖3。具體步驟如下：

【參考文獻】：
期刊論文
[1]基于Mel時頻譜-卷積神經(jīng)網(wǎng)絡的變壓器鐵芯聲紋模式識別方法[J]. 張重遠,羅世豪,岳浩天,王博聞,劉云鵬.  高電壓技術(shù). 2020(02)
[2]GIS設備運行狀態(tài)下振動機理及檢測診斷技術(shù)研究[J]. 丁登偉,何良,龍偉,程江榮,張紫薇,袁明虎,周瑜,張晨.  高壓電器. 2019(11)
[3]運行條件下GIS局部放電嚴重程度評估方法[J]. 宋輝,代杰杰,李喆,羅林根,盛戈皞,江秀臣.  中國電機工程學報. 2019(04)
[4]基于改進HHT算法的GIS機械振動信號時頻分析[J]. 鄭浩,朱勝龍,歐陽昱,李檀.  電氣自動化. 2018(01)
[5]基于振動原理的GIS母線觸頭松動缺陷診斷技術(shù)研究[J]. 黃清,魏旭,許建剛,周志成.  高壓電器. 2017(11)
[6]基于改進MFCC和VQ的變壓器聲紋識別模型[J]. 王豐華,王邵菁,陳頌,袁國剛,張君.  中國電機工程學報. 2017(05)
[7]高壓隔離開關(guān)機械故障分析及診斷技術(shù)綜述[J]. 邱志斌,阮江軍,黃道春,張宇,張恩偉.  高壓電器. 2015(08)
[8]噪聲魯棒性說話人識別語音高頻加權(quán)MFCC提取[J]. 陳迪,龔衛(wèi)國,李波.  儀器儀表學報. 2008(03)
[9]基于聲音信號的特征提取方法的研究[J]. 李宏松,蘇健民,黃英來,于慧伶.  信息技術(shù). 2006(01)
[10]基于信號處理的聲音模式識別過程及方法研究[J]. 張宇波.  計算機仿真. 2004(09)



本文編號：3115376