為有效提取變壓器聲音信號中的機械狀態(tài)信息并識別其典型機械故障,依據(jù)人類聽覺系統(tǒng)優(yōu)異的聲音識別能力,提出了一種基于Gammatone濾波器倒譜系數(shù)（GFCC）和鯨魚算法優(yōu)化隨機森林（WA-RF）的變壓器機械故障聲音診斷方法。首先計算了變壓器聲音信號的GFCC,引入信息熵提取了GFCC中的主要聲音特征信息。采用鯨魚算法通過優(yōu)化隨機森林中決策樹基分類器的規(guī)模和特征子集,構(gòu)造了基于優(yōu)化隨機森林的變壓器典型機械故障分類模型。對以某10 kV干式變壓器正常與典型機械故障下聲音信號的計算結(jié)果表明,所構(gòu)建的基于GFCC主要特征參數(shù)和鯨魚算法優(yōu)化隨機森林的變壓器典型機械故障模型具有較好的識別效果,準確率可達95%以上,且具有優(yōu)良的抗噪性能和魯棒性。 

【文章來源】：電力自動化設(shè)備. 2020,40(08)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

GFCC特征參數(shù)提取過程

基于上述過程得到了64個通道的Gammatone濾波器組的頻響曲線，為清晰起見，僅在圖2中顯示4的整數(shù)倍通道的濾波器頻響曲線。由圖2中的曲線可見，Gammatone濾波器是一組最大幅度出現(xiàn)在中心頻率位置的帶通濾波器，低頻段的濾波器帶寬較窄，高頻段的濾波器帶寬較寬，即每個濾波器的帶寬隨著中心頻率的增加而增大。顯然，相比Mel濾波器組中的三角濾波器[17],Gammatone濾波器組的譜峰更加平坦，能有效改善三角濾波器的能量泄漏問題。因運行中的變壓器在正常狀態(tài)與典型機械故障狀態(tài)下的聲音信號頻譜分布大多集中在1 000 Hz以內(nèi)，故在計算變壓器聲音信號的GFCC特征參數(shù)時，需要較為完整地保留變壓器聲音信號的特征信息，即需要設(shè)置Gammatone濾波器組的中心頻率覆蓋范圍超過1 000 Hz。雖然帶通濾波器組個數(shù)越多計算模型越精細，但同時計算復雜度也會增加，故本文綜合考慮變壓器聲音信號的頻譜特征、模型的分辨率、計算量等因素，將Gammatone濾波器組通道數(shù)和中心頻率覆蓋范圍分別確定為64和0～8000 Hz。

限于篇幅，仍以測點1處的聲音信號為例給出變壓器聲音信號的特征參數(shù)提取結(jié)果，圖3給出了變壓器在正常、鐵芯松動和繞組松動3種狀態(tài)下，聲音信號的GFCC特征參數(shù)的信息熵，計算時聲音信號長度設(shè)置為15 s，每幀信號長度設(shè)置為250 ms。由圖3可見，變壓器在3種機械狀態(tài)下，其聲音信號的GFCC維數(shù)為64，且信息熵隨著GFCC維數(shù)的變化呈現(xiàn)出較平穩(wěn)、大幅遞減、再次平穩(wěn)的變化趨勢，即為GFCC特征參數(shù)中所包含的變壓器聲音信息特征隨著維數(shù)的變化趨勢，所以本文選取信息熵的突變點對應(yīng)的35維作為后續(xù)分析中GFCC特征參數(shù)的維數(shù)。變壓器3種機械狀態(tài)下聲音信號GFCC特征參數(shù)見附錄中的圖A5。由圖可見，在全部35維GFCC特征參數(shù)中，三維倒譜圖中高維段的曲線仍較為平坦，這是由Gammatone濾波器組隨著中心頻率的增高，相應(yīng)的頻帶帶寬也增高，高頻段重疊幅度增加所導致的，這一現(xiàn)象再次印證了選取GFCC特征參數(shù)中所含的主要聲音信息的重要性。此外，當變壓器機械狀態(tài)改變時，GFCC特征參數(shù)的幅值隨著維數(shù)和幀數(shù)的變化均有著較為明顯的變化，故可根據(jù)所提取的GFCC特征參數(shù)初步分析判斷變壓器是否存在機械故障。

【參考文獻】：
期刊論文
[1]基于混沌理論和KPCM聚類的變壓器繞組松動狀態(tài)監(jiān)測[J]. 黃春梅,馬宏忠,付明星,許洪華,李勇.  高壓電器. 2019(01)
[2]基于聲音信號的高壓斷路器機械故障診斷方法[J]. 楊元威,關(guān)永剛,陳士剛,王靜君,趙科.  中國電機工程學報. 2018(22)
[3]基于CEEMDAN的配電變壓器放電故障噪聲診斷方法[J]. 舒暢,金瀟,李自品,周楊俊冉,范淑薇.  高電壓技術(shù). 2018(08)
[4]直流偏磁條件下電力變壓器振動特性研究進展[J]. 李長云,郝愛東,婁禹.  電力自動化設(shè)備. 2018(06)
[5]基于貝葉斯正則化深度信念網(wǎng)絡(luò)的電力變壓器故障診斷方法[J]. 王德文,雷倩.  電力自動化設(shè)備. 2018(05)
[6]基于支持向量機和遺傳算法的變壓器故障診斷[J]. 吐松江·卡日,高文勝,張紫薇,莫文雄,王紅斌,崔屹平.  清華大學學報(自然科學版). 2018(07)
[7]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)
[8]關(guān)于在噪聲環(huán)境下語音識別優(yōu)化研究[J]. 張曉丹,黃麗霞,張雪英.  計算機仿真. 2016(08)
[9]基于ANSYS Workbench的變壓器繞組松動分析及判定方法[J]. 馬宏忠,弓杰偉,李凱,許洪華,周宇.  高電壓技術(shù). 2016(01)
[10]基于區(qū)間能量提取的變壓器聲測診斷[J]. 潘亮亮,趙書濤,李寶樹.  變壓器. 2010(04)



本文編號：3467991