劉云鵬， 羅世豪， 王博聞， 岳浩天， 周旭東

(1.華北電力大學(xué) 輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室,河北 保定 071003;2. 國(guó)網(wǎng)山東省電力公司聊城供電公司,山東 聊城 252000)

收稿日期：2020-04-21.

基金項(xiàng)目：國(guó)家電網(wǎng)有限公司科技項(xiàng)目(5200-201955095A-0-0-00).

0 引 言

隨著經(jīng)濟(jì)社會(huì)的發(fā)展與城市化進(jìn)程的推進(jìn)，電力行業(yè)得到了蓬勃的發(fā)展，電力變壓器作為電網(wǎng)主設(shè)備也在輸配電網(wǎng)中得到廣泛的應(yīng)用。由于配網(wǎng)變壓器主要應(yīng)用于商務(wù)辦公及住宅區(qū)域，因此，其噪聲控制一直是重要的研究課題[1-3]。而從電氣設(shè)備在線監(jiān)測(cè)的角度出發(fā)，電力變壓器存在故障缺陷或異常運(yùn)行時(shí)的噪聲，同時(shí)也為變壓器的狀態(tài)檢測(cè)提供了重要判據(jù)，其中，鐵芯夾件松動(dòng)就是變壓器運(yùn)行聲音異常的原因之一[4,5]。

目前，針對(duì)變壓器鐵芯夾件松動(dòng)的研究主要以監(jiān)測(cè)振動(dòng)信號(hào)為主:文獻(xiàn)[6]指出常年運(yùn)行的變壓器振動(dòng)信號(hào)中含更多諧波成分，存在缺陷的變壓器振動(dòng)信號(hào)中含有更多高頻成分；文獻(xiàn)[7]指出鐵芯振動(dòng)信號(hào)高頻分量峰度值能夠表征鐵芯壓緊力的變化趨勢(shì)；文獻(xiàn)[8,9]提出利用振動(dòng)信號(hào)100 Hz特征頻率分量占總分量的比值來判斷鐵芯松動(dòng)故障；文獻(xiàn)[10]選取了50 Hz及其部分倍頻分量作為鐵芯松動(dòng)故障判據(jù)，準(zhǔn)確反映故障類型；文獻(xiàn)[11]指出鐵芯固有頻率會(huì)隨著松動(dòng)程度增加而降低并靠近主頻率從而引發(fā)共振；文獻(xiàn)[12]采用了聲-振聯(lián)合的監(jiān)測(cè)方法對(duì)不同運(yùn)行年限的變壓器進(jìn)行研究，上述研究驗(yàn)證了利用振動(dòng)信號(hào)監(jiān)測(cè)鐵芯松動(dòng)故障的可行性，而噪聲信號(hào)在包含大量設(shè)備信息的同時(shí)，還具有非接觸式監(jiān)測(cè)、傳感器成本較低、監(jiān)測(cè)覆蓋范圍廣等優(yōu)點(diǎn)，因此，對(duì)鐵芯夾件松動(dòng)故障進(jìn)行噪聲信號(hào)的采集和分析處理有很大的研究?jī)r(jià)值。

目前，關(guān)于變壓器聲信號(hào)模式識(shí)別和故障診斷的現(xiàn)有研究多集中在變壓器的放電聲信號(hào)的研究。武漢大學(xué)的舒暢[13]使用CEEMDAN算法對(duì)配電變壓器放電聲信號(hào)進(jìn)行處理，采用SVDD算法對(duì)放電故障進(jìn)行分類和識(shí)別取得較好效果，但處理對(duì)象為頻率特征較明顯的放電故障。華北電力大學(xué)的張重遠(yuǎn)[14]采用盲源分離方法對(duì)局放超聲信號(hào)進(jìn)行抽取，采用CNN進(jìn)行深度學(xué)習(xí)，但是研究對(duì)象為局放信號(hào)。對(duì)于鐵芯松動(dòng)所致的異常噪聲進(jìn)行的研究較少，上海交通大學(xué)的王豐華[15]提出了基于加權(quán)降維MFCC和VQ的變壓器聲紋識(shí)別模型，模型采用特征值與傳統(tǒng)的機(jī)器學(xué)習(xí)相結(jié)合的方法，識(shí)別準(zhǔn)確率有待進(jìn)一步提高。目前尚無利用深度學(xué)習(xí)算法對(duì)鐵芯松動(dòng)聲紋進(jìn)行模式識(shí)別的研究。

文章提出了基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯松動(dòng)聲紋識(shí)別方法，為驗(yàn)證該方法的有效性，搭建了鐵芯夾件松動(dòng)故障模型，采集了鐵芯在不同松動(dòng)程度與不同松動(dòng)模式下的噪聲信號(hào)，并對(duì)噪聲數(shù)據(jù)進(jìn)行Mel時(shí)頻譜降維處理，作為深度學(xué)習(xí)的數(shù)據(jù)集。最后，構(gòu)建了Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)變壓器鐵芯松動(dòng)聲紋識(shí)別模型，進(jìn)行了超參數(shù)調(diào)節(jié)，實(shí)現(xiàn)了鐵芯松動(dòng)故障的準(zhǔn)確識(shí)別。研究結(jié)果可為變壓器鐵芯夾件松動(dòng)故障診斷以及電網(wǎng)主設(shè)備的數(shù)據(jù)深度挖掘提供參考。

1 鐵芯聲振信號(hào)產(chǎn)生機(jī)理

變壓器本體的振動(dòng)噪聲主要是由鐵芯的磁致伸縮產(chǎn)生。變壓器鐵芯的振動(dòng)包含著鐵芯與壓緊夾件的作用、鐵芯硅鋼片的磁致伸縮以及鐵芯疊片間漏磁產(chǎn)生的電磁力作用[16]。隨著硅鋼片軋制工藝的完善，鐵芯疊片間的電磁力作用可以忽略，因此，當(dāng)初級(jí)繞組施加電壓為u=U0sinωt時(shí)，鐵芯振動(dòng)加速度a可表示為

(1)

式中：△L為硅鋼片片長(zhǎng)增量；εs為磁飽和時(shí)的磁致伸縮率；L為硅鋼片原始片長(zhǎng)；εs為施加電壓幅值；N1為初級(jí)繞組匝數(shù)；S為磁通穿過鐵芯的有效面積；Bs為飽和磁密；ω為角速度。

對(duì)于變壓器的噪聲傳播可以使用流體力學(xué)斯托克斯方程描述[17]，如式(2)所示。振動(dòng)速度與聲壓的關(guān)系式可由式(3)表示：

(2)

(3)

式中：v為質(zhì)點(diǎn)振動(dòng)速度；p為聲壓；c為聲速；ρ為流體密度。

由上列式子可以看出，當(dāng)電源電壓頻率為50 Hz時(shí)，鐵芯的振動(dòng)頻率為100 Hz，即電源基頻的二倍頻，而鐵芯的振動(dòng)帶動(dòng)流體介質(zhì)中的質(zhì)點(diǎn)振動(dòng)，從而影響介質(zhì)中的聲壓，由此解釋了聲音信號(hào)與振動(dòng)信號(hào)的關(guān)聯(lián)性。另外，鐵芯磁致伸縮的非線性以及鐵芯磁路長(zhǎng)度差異，使得鐵芯振動(dòng)含有200 Hz、300 Hz、400 Hz等高次諧波成分[18]。在實(shí)驗(yàn)室條件下，通常采用空載試驗(yàn)?zāi)M變壓器鐵芯振動(dòng)，變壓器空載和負(fù)載運(yùn)行時(shí)，主磁通在鐵芯中的變化基本一致，而空載條件下繞組對(duì)于振動(dòng)幾乎不產(chǎn)生影響[19]?；谏鲜隼碚摲治?，可通過消聲室內(nèi)變壓器空載運(yùn)行試驗(yàn)，消除繞組振動(dòng)及空間背景噪聲的影響，研究變壓器鐵芯夾件松動(dòng)的聲音振動(dòng)特性。

2 基于Mel時(shí)頻譜的噪聲樣本處理

文中使用采樣率為44.1 kHz的電容式槍體麥克風(fēng)作為噪聲信號(hào)傳感器。為了準(zhǔn)確提取變壓器鐵芯噪聲中的特征信息，合理壓縮數(shù)據(jù)量，有效利用計(jì)算機(jī)的計(jì)算能力，需對(duì)試驗(yàn)采集的噪聲樣本進(jìn)行預(yù)處理。

2.1 聲紋時(shí)頻譜

聲紋(voiceprint)的概念最早用于說話人身份識(shí)別的場(chǎng)景[20,21]，聲紋包含了說話人語音的時(shí)域頻域特征，通過對(duì)聲紋信號(hào)的分析能夠?qū)崿F(xiàn)對(duì)說話人身份的識(shí)別。同理，變壓器的噪聲聲紋也能表征變壓器本體的運(yùn)行狀況。

聲紋時(shí)頻譜圖(spectrum)是將聲音信號(hào)進(jìn)行分幀、加窗及離散傅里葉變換之后，按照時(shí)間維度堆疊而成的二維能量譜圖。聲紋時(shí)頻譜具有聲音信號(hào)的時(shí)域頻域特征，以及直觀的圖像特征，方便后期的深度學(xué)習(xí)處理。文中將鐵芯聲紋信號(hào)剪切為時(shí)長(zhǎng)1 s的樣本，采用交疊分段法進(jìn)行分幀，幀長(zhǎng)設(shè)置為4 096幀，幀移設(shè)置為512幀。為了有效減少信號(hào)失真情況，窗函數(shù)選擇海明窗(Hamming)，海明窗的公式為

(4)

圖1 鐵芯聲紋時(shí)頻譜圖繪制過程Fig.1 Drawing process of core voiceprint spectrum

分幀加窗后的樣本再進(jìn)行短時(shí)離散傅里葉變換即可得到聲紋時(shí)頻譜圖，完整繪制過程如圖1所示。聲紋時(shí)頻譜圖中的橫坐標(biāo)為時(shí)間，縱坐標(biāo)為頻率，圖形的顏色深淺代表當(dāng)前頻率成分在當(dāng)前時(shí)刻的含量大小，由功率譜密度(power spectral density, PSD)表示。由此可見聲紋時(shí)頻譜圖是一種集合了時(shí)域頻域及圖像特性的特殊數(shù)據(jù)表示方式。

2.2 Mel時(shí)頻譜

在語音識(shí)別領(lǐng)域，由于人耳對(duì)于正常頻率標(biāo)度的感知是非線性的，因此常使用Mel濾波(Mel filter)將聲紋時(shí)頻譜變換到Mel標(biāo)度(Mel scale)下的Mel時(shí)頻譜[22]，其轉(zhuǎn)換關(guān)系表達(dá)式如式(5)、(6)所示。一方面，Mel時(shí)頻譜可以實(shí)現(xiàn)人耳對(duì)頻率感知的線性化處理，降低干擾頻段的權(quán)重；另一方面，Mel時(shí)頻譜在保留聲紋特征的前提下，大大降低樣本尺寸，提高鐵芯夾件松動(dòng)模式識(shí)別的模型訓(xùn)練速度及識(shí)別速度。綜上所述，文中使用Mel濾波對(duì)聲紋時(shí)頻譜圖進(jìn)行降維處理，對(duì)變壓器鐵芯夾件松動(dòng)聲紋信號(hào)進(jìn)行特征提取。

Mel(k)=2 595×lg(1+f/700)

(5)

Mel-1(f)=700×(10(1+k/2595)-1)

(6)

式中：f為正常標(biāo)度的頻率，0≤f≤22 050；k為Mel標(biāo)度頻率，Hz。

根據(jù)文章3.2節(jié)的結(jié)果，變壓器鐵芯夾件松動(dòng)聲紋主要集中于200 Hz、300 Hz，且主要頻率成分為2 000 Hz以下的中、低頻。針對(duì)噪聲樣本的頻率分布特點(diǎn)，采用Mel濾波器組對(duì)低頻、中低頻成分進(jìn)行濾波放大處理，對(duì)中高頻與高頻進(jìn)行濾波降權(quán)處理，從而實(shí)現(xiàn)樣本數(shù)據(jù)的降維以及聲紋特征的準(zhǔn)確提取。Mel濾波器組如圖2(a)所示，使用等高三角形濾波器組對(duì)時(shí)頻譜進(jìn)行濾波操作，該等高三角濾波器組的函數(shù)Hm(f)為

(7)

其中，m為濾波器組編號(hào)，文中設(shè)置為1≤m≤40；x(m)為三角濾波器的中心頻率，公式為

(8)

式中：fmax,fmin分別為濾波器濾波范圍的頻率最大值和最小值；fs為聲傳感器的采樣頻率，文中取44.1 kHz；N為離散傅里葉時(shí)的幀長(zhǎng)度。

通過將時(shí)頻譜矩陣與Mel濾波器組矩陣相乘，再取對(duì)數(shù)，得到Mel時(shí)頻譜如圖2(b)，Mel時(shí)頻譜的求取過程如圖3所示。

圖2 Mel濾波器組與Mel時(shí)頻譜圖Fig.2 Mel filter banks and Mel-spectrum

圖3 鐵芯聲信號(hào)的Mel時(shí)頻譜的求取過程Fig.3 Acquisition of core acoustic signals by Mel-spectrum

Mel時(shí)頻譜圖相較于聲紋時(shí)頻譜圖，更加準(zhǔn)確地提取了聲紋特征，且具有明顯有效的數(shù)據(jù)降維效果。文中的聲紋時(shí)頻譜數(shù)據(jù)尺寸為[345×22 050]，經(jīng)過Mel濾波處理后，數(shù)據(jù)尺寸變?yōu)閇345×40]，尺寸大小有了明顯改善，為下文的深度學(xué)習(xí)模式識(shí)別奠定了良好的數(shù)據(jù)樣本基礎(chǔ)。

3 鐵芯夾件松動(dòng)聲紋信號(hào)的采集與分析

為了驗(yàn)證方法的有效性，課題組設(shè)計(jì)了變壓器鐵芯夾件松動(dòng)故障試驗(yàn)，以便形成基于Mel時(shí)頻譜預(yù)處理的數(shù)據(jù)集。

3.1 試驗(yàn)平臺(tái)與試驗(yàn)方案

(1)試驗(yàn)平臺(tái)

課題組定制了一臺(tái)變壓器鐵芯模型，并將鐵芯模型放置于吸聲系數(shù)為0.15的半消音室內(nèi)，室內(nèi)背景噪聲為13 dB。根據(jù)GB/T 3768和GB/T 7328對(duì)變壓器進(jìn)行聲學(xué)測(cè)量的標(biāo)準(zhǔn)和要求，課題組采用了指向性電容式槍體麥克風(fēng)作為聲傳感器對(duì)不同鐵芯夾件松動(dòng)模式的變壓器進(jìn)行聲紋監(jiān)測(cè)，槍式麥克風(fēng)采樣頻率44.1 kHz，采樣位數(shù)24位，頻率響應(yīng)40 Hz～20 kHz。變壓器鐵芯模型尺寸及噪聲測(cè)點(diǎn)示意圖如圖4所示，聲傳感器垂直指向B面中心，距離B面30 cm。

課題組根據(jù)試驗(yàn)變壓器螺栓的直徑和強(qiáng)度等級(jí)，確定試驗(yàn)變壓器鐵芯夾件額定預(yù)緊力矩，并使用數(shù)顯預(yù)置式扭力扳手準(zhǔn)確設(shè)置不同類型和不同松動(dòng)程度的鐵芯夾件松動(dòng)故障，為了方便標(biāo)識(shí)故障類型，如圖5所示對(duì)試驗(yàn)變壓器鐵芯螺栓進(jìn)行標(biāo)注。

圖4 鐵芯模型尺寸與噪聲測(cè)點(diǎn)Fig.4 Size of core model and noise measurement point

圖5 鐵芯實(shí)物圖及螺栓編號(hào)Fig.5 Picture and bolts mark of core model

(2)試驗(yàn)方案

根據(jù)夾件松動(dòng)噪聲測(cè)點(diǎn)示意圖，放置槍式麥克風(fēng)，將電源電壓設(shè)置為50 V，頻率設(shè)置為50 Hz，對(duì)試驗(yàn)變壓器進(jìn)行空載運(yùn)行試驗(yàn)。使用扭力扳手設(shè)置不同預(yù)緊力矩的夾件松動(dòng)故障，文中設(shè)置的鐵芯夾件松動(dòng)故障類型如表1所示，松動(dòng)程度單位為額定預(yù)緊力矩百分比。

表1 鐵芯夾件松動(dòng)故障試驗(yàn)方案

3.2 鐵芯夾件松動(dòng)噪聲頻域分析

針對(duì)不同松動(dòng)程度以及不同的夾件松動(dòng)模式，變壓器鐵芯的振動(dòng)狀態(tài)也會(huì)發(fā)生變化，振動(dòng)狀態(tài)的改變同時(shí)會(huì)影響鐵芯的噪聲信號(hào)。文中利用變壓器鐵芯夾件松動(dòng)試驗(yàn)平臺(tái)，通過設(shè)置不同夾件松動(dòng)故障模式，采集并分析鐵芯夾件松動(dòng)噪聲信號(hào)。

通過對(duì)噪聲頻域數(shù)據(jù)的分析可知，變壓器鐵芯松動(dòng)噪聲信號(hào)主要成分為50 Hz的偶次倍頻分量，50 Hz的奇次倍頻分量含量較少。如圖6所示，額定預(yù)緊力狀態(tài)下變壓器鐵芯噪聲的主頻為300 Hz，而對(duì)于單點(diǎn)、單邊、對(duì)角及雙邊夾件松動(dòng)模式，鐵芯噪聲主頻隨著松動(dòng)程度的不同在200 Hz和300 Hz兩者波動(dòng)，圖7為部分典型松動(dòng)模式的噪聲信號(hào)頻域分布。由上述分析可見，鐵芯松動(dòng)模式的改變會(huì)造成鐵芯模型主頻的改變。

圖6 額定預(yù)緊力下的聲信號(hào)頻域分布Fig.6 Frequency domain distribution of acoustic signals under rated preload

目前，已有文獻(xiàn)[8-10]及文獻(xiàn)[23]總結(jié)了很多針對(duì)變壓器不同故障狀態(tài)的振動(dòng)信號(hào)和噪聲信號(hào)特征值用于運(yùn)行狀態(tài)模式識(shí)別，應(yīng)用較為廣泛的特征值包括奇偶次諧波比、特征頻率比以及特征頻率組合比等。文中圍繞以上特征值，對(duì)鐵芯模型的噪聲信號(hào)進(jìn)行了計(jì)算，部分結(jié)果見附錄A表A1，從表A1中可以看出對(duì)于復(fù)雜的夾件松動(dòng)模式，常用的特征量難以區(qū)分故障類型。而深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，因此文中提出了基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯夾件松動(dòng)故障聲紋模式識(shí)別方法。

4 基于卷積神經(jīng)網(wǎng)絡(luò)的模式識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)作為一種典型前饋型深度學(xué)習(xí)網(wǎng)絡(luò)，在圖像識(shí)別領(lǐng)域已經(jīng)取得重要進(jìn)展[24]。卷積神經(jīng)網(wǎng)絡(luò)的處理對(duì)象為二維數(shù)據(jù)，其結(jié)構(gòu)一般由輸入層、輸出層以及多個(gè)卷積層、池化層和全連接層組成，具有局部特征提取、區(qū)域共享權(quán)值以及數(shù)據(jù)池化的特點(diǎn)，因此，相較于其他神經(jīng)網(wǎng)絡(luò)，CNN所需的網(wǎng)絡(luò)參數(shù)更少，圖像特征提取更準(zhǔn)確。

4.1 Mel時(shí)頻譜-CNN識(shí)別模型

根據(jù)2.2節(jié)所示，文中對(duì)變壓器鐵芯夾件松動(dòng)聲紋信號(hào)做預(yù)處理，將處理后得到的Mel時(shí)頻譜圖作為CNN網(wǎng)絡(luò)的輸入樣本進(jìn)行訓(xùn)練與學(xué)習(xí)，形成Mel時(shí)頻譜-CNN識(shí)別模型。Mel時(shí)頻譜輸入圖像尺寸為[345×40×3]，其中345代表時(shí)域分量，40代表Mel標(biāo)度下的頻域分量，3代表聲紋信號(hào)功率譜密度的RGB顏色通道。通過將Mel時(shí)頻譜圖輸入CNN，完成網(wǎng)絡(luò)結(jié)構(gòu)中權(quán)值的訓(xùn)練，實(shí)現(xiàn)不同鐵芯夾件松動(dòng)故障的模式識(shí)別。

圖7 不同松動(dòng)模式及不同松動(dòng)程度的鐵芯聲紋信號(hào)的頻域分布Fig.7 Frequency domain distribution of core voiceprint signal under different looseness degrees and modes

4.2 數(shù)據(jù)集

為了保證深度學(xué)習(xí)的有效性，在進(jìn)行模型訓(xùn)練時(shí)需要對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)集劃分。根據(jù)第3節(jié)的試驗(yàn)方案，將Mel時(shí)頻譜圖制作并劃分為訓(xùn)練集與測(cè)試集，數(shù)據(jù)集樣本分布如表2所示。文中將同一種夾件松動(dòng)故障類型的數(shù)據(jù)進(jìn)行標(biāo)簽標(biāo)注，將額定預(yù)緊力狀態(tài)的數(shù)據(jù)也單獨(dú)歸為一類進(jìn)行標(biāo)簽標(biāo)注。同一標(biāo)簽下的樣本，隨機(jī)選取80%作為訓(xùn)練集，剩余20%作為測(cè)試集，最后再將所有帶有標(biāo)簽的樣本隨機(jī)輸入到CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

表2 鐵芯聲紋數(shù)據(jù)庫(kù)樣本分布

4.3 網(wǎng)絡(luò)結(jié)構(gòu)

文中根據(jù)數(shù)據(jù)集的特征，在傳統(tǒng)的CNN網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了修改，設(shè)計(jì)了針對(duì)變壓器鐵芯夾件松動(dòng)故障聲紋識(shí)別的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)如表3所示。

在該定制CNN網(wǎng)絡(luò)中，為了防止梯度消失或梯度爆炸現(xiàn)象，進(jìn)行了批規(guī)范化操作；為了防止過擬合現(xiàn)象，在全連接層進(jìn)行了Dropout操作，Dropout操作在訓(xùn)練階段，隨機(jī)選取隱藏層的神經(jīng)元不參與計(jì)算，能夠在訓(xùn)練復(fù)雜數(shù)據(jù)時(shí)有效抑制過擬合現(xiàn)象；而在卷積層使用激活函數(shù)ReLU提升了模型訓(xùn)練速度，穩(wěn)定了網(wǎng)絡(luò)的收斂速度。

表3 變壓器鐵芯聲紋識(shí)別的CNN網(wǎng)絡(luò)結(jié)構(gòu)

4.4 模型超參數(shù)優(yōu)化

本文對(duì)Mel時(shí)頻譜-CNN識(shí)別模型進(jìn)行超參數(shù)優(yōu)化。優(yōu)化分為學(xué)習(xí)率(learning rate, LR)和批尺寸(batch size)兩個(gè)部分。

(1)學(xué)習(xí)率調(diào)參：

學(xué)習(xí)率對(duì)于神經(jīng)網(wǎng)絡(luò)來說是非常重要超參數(shù)。不同學(xué)習(xí)率下，Mel時(shí)頻譜-CNN識(shí)別模型的識(shí)別準(zhǔn)確率如表4所示，訓(xùn)練誤差如圖8所示。

表4 不同學(xué)習(xí)率下的識(shí)別準(zhǔn)確率

圖8 不同學(xué)習(xí)率下的訓(xùn)練誤差Fig.8 Loss of Mel-CNN model with different learning rates

過大的學(xué)習(xí)率會(huì)在迭代次數(shù)增加后降低學(xué)習(xí)效率，過小的學(xué)習(xí)率則會(huì)減慢訓(xùn)練速度。由測(cè)試結(jié)果可知，當(dāng)學(xué)習(xí)率LR=0.001時(shí)，隨著迭代次數(shù)增加訓(xùn)練誤差最小，模型識(shí)別準(zhǔn)確率最高且有較快的訓(xùn)練速度。

(2)批尺寸調(diào)參：

在合理范圍內(nèi)批尺寸越大，處理相同數(shù)據(jù)量的速度越快，達(dá)到相同精度所需的迭代次數(shù)也越多。因此，對(duì)于識(shí)別模型來說，可以通過調(diào)參選取最優(yōu)批尺寸大小。圖9為不同批尺寸下的訓(xùn)練誤差率。

圖9 不同批尺寸下的訓(xùn)練誤差Fig.9 Loss of Mel-CNN model with different batch sizes

由圖9可得，從訓(xùn)練誤差率的角度來看，隨著迭代次數(shù)增加，訓(xùn)練誤差率逐漸降低，且存在批尺寸越小，誤差率越低的趨勢(shì)。從訓(xùn)練速度的角度考慮，不同批尺寸的訓(xùn)練結(jié)果如表5所示。

從表5中可知，在綜合考慮識(shí)別準(zhǔn)確率以及訓(xùn)練速度的情況下，批尺寸為24和32的模型識(shí)別準(zhǔn)確率較低，批尺寸為8的模型訓(xùn)練速度較慢，因此，選取16作為Mel時(shí)頻譜-CNN識(shí)別模型的最優(yōu)批尺寸。

表5 不同批尺寸下的訓(xùn)練結(jié)果

4.5 模式識(shí)別結(jié)果及分析

為了更加客觀地展示Mel時(shí)頻譜-CNN識(shí)別模型的識(shí)別效果，文中將Mel時(shí)頻譜 -CNN模型的識(shí)別結(jié)果與支持向量機(jī)(Support Vector Machine, SVM)、BP(back propagation)神經(jīng)網(wǎng)絡(luò)以及k最近鄰(k-Nearest Neighbor, kNN)這些傳統(tǒng)機(jī)器學(xué)習(xí)算法的結(jié)果進(jìn)行對(duì)比分析。

文章將深度學(xué)習(xí)模型進(jìn)行了100次迭代，主要對(duì)比了上述模式識(shí)別方法的平均迭代次數(shù)所需時(shí)間、收斂至最高準(zhǔn)確率所對(duì)應(yīng)的迭代次數(shù)、迭代100次的測(cè)試集準(zhǔn)確率以及迭代100次的測(cè)試集誤差率。識(shí)別效果的對(duì)比如表6所示，Mel時(shí)頻譜-CNN模型的迭代結(jié)果如圖10所示。

由表6的結(jié)果可得，傳統(tǒng)的機(jī)器學(xué)習(xí)算法在處理變壓器鐵芯夾件松動(dòng)聲紋樣本時(shí)，運(yùn)算結(jié)果都無法收斂，測(cè)試集準(zhǔn)確率均低于50%，同時(shí)BP神經(jīng)網(wǎng)絡(luò)由于缺少有效的數(shù)據(jù)壓縮處理步驟，單次迭代時(shí)間較長(zhǎng)，綜上可以認(rèn)為傳統(tǒng)的機(jī)器學(xué)習(xí)算法無法通過聲音參量識(shí)別不同類型的夾件松動(dòng)故障。

表6 鐵芯夾件松動(dòng)模式識(shí)別結(jié)果對(duì)比

圖10 Mel-CNN模型識(shí)別準(zhǔn)確率與誤差率Fig.10 Recognition accuracy rate and loss rate of Mel-CNN model

相比較而言，基于Mel時(shí)頻譜-CNN的深度學(xué)習(xí)模型，無論是在運(yùn)算速度、收斂性能還是識(shí)別的準(zhǔn)確率上都有明顯優(yōu)勢(shì)，適合變壓器模型的聲紋識(shí)別，如圖10所示，Mel時(shí)頻譜-CNN模型在迭代了86次之后，識(shí)別準(zhǔn)確率穩(wěn)定在100%，迭代100次之后誤差率低于0.23%。

5 結(jié) 論

文中以變壓器鐵芯夾件松動(dòng)故障為研究對(duì)象，在實(shí)驗(yàn)室條件下設(shè)置了不同模式與不同程度的鐵芯夾件松動(dòng)故障，并基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)建立了變壓器鐵芯夾件松動(dòng)聲紋信號(hào)模式識(shí)別模型，為變壓器鐵芯夾件松動(dòng)故障診斷以及電網(wǎng)主設(shè)備的數(shù)據(jù)深度挖掘提供參考意義。文中主要結(jié)論如下：

(1)鐵芯模型在額定預(yù)緊力下主頻為300 Hz，不同的松動(dòng)模式與松動(dòng)程度會(huì)使主頻在200 Hz和300 Hz這兩者波動(dòng)。鐵芯夾件松動(dòng)的頻率分布主要位于2 000 Hz以下，且頻率分布呈現(xiàn)中低頻成分含量高，偶次諧波占比高的特點(diǎn)。

(2)采用Mel濾波的方式對(duì)原始的鐵芯聲紋時(shí)頻譜圖進(jìn)行處理，得到鐵芯聲紋的Mel時(shí)頻譜圖。Mel時(shí)頻譜圖極大地降低了數(shù)據(jù)的維度，在準(zhǔn)確提取了聲紋信號(hào)時(shí)域頻域特征的前提下，對(duì)數(shù)據(jù)進(jìn)行了壓縮，提高了數(shù)據(jù)處理運(yùn)算速度，為深度學(xué)習(xí)提供了高質(zhì)量的輸入樣本。

(3)構(gòu)建了基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的鐵芯夾件松動(dòng)聲紋模式識(shí)別模型，并對(duì)比傳統(tǒng)的機(jī)器學(xué)習(xí)算法，結(jié)果顯示，文中構(gòu)建的識(shí)別模型具有更高的迭代速度和迭代穩(wěn)定性，且在迭代了86次之后，對(duì)于鐵芯夾件松動(dòng)故障識(shí)別準(zhǔn)確率到達(dá)了100%，驗(yàn)證了實(shí)驗(yàn)室條件下Mel時(shí)頻譜-CNN識(shí)別模型的有效性與準(zhǔn)確性。