吳國鑫 詹花茂 李 敏

(華北電力大學(xué) 新能源電力系統(tǒng)國家重點實驗室 北京 102206)

0 引言

電力變壓器是電力系統(tǒng)中進行電能轉(zhuǎn)換的電氣設(shè)備，是電網(wǎng)安全穩(wěn)定運行的關(guān)鍵環(huán)節(jié)[1?2]。變壓器經(jīng)過多年運行，存在絕緣老化、部件松動等各種故障隱患，發(fā)生故障的幾率不斷增加[3]。對變壓器進行故障檢測及診斷意義重大。

變壓器正常運行時發(fā)出的聲音具有一定規(guī)律性，當(dāng)出現(xiàn)故障時，其聲特征也會隨之改變。因此可以利用變壓器聲特征的變化進行故障診斷[4?5]。由于采集聲信號時無需在變壓器上耦合信號采集設(shè)備，這種檢測方法不會破壞變壓器結(jié)構(gòu)，抗電氣干擾能力強，不影響設(shè)備正常運行[6?8]。

國內(nèi)外基于可聽聲的故障診斷方法常應(yīng)于機械故障診斷領(lǐng)域，大多與內(nèi)燃機[9]、軸承[10?11]、齒輪[12]故障有關(guān)。隨著語聲識別技術(shù)的不斷發(fā)展，近幾年利用聲紋識別技術(shù)進行變壓器狀態(tài)檢測及故障診斷成為新的研究熱點[13?15]。文獻[16–18]模擬火花放電故障聲，并從時域、頻域和能量方面分析聲信號特征。文獻[19]基于Gammatone濾波器倒譜系數(shù)(Gammatone filter cepstral coefficient,GFCC)與優(yōu)化隨機森林(Random forest,RF)算法，識別變壓器鐵芯松動、繞組松動故障。文獻[20]基于梅爾頻率倒譜系數(shù)(Mel frequency cestrum coefficient,MFCC)特征向量和矢量量化(Vector quantization,VQ)算法對變壓器鐵芯不同松動情況下的噪聲信號進行識別。變壓器中占比最大的故障為放電故障和機械故障，同時診斷放電故障和機械故障意味著故障識別類型增加，聲混淆的概率增加，再加上機械故障聲頻帶與變壓器本體噪聲頻帶重合度高，診斷難度大大提高。為此，從變壓器放電和機械故障的特征分析與識別出發(fā)，本文提出基于可聽聲的變壓器故障診斷方法。

1 基于可聽聲的故障診斷方法

基于可聽聲的故障診斷方法可分為3 個部分：混合聲采集與分離、聲信號特征提取和故障類型識別。故障發(fā)生時，故障聲和變壓器運行聲會混在一起，尤其是機械故障和變壓器聲頻帶有嚴(yán)重重疊，僅通過去除噪聲不能滿足故障聲識別的需要，需要先采用盲源分離算法將故障聲與變壓器本體噪聲分離。

1.1 混合聲采集與分離

利用可聽聲傳感器采集聲信號，發(fā)生故障時采集到的聲音是變壓器本體噪聲和故障聲的線性疊加，需要先將這兩種聲分離。文中采用快速獨立分量分析算法(Fast independent component analysis,FastICA)處理采集到的混合聲，分離出故障聲信號。

FastICA 算法是由芬蘭赫爾辛基大學(xué)的Hyvarin等提出來的一種快速尋優(yōu)迭代算法[21]。使用固定點迭代理論尋找一個最優(yōu)方向w，使得該方向的非高斯性最大。假設(shè)數(shù)據(jù)已經(jīng)過歸一化和白化，x′和A′分別用x和A表示。一次FastICA 算法的基本形式為[22]：

(1)初始化向量w0，∥w0∥=1,i=0。

(2)代入迭代公式計算wi+1：

其中，w是解混矩陣W的一行；x是觀測信號；G(·)是二階連續(xù)可導(dǎo)的非線性函數(shù)，G(·)的取值一般為，其中a1是常數(shù)，取值范圍通常為1 ≤a1≤2，G′(·)是G(·)的一階導(dǎo)數(shù)，G′′(·)是G(·)的二階導(dǎo)數(shù)；E{·}是代表平均值的記號，并非統(tǒng)計意義上的數(shù)學(xué)期望；∥wi+1∥是向量wi+1的模長。

(3)若未收斂，則令i=i+1，返回步驟(2)重新計算；收斂意味著前后兩次向量w在同一方向上，即它們的點積為1。

一次FastICA 算法能估計出一個獨立成分，要估計出多個獨立成分時，需要進行多次FastICA 算法得到向量w1,···,wn。FastICA 算法是獨立成分分析算法的改進版，計算速度快，魯棒性好，在信號處理領(lǐng)域得到了廣泛應(yīng)用。

ATB—25粗集料應(yīng)選用堿性石料，不宜直接使用酸性石料；應(yīng)使用錘式反擊破碎機加工碎石，以減少石料針片狀含量；所采用粗集料應(yīng)干燥、潔凈、表面粗糙、形狀接近立方體，并且其規(guī)格與級配應(yīng)較為穩(wěn)定，本文選用的粗集料技術(shù)指標(biāo)如表1所示。

1.2 聲信號特征提取

聲音的能量與譜幅值成正比，不同類型故障聲的頻譜有明顯差異，文中選擇聲音在各頻段的能量分布作為故障診斷的特征量。使用小波包算法計算聲音在各個頻段的能量分布。聲特征提取分為能量計算和特征向量的構(gòu)造兩個步驟。

(1)計算能量值。分別計算2n個頻帶信號Sn,j的能量E1、E2、···、Ej。公式為[2,23]

式(3)中：Sj(t)是原始信號；xj是原始信號離散點幅值；Ej是第j個頻帶的能量；n是第j個頻帶的采樣點數(shù)。

(2)構(gòu)造特征向量。以各頻帶的能量為元素構(gòu)造特征向量T[23]：

式(4)中：T為單個樣本歸一化后的特征向量。

聲頻的采樣頻率是48 kHz。根據(jù)奈奎斯特采樣定理，聲頻的帶寬為24 kHz。利用小波包將聲頻5層分解，每個聲頻被劃分為32 個頻段，每個頻段的帶寬為750 Hz。根據(jù)公式計算聲頻每個頻帶的能量值作為該聲頻的特征向量。

實驗發(fā)現(xiàn)，采用5 層小波包分解，機械故障聲和部分干擾聲的能量都主要集中在前兩個頻段1500 Hz 以下，很容易與變壓器本體噪聲混淆。但如果提高聲音分解層數(shù)則特征向量維度過大，提高了故障識別的難度。因而提出改進算法，如果一次識別判斷聲音為機械故障聲，則僅將機械故障聲1500 Hz 以下的頻段再細(xì)分為32 個頻段，作為聲特征向量，重新識別。如圖1所示。

圖1 改進小波包分解示意圖Fig.1 Improved wavelet packet decomposition diagram

基于改進小波包算法的聲音識別算法泛化性較差，對于聲音庫中存在的幾種故障聲識別率高，但對未知聲的識別率可能較低，為了提高聲音診斷系統(tǒng)的泛化性與可靠性，提出以梅爾對數(shù)頻譜作為特征的聲音識別算法。

對數(shù)梅爾頻譜是線性時頻譜經(jīng)過梅爾濾波器得到的，梅爾濾波器根據(jù)人耳接收聲音的特點設(shè)計，更符合人耳聽覺特性。梅爾濾波的函數(shù)Hm(k)為

其中，三角濾波器f(m)的頻率響應(yīng)定義為

式(6)中：fh、fl分別為濾波器m的上下限頻率；fs為采樣頻率；Fm為梅爾頻率。

1.3 故障類型識別

文中采用BP(Back propagation)神經(jīng)網(wǎng)絡(luò)算法識別小波包提取的能量分布特征。BP 神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)和自適應(yīng)的能力，常常被用于故障的模式識別，按照誤差反向傳播算法訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)[24]，由輸入層、隱藏層和輸出層組成。特征向量的維數(shù)確定了BP 神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)，變壓器故障類型決定輸出層節(jié)點數(shù)，隱藏層節(jié)點數(shù)一般根據(jù)經(jīng)驗公式確定，常見經(jīng)驗公式有以下3個：

其中：m為隱含層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；l為輸出層節(jié)點數(shù)；α為1～10 之間的常數(shù)。多次訓(xùn)練選擇準(zhǔn)確率最高的節(jié)點數(shù)為隱藏層節(jié)點數(shù)。

根據(jù)3個經(jīng)驗公式可以確定隱藏節(jié)點數(shù)的選擇范圍在5～17 個節(jié)點。選擇不同隱藏節(jié)點數(shù)代入神經(jīng)網(wǎng)絡(luò)模型，計算模型識別聲音的準(zhǔn)確率，結(jié)果如圖2所示。選擇隱藏節(jié)點數(shù)為9 時，準(zhǔn)確率最高，為93.9%。因而選擇隱藏節(jié)點數(shù)為9個。

圖2 隱藏節(jié)點數(shù)與神經(jīng)網(wǎng)絡(luò)模型識別率關(guān)系Fig.2 The relationship between the number of hidden abstracts and the recognition accuracy of neural network models

卷積神經(jīng)網(wǎng)絡(luò)無需復(fù)雜的特征提取和數(shù)據(jù)重建，可以直接將圖片作為網(wǎng)絡(luò)的輸入，這使得卷積神經(jīng)網(wǎng)絡(luò)在圖像分析領(lǐng)域具有很好的識別性。梅爾對數(shù)頻譜將聲特征轉(zhuǎn)化成了圖像，因此利用卷積神經(jīng)網(wǎng)絡(luò)對圖像的識別能力對梅爾對數(shù)譜進行分析。卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層組成。卷積運算的計算公式為

式(10)中：I(i,j)為輸入的二維圖像數(shù)據(jù)；W(m,n)為二維卷積核。

2 變壓器故障模擬及實驗

變壓器等設(shè)備絕大部分時間都處于正常工作狀態(tài)，收集故障聲數(shù)據(jù)是研究的難點。為此，在變壓器油箱中模擬變壓器內(nèi)部的放電和機械故障。采用110 kV變壓器外殼的同種金屬材料，制作與真實外殼厚度、尺寸相同，形狀接近的油箱。在油箱內(nèi)放置實際變壓器的繞組與鐵芯，模擬變壓器內(nèi)部的可能產(chǎn)生的故障，模擬故障位置與真實故障位置相同。傳聲器距離油箱5 cm，錄制油箱內(nèi)傳出的聲音。模擬故障處發(fā)出的聲音經(jīng)與實際故障相同的路徑和介質(zhì)傳播至傳聲器。圖3是在油箱中模擬故障的圖片。為了驗證模型的抗干擾能力，除了故障聲還采集了實際變電站周圍的聲音組成干擾聲音庫，包含風(fēng)聲、腳步聲、鳥叫聲、汽車聲、驅(qū)鳥器聲、人聲。6種故障聲、變壓器本體噪聲和干擾聲各有450 個樣本，總樣本數(shù)為3600個。

圖3 故障模擬實驗圖片F(xiàn)ig.3 Picture of fault simulation experiment

2.1 放電故障

根據(jù)變壓器內(nèi)部常見放電類型，文中設(shè)計了3種的放電模型，分別為平板電極放電模型、針板極放電模型和沿面放電模型。圖4為3 種放電模型的示意圖。圖4(a)是平板電極放電模型，模擬絕緣紙板內(nèi)的放電；圖4(b)是用于模擬變壓器內(nèi)部不均勻電場放電的針板電極放電模型；圖4(c)是沿面放電模型。

圖4 放電模型Fig.4 Discharge model

2.2 機械故障

變壓器內(nèi)部中掉入金屬小部件時，在電磁力的作用下鐵部件與繞組相互碰撞，會發(fā)出異響。給變壓器內(nèi)線圈通50 Hz交流電。在交流電的作用下，線圈產(chǎn)生變化的磁力吸引鐵部件，金屬部件與線圈相互撞擊發(fā)出“嗡嗡”聲響。將金屬小部件放入油箱中的不同位置模擬實際變壓器內(nèi)部可能產(chǎn)生的聲音。模擬3 種聲:(a)金屬小部件與油箱內(nèi)線圈底部的摩擦聲；(b)金屬小部件與夾件的摩擦聲；(c)金屬小部件與壓板的摩擦聲。

2.3 聲音采集與預(yù)處理

選擇了電容式傳聲器作為聲音采集設(shè)備。實驗使用傳聲器的信噪比為100 dB，采樣頻率48 kHz，頻率響應(yīng)范圍為20 Hz～20 kHz，最大聲壓級120 dB，可以滿足變壓器可聽聲的錄制要求。采用兩個傳聲器采集變壓器周圍的聲音即可得到兩個混合聲x1、x2。

使用FastICA算法將傳聲器采集到的變壓器本體噪聲與故障異常聲的混合聲分離，如圖5所示。以平板電極放電聲和變壓器本體噪聲為例，采樣頻率為48 kHz。分別截取兩種聲音各1 s 的聲頻繪制時域圖，結(jié)果如圖5(a)所示。圖5(b)是放電聲與變壓器本體噪聲的混合聲x1、x2的時域圖。使用FastICA 算法可將圖5(b)中的混合信號分離，結(jié)果如圖5(c)所示?？梢钥闯龌旌下暦蛛x得到的圖5(c)中的兩個聲音波形與圖5(a)中的原始波形相近，該算法可以成功將混合信號分離。

圖5 FastICA 算法分離信號時域圖Fig.5 Time domain diagram of signal separated by FastICA algorithm

2.4 故障聲特征提取

使用小波包算法計算每個頻帶的能量，結(jié)果如圖6、圖7所示。圖6是3種放電聲的能量分布圖。平板電極放電聲的能量集中在第2 到第5 頻段，即750～3750 Hz，其中第2 頻段750～1500 Hz 范圍內(nèi)能量最高。針板電極放電的能量主要集中在第1 頻段，750 Hz 以下，但在第2 到第24 頻段也有少量能量分布。沿面放電聲在第1到第10頻段范圍內(nèi)有能量分布，大部分能量集中在第2、第3頻段范圍內(nèi)，即750～2250 Hz。

圖6 放電聲信號能量分布圖Fig.6 Energy distribution diagram of discharge sound signal

圖7 機械故障聲信號能量分布圖Fig.7 Energy distribution diagram of sound signal of mechanical failure

圖7是3 種機械故障聲的能量分布圖。與放電聲相比，機械故障聲頻率較低。金屬部件與油箱內(nèi)線圈底部的摩擦聲能量主要在750 Hz 以下，750～1500 Hz范圍內(nèi)有少量能量分布。金屬小部件與夾件的摩擦聲能量主要集中分布在750 Hz 以下，在750～8250 Hz 頻率范圍內(nèi)有少量能量分布。金屬小部件與壓板的摩擦聲能量分布范圍較大，在750 Hz以下和5250～7500 Hz范圍內(nèi)能量較高。

分析圖7可知，機械故障聲中金屬部件與油箱內(nèi)線圈底部的摩擦聲和金屬部件與夾件的摩擦聲能量都集中在低頻部分。而很多干擾聲和變壓器聲都是低頻聲，容易和機械故障聲混淆，導(dǎo)致算法識別率下降。因而將機械聲1500 Hz 以下頻段進行二次分解作為聲音的特征。圖8為機械聲在1500 Hz 以下頻段能量分布圖。機械聲低頻部分的能量分布差異性較大，可以作為聲音的特征。

圖8 機械故障聲1500 Hz 以下頻段能量分布圖Fig.8 Energy distribution diagram of the frequency band below 1500 Hz of mechanical failure sound

2.5 故障類型識別與診斷

采用聲音的特征作為輸入，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。聲頻庫的聲頻按比例劃分為3 部分，訓(xùn)練集、驗證集、測試集的比例為70 :15 :15。訓(xùn)練集的聲頻被用作訓(xùn)練網(wǎng)絡(luò)模型；驗證集聲頻用來驗證網(wǎng)絡(luò)模型是否發(fā)生過擬合；測試集的聲頻用于測試神經(jīng)網(wǎng)絡(luò)模型識別故障的準(zhǔn)確性。不同算法對不同聲音的識別率如圖9所示。

圖9 不同算法對聲音的識別率Fig.9 Sound recognition rate of different algorithms

由圖9可知，小波包-BP 神經(jīng)網(wǎng)絡(luò)算法的整體識別率為93.9%，其中很多干擾聲和變壓器本體噪聲被誤判為金屬部件與油箱內(nèi)線圈底部的摩擦聲，導(dǎo)致這兩種聲音識別率偏低。改進小波包算法對干擾聲和變壓器本體噪聲的識別率大幅提高，整體識別率達到99.6%?；诿窢枌?shù)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的算法整體識別率為97.57%。由于該方法對干擾聲的識別率較低，導(dǎo)致算法整體識別率略低于改進小波包-BP神經(jīng)網(wǎng)絡(luò)算法。但是該方法無需針對識別的聲音的頻率優(yōu)化即有較高識別率，對未知聲的識別效果更好。如果變壓器安裝有其他故障檢測設(shè)備如局放檢測儀，則選擇計算量較小識別率較高的改進小波包-BP 神經(jīng)網(wǎng)絡(luò)算法；如果僅采用聲檢測法檢測變壓器的運行狀態(tài)，需選擇泛化性好的梅爾對數(shù)頻譜-卷積神經(jīng)網(wǎng)絡(luò)算法。目前故障聲的積累較少，缺乏實際變壓器測試結(jié)果。但已將聲檢測裝置安裝到變電站，一旦有故障發(fā)生即可將故障聲添加到聲音數(shù)據(jù)庫中。算法將自動提取聲音的特征，輸入到神經(jīng)網(wǎng)絡(luò)模型中更新故障診斷模型，提高算法的識別率。

3 結(jié)論

文中提出了基于可聽聲的變壓器故障診斷方法，可用于變壓器放電和機械故障診斷。即通過FastICA算法成功將模擬的故障聲與變壓器本體噪聲分離，分別采用改進小波包-BP 神經(jīng)網(wǎng)絡(luò)算法和梅爾對數(shù)頻譜-卷積神經(jīng)網(wǎng)絡(luò)算法識別不同聲音。實驗?zāi)M了放電聲和機械故障聲，采集了不同變電站的變壓器聲和6 種干擾聲。實驗表明，本文提出方法可在有干擾聲的條件下辨別放電故障、機械故障和變壓器本體噪聲。改進小波包-BP神經(jīng)網(wǎng)絡(luò)算法的識別率較高，可達99.6%；梅爾對數(shù)頻譜-卷積神經(jīng)網(wǎng)絡(luò)算法識別率為97.57%，泛化性較好。