一种基于神经网络的变压器故障声音特征识别方法技术

本发明专利技术公开了一种基于神经网络的变压器故障声音特征识别方法，其根据噪声和故障声音的频率特性，采用快速独立分量分析算法分离出噪声信号和故障声音源信号，以声音的能量分布作为特征向量，计算故障声音的各个频段的能量分布，根据能量分布故障特征向量，将故障特征向量进行神经网络计算，根据输出值确定变压器故障类型。本发明专利技术实现了设备状态信息非接触采集和封闭设备状态透视，达到变压器潜伏性缺陷可视、可感，其能降低故障识别的计算量，提高识别速度。别速度。别速度。

【技术实现步骤摘要】
一种基于神经网络的变压器故障声音特征识别方法


[0001]本专利技术涉及变压器故障识别
，具体是一种基于神经网络的变压器故障声音特征识别方法。

技术介绍

[0002]近年来，经济和工业的发展使得我国对电力的需求不断增大，超高压大电网成为电力发展的新趋势。经过多年运行，变压器发生故障的几率不断增加，存在发生绝缘老化、部件松动等各种故障的风险。作为电力系统中用于电能转换的电力设备，变压器数量大，运行时间长，因而产生故障的变压器数目也较多。变压器是电力系统中的重要设备，确保其安全的运行十分重要。因此，对变压器运行状态进行分析，及时消除变压器的隐患，对电力系统发展具有重要意义。
[0003]然而，变压器故障的形式是多种的，如蝶阀螺栓出现松动、磨损、断裂、脱落等情况，乃至引发断裂螺栓、油流指示器磨损杂质进入线圈内部引发的变压器故障，以及油枕中的异物、杂质因流速过快冲入变压器本体油箱引发的绝缘故障等。这类无放电特征的故障无法通过红外、紫外和射频巡检等常见的手段进行检测。
[0004]检测变压器机械故障的主要方法是振动信号分析法，目前对于其振动测试方法的研究主要集中在振动测试系统与声学测试系统的开发、振动和声学测点位置的选择。西安交通大学最早采用压电式振动加速度传感器对变压器铁心和绕组的振动进行测量，而具有永磁体吸座的振动加速度传感器以其易于粘贴和安装的优势受到了广泛的关注；重庆大学则利用光纤法珀传感器建立了铁心振动测试系统，并且分别从传感器布置、信号解调技术以及光路设计等方面对测试系统进行了深入的研究。但是振动信号分析法在应用时，需要将传感器粘贴在设备表面，测量点的选择需要非常了解设备的结构及特点，且不同测点的选择会直接影响到测量结果；其次，振动信号分析法能诊断出机械缺陷，但却很难对其进行定位，若想定位需使用大量传感器，而数量居多的传感器粘贴于设备表面并不切合实际。
[0005]针对变压器故障在电磁应力下产生振动并辐射出异响的特点，且不同故障产生的声音频带不同，为通过异响诊断故障提供了另一个方向。然而机械故障声音频带与变压器本体噪声频带重合度高，声音混淆的概率增加，通过识别声音实现故障识别的难度提高。异响单靠裸眼和耳朵想要准确地定位异音、异响是非常困难，且靠近带电的变压设施还会对现场人员产生安全隐患，若断电检查，一旦停电，异响也会消失，排查处理有很大难度。
[0006]如何将混合声音中的噪音与故障声音分离，是变压器非接触在线故障诊断技术实现需要解决的问题。

技术实现思路

[0007]针对上述现有技术中的问题，本专利技术提出一种基于神经网络的变压器故障声音特征识别方法，用于解决现有技术中混合声音中的噪音与故障声音分离的问题。
[0008]为了实现上述目的，本专利技术的技术方案：
[0009]一种基于神经网络的变压器故障声音特征识别方法，其包括：
[0010]混合声音采集，通过麦克风采集变压器通电状态下的声音，形成混合音频信号；
[0011]混合声音分离，对混合音频信号分析运算，分离出噪声信号和故障声音源信号；
[0012]声音信号特征提取，计算故障声音信号中各个频段的能量分布，按小波包能量分布向量和梅尔对数频谱作为故障声音源信号的特征；
[0013]故障类型识别，采用神经网络模型识别故障声音源信号对应的故障类型。
[0014]进一步地，混合声音分离中，采用快速独立分量分析算法，以通过建立的目标函数来寻优，逐渐逼近故障声音源信号：
[0015]1)构建基于负嫡最大算法的目标函数为
[0016][0017](3
‑
3)式中，k
i
为正常数，v为标准化过的高斯变量，y为具有单位方差和零均值的随机变量，G
i
为任意的实际非二次函数；
[0018]2)按鲁棒性优劣，选择随自变量增长较慢的函数G
i
，所述G
i
在以下四种公式中选择：
[0019][0020]G2(y)＝
‑
exp(
‑
y2/2)(3
‑
5)，
[0021][0022][0023]其中，常数a1，的取值范围为1≤a1≤2；当故障声音源信号是亚高斯和超高斯信号时，函数G
i
选择公式(3
‑
4)；当故障声音源信号中全部是超高斯信号时，G
i
选择公式(3
‑
5)；当故障声音源信号中全部是亚高斯信号时，G
i
选择公式(3
‑
6)；当故障声音源信号中全部是偏态分布信号时，G
i
选择公式(3
‑
7)；
[0024]3)构建混合音频信号与故障声音源信号的关系：
[0025]y＝W
T
X(3
‑
8)，
[0026](3
‑
8)式中，y为故障声音源信号的其中一个独立分量，w为分离矩阵W的其中一行，X为一一混合信号的矩阵；
[0027]将式(3
‑
8)代入式(3
‑
3)，令p＝1得:
[0028]J
G
(W){E[G(W
T
X)]‑
E[G(V)]}2(3
‑
9)；
[0029]4)求解能使式(3
‑
9)中函数J
G
(W)达到最大值的分离矩阵W，由E{(W
T
X)2}＝1，得目标函数为：
[0030][0031]根据Kuhn
‑
Tucker条件将有条件问题转化为无条件问题，则目标函数变为：
[0032]F(w)＝E[G(W
T
X)]+C(||W||2‑
1)(3
‑
11)，
[0033]W
+
＝E{Xg(W
T
X)}
‑
E{g(W
T
X)}w(3
‑
12)，
[0034](3
‑
11)式中，C为常数；
[0035]5)由牛顿法的迭代公式得：
[0036][0037]F(w)＝E[G(W
T
X)]+C(||w||2‑
1)(3
‑
14)。
[0038]进一步地，声音信号特征提取中，通过小波包算法计算故障声音源信号各个频段的能量分布：
[0039]1)通过小波包变换算法，将故障声音源信号分解到宽度相等的频率段上，将故障声音源信号n层分解，则在第n层共得到2
n
个频段，对信号进行n
‑
1层小波包分解，分解公式为：
[0040][0041][0042](3
‑
15)和(3
‑
16)式中，为第n层小波包分解的低频系数，为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的变压器故障声音特征识别方法，其特征在于，包括：混合声音采集，通过麦克风采集变压器通电状态下的声音，形成混合音频信号；混合声音分离，对混合音频信号分析运算，分离出噪声信号和故障声音源信号；声音信号特征提取，计算故障声音信号中各个频段的能量分布，按小波包能量分布向量和梅尔对数频谱作为故障声音源信号的特征；故障类型识别，采用神经网络模型识别故障声音源信号对应的故障类型。2.根据权利要求1所述的一种基于神经网络的变压器故障声音特征识别方法，其特征在于，混合声音分离中，采用快速独立分量分析算法，以通过建立的目标函数来寻优，逐渐逼近故障声音源信号：1)构建基于负嫡最大算法的目标函数为(3
‑
3)式中，k
i
为正常数，v为标准化过的高斯变量，y为具有单位方差和零均值的随机变量，G
i
为任意的实际非二次函数；2)按鲁棒性优劣，选择随自变量增长较慢的函数G
i
，所述G
i
在以下四种公式中选择：G2(y)＝
‑
exp(
‑
y2/2)(3
‑
5)，5)，其中，常数a1，的取值范围为1≤a1≤2；当故障声音源信号是亚高斯和超高斯信号时，函数G
i
选择公式(3
‑
4)；当故障声音源信号中全部是超高斯信号时，G
i
选择公式(3
‑
5)；当故障声音源信号中全部是亚高斯信号时，G
i
选择公式(3
‑
6)；当故障声音源信号中全部是偏态分布信号时，G
i
选择公式(3
‑
7)；3)构建混合音频信号与故障声音源信号的关系：y＝W
T
X(3
‑
8)，(3
‑
8)式中，y为故障声音源信号的其中一个独立分量，w为分离矩阵W的其中一行，X为一一混合信号的矩阵；将式(3
‑
8)代入式(3
‑
3)，令p＝1得:J
G
(W){E[G(W
T
X)]
‑
E[G(V)]}2(3
‑
9)；4)求解能使式(3
‑
9)中函数J
G
(W)达到最大值的分离矩阵W，由E{(W
T
X)2}＝1，得目标函数为：根据Kuhn
‑
Tucker条件将有条件问题转化为无条件问题，则目标函数变为：
F(w)＝E[G(W
T
X)]+C(||W||2‑
1)(3
‑
11)，W
+
＝E{Xg(W
T
X)}
‑
E{g(W
T
X)}w(3
‑
12)，(3
‑
11)式中，C为常数；5)由牛顿法的迭代公式得：F(w)＝E[G(W
T
X)]+C(||w||2‑
1)(3
‑
14)。3.根据权利要求2所述的一种基于神经网络的变压器故障声音特征识别方法，其特征在于，声音信号特征提取中，通过小波包算法计算故障声音源信号各个频段的能量分布：1)通过小波包变换算法，将故障声音源信号分解到宽度相等的频率段上，将故障声音源信号n层分解，则在第n层共得到2
n
个频段，对信号进行n
‑
1层小波包分解，分解公式为：分解公式为：(3
‑
15)和(3
‑
16)式中，为第n层小波包分解的低频系数，为第n层小波包分解的高频系数，H
k
‑
21
为小波包分解的低通滤波系数，G
k
‑
21
为小波包分解的高通滤波系数，P
n
‑
1，0
(t)为第n
‑
1层的小波包分解系数；2)重构各频率段的小波包系数，第n层小波包重构公式为：第n层小波包重构公式为：(3
‑
17)和(3
‑
18)式中，P
n，0
(t)为第n层小波包重构的低频信号，P
n，1
(t)为第n层小波包重构的高频信号，H1‑
2k
为小波包重构的低通滤波系数，g1‑
2k
为小波包重构的高通滤波系数，为低频重构系数，为高频重构系数；3)计算各频率段能量：计算2
n
个频带信号S
n，j
的能量E1、E2…
Ei，计算公式为：(3
‑
19)式中，S
i
(t)为原始信号，P
i
为离散点幅值，E
i
为第j个频带的能量，n为第j个频带的采样点数；4)将各频段的能量归一化构建特征向量T:4.根据权利要求3所述的一种基于神经网络的变压器故障声音特征识别方法，其特征在于，故障类型识别中通过BP神经网络算法进行训练和参数确...

【专利技术属性】
技术研发人员：冯跃，钱永亮，叶华胜，王昆仑，尹程臣，江志显，缪祥琎，宋鑫源，
申请(专利权)人：云南电网有限责任公司文山供电局，
类型：发明
国别省市：