一种基于奇异谱声纹的电力设备状态检测方法及装置与流程

本发明属于电力行业设备故障诊断，尤其涉及一种基于奇异谱声纹的电力设备状态检测方法及装置。

背景技术：

1、当电力设备存在缺陷时，在开关操作的机械力、负载电流产生的交变电动力等因素的作用下会产生机械性运动，从而导致设备发生异常声响，需要及时的对故障进行诊断，从而尽早排除问题。

2、目前，基于振动测量的故障诊断方法被普遍应用于电力设备状态监测中，其测量过程主要是利用加速度传感器或应变传感器的接触式测量，该电力设备故障诊断方法具有局限性，且不能发现早期故障，对于排查故障有滞后性，此外，对于大型设备的振动信号采集，使用振动传感器的难度大、成本高，且耗时耗力。

技术实现思路

1、基于背景技术存在的技术问题，本发明提出了一种基于奇异谱声纹的电力设备状态检测方法及装置。

2、本发明提出的一种基于奇异谱声纹的电力设备状态检测方法，包括如下步骤：

3、步骤s1：信号获取阶段，获取被检测电力设备的声信号；

4、步骤s2：信号处理阶段，以奇异谱分析的方法提取声信号的主导分量信号并重构，得到重组信号，奇异谱分析包括分解和重构两部分；

5、步骤s3：声纹分析阶段，对上述奇异谱分析方法所得的重组信号进行声纹分析，提取其gamma频率倒谱系数的特征矩阵；

6、步骤s4：状态识别阶段，对上述gamma频率倒谱系数进行降维计算，依据得到1×lgm的特征向量t，其中m为滤波器序号，lg为gamma频率倒谱系数特征矩阵的维数，以被检测电力设备正常运行状态下的gamma特征矩阵为标准，进行状态识别诊断。

7、优选地，所述步骤s1中分解的具体操作步骤如下：

8、a)设有时间序列r＝{rl，…，rn)，长度为n，给定嵌套维数l(l≤n/2)，按照如下方式构造轨迹矩阵：

9、

10、式中，k＝n-l+1，且k为正整数；

11、b)设xxt的特征值为λ1≥λ2≥…≥λl≥0，其对应的单位特征向量为u1，u2，…，ul，令进而将x进行奇异值分解：

12、

13、式中，(i＝1,2,…,l)称为奇异谱密度；

14、c)记d＝rank(x)＝max(i，λ>0)，则有

15、x＝x1+x2+…+xd，

16、式中，(i＝1,2,…,d)称为特征向量，ui称为经验正交函数，vi称为主分量。

17、d)在奇异值分解后，白噪声xn分布在各个特征向量中，而信号能量xs主要集中在前几个特征向量中,故上式可改写成:

18、

19、式中，r<d，且r，d均为自然数，r表示信号能量主要集中的特征向量个数,其中||xi||2＝λi(i＝1，2，…，d)，故定义特征向量的贡献率进而有表示前r个特征向量对整体特征值向量x的贡献率。

20、优选地，所述步骤s1中在分解的基础上进行重构，重构的步骤包括分组和对角平均：

21、所述分组即把前r个特征向量xi依照排列顺序划分到长度随机的几个组，并在组内进行相加，具体操作为，记i＝{i1,i2,…,ip}，p表示该组的长度，且p为正整数，相应的xi＝xi1+…+xip，进而前r个特征向量xr可划分成不相交的p个矩阵合成之和，p为正整数，即xr＝xi1+xi2+…+xip。对角平均是将每个xr(n＝1，2，…，p)转化成时间序列，具体操作如下：

22、令l*＝min(l,k),k*＝max(l,k),记对角平均将矩阵xr转化成序列g0，…gn-1,转化得到的序列即为所述重组信号，转化过程如下：

23、

24、优选地，所述步骤s2中gamma频率倒谱系数的具体提取步骤如下：

25、1)对重组信号进行预加重处理；

26、2)对预加重处理后的重组信号进行分帧处理，将较长的声信号分成多个长度为1帧的小段；

27、3)对分帧处理后的结果进行加窗处理，加窗方法为以hanning窗进行加窗；

28、4)针对加窗处理后的每一帧数据x(a,b)进行短时傅里叶变换得到频域数据x(a,c)，其中a表示帧的序号，b表示一个信号序列中第b个数据，即x(a,b)为第i帧的信号序列，c表示第c条谱线；

29、5)对x(a,b)取绝对值后通过gammatone滤波器组，

30、gammatone滤波器的时域表达式为：

31、

32、式中，a为滤波器的增益，fm为滤波器的中心频率，u(t)为阶跃函数，φm为偏移相位，n为滤波器的阶数，m为滤波器数目，bm为滤波器的衰减因子，其值决定当前滤波器对脉冲响应的衰减速度，与中心频率关系如下：

33、bm＝1.019berb(fm)，

34、式中，berb(fm)为等效矩形带宽，与中心频率的关系如下所示：

35、

36、5)计算频域数据x(a,c)通过gammatone滤波器的对数能量e(a,m)；

37、

38、上式中，q表示帧数，gm(k)为gammatone滤波器的第m个滤波器，m为滤波器的组数；

39、6)将频域数据x(a,c)通过滤波器组的对数能量e(i,m)进行离散余弦变换，基于下式计算gamma频率倒谱系数：

40、

41、上式中，gfcc(a,b)表示gamma频率倒谱系数，a表示帧的序号，n表示离散余弦变换后的谱线，m为滤波器的组数，e(a,m)为频域数据x(a,c)通过滤波器的对数能量，m表示第m个滤波器，lg为gamma频率倒谱系数特征矩阵的维数。

42、优选地，所述步骤s3中降维计算方法为:

43、

44、其中，t(o)为降维后的特征向量，o为特征向量的列序号，a为帧序号。

45、所述的一种基于奇异谱声纹的电力设备状态检测装置，包括传声器、数采设备、通讯总线、cpu和显示屏，所述传声器的输出端与数采设备输入端连接，所述数采设备输出端与通讯总线的输入端连接，所述通讯总线与cpu之间数据相互传输，所述通讯总线的输出端还与显示屏连接，所述传声器用于采集声信号，所述数采设备用于信号数据的接收并实现a/d转换，所述通讯总线用于发送数据至cpu进行信号处理与分析，所述cpu还用于将处理分析后的信号进行特征提取，所述显示屏展示奇异谱声纹特征向量与状态检测结果。

46、与现有技术相比，本发明的有益效果是：

47、1、本方法提出的基于奇异谱声纹的电力设备状态检测装置可实现非接触式的电力设备状态检测，简化了检测过程。

48、2、本方法提出的检测方法在奇异谱分析方法基础上，基于人的听觉机理来分析声纹，使得检测结果更具可靠性，且结果展示方式更直接易懂。

49、3、本发明提出的电力设备状态检测装置可以直接应用于运行时的检测与诊断，自动化程度高，所采集的声信号可在运算处理器上进行分析，工作过程稳定且设定简单，信号的分析无需人工干预，结果可靠性高，信号的重组减少了背景噪音影响。