一种基于声学信号的变电设备缺陷诊断方法与流程

本发明属于变压器故障诊断技术、声纹处理技术、人工智能领域，具体地说，涉及一种基于声学信号的变电设备缺陷诊断方法。

背景技术：

1、现有技术的变压器等设备在运行过程中铁心、绕组等结构会发生振动，并产生机械波，产生的振动和声音信号包含大量的设备状态信息。振动及声音传感器无需与变压器之间产生电磁耦合，在变压器的在线监测、不停电检测等工作中具有很强的优势。在变压器的状态监测中，振动信号与声音信号相比具有更强的抗干扰能力，但是振动信号的采集对于布点位置的要求更为严格，而声音信号则能很好地解决空间敏感度过高的问题。

2、时频谱图是声信号分析处理的重要特征频率谱图，它能够反映信号在不同时间下频率能量分布，很好地建立声信号在时域与频域之间的联系，实现声音特征信息的最大化，方便后期声纹的提取与学习。声纹时频谱的绘制主要包含了分帧、加窗以及离散傅里叶变换的过程。在传统的语音识别领域的算法中，通常使用梅尔倒谱系数对语音信号进行特征提取。人耳的听觉系统对各频段的频率感知敏感度是不同的，mfccs主要优势在于利用了基于人类听觉感知实验得到的mel非线性频谱，对声音信号进行特征提取。

3、人工智能是指机器对人类智能的模拟。机器学习是人工智能的一个子集。机器学习使用一种称为模型的算法来摄取和处理数据。这些数据用于训练机器学习模型如何做出决策或得出结论。而深度学习是机器学习的一个子集。同时，神经网络又是深度学习的一个子集。深度神经网络具有强大的非线性特征表征能力，相比于传统模式识别方法而言泛用性强。目前，循环神经网络实现的深度学习模型在语音识别、情绪识别等领域已经取得了突破性的成果。

4、变压器是电力系统运行的关键核心装备。变压器运行过程中，可能出现短路冲击、局部放电、直流偏磁等缺陷。声音信号由于空间敏感度低，已被用于变压器缺陷的在线监测。除缺陷情况外，电压等级、下雨鸟鸣、有载开关切换等因素也会产生响应的声音信号。而声音信号的采样频率较低，传统的时频域变换方法受限于奈奎斯特采样定理，能表征的频率范围较小。

5、有鉴于此特提出本发明。

技术实现思路

1、本发明要解决的技术问题在于克服现有技术的不足，提供一种基于声学信号的变电设备缺陷诊断方法。

2、为解决上述技术问题，本发明采用技术方案的基本构思是：

3、一种基于声学信号的变电设备缺陷诊断方法，包括通过使用麦克风阵列对变压器不同电压程度下运行状态时产生的声学信号进行连续采集得到多组音频数据，采样率为16khz，各组音频数据在时域内的能量如下：si＝∫0t|f(t)|2dt，式中，si为第i组音频数据在时域内的能量，f(t)为时域内音频数据的函数表达式，t为实时采集的音频数据长度，按照si从大至小的顺序对各组音频数据进行排序；去除能量最大的一组音频数据和能力最小的一组音频数据，留下排序在中间位置的多组音频数据的均值作为变压器的特征声学信号。

4、可选的，将矩阵束法得到的时频谱图转化为灰度图像；将灰度图像重塑为224*224大小的图像，输入resnet50神经网络中，网络输出大小为11，分别对应短路冲击、局部放电、直流偏磁、110kv正常运行、220kv正常运行、500kv正常运行、800kv正常运行、1000kv正常运行、鸟鸣、雨声、有载开关切换状态。

5、可选的，矩阵束法对声音信号进行时频分析：

6、变压器声音信号模型可以表示为

7、

8、其中，αk、ωk、θk分别表示第k个频率分量的幅值、频率和初始相位；βk为第k个频率分量的衰减系数；δt为采样时间间隔。进一步表示为指数模型：

9、

10、其中，rk＝αke±jθ/2；pk＝-βk±jωk。

11、对于采样信号x(n)，构造两个(n-l)×l的hankel矩阵x1与x2：

12、

13、

14、l为矩阵束参数，恰当地选取可以减小噪声的影响。n/3到2n/3是l的较佳的选择[9]。将x1、x2表示为

15、x1＝zlpzr

16、x2＝zlpzzr

17、其中

18、

19、

20、

21、p＝diag[r1,r2,…,r2k]

22、则有

23、x1-λx0＝zlp(z0-λi)zr

24、因此，矩阵束x1-λx0的广义特征值即包含了声音信号频率个数、频率和衰减系数。故对声音信号的求取转化为求解式(18)广义特征的问题：

25、x1-λx0＝x0+x1

26、式中，x+为x0的伪逆。

27、求得声音信号频率个数、频率和衰减系数后，信号幅值可以通过求解下面的最小二乘问题得到

28、

29、可选的，采集变压器运行时的声音信号运用矩阵束方法对声音信号进行时频谱分析，得到时间长度为1s，频率范围为0-20khz的时频谱图，将时频谱图转化为224*224像素大小的灰度图，输入resnet50神经网络，经过推理后，得到变压器的运行状态。

30、可选的，通过矩阵束算法实现了声音信号频率分辨率的提升，构建了resnet50神经网络，实现了变压器短路冲击、局部放电、直流偏磁、110kv正常运行、220kv正常运行、500kv正常运行、800kv正常运行、1000kv正常运行、鸟鸣、雨声运行状态的智能分类，通过resnet50神经网络中的云端将故障声学特征数据库里提取出来的故障声学特征进行逐项比对，实时地进行变压器的缺陷诊断。

31、采用上述技术方案后，本发明与现有技术相比具有以下有益效果，当然，实施本发明的任一产品并不一定需要同时达到以下所述的所有优点：

32、该基于声学信号的变电设备缺陷诊断方法引入矩阵束方法，对变压器声音信号进行时频分析，提升声音信号的频率分辨率。构建残差神经网络实现了变压器缺陷、环境、开关切换、电压等级等状态分类，有效提升了变压器在线监测声音信号分析能力。

33、下面结合附图对本发明的具体实施方式作进一步详细的描述。

技术特征：

1.一种基于声学信号的变电设备缺陷诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，通过使用麦克风阵列对变压器不同电压程度下运行状态时产生的声学信号进行连续采集得到多组音频数据，采样率为16khz。

3.根据权利要求2所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，各组音频数据在时域内的能量如下：si＝∫0t|f(t)|2dt，式中，si为第i组音频数据在时域内的能量，f(t)为时域内音频数据的函数表达式，t为实时采集的音频数据长度。

4.根据权利要求3所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，按照si从大至小的顺序对各组音频数据进行排序；去除能量最大的一组音频数据和能力最小的一组音频数据，留下排序在中间位置的多组音频数据的均值作为变压器的特征声学信号。

5.根据权利要求1所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，将矩阵束法得到的时频谱图转化为灰度图像；将灰度图像重塑为224*224大小的图像，输入resnet50神经网络中。

6.根据权利要求5所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，网络输出大小为11，分别对应短路冲击、局部放电、直流偏磁、110kv正常运行、220kv正常运行、500kv正常运行、800kv正常运行、1000kv正常运行、鸟鸣、雨声、有载开关切换状态。

7.根据权利要求1所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，采集变压器运行时的声音信号运用矩阵束方法对声音信号进行时频谱分析，得到时间长度为1s，频率范围为0-20khz的时频谱图。

8.根据权利要求7所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，将时频谱图转化为224*224像素大小的灰度图，输入resnet50神经网络，经过推理后，得到变压器的运行状态。

9.根据权利要求1所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，通过矩阵束算法实现了声音信号频率分辨率的提升，构建了resnet50神经网络，实现了变压器短路冲击、局部放电、直流偏磁、110kv正常运行、220kv正常运行、500kv正常运行、800kv正常运行、1000kv正常运行、鸟鸣、雨声运行状态的智能分类。

10.根据权利要求1所述的一种基于声学信号的变电设备缺陷诊断方法，其特征在于，通过resnet50神经网络中的云端将故障声学特征数据库里提取出来的故障声学特征进行逐项比对，实时地进行变压器的缺陷诊断。

技术总结本发明公开了一种基于声学信号的变电设备缺陷诊断方法，涉及变压器故障诊断技术、声纹处理技术、人工智能技术领域。本发明包括以下步骤：在变电站采集变压器不同电压程度下运行时的声音信号，运用矩阵束方法对声音信号进行时频谱分析，得到时频谱图数据，将矩阵束方法得到的时频谱图数据转化为灰度图像数据，输入ResNet50神经网络中，根据故障声学特征数据库里提取出来的故障声学特征进行逐项比对，来判断变压器的运行状态。本发明通过引入矩阵束方法，对变压器声音信号进行时频分析，提升声音信号的频率分辨率，构建残差神经网络实现了变压器缺陷、环境、开关切换、电压等级等状态分类，有效提升了变压器在线监测声音信号分析能力。技术研发人员：刘春,庞巍,王维东,郑乃熙,王达,王勇,谢蓓敏,郭怀东受保护的技术使用者：国网吉林省电力有限公司超高压公司技术研发日：技术公布日：2024/4/24