基于特征融合和PSO-SVM的变压器铁芯松动声纹识别方法

本发明涉及变压器故障检测，特别涉及一种基于特征融合和pso-svm的变压器铁芯松动声纹识别方法。

背景技术：

1、电力变压器作为电网中重要环节之一起着重要作用，同时在电压电流变换以及稳压中发挥着巨大作用。在电力变压器的标准运行过程中，其绕组和铁芯在长期运行中可能导致机械故障，这种几何形状的变化可能导致绕组的振动增加，从而使得固体绝缘的机械退化。而变压器损坏的大部分原因是因为变压器绕组、铁芯以及主绝缘出现故障。所以针对变压器铁芯松动进行监测对于维护电网稳定具有重大意义。

2、在变压器铁芯松动的诊断方法中，振动信号监测法与油化验气体检测法是目前最主流的。但是振动信号的采集需要振动传感器，它的位置布点具有十分严格的要求，较小的偏移结果就会产生较大的误差。且对于大型变压器进行振动信号测量需要一定数量的振动传感器，导致成本大大增加难以在实际环境中广泛应用。油化验检测法无法实现实时监测，对某些需要及时响应的故障可能有一定的限制。而声信号能够实现非接触式大范围监测且成本相对较小，同时也能实现在线监测。

3、与本发明相关的现有技术，现有的涉及变压器铁芯松动声纹识别的专利主要有：

4、专利《一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置》申请号/专利号：2021111409170.1，公开设计了一种基于cnn+lstm变压器铁部件松动识别方法及装置，主要依据cnn+lstm网络模型对音频信号进行异常噪音分析，并给出判断结果。专利《一种利用声音检测判断变压器铁芯松动方法及系统》申请号/专利号：202111354851.2，公开设计了一种利用声音检测判断变压器铁芯松动方法及系统，通过对比分离出正常、铁芯松动情况下变压器铁芯声信号之间的频谱相似度来判断特新是否松动。专利《一种变压器声纹异常检测方法》申请号/专利号：202110872885.4，提出一种去噪模型，对去噪后声信号提取mel频谱特征，并利用检测模型g-made对特征进行打分，最后依据得分判断变压器是否正确。

5、上述专利考虑了声纹异常对于变压器铁芯松动故障具有一定参考意义，但是所采用的声纹特征值大都比较单一，mel滤波器在使用过程中存在能量泄露问题。目前变压器声信号原始数据较少，公共数据集的积累也较为困难，且神经网络算法具有局部极小值以及泛化能力一般等问题，因此，需要设计基于特征融合和pso-svm的变压器铁芯松动声纹识别方法来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，采用梅尔频谱系数与伽马通频谱系数融合得到新特征参数，并使用粒子群算法优化可以解决小样本下分类问题的svm的故障诊断模型参数，提高故障识别准确率。

2、为实现上述技术效果，本发明所采用的技术方案是：

3、基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，包括：

4、s1，空载实验测得变压器铁芯不同松动状况下声纹信号；

5、s2，基于梅尔倒谱系数和伽马通倒谱系数提取分别变压器声纹信号特征值；通过向量拼接得到融合特征参数，使用主成分分析法对融合特征参数进行降维；

6、s3，基于融合特征值，使用粒子群算法优化支持向量机参数，通过寻优算法获取最优的核函数和惩罚因子；

7、s4，获取到的变压器不同工况下音频一部分作为训练集进行训练，另一部分作为测试集进行测试，得到故障诊断模型；

8、s5，基于变压器铁芯松动故障诊断模型进行故障诊断。

9、优选地，步骤s2中，基于梅尔倒谱系数和伽马通倒谱系数提取分别变压器声纹信号特征值，通过向量拼接得到融合特征参数包括：

10、对步骤s1测得变压器声纹进行预处理包括预加重、分帧和加窗，窗函数选用汉明窗，对时域分帧信号通过快速傅里叶变换得到线性谱，随后将其分别通过梅尔滤波器组与伽玛通滤波器组并求出其对数能量；最后经过离散余弦变化得到所需的特征参数。

11、进一步地，使用梅尔倒谱系数和伽玛通倒谱系数对变压器声纹信号进行特征融合，并通过主成分分析法选择贡献率达到100％的前k维特征值组成新的融合特征值，随后利用粒子群算法优化支持向量机参数构建故障诊断模型，提高了变压器铁芯松动故障的准确率以及鲁棒性。

12、优选地，步骤s2中，通过向量拼接得到融合特征参数，使用主成分分析法对融合特征参数进行降维包括：

13、s201，对数据进行标准化将矩阵的每一行进行零均值化，使得每一行的均值为0；

14、s202，求协方差矩阵，衡量属性之间的相关性和变化程度；

15、s203，把特征向量按照特征值的大小从大到小派成一个矩阵，然后取前k行作为一个新的矩阵，其中k是降维后的目标维度；

16、s204，根据累积贡献率选出k个最能体现声信号携带信息的特征；累计贡献率公式为：式中，λi表示矩阵中对应的特征值，n表示特征值个数。

17、优选地，步骤s3中，基于特征融合值，通过寻优算法获取最优的核函数和惩罚因子包括：

18、s301，种群参数初始化，设置种群规模与迭代次数；

19、s302，计算每次迭代中粒子的适应度，选择其中最高地粒子作为全局最优解；

20、s303，根据全局最优解和其他粒子个体的位置与速度是否满足精度要求与迭代次数要求，更新每个粒子个体的位置和速度；

21、s304，重复执行基于每个粒子个体的位置与速度更新确定最优解，并基于新的最优解更新每个例子位置和速度直到满足条件，获取最佳参数；

22、s305，基于融合特征值与最优参数支持向量机构建并用训练集训练，获取变压器铁芯松动故障诊断模型。

23、进一步地，本发明搭建一套基于特征融合与pso-svm的变压器铁芯松动声纹识别系统，能有效实现对变压器铁芯松动故障识别监测，系统包括数据处理模块、模型训练模块和识别测试模块：

24、数据处理模块用于将采集到的音频进行处理得到所需的特征值；

25、模型训练模块用于搭建所述的pso-svm模型，根据故障样本的数据对所述pso-svm模型进行训练；

26、识别测试模块用于基于上述变压器铁芯松动故障诊断模型进行故障诊断。

27、本发明提供的基于特征融合和pso-svm的变压器铁芯松动声纹识别方法的有益效果如下：

28、本发明提供的方案对于故障监测识别精度高，通过空载实验测得变压器铁芯不同松动状况下声纹信号，基于梅尔倒谱系数和伽马通倒谱系数提取分别变压器声纹信号特征值，通过向量拼接得到融合特征参数，使用主成分分析法对融合特征参数进行降维，最后通过粒子群优化算法对支持向量机参数进行优化。

技术特征：

1.基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，其特征在于，包括：

2.根据权利要求1所述的基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，其特征在于，步骤s2中，基于梅尔倒谱系数和伽马通倒谱系数提取分别变压器声纹信号特征值，通过向量拼接得到融合特征参数包括：

3.根据权利要求1所述的基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，其特征在于，步骤s2中，通过向量拼接得到融合特征参数，使用主成分分析法对融合特征参数进行降维包括：

4.根据权利要求1所述的基于特征融合和pso-svm的变压器铁芯松动声纹识别方法，其特征在于，步骤s3中，基于特征融合值，通过寻优算法获取最优的核函数和惩罚因子包括：

5.基于特征融合和pso-svm的变压器铁芯松动声纹识别系统，其特征在于，包括数据处理模块、模型训练模块和识别测试模块，系统执行权利要求1～4所述的基于特征融合和pso-svm的变压器铁芯松动声纹识别方法；

技术总结本发明公开了一种基于特征融合和PSO‑SVM的变压器铁芯松动声纹识别方法，通过声信号提取梅尔倒谱系数与伽马通倒谱系数融合得到新的特征值MGCC，同时通过主成分析法提取前十维系数作为表达声信号信息的特征向量，输入到SVM支持向量机进行训练得到铁芯松动识别模型；通过对某10kV变压器进行空载实验并在铁芯不同松紧程度下分别采集声纹，本发明基于PSO‑SVM对声纹进行识别分类，有效提高了铁芯松动故障识别率。技术研发人员：张鑫,鲁玲,李明良,苑涛,陈邦进,蒲秋平,鲁洋,许鸿卫,卜得利受保护的技术使用者：三峡大学技术研发日：技术公布日：2024/5/9