基于改进梅尔倒谱系数的GIS机械故障诊断方法

发布时间：2021-04-02 13:45

　　机械故障是GIS常见的故障,若不及时发现会造成分合闸失误等重大安全隐患。文中提出了一种用于GIS机械故障在线监测的基于改进梅尔倒谱系数诊断方法。首先对预处理后的声音信号提取MFCC;为适应GIS运行声音能量变化平缓的特点,对MFCC进行优化得到改进特征;引入SVM构建基于声学的GIS机械故障诊断模型,并采用袋装算法对SVM模型进行集成。本研究通过在真型GIS上模拟机械故障,获取真实的故障声音信号进行训练和测试。实验结果表明,改进MFCC相较于传统MFCC在GIS故障声音识别系统中有着更高的识别精度。并且对比传统MFCC特征,改进的特征在噪声条件下也有更好的表现,尤其在信噪比低时,F1分数提升幅度可以达到30%左右。 

【文章来源】：高压电器. 2020,56(09)北大核心CSCD

【文章页数】：7 页

【部分图文】：

说话人识别流程图

声音信号预处理过程包括预加重、分帧加窗、静音检测等计算步骤，见图2。预加重指的是将声音信号的高频部分加重，用来增强声音的高频分辨率[11]。一般的方法是让声音信号x(n)通过一个高通滤波器

特征提取的目的是从声音信号中提取出对声音识别有用的信息，形成该信号的声学特征向量。传统的信号分析方法主要集中在时域和频域，易受环境噪音的干扰。人的耳朵能够在嘈杂的环境噪音中听到语音信号，这是因为人耳的基础膜会对外来信号产生调节作用，不同频率的信号会引起基础膜上不同位置的振动。梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)就是利用一系列不同权重的带通滤波器组来模仿人耳基础膜的调节作用[13]，对频谱进行非线性化处理，降低干扰频段的比重，由此减少噪音的影响[14]。MFCC计算过程见图3。具体步骤如下：

【参考文献】：
期刊论文
[1]基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法[J]. 张重远,罗世豪,岳浩天,王博闻,刘云鹏.  高电压技术. 2020(02)
[2]GIS设备运行状态下振动机理及检测诊断技术研究[J]. 丁登伟,何良,龙伟,程江荣,张紫薇,袁明虎,周瑜,张晨.  高压电器. 2019(11)
[3]运行条件下GIS局部放电严重程度评估方法[J]. 宋辉,代杰杰,李喆,罗林根,盛戈皞,江秀臣.  中国电机工程学报. 2019(04)
[4]基于改进HHT算法的GIS机械振动信号时频分析[J]. 郑浩,朱胜龙,欧阳昱,李檀.  电气自动化. 2018(01)
[5]基于振动原理的GIS母线触头松动缺陷诊断技术研究[J]. 黄清,魏旭,许建刚,周志成.  高压电器. 2017(11)
[6]基于改进MFCC和VQ的变压器声纹识别模型[J]. 王丰华,王邵菁,陈颂,袁国刚,张君.  中国电机工程学报. 2017(05)
[7]高压隔离开关机械故障分析及诊断技术综述[J]. 邱志斌,阮江军,黄道春,张宇,张恩伟.  高压电器. 2015(08)
[8]噪声鲁棒性说话人识别语音高频加权MFCC提取[J]. 陈迪,龚卫国,李波.  仪器仪表学报. 2008(03)
[9]基于声音信号的特征提取方法的研究[J]. 李宏松,苏健民,黄英来,于慧伶.  信息技术. 2006(01)
[10]基于信号处理的声音模式识别过程及方法研究[J]. 张宇波.  计算机仿真. 2004(09)



本文编号：3115376