基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断
发布时间：2021-10-31 10:46
为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数（GFCC）和鲸鱼算法优化随机森林（WA-RF）的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。
【文章来源】：电力自动化设备. 2020,40(08)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
GFCC特征参数提取过程
基于上述过程得到了64个通道的Gammatone滤波器组的频响曲线，为清晰起见，仅在图2中显示4的整数倍通道的滤波器频响曲线。由图2中的曲线可见，Gammatone滤波器是一组最大幅度出现在中心频率位置的带通滤波器，低频段的滤波器带宽较窄，高频段的滤波器带宽较宽，即每个滤波器的带宽随着中心频率的增加而增大。显然，相比Mel滤波器组中的三角滤波器[17],Gammatone滤波器组的谱峰更加平坦，能有效改善三角滤波器的能量泄漏问题。因运行中的变压器在正常状态与典型机械故障状态下的声音信号频谱分布大多集中在1 000 Hz以内，故在计算变压器声音信号的GFCC特征参数时，需要较为完整地保留变压器声音信号的特征信息，即需要设置Gammatone滤波器组的中心频率覆盖范围超过1 000 Hz。虽然带通滤波器组个数越多计算模型越精细，但同时计算复杂度也会增加，故本文综合考虑变压器声音信号的频谱特征、模型的分辨率、计算量等因素，将Gammatone滤波器组通道数和中心频率覆盖范围分别确定为64和0～8000 Hz。
限于篇幅，仍以测点1处的声音信号为例给出变压器声音信号的特征参数提取结果，图3给出了变压器在正常、铁芯松动和绕组松动3种状态下，声音信号的GFCC特征参数的信息熵，计算时声音信号长度设置为15 s，每帧信号长度设置为250 ms。由图3可见，变压器在3种机械状态下，其声音信号的GFCC维数为64，且信息熵随着GFCC维数的变化呈现出较平稳、大幅递减、再次平稳的变化趋势，即为GFCC特征参数中所包含的变压器声音信息特征随着维数的变化趋势，所以本文选取信息熵的突变点对应的35维作为后续分析中GFCC特征参数的维数。变压器3种机械状态下声音信号GFCC特征参数见附录中的图A5。由图可见，在全部35维GFCC特征参数中，三维倒谱图中高维段的曲线仍较为平坦，这是由Gammatone滤波器组随着中心频率的增高，相应的频带带宽也增高，高频段重叠幅度增加所导致的，这一现象再次印证了选取GFCC特征参数中所含的主要声音信息的重要性。此外，当变压器机械状态改变时，GFCC特征参数的幅值随着维数和帧数的变化均有着较为明显的变化，故可根据所提取的GFCC特征参数初步分析判断变压器是否存在机械故障。
【参考文献】：
期刊论文
[1]基于混沌理论和KPCM聚类的变压器绕组松动状态监测[J]. 黄春梅,马宏忠,付明星,许洪华,李勇. 高压电器. 2019(01)
[2]基于声音信号的高压断路器机械故障诊断方法[J]. 杨元威,关永刚,陈士刚,王静君,赵科. 中国电机工程学报. 2018(22)
[3]基于CEEMDAN的配电变压器放电故障噪声诊断方法[J]. 舒畅,金潇,李自品,周杨俊冉,范淑薇. 高电压技术. 2018(08)
[4]直流偏磁条件下电力变压器振动特性研究进展[J]. 李长云,郝爱东,娄禹. 电力自动化设备. 2018(06)
[5]基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法[J]. 王德文,雷倩. 电力自动化设备. 2018(05)
[6]基于支持向量机和遗传算法的变压器故障诊断[J]. 吐松江·卡日,高文胜,张紫薇,莫文雄,王红斌,崔屹平. 清华大学学报(自然科学版). 2018(07)
[7]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)
[8]关于在噪声环境下语音识别优化研究[J]. 张晓丹,黄丽霞,张雪英. 计算机仿真. 2016(08)
[9]基于ANSYS Workbench的变压器绕组松动分析及判定方法[J]. 马宏忠,弓杰伟,李凯,许洪华,周宇. 高电压技术. 2016(01)
[10]基于区间能量提取的变压器声测诊断[J]. 潘亮亮,赵书涛,李宝树. 变压器. 2010(04)
本文编号：3467991
【文章来源】：电力自动化设备. 2020,40(08)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
GFCC特征参数提取过程
基于上述过程得到了64个通道的Gammatone滤波器组的频响曲线，为清晰起见，仅在图2中显示4的整数倍通道的滤波器频响曲线。由图2中的曲线可见，Gammatone滤波器是一组最大幅度出现在中心频率位置的带通滤波器，低频段的滤波器带宽较窄，高频段的滤波器带宽较宽，即每个滤波器的带宽随着中心频率的增加而增大。显然，相比Mel滤波器组中的三角滤波器[17],Gammatone滤波器组的谱峰更加平坦，能有效改善三角滤波器的能量泄漏问题。因运行中的变压器在正常状态与典型机械故障状态下的声音信号频谱分布大多集中在1 000 Hz以内，故在计算变压器声音信号的GFCC特征参数时，需要较为完整地保留变压器声音信号的特征信息，即需要设置Gammatone滤波器组的中心频率覆盖范围超过1 000 Hz。虽然带通滤波器组个数越多计算模型越精细，但同时计算复杂度也会增加，故本文综合考虑变压器声音信号的频谱特征、模型的分辨率、计算量等因素，将Gammatone滤波器组通道数和中心频率覆盖范围分别确定为64和0～8000 Hz。
限于篇幅，仍以测点1处的声音信号为例给出变压器声音信号的特征参数提取结果，图3给出了变压器在正常、铁芯松动和绕组松动3种状态下，声音信号的GFCC特征参数的信息熵，计算时声音信号长度设置为15 s，每帧信号长度设置为250 ms。由图3可见，变压器在3种机械状态下，其声音信号的GFCC维数为64，且信息熵随着GFCC维数的变化呈现出较平稳、大幅递减、再次平稳的变化趋势，即为GFCC特征参数中所包含的变压器声音信息特征随着维数的变化趋势，所以本文选取信息熵的突变点对应的35维作为后续分析中GFCC特征参数的维数。变压器3种机械状态下声音信号GFCC特征参数见附录中的图A5。由图可见，在全部35维GFCC特征参数中，三维倒谱图中高维段的曲线仍较为平坦，这是由Gammatone滤波器组随着中心频率的增高，相应的频带带宽也增高，高频段重叠幅度增加所导致的，这一现象再次印证了选取GFCC特征参数中所含的主要声音信息的重要性。此外，当变压器机械状态改变时，GFCC特征参数的幅值随着维数和帧数的变化均有着较为明显的变化，故可根据所提取的GFCC特征参数初步分析判断变压器是否存在机械故障。
【参考文献】：
期刊论文
[1]基于混沌理论和KPCM聚类的变压器绕组松动状态监测[J]. 黄春梅,马宏忠,付明星,许洪华,李勇. 高压电器. 2019(01)
[2]基于声音信号的高压断路器机械故障诊断方法[J]. 杨元威,关永刚,陈士刚,王静君,赵科. 中国电机工程学报. 2018(22)
[3]基于CEEMDAN的配电变压器放电故障噪声诊断方法[J]. 舒畅,金潇,李自品,周杨俊冉,范淑薇. 高电压技术. 2018(08)
[4]直流偏磁条件下电力变压器振动特性研究进展[J]. 李长云,郝爱东,娄禹. 电力自动化设备. 2018(06)
[5]基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法[J]. 王德文,雷倩. 电力自动化设备. 2018(05)
[6]基于支持向量机和遗传算法的变压器故障诊断[J]. 吐松江·卡日,高文胜,张紫薇,莫文雄,王红斌,崔屹平. 清华大学学报(自然科学版). 2018(07)
[7]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)
[8]关于在噪声环境下语音识别优化研究[J]. 张晓丹,黄丽霞,张雪英. 计算机仿真. 2016(08)
[9]基于ANSYS Workbench的变压器绕组松动分析及判定方法[J]. 马宏忠,弓杰伟,李凯,许洪华,周宇. 高电压技术. 2016(01)
[10]基于区间能量提取的变压器声测诊断[J]. 潘亮亮,赵书涛,李宝树. 变压器. 2010(04)
本文编号：3467991
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3467991.html
