基于深度学习的开关柜放电声音识别的研究

发布时间：2020-05-29 09:13

【摘要】：随着我国电力事业的快速发展,开关柜的绝缘性能也接受了巨大的挑战,绝缘状态的实时监测方法引起人们的重视和思索。长久以来,我国电力部门使用定期维护,离线检修等方法来避免绝缘事故,这对于依靠电力的企业以及地市险峻的地区尤为不便。最近一段时间出现了基于声音识别的检测方法。本文现场采集几种典型开关柜绝缘部件的放电声音,重点研究了短时能量、小波能量、线性预测倒谱系数及梅尔倒谱系数等特征及其提取方法,并通过深度学习的有监督学习对放电声音进行识别。首先本文对采集到的开关柜放电声音信号预处理。主要包括加重、分帧和加窗等。预加重能够减小采集过程中放电声音自身数量级差异,消除音量强弱差异对放电声音质量的影响,每个音段都能凸显自身特征。分帧加窗能够得到线性平稳的放电声音短时信号。其次,为了提高识别的准确率,需要建增加训练样本的数量。本文实验加入了自己录制的模仿撞击声,现场录制的背景杂音等作为干扰项。同时在放电发生时模拟真实环境,掺入背景噪声,并通过本文提出的混叠声音处理方法进行了准确的信号提取,提高整套系统的环境适应性和稳定性。然后针对预处理后的放电声音信号,在特征提取阶段,分别在时域和频域上提取放电声音的小波能量分布。根据每个节点能量的占比,确定小波能量的特征参数提取;通过使放电声音信号抽样值和线性预测算法结果值之间误差的均方差达到最小值来求解预测系数,该预测系数可以准确代表实际放电声音,反应真实声音的信号特征;模拟人耳对声音频率感知的特性,利用滤波器将每帧声音信号频谱由线性频域对应到Mel频域。然后对滤波器输出的Mel频谱进行对数变换,再通过离散余弦变换映射在倒谱域上,完成MFCC特征参数的提取。最后,根据对放电声音提取的特征,基于深度学习理论完成放电声音识别模型的搭建和训练。在训练阶段,构建卷积神经网络模型,考虑网络层数、卷积核大小等方面选择合适的核函数类型,从而得到最佳的训练模型,完成对测试样本所属类别的确定。
【图文】：

放电实验,设备,声音

根据后面章节特征提取的需要及采集的声音样本特点，本文对放电声音的预处理包括预加重、分帧加窗、滤波去噪以及混叠声音提取四个步骤[36]。2.1 放电声音样本的采集实验以HZTC-101-10kVA电气控制台以及YDJ-10kVA/100kV油浸式变压器作为放电和控制电压等级的的主要装置，装置如图 2.1 所示。对于声音的采集所使用的信号转换设备为 SB1550 声卡，使用麦克风型号是 TCM370，如图 2.2 所示。录音软件LabVIEW2012，32 位版本，在软件中搭建声音采集程序，如图 2.3 所示。声音样本的格式为 wav 格式，采样频率为 96kHz，声道配置为单声道，每种类型的时长均在 20 秒左右。考虑到在企业和实验室进行试验，对放电类型的判断不是很准确，所以只是把采集到的声音样本按照不同的绝缘部件进行保存。后期通过电脑端 GoldWave552 来对长时间声音样本进行随机分段。在分段时为了之后预处理的端点检测，样本音段前后都留有一定的空白。同时考虑到声音具有短时平稳的特性，而且快速傅里叶变换的采样点数不能过大，所以将声音段长度设置在 3 秒左右。

麦克风,声音

根据后面章节特征提取的需要及采集的声音样本特点，本文对放电声音的预处理包括预加重、分帧加窗、滤波去噪以及混叠声音提取四个步骤[36]。2.1 放电声音样本的采集实验以HZTC-101-10kVA电气控制台以及YDJ-10kVA/100kV油浸式变压器作为放电和控制电压等级的的主要装置，装置如图 2.1 所示。对于声音的采集所使用的信号转换设备为 SB1550 声卡，使用麦克风型号是 TCM370，，如图 2.2 所示。录音软件LabVIEW2012，32 位版本，在软件中搭建声音采集程序，如图 2.3 所示。声音样本的格式为 wav 格式，采样频率为 96kHz，声道配置为单声道，每种类型的时长均在 20 秒左右。考虑到在企业和实验室进行试验，对放电类型的判断不是很准确，所以只是把采集到的声音样本按照不同的绝缘部件进行保存。后期通过电脑端 GoldWave552 来对长时间声音样本进行随机分段。在分段时为了之后预处理的端点检测，样本音段前后都留有一定的空白。同时考虑到声音具有短时平稳的特性，而且快速傅里叶变换的采样点数不能过大，所以将声音段长度设置在 3 秒左右。
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN912.34;TP181

【相似文献】