声纹的变压器放电与机械故障诊断研究∗

吴国鑫 詹花茂 李 敏

(华北电力大学 新能源电力系统国家重点实验室 北京 102206)

0 引言

电力变压器是电力系统中进行电能转换的电气设备，是电网安全稳定运行的关键环节[1−2]。变压器经过多年运行，存在绝缘老化、部件松动等各种故障隐患，发生故障的几率不断增加[3]。对变压器进行故障检测及诊断意义重大。

变压器正常运行时发出的声音具有一定规律性，当出现故障时，其声特征也会随之改变。因此可以利用变压器声特征的变化进行故障诊断[4−5]。由于采集声信号时无需在变压器上耦合信号采集设备，这种检测方法不会破坏变压器结构，抗电气干扰能力强，不影响设备正常运行[6−8]。

国内外基于可听声的故障诊断方法常应于机械故障诊断领域，大多与内燃机[9]、轴承[10−11]、齿轮[12]故障有关。随着语声识别技术的不断发展，近几年利用声纹识别技术进行变压器状态检测及故障诊断成为新的研究热点[13−15]。文献[16–18]模拟火花放电故障声，并从时域、频域和能量方面分析声信号特征。文献[19]基于Gammatone滤波器倒谱系数(Gammatone filter cepstral coefficient,GFCC)与优化随机森林(Random forest,RF)算法，识别变压器铁芯松动、绕组松动故障。文献[20]基于梅尔频率倒谱系数(Mel frequency cestrum coefficient,MFCC)特征向量和矢量量化(Vector quantization,VQ)算法对变压器铁芯不同松动情况下的噪声信号进行识别。变压器中占比最大的故障为放电故障和机械故障，同时诊断放电故障和机械故障意味着故障识别类型增加，声混淆的概率增加，再加上机械故障声频带与变压器本体噪声频带重合度高，诊断难度大大提高。为此，从变压器放电和机械故障的特征分析与识别出发，本文提出基于可听声的变压器故障诊断方法。

1 基于可听声的故障诊断方法

基于可听声的故障诊断方法可分为3 个部分：混合声采集与分离、声信号特征提取和故障类型识别。故障发生时，故障声和变压器运行声会混在一起，尤其是机械故障和变压器声频带有严重重叠，仅通过去除噪声不能满足故障声识别的需要，需要先采用盲源分离算法将故障声与变压器本体噪声分离。

1.1 混合声采集与分离

利用可听声传感器采集声信号，发生故障时采集到的声音是变压器本体噪声和故障声的线性叠加，需要先将这两种声分离。文中采用快速独立分量分析算法(Fast independent component analysis,FastICA)处理采集到的混合声，分离出故障声信号。

FastICA 算法是由芬兰赫尔辛基大学的Hyvarin等提出来的一种快速寻优迭代算法[21]。使用固定点迭代理论寻找一个最优方向w，使得该方向的非高斯性最大。假设数据已经过归一化和白化，x′和A′分别用x和A表示。一次FastICA 算法的基本形式为[22]：

(1)初始化向量w0，∥w0∥=1,i=0。

(2)代入迭代公式计算wi+1：

其中，w是解混矩阵W的一行；x是观测信号；G(·)是二阶连续可导的非线性函数，G(·)的取值一般为，其中a1是常数，取值范围通常为1 ≤a1≤2，G′(·)是G(·)的一阶导数，G′′(·)是G(·)的二阶导数；E{·}是代表平均值的记号，并非统计意义上的数学期望；∥wi+1∥是向量wi+1的模长。

(3)若未收敛，则令i=i+1，返回步骤(2)重新计算；收敛意味着前后两次向量w在同一方向上，即它们的点积为1。

一次FastICA 算法能估计出一个独立成分，要估计出多个独立成分时，需要进行多次FastICA 算法得到向量w1,···,wn。FastICA 算法是独立成分分析算法的改进版，计算速度快，鲁棒性好，在信号处理领域得到了广泛应用。

ATB—25粗集料应选用碱性石料，不宜直接使用酸性石料；应使用锤式反击破碎机加工碎石，以减少石料针片状含量；所采用粗集料应干燥、洁净、表面粗糙、形状接近立方体，并且其规格与级配应较为稳定，本文选用的粗集料技术指标如表1所示。

1.2 声信号特征提取

声音的能量与谱幅值成正比，不同类型故障声的频谱有明显差异，文中选择声音在各频段的能量分布作为故障诊断的特征量。使用小波包算法计算声音在各个频段的能量分布。声特征提取分为能量计算和特征向量的构造两个步骤。

(1)计算能量值。分别计算2n个频带信号Sn,j的能量E1、E2、···、Ej。公式为[2,23]

式(3)中：Sj(t)是原始信号；xj是原始信号离散点幅值；Ej是第j个频带的能量；n是第j个频带的采样点数。

(2)构造特征向量。以各频带的能量为元素构造特征向量T[23]：

式(4)中：T为单个样本归一化后的特征向量。

声频的采样频率是48 kHz。根据奈奎斯特采样定理，声频的带宽为24 kHz。利用小波包将声频5层分解，每个声频被划分为32 个频段，每个频段的带宽为750 Hz。根据公式计算声频每个频带的能量值作为该声频的特征向量。

实验发现，采用5 层小波包分解，机械故障声和部分干扰声的能量都主要集中在前两个频段1500 Hz 以下，很容易与变压器本体噪声混淆。但如果提高声音分解层数则特征向量维度过大，提高了故障识别的难度。因而提出改进算法，如果一次识别判断声音为机械故障声，则仅将机械故障声1500 Hz 以下的频段再细分为32 个频段，作为声特征向量，重新识别。如图1所示。

图1 改进小波包分解示意图Fig.1 Improved wavelet packet decomposition diagram

基于改进小波包算法的声音识别算法泛化性较差，对于声音库中存在的几种故障声识别率高，但对未知声的识别率可能较低，为了提高声音诊断系统的泛化性与可靠性，提出以梅尔对数频谱作为特征的声音识别算法。

对数梅尔频谱是线性时频谱经过梅尔滤波器得到的，梅尔滤波器根据人耳接收声音的特点设计，更符合人耳听觉特性。梅尔滤波的函数Hm(k)为

其中，三角滤波器f(m)的频率响应定义为

式(6)中：fh、fl分别为滤波器m的上下限频率；fs为采样频率；Fm为梅尔频率。

1.3 故障类型识别

文中采用BP(Back propagation)神经网络算法识别小波包提取的能量分布特征。BP 神经网络具有高度自学习和自适应的能力，常常被用于故障的模式识别，按照误差反向传播算法训练多层前馈神经网络[24]，由输入层、隐藏层和输出层组成。特征向量的维数确定了BP 神经网络输入层节点数，变压器故障类型决定输出层节点数，隐藏层节点数一般根据经验公式确定，常见经验公式有以下3个：

其中：m为隐含层节点数；n为输入层节点数；l为输出层节点数；α为1～10 之间的常数。多次训练选择准确率最高的节点数为隐藏层节点数。

根据3个经验公式可以确定隐藏节点数的选择范围在5～17 个节点。选择不同隐藏节点数代入神经网络模型，计算模型识别声音的准确率，结果如图2所示。选择隐藏节点数为9 时，准确率最高，为93.9%。因而选择隐藏节点数为9个。

图2 隐藏节点数与神经网络模型识别率关系Fig.2 The relationship between the number of hidden abstracts and the recognition accuracy of neural network models

卷积神经网络无需复杂的特征提取和数据重建，可以直接将图片作为网络的输入，这使得卷积神经网络在图像分析领域具有很好的识别性。梅尔对数频谱将声特征转化成了图像，因此利用卷积神经网络对图像的识别能力对梅尔对数谱进行分析。卷积神经网络主要由输入层、卷积层、池化层、全连接层和输出层组成。卷积运算的计算公式为

式(10)中：I(i,j)为输入的二维图像数据；W(m,n)为二维卷积核。

2 变压器故障模拟及实验

变压器等设备绝大部分时间都处于正常工作状态，收集故障声数据是研究的难点。为此，在变压器油箱中模拟变压器内部的放电和机械故障。采用110 kV变压器外壳的同种金属材料，制作与真实外壳厚度、尺寸相同，形状接近的油箱。在油箱内放置实际变压器的绕组与铁芯，模拟变压器内部的可能产生的故障，模拟故障位置与真实故障位置相同。传声器距离油箱5 cm，录制油箱内传出的声音。模拟故障处发出的声音经与实际故障相同的路径和介质传播至传声器。图3是在油箱中模拟故障的图片。为了验证模型的抗干扰能力，除了故障声还采集了实际变电站周围的声音组成干扰声音库，包含风声、脚步声、鸟叫声、汽车声、驱鸟器声、人声。6种故障声、变压器本体噪声和干扰声各有450 个样本，总样本数为3600个。

图3 故障模拟实验图片Fig.3 Picture of fault simulation experiment

2.1 放电故障

根据变压器内部常见放电类型，文中设计了3种的放电模型，分别为平板电极放电模型、针板极放电模型和沿面放电模型。图4为3 种放电模型的示意图。图4(a)是平板电极放电模型，模拟绝缘纸板内的放电；图4(b)是用于模拟变压器内部不均匀电场放电的针板电极放电模型；图4(c)是沿面放电模型。

图4 放电模型Fig.4 Discharge model

2.2 机械故障

变压器内部中掉入金属小部件时，在电磁力的作用下铁部件与绕组相互碰撞，会发出异响。给变压器内线圈通50 Hz交流电。在交流电的作用下，线圈产生变化的磁力吸引铁部件，金属部件与线圈相互撞击发出“嗡嗡”声响。将金属小部件放入油箱中的不同位置模拟实际变压器内部可能产生的声音。模拟3 种声:(a)金属小部件与油箱内线圈底部的摩擦声；(b)金属小部件与夹件的摩擦声；(c)金属小部件与压板的摩擦声。

2.3 声音采集与预处理

选择了电容式传声器作为声音采集设备。实验使用传声器的信噪比为100 dB，采样频率48 kHz，频率响应范围为20 Hz～20 kHz，最大声压级120 dB，可以满足变压器可听声的录制要求。采用两个传声器采集变压器周围的声音即可得到两个混合声x1、x2。

使用FastICA算法将传声器采集到的变压器本体噪声与故障异常声的混合声分离，如图5所示。以平板电极放电声和变压器本体噪声为例，采样频率为48 kHz。分别截取两种声音各1 s 的声频绘制时域图，结果如图5(a)所示。图5(b)是放电声与变压器本体噪声的混合声x1、x2的时域图。使用FastICA 算法可将图5(b)中的混合信号分离，结果如图5(c)所示。可以看出混合声分离得到的图5(c)中的两个声音波形与图5(a)中的原始波形相近，该算法可以成功将混合信号分离。

图5 FastICA 算法分离信号时域图Fig.5 Time domain diagram of signal separated by FastICA algorithm

2.4 故障声特征提取

使用小波包算法计算每个频带的能量，结果如图6、图7所示。图6是3种放电声的能量分布图。平板电极放电声的能量集中在第2 到第5 频段，即750～3750 Hz，其中第2 频段750～1500 Hz 范围内能量最高。针板电极放电的能量主要集中在第1 频段，750 Hz 以下，但在第2 到第24 频段也有少量能量分布。沿面放电声在第1到第10频段范围内有能量分布，大部分能量集中在第2、第3频段范围内，即750～2250 Hz。

图6 放电声信号能量分布图Fig.6 Energy distribution diagram of discharge sound signal

图7 机械故障声信号能量分布图Fig.7 Energy distribution diagram of sound signal of mechanical failure

图7是3 种机械故障声的能量分布图。与放电声相比，机械故障声频率较低。金属部件与油箱内线圈底部的摩擦声能量主要在750 Hz 以下，750～1500 Hz范围内有少量能量分布。金属小部件与夹件的摩擦声能量主要集中分布在750 Hz 以下，在750～8250 Hz 频率范围内有少量能量分布。金属小部件与压板的摩擦声能量分布范围较大，在750 Hz以下和5250～7500 Hz范围内能量较高。

分析图7可知，机械故障声中金属部件与油箱内线圈底部的摩擦声和金属部件与夹件的摩擦声能量都集中在低频部分。而很多干扰声和变压器声都是低频声，容易和机械故障声混淆，导致算法识别率下降。因而将机械声1500 Hz 以下频段进行二次分解作为声音的特征。图8为机械声在1500 Hz 以下频段能量分布图。机械声低频部分的能量分布差异性较大，可以作为声音的特征。

图8 机械故障声1500 Hz 以下频段能量分布图Fig.8 Energy distribution diagram of the frequency band below 1500 Hz of mechanical failure sound

2.5 故障类型识别与诊断

采用声音的特征作为输入，训练神经网络模型。声频库的声频按比例划分为3 部分，训练集、验证集、测试集的比例为70 :15 :15。训练集的声频被用作训练网络模型；验证集声频用来验证网络模型是否发生过拟合；测试集的声频用于测试神经网络模型识别故障的准确性。不同算法对不同声音的识别率如图9所示。

图9 不同算法对声音的识别率Fig.9 Sound recognition rate of different algorithms

由图9可知，小波包-BP 神经网络算法的整体识别率为93.9%，其中很多干扰声和变压器本体噪声被误判为金属部件与油箱内线圈底部的摩擦声，导致这两种声音识别率偏低。改进小波包算法对干扰声和变压器本体噪声的识别率大幅提高，整体识别率达到99.6%。基于梅尔对数频谱-卷积神经网络的算法整体识别率为97.57%。由于该方法对干扰声的识别率较低，导致算法整体识别率略低于改进小波包-BP神经网络算法。但是该方法无需针对识别的声音的频率优化即有较高识别率，对未知声的识别效果更好。如果变压器安装有其他故障检测设备如局放检测仪，则选择计算量较小识别率较高的改进小波包-BP 神经网络算法；如果仅采用声检测法检测变压器的运行状态，需选择泛化性好的梅尔对数频谱-卷积神经网络算法。目前故障声的积累较少，缺乏实际变压器测试结果。但已将声检测装置安装到变电站，一旦有故障发生即可将故障声添加到声音数据库中。算法将自动提取声音的特征，输入到神经网络模型中更新故障诊断模型，提高算法的识别率。

3 结论

文中提出了基于可听声的变压器故障诊断方法，可用于变压器放电和机械故障诊断。即通过FastICA算法成功将模拟的故障声与变压器本体噪声分离，分别采用改进小波包-BP 神经网络算法和梅尔对数频谱-卷积神经网络算法识别不同声音。实验模拟了放电声和机械故障声，采集了不同变电站的变压器声和6 种干扰声。实验表明，本文提出方法可在有干扰声的条件下辨别放电故障、机械故障和变压器本体噪声。改进小波包-BP神经网络算法的识别率较高，可达99.6%；梅尔对数频谱-卷积神经网络算法识别率为97.57%，泛化性较好。