CN107748314A - 基于声波震荡检测的变压器故障分析系统 - Google Patents

Abstract

本发明公开了基于声波震荡检测的变压器故障分析系统,包括相互连接的数据采集系统和数据分析系统，所述数据采集系统包括声学数据采集模块和变压器参数采集模块，所述声学数据采集模块包括声强传感器、振动传感器和声音传感器，所述数据分析系统包括时钟系统以及分别与所述时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；所述信号特征提取分类模块包括特征提取模块与特征数据库，所述特征提取模块连接所述数据采集系统，所述信号识别故障诊断模块运行于所述微机系统上。本发明通过采集变压器的声学信号，并对其声学信号进行状态识别和标注，表征实现变压器的运行状态自动识别和鉴定技术，最终实现对变压器的故障分析诊断。

Description

基于声波震荡检测的变压器故障分析系统

技术领域

本发明涉及一种变压器故障检测分析方法技术领域，尤其是涉及一种基于声波震荡检测的变压器故障分析系统。

背景技术

变压器运行过程中，在内部电流、磁场等多种因素的共同作用下产生机械形变，经自身结构传导，这种信号经周围空气介质传播，产生了变压器的运行的声音信号。这些信号能够反映变压器的运行状况。有经验的技术人员往往可以通过工业听诊器听取变压器内部声音来判断变压器运行状况，发现故障甚至对故障进行粗略定位。这种广泛运用的诊断方式严重依靠技术人员的主管判断和个人经验。这种现象证明了通过声学信号诊断变压器故障的可行性，借助高灵敏度的传感器和现代数字信号处理识别技术，可以实现比人更加客观可靠的变压器声学检测和诊断。

目前国内外对于变压器声学诊断研究主要集中在变压器本体为噪声分析法、超声波分析法以及声发射分析技术。噪声分析法研究变压器运行中各主要部件的噪声来源以及噪声的强度，通过研究噪声为设计及生产制造厂家提供改进设备研究、生产、制造提供依据。如通用电气、ABB等厂家在80年代就开始这方面的研究，国内西变、特变电工的生产制造企业在这方面也开展研究。超声波检测方法是目前应用较为广泛的诊断技术。主要利用安置在变压器箱体表面的超声波传感器接受局部放电信号，进行故障定位分析。基于超声局放检测、探伤等研究成果已经在电力行业中得到广泛的应用。

国内外对于基于音频特征的变压器故障检测方法，目前还没有相应的研究成果。主要是声音识别这方面研究集中在安防监控系统、语音识别等方面，所以在变压器声音故障诊断方面还没有研究。而变压器运行过程中，在内部电流、磁场等多种因素的共同作用下产生机械形变，经自身结构传到，表现为振动信号。这一信号经周围空气介质传播，产生了变压器的运行的声音信号。这些信号能够在很大程度上反映变压器的运行状况。现场巡检操作中，有经验的技术人员往往可以通过工业听诊器贴紧变压器箱体，仔细听取变压器内部的声音来判断变压器运行状况，发现故障类型甚至对故障进行粗略定位。这种广泛运用的诊断方式严重依靠技术人员的主观判断和个人经验，具有很大的不确定性。但这一现象充分证明了通过声学信号诊断变压器故障的可行性，借助高灵敏度的传感器和现代数字信号处理识别技术，必然可以实现比人耳更加客观可靠的变压器声学检测和诊断。

专利号为201611003127.4的专利公开一种基于振动分析法的变压器故障分类和识别方法，包括以下步骤：S1：选取变压器试验对象，采集不同状态下变压器振动信号为样本数据；S2：利用希尔伯特-黄变换中集合经验模式分解方法计算样本数据得到本征模函数；S3：提取本征模函数分量中特征矢量V；S4：利用主成分分析法对特征矢量进行降维，坐标投影到二维图像中；S5：利用K邻近法对样本数据进行分类；S6：利用距离公式计算测试样本与原始样本的距离；S7：进行模式识别；S8：输出模式识别中相对应的变压器故障类型；可直观有效地判断变压器运行状态。

专利号为201611178523.0的专利公开一种变压器状态分析与故障诊断方法及系统，用于解决现有技术中变压器的在线监测均为孤立的一维数据，不能完整反映变压器的状态且状态监测的评估方式为极为不合理的设定门槛值的判定评估方式的技术问题。该发明实施例方法包括：对变压器的热机化电多项参数进行实时在线监测；获取变压器所处的电网运行场景关键参量；通过预置诊断算法对变压器进行多维度信息融合和健康诊断；根据对变压器进行多维度信息融合和健康诊断得到的信息数据结合历史数据进行变压器状态分析；根据对变压器状态分析得到的结果监测变压器指标是否发生指标异常，若是则发出系统预警，否则继续对变压器进行实时在线监测。

专利号为201611040775.7 的专利公开变压器故障分析方法，所述方法包括：获取历史故障变压器，分析所述历史变压器的故障原因以及提取所述历史变压器的故障状态量；建立变压器故障数据库，将所述历史变压器的故障原因和所述历史变压器的故障状态量保存至所述变压器故障数据库；获取待检测故障变压器的故障状态信息；查询所述变压器故障数据库，分析所述待检测故障变压器的故障状态信息，获得所述待检测故障变压器的故障原因。该发明提供的变压器故障分析方法及系统，有利于提高电力变压器故障判断效率，避免故障判定之前对电力变压器进行拆卸。

发明内容

有鉴于此，本发明的目的是针对现有技术的不足，提供一种基于声波震荡检测的变压器故障分析系统，通过采集变压器的声学信号，并对其声学信号进行状态识别和标注，表征实现变压器的运行状态自动识别和鉴定技术，最终实现对变压器的故障分析诊断。

为达到上述目的，本发明采用以下技术方案：基于声波震荡检测的变压器故障分析系统，包括相互连接的数据采集系统和数据分析系统，所述数据采集系统包括声学数据采集模块和变压器参数采集模块，所述声学数据采集模块包括声强传感器、振动传感器和声音传感器，所述数据分析系统包括时钟系统以及分别与所述时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；所述信号特征提取分类模块包括特征提取模块与特征数据库，所述特征提取模块连接所述数据采集系统，所述信号识别故障诊断模块运行于微机系统上。

进一步地，所述振动传感器包括加速度振动传感器和激光测振仪。

进一步地，所述声音传感器包括麦克风阵列，所述麦克风阵列连接声音增强器。

进一步地，所述变压器参数采集模块包括数据采集卡和智能电能表，所述数据采集卡采集变压器油色谱数据、变压器局放数据、变压器内部结构图数据，所述智能电能表采集变压器运行状况电力数据。

进一步地，所述信号识别故障诊断模块包括故障数据特征识别系统、传感器管理系统、专家分析系统和系统管理数据库。

进一步地，所述特征提取模块与所述数据采集系统之间设置降噪装置，所述降噪装置包括信号分解器和滤波器。

进一步地，所述微机系统包括安装有人机交互界面的PC终端，所述人机交互界面通过信号识别故障诊断模块进行数据分析处理。

进一步地，所述微机系统连接专用数据通信接口和网络端口。

本发明的有益效果体现在以下几个方面：

1、本发明针对这些电力变压器所处环境复杂，又属于高压电力设备，具有危险性，声强法和声强法这种单一的测量方法很难准确测量辐射的噪声，因此本项目首次提出基于声振耦合，通过测量振动和声音特性，利用相关性分析方法找到一种测量电力变压器声学的新方法。

2、本发明首次提出通过对声信号和振动信号的连续监测获取不同负荷条件下的监测数据，并利用频率域和时间域两种形式分析声强和振动数据虽负荷的变化规律，为不同负荷下的变压器声学特征提取提供数据支撑。

3、本发明中变压器声学特征信号提取，从声音信号中提取出随时间变化的声音信号特征参数，特征参数与识别性能密切相关，在研究调差基础上变压器声学特征信号提取采用RASTA滤波技术结合MFCC参数后的RMFCC参数特征模型，RMFCC特征提取是模拟人耳听觉特性，将频谱转化为基于Mel频标的非线性频谱，然后转换到谱频域上，由于充分考虑了人的听觉特性，而且没有任何前提假设，更接近于现场人员判别。

4、本发明采用“非接触检测”技术，传感器和整个系统的安装、调试丝毫不影响变压器的正常运行，适合高电压、强电磁场恶劣电磁环境，或高温、有腐蚀环境下对变压器的运行状态监测。传感器采用具有高分辨率的声波感应传感器，可方便的安装于设备外部，并不对设备造成影响。该发明系统可以在变压器带电情况下，布置测量传感器，可以实现变压器带电状态下测试，使得用户可以更加全面及时了解运行变压器的工作状况，为变压器的可靠运行提供有力保障，值得广泛推广与使用。

附图说明

图1是本发明的组成结构图。

图2是本发明的整体测量原理图。

图3是本发明数据分析原理图。

图4是本发明实施例一声强传感器安装示意图。

图5是本发明实施例一声强传感器测量流程图。

图6是本发明实施例一振动传感器安装示意图。

图7是本发明实施例一振动传感器测量流程图。

图8是本发明实施例一声音传感器测量示意图。

图9是本发明实施例一声音传感器增强技术原理图。

图10是本发明实施例二声音传感器增强技术原理图。

图11是本发明实施例三声音传感器增强技术原理图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

实施例一

如图1至图9所示，基于声波震荡检测的变压器故障分析系统，包括相互连接的数据采集系统和数据分析系统，数据采集系统包括声学数据采集模块和变压器参数采集模块，声学数据采集模块包括声强传感器、振动传感器和声音传感器，数据分析系统包括时钟系统以及分别与时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；信号特征提取分类模块包括特征提取模块与特征数据库，特征提取模块连接数据采集系统，信号识别故障诊断模块运行于微机系统上。

振动传感器包括加速度振动传感器和激光测振仪。声音传感器包括麦克风阵列，麦克风阵列连接声音增强器。变压器参数采集模块包括数据采集卡和智能电能表，数据采集卡采集变压器油色谱数据、变压器局放数据、变压器内部结构图数据，智能电能表采集变压器运行状况电力数据。声学传感器通过以振动传感器贴在变压器壳体探测变压器振动、以非接触式声强传感器探测变压器声强和声功率、非接触式麦克风阵列探测变压器整体声音。完成变压器的振动、声强和声音采集，将采集信号传输给数据分析系统。数据分析系统的运行原理是将获取的数据经过降噪预处理后提取特征参数，录入特征数据库，主要是对变压器声强、声功率、振动和声音特征量进行特征提取，并与已有变压器检测数据获取数据建立声学对症表,推理机制模块对提取的特征参数和对症表进行有效范围判别，如果一个参数超出了推理的设定范围，该参数所对应推理规则将被激活。激活规则的处理可以提供变压器声音故障的初步诊断，同时根据各个参数的历史数据分析其变化趋势，并对其可能出现的故障做出预测。

时钟系统的主要功能接受GPS卫星时钟，实现检测设备整个时间系统统一。信号识别故障诊断模块包括故障数据特征识别系统、传感器管理系统、专家分析系统和系统管理数据库。微机系统包括安装有人机交互界面的PC终端，人机交互界面通过信号识别故障诊断模块进行数据分析处理。下面重点阐述的是关于声学特征信号的提取过程及方法，特征提取过程即从状态信号中提取包含故障信息特征的信号数据，也可称之为故障识别和信息分离的过程。电力设备运行中，实际产生信号的非平稳性具有绝对性和全局性。所谓的平稳性是一个相对概念，存在于局部区间下。设备在发生故障或者运行异常时，噪声信号同样具有不稳定性，时域中发现多条曲线同时存在，采集到变压器运行的声音原始信号包含各种不同频率的成分。研究非稳定信号的频率成分主要借助时频分析，该方法不是单一在时域或频域上进行分析，而是具有时-频联合分析能力。

通常信号特征量的提取分为特征形成、特征提取、特征选择三个步骤进行：

1、根据特征信号的相关参数，采集被识别对象的一组基本测量数据的过程称为特征的形成或原始数据的收集。采用传感器、相关仪器直接测量或者通过理论计算均可获得原始数据。原始信息中包含了特征量，处于高维空间中的特征信号数据相对应于原始信息中的点，通过维数压缩进行分类识别。

2、通过函数变换或者映射等方法实现信号的特征提取，用低维的特征空间在新的模式向量法则下用二次表达，表示出高维的测量空间模式。通常由原始特征的某种线性组合而形成新的特征参数。

3、特征选取主要是指一种数学筛选方法的选择。根据数学函数模型选择最优的搜索方案从众多信息参数中筛选出最能反映特征信息的相关参数进行排序，来达到降低特征空间的维数。

特征提取模块完成对变压器声学信号采集数据、特征量提取、数据标记和提交数据到特征数据库任务。该部分是整个系统关键部分完成获取断路器数据和特征处理工作。

特征提取模块与所述数据采集系统之间设置降噪装置，所述降噪装置包括信号分解器和滤波器，信号分解器可以根据不同阈值对声学信号进行分解，将分解后的脉冲高频信号送入滤波器进行降噪滤波。

电力设备运行发出的声信号一般是一维信号且通常表现为较为平稳的低频信号，而一般的噪声信号主要是一些近似于脉冲状高频不稳定信号。因为被检测的信号中时常存在有噪声信号，当噪声信号与有用信号特征相似时，则降噪方法的选择就显得更加关键，若降噪方法选择不当就会使降噪的同时也滤除了有用信号。选择适当的降噪方法，针对特定频带范围的信号进行滤波处理，小波变换可很好的克服傅里叶变换的缺陷，比较适合分析短时高频分量以及持续时间较长的低频分量信号。

根据一般算法的处理原理，对一维信号进行降噪主要分为三步：

1) 对信号进行小波分解，选定一种适当的小波进行N 层分解运算。

2) 小波分解的高频系数阈值量化，将分解的各层系数设定一个阈值，将细节系数进行软阈值量化处理。

3) 小波重构，根据小波分解层高频系数和底层低频系数确定阈值，从而进行阈值量化处理实现小波重构。

针对信号分解器的不同阈值，可以分为基于传统阈值的降噪算法分析和基于分层阈值的降噪算法分析：在基于传统阈值的降噪算法分析中，设备声信号存在断续的奇异点，噪声也具有同样的性质。关于这种信号的降噪处理，若采用传统的傅里叶变换或者用固定阈值选取，处理后的信号系数会变得稀疏。因此，采用先对系数的无偏似然估计，根据降噪信号方差最小时，确定统一阈值的非线性小波变换阈值法，一般分为：线性小波阈值法和软阈值估计法。线性小波阈值法主要运用于分析特征较为熟悉的噪声信号或进行噪声的深度分析。可运用经验公式来确定阈值的大小。若不能充分了解噪声特性可选择软阈值估计法确定阈值的大小。基于 Stein无偏似然估计原理的软阈值估计算法主要过程分为，先预测阈值的似然估计，后最小化似然函数得到阈值。在基于分层阈值的降噪算法分析，综合分析非线性小波变换阈值算法产生了分层阈值降噪法，实现较低尺度量级上保留有用信号，最大尺度量级上消除噪声信号。

特征数据库完成变压器声学测试数据和已有检数据的特征数据收集工作，为后期诊断模块提供合理分析提供数据保证。

推理机制模块对提取的特征参数进行有效范围判别，如果一个参数超出了推理的设定范围，该参数所对应推理规则将被激活。激活规则的处理可以提供断路器故障的初步诊断，同时根据各个参数的历史数据分析其变化趋势，并对其可能出现的故障做出预测。该模块另一个任务是通过收集到变压器声学和已有检测数据，来自动调节推理的规则范围，变压器声学数据做相关性评判规则。

信号识别故障诊断模块由故障数据特征识别系统、传感器管理系统、专家分析系统、系统管理数据库组成,实现对变压器声波震荡的传感器管理、采集数据选择、故障数据的获取和专家分析。

故障数据特征识别系统是针对变压器声学信号的特征原理，集成不同的识别方法进行声学信号辨识的系统，主要识别方法包括模糊识别法和语音识别法。

模糊识别法是指在研究声音的性质时，往往不直接处理信号波形，而是变成频谱和自相关函数，即变换成与频谱相关联的特征后进行处理，其理由如下：声音波形可以用振幅不变、相位随时间缓慢变化的正弦波来构成。体现变压器运行状况的声音特征主要包含在振幅信息中，相位一般不起作用。每一个变压器的运行状态及故障有其特定的征兆，反映在振动功率谱中则是某些特定的谱峰，将大量典型的正常及故障信号频谱值存放在计算机中，构成频谱数据库，统计、归纳、分析频谱的变化规律，可得出故障诊断的判据。但是要得到各种故障情况下电力设备的典型频谱是很困难的。简单的作法是，确定被监测变压器正常运行状态的特征频谱 (或可称为该电力设备的声纹)。当在线监测系统得到的声音频谱出现异常时发出报警信息。利用特征值，构建隶属函数，求出贴近度，用模糊识别法可以判断设备的运行状态。

语音识别法是一种用机器确定语意或识别说话人的技术，语音所包含的信息比各种电力设备发出的声波内容更加丰富。语音识别的基本方法通常是先提取输入语音的特征矢量，再根据一定的算法，计算语音的特征矢量序列和模型库中所保存的声音模板之间的距离；找到相同或相近的模板，便可输出识别结果。在本系统中引用语音识别的典型方法对电力设备的声波信号处理。首先判断声波的声源，即判断声波信号是否由变压器发出，所采用的方法是：动态时间弯折算法，然后在模糊识别算法的基础上进一步判断变压器的运行状态，并进一步判断变压器发生的具体故障类型，所采用的方法是：隐马尔可夫模型技术。

专家分析系统是利用RMFCC特能分解原理将测量变压器声学特征分解到不同时域和频域中，可以聚焦到分析的任意细节，找到有效的畸变点，利用HMM模型匹配模式在系统故障数据库中的数据比对，并根据对比结果产生缺陷预警，为实现变压器状态预判提供依据。在具体实施时，本系统所能识别的故障包括电压或频率波动、部件松动、接地不良或未接地的金属悬浮放电、冷却风扇轴承损伤、输油泵轴承磨损、滚珠轴承损伤、邮箱、散热器等附近共振、共鸣、分接开关的动作机构不正常等。

微机系统连接专用数据通信接口和网络端口，通信接口包括100Base-FX多模ST接口、10BASE-T/100BASE-TX RJ45接口和USB 2.0接口。

上述部分组成的数据分析系统，通过人机交互系统控制实现它们分的有序配合，实现对变压器已有检测补充，为检修运行人员提供一种新型测试手段，由于采用非接触式新型传感器，提高工作人员工作效率，减少了停电时间，增加效益、降低变压器运行安全风险。

在具体实施时，我们对申请单位所辖220kV /110KV变电站作为现场实施，进行传感器现场部署、数据采集、变压器声学检测设备现场测试与验证。整个数据采集系统采用“非接触检测”技术，传感器和整个系统的安装、调试不影响变压器的正常运行，适合高电压、强电磁场恶劣电磁环境，或高温、有腐蚀环境下对变压器的运行状态监测。传感器采用具有高分辨率的声强传感、振动传感和麦克风声音阵列，可方便的安装于设备外部，并不对设备造成影响。

首先，声强法只测量声源通过空气向四周发射的声音，而不测量回声以及与其它声音源的合成声音，因此该方法对于测量环境有很严格的要求，即理想的情况是除了反射地面外，测量环境内无其它反射物体，以使被测设备所发射的声波进入一个在反射面之上的自由场。所以必须在专门的测量室中才能得到准确可靠的测量数据。声强法的基本原理是，根据两个临近放置的亚敏微音器之间中点处的声强梯度的变化，用有限差分法求得该处声波质点的振动速度，瞬时声强和相对应的瞬时质点速度之积的时间平均值，便是该处的声强。这种方法将空间平均声强乘以相应的面积，便可求得声音的输出功率。声强法在背景噪声及声反射较大时，也能够精准地测量出变压器声音的声功率级。声强法的突出特点是：它不受测量环境内其它声源的干扰和影响，而只测量和记录声源本身的声音。

声强传感器基于高斯定理，通过障碍物反射到高斯面的声音对面积分结果无影响。声强法可以忽略声源周边环境对测量结果的影响。因而，声强法对测量环境的要求不高，适合于在变电站内实测变压器声音。对运行变压器安装声强传感器测量示意图如图4，测量流程如图5。确定变压器声音的基准声发射面（一般选择为变压器）和测量轮廓线（距离变压器基准声发射面一定距离的轮廓线）。在测量轮廓线上均匀分布12个噪声检测点。传声器应位于规定的轮廓线上，测量点彼此间距大致相等，根据不同等级变压器的噪声特点，分别选取基准水平面，设置12个测量点进行数据采集。测量应在背景噪声值近似恒定时进行。在测量开始前对测量仪器进行校准。测量每个测量点的A计权声强级和声功率，记录每个测点上的A计权声强级和声功率。

根据变压器的安装地点，确定不同的测量法，例如对于安装在室外的变压器，背景噪声会影响测量结果的准确性，同时考虑到所测声音是否具备周期性分量，如果具备周期性，则选择声强法和振动法测量则比较有利；针对振动法测量本发明拟采用位移法和速度法进行测量，测量时同时考虑纵波、横波、剪切波和扭转波，利用加速度传感器或激光振速仪测量变压器壳体振动，测量结果与声强法或声强法测量结果进行相干性分析，进一步确定振动噪声来源，对变压器表面振动和噪声同时测量，分析振动和噪声相关性，进一步确定变压器本体噪声产生机理。

振动是变压器的主要技术指标之一，同时近年来，针对变压器振动的测量和研究工作越来越多。变压器的声学主要由机械噪声、电磁噪声、和空气动力三部分组成。其中电磁和机械都与变压器结构的固有频率有直接关系，统称为结构振动。在电力变压器中，结构声学主要是由于铁芯、绕组、油箱(包括磁屏蔽等)以及冷却装置的振动产生的，是一种连续性的声音。铁芯、绕组、油箱统称为变压器的本体。本体的振动主要来源于：由硅钢片的磁致伸缩引起的铁芯振动；桂钢片接缝处和叠片之间存在因漏磁而产生的电磁力而引起的铁芯振动；当绕组中有负载电流通过时，由漏磁引起的绕组振动。因此可以通过测量电力变压器的器身振动来反映绕组和铁芯的振动情况，进而评估计算变压器的声功率。

振动测量的测量示意图如图6。变压器稳定运行状态下，首先对振动测量传感器进行校准，然后测量并记录每个检测点的振动加速度，测量流程如图7。测量轮廓线为在变压器箱体表面距离地面一定高度的轮廓线，贴于变压器本体表面进行测试，根据不同等级变压器，可以选择测量基准水平面。在测量轮廓线上分布12个振动检测点。振动测试传感器应位于规定的轮廓线上，测量点彼此间距大致相等。

由于声音信号是一种宽带的非平稳信号，在传输过程中会夹杂各种干扰噪声，所以必须选用具有较宽的带宽内抑制噪声干扰来减少声音信号的失真。选用麦克风阵列能够充分利用声音信号的时空特性，对于干扰信号具有较强的抗干扰能力，麦克风阵列在去除背景噪声和跟踪目标声源方面具有很好工作特性，它能够不断地调整来使电气设备工作声音的采集达到最好。利用麦克风阵列采集变压器声音信号可以使阵列形成的波束瞄准目标声音信号，这个可以最大限度地获取目标声源的声音信号。麦克风阵列形成的波束即解决了在使用一个麦克风时需要我们手动调节麦克风的指向性的问题，又大幅提升了输出声音信号的信噪，这样可以自由地获取到了高质量的变压器声音信号。在室内变电站，变压器设备正常工作的时候会发出声音，但是周围环境中也有一些干扰声音，包括变压器工作声音经过墙面发射、衍射等形成的混响，噪声源也是如此.

麦克风阵列采集声音信号比单卖克风系统更具优势。首先，麦克风阵列采用阵列信号而具有空间选择性，麦克风阵列可以形成波束并使其主瓣对准生源来获取高质量的声音信号；其次单麦克风系统只能拾取一路声音信号并且其指向性并不随声源而改变，与之相比，麦克风阵列系统可以自动探测，并在可接收区域内追踪多个正在发声的目标，这样能够获取更多的声源。麦克风阵列连接声音增强器，在声音增强技术上主要分为两个重要的方面，空间抑制和自适应滤波。

声音增强器采用延迟-累加波束形成的麦克风阵列声音增强技术，这种麦克风阵列通过对每一路麦克风采集到的声音信号作适当的时延补偿，来保持各路在同一方向保持输出的同步，这样就获得在该方向上最大增益的入射声音信号。这种方法较简单也容易实现，但很难获得较高的噪声抑制能力，且没有对非相干噪声源的抑制能力，环境适应性较差，如图9所示。

在具体安装使用时，麦克风阵列根据不同类型的变压器，选择测量高度。变压器声音测量布点在无防火墙的开放侧以三相变压器为例，声音测量示意图如图8。对测得的声音信号进行处理，得到变压器A、B、C各相声音曲线。

数据分析系统主要是对变压器声强、声功率、振动和声音特征量进行特征提取，并与已有变压器检测数据获取数据建立声学对症表。诊断子系统中推理机制模块对提取的特征参数和对症表进行有效范围判别，如果一个参数超出了推理的设定范围，该参数所对应推理规则将被激活。激活规则的处理可以提供变压器声音故障的初步诊断，同时根据各个参数的历史数据分析其变化趋势，并对其可能出现的故障做出预测。

本发明主要针对变压器发出的可听声频率范围 20Hz~20kHz 进行研究，重点研究变压器正常运行发声机理，声信号的频率范围，分析变压器故障类型及发声机理，同时根据不同故障所发出声信号的特征确定故障种类。理论分析变压器发声的原理，根据大量试验数据结合声信号的物理参数描述故障类型。运用软件实现声信号物理参数特征的数字化管理，集合各种故障的声音特征信息库，将声信号传感器安装在变压器箱体上可实现声特征的在线监测技术。

实施例二

基于声波震荡检测的变压器故障分析系统，包括相互连接的数据采集系统和数据分析系统，数据采集系统包括声学数据采集模块和变压器参数采集模块，声学数据采集模块包括声强传感器、振动传感器和声音传感器，数据分析系统包括时钟系统以及分别与时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；信号特征提取分类模块包括特征提取模块与特征数据库，特征提取模块连接数据采集系统，信号识别故障诊断模块运行于微机系统上。振动传感器包括加速度振动传感器和激光测振仪。声音传感器包括麦克风阵列，麦克风阵列连接声音增强器。

与实施例一的不同之处在于，本实施例中的声音增强器采用的是基于自适应波束形成的算法原理，即基于线性约束最小方差（LCMV）的自适应波束形成算法，形成广义旁瓣抵消器GSC，其原理框图如图10所示，广义旁瓣抵消器是在麦克风阵列声音增强技术中应用最广泛的技术，从图10可以看出，带噪声信号同时通过非自适应通道和自适应通道，非自适应通道主要作用是施加线性多约束条件，以保留特定方向上入射的信号；自适应通道的主要作用是根据算法调整自适应权值，这样使得噪声和干扰影响在波束形成输出端是最小的。

实施例三

基于声波震荡检测的变压器故障分析系统，包括相互连接的数据采集系统和数据分析系统，数据采集系统包括声学数据采集模块和变压器参数采集模块，声学数据采集模块包括声强传感器、振动传感器和声音传感器，数据分析系统包括时钟系统以及分别与时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；信号特征提取分类模块包括特征提取模块与特征数据库，特征提取模块连接数据采集系统，信号识别故障诊断模块运行于微机系统上。振动传感器包括加速度振动传感器和激光测振仪。声音传感器包括麦克风阵列，麦克风阵列连接声音增强器。

与实施例一、二的不同之处在于，本实施例中的声音增强器采用的是基于后置自适应滤波器法的算法原理，即在传统的波束形成的麦克风阵列输出端添加Wiener滤波器来去除不相关噪声，这样可以大大提升对输出声音信号的去噪效果。这就是基于后置自适应滤波器的麦克风阵列声音增强方法。这种方法不但对非相干噪声具有良好的干扰噪声抑制作用，此外还能够在一定程度地适应时变的声学环境。它假设各信道接收到相同的目标声音信号，同时噪声信号是独立分布的，且声音信号和噪声信号不相关；通过计算各个麦克风采集到的声音信号彼此的自相关以及互相关就可以得到维纳滤波器的系数，含噪声信号经过滤波后可以得到最小均方误差准则下的估计信号。后置自适应滤波器法的性能受到时延估计误差的影响，且增强后的声音信号会产生一定的失真，该方法通常与其他方法联合使用，如图11所示。

不同于以上实施例，在声音增强的具体实施操作时，还可以采用基于子空间的声音增强技术,其核心思想是计算信号的自相关矩阵或协方差矩阵，并对其进行奇异值分解，这样就可以将含噪声的声音信号进行划分成噪声子空间和有用信号子空间，选取有用信号子空间来对信号进行重构，这样就得到增强后的声音信号。这种基于子空间的麦克风阵列声音增强方法的优点是噪声性能较稳定，能够一定程度上去除相干和不相干噪声；也可以采用基于盲信号分离的方法，主要是基于在实际情况中，很难获得信号源和信道的传递参数。忙信号分离BSS是指从多个采集到的混合信号中按照一定的算法分离出想要的独立源信号，而这些混合信号是来自多个麦克风的输出，此外这些输出的信号是互相之间是独立不相关。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.基于声波震荡检测的变压器故障分析系统，其特征在于：包括相互连接的数据采集系统和数据分析系统，所述数据采集系统包括声学数据采集模块和变压器参数采集模块，所述声学数据采集模块包括声强传感器、振动传感器和声音传感器，所述数据分析系统包括时钟系统以及分别与所述时钟系统连接的信号特征提取分类模块和信号识别故障诊断模块；所述信号特征提取分类模块包括特征提取模块与特征数据库，所述特征提取模块连接所述数据采集系统，所述信号识别故障诊断模块运行于微机系统上。

2.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述振动传感器包括加速度振动传感器和激光测振仪。

3.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述声音传感器包括麦克风阵列，所述麦克风阵列连接声音增强器。

4.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述变压器参数采集模块包括数据采集卡和智能电能表，所述数据采集卡采集变压器油色谱数据、变压器局放数据、变压器内部结构图数据，所述智能电能表采集变压器运行状况电力数据。

5.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述信号识别故障诊断模块包括故障数据特征识别系统、传感器管理系统、专家分析系统和系统管理数据库。

6.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述特征提取模块与所述数据采集系统之间设置降噪装置，所述降噪装置包括信号分解器和滤波器。

7.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述微机系统包括安装有人机交互界面的PC终端，所述人机交互界面通过信号识别故障诊断模块进行数据分析处理。

8.如权利要求1所述的基于声波震荡检测的变压器故障分析系统，其特征在于：所述微机系统连接专用数据通信接口和网络端口。