CN110488675A - 一种基于动态规整算法的变电站声信号特征提取方法 - Google Patents

Abstract

一种基于动态规整算法的变电站声信号特征提取方法，属监控领域。包括对一次设备在不同运行状态下发出的声信号进行现场声学特征信号的采集，利用一次设备在各种运行状况下采集得到的声信号进行故障诊断；其首先利用基于离散余弦变换的Mel频率倒谱系数得到的特征向量；然后采用动态规整算法于参考模板向量比较进行故障分类：最后基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类。占用资源较少，因此对硬件计算性能要求较低，特别适合在变电站现场进行动态快速匹配故障特征信号，适合在单片机系统上进行系统运行。可广泛用于无人值守变电站的运行监控和状态监测领域。

Description

一种基于动态规整算法的变电站声信号特征提取方法

技术领域

本发明属于监控领域，尤其涉及一种通过声音信号处理方式提取变电站内变压器故障特征，进行故障诊断分析的方法。

背景技术

变压器是电力系统中最重要的设备之一，为保证其正常运行为确保变压器处于正常运行状态，常由专门的定期巡检人员对各变电站进行巡视。

由于人工巡检的方式且主观成分占比较大，目前发展出了超声波检测法、红外信号检测法、振动信号检测法及声信号检测法。

声信号检测法具有非接触、设备不断电、易操作的特点，因此受到了一定的关注。

鉴于变压器正常运行对整个电力系统的重要价值，对其进行监测和分析是非常必要的，目前针对变压器运行声信号的研究集中于分析提取运行信号的特征，如不同运行状态下的频谱特征、能量特征以及熵特征，再根据提取特征进行聚类。

目前变电站声信号特征提取及分类通常是通过傅里叶变换、小波及小波包变换、Mel频率倒谱系数等提取其特征向量，再通过聚类对故障进行分类判别，广泛使用的聚类方法有HMM(隐马尔可夫模型)、SVM(支持向量机)、专家系统、BP神经网络。

这些方法在训练阶段需要提供大量的音频数据，通过反复计算得到模型参数，训练过程复杂，占用资源较多，因此对硬件计算性能要求较高。

此外，现有的声信号检测法通常是字设备现场进行声信号的采集，将其变成电信号后进行远传，在集中控制中心进行声音信号处理算法和频谱特征的分析，对于集中控制中心而言，占用资源较多，因此对硬件计算性能要求较高；且声信号远传过程中的特征丢失或外界干扰，是影响监测结果和现场采集声音与标准样本比较的准确性的一个重要因素，制约了声信号检测法实施过程中的准确性和及时性。如何能够在监控现场实现动态快速匹配故障特征信号，找到一种适合在单片机系统(通常只有单片机系统才能适合在监测现场使用)上进行系统运行的声信号检测法，是实际工作中急待解决的问题。

发明内容

本发明所要解决的技术问题是提供一种基于动态规整算法的变电站声信号特征提取方法。其过嵌入式单片机运行声音信号处理算法，来实现故障特征的提取，基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类；占用资源较少，因此对硬件计算性能要求较低，特别适合在变电站现场进行动态快速匹配故障特征信号，适合在单片机系统上进行系统运行。

本发明的技术方案是：提供一种基于动态规整算法的变电站声信号特征提取方法，包括对变压器或GIS开关一次设备在不同运行状态下发出的声信号进行现场声学特征信号的采集，利用变电站一次设备在各种运行状况下采集得到的声信号进行故障诊断；其特征是：

1)利用基于离散余弦变换的Mel频率倒谱系数得到的特征向量；

2)然后采用动态规整算法于参考模板向量比较进行故障分类：

基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类。

具体的，在采集到所述现场声学特征信号后，所述的变电站声信号特征提取方法进行如下处理步骤：

音频信号预处理、快速傅里叶变换、MD＝FCC特征向量计算、基于动态规整算法的显示度计算，然后，根据当前信号与已知信号模板之间的相似度，确定设备运行状态。

进一步的，所述的变电站声信号特征提取方法，基于实际变电站已正常和异常运行状态建立参考模板向量库，然后根据实时采集的声学特征信号截取并计算测试模板向量，最后基于参考模板向量和测试模板向量在动态规整条件下计算得到的相似度确定设备的实际运行状态和故障类型。

具体的，所述的变电站声信号特征提取方法，通过嵌入式单片机运行声音信号处理算法，来实现故障特征的提取；

其以若干类别的参考模板为基础，通过识别从实际采集信号中截取的测试模板与参考模板的相似度进行故障诊断。

进一步的，所述的变电站声信号特征提取方法，能够动态快速匹配故障特征信号，适合在单片机系统上进行系统运行。

本发明技术方案所述的变电站声信号特征提取方法，在硬件上包括预处理单元、快速傅里叶变换单元、MFCC特征向量提取单元和DTW故障诊断单元；

所述的预处理单元用于实现降噪处理，分离测量信号中显著的背景噪声信号；然后对信号进行分帧，依次截取一段测量信号进行分析；

对于截取的时间片声学特征信号，通过快速傅里叶变换单元将信号变换到频域；

然后通过MFCC特征向量提取单元计算MFCC特征向量；

最后将获取的特征向量依次和已经存储在系统中的参考模板向量通过DTW故障诊断单元进行动态规整匹配，并计算相似度；

所述的DTW故障诊断单元用于实现一个参考模板向量和一个测试模板向量的主要特征点时间对齐，然后计算相似度。

具体的，所述的变电站声信号特征提取方法，用相似度来表示某种故障或运行状态存在的可能性，藉此作为故障诊断的直接依据。

进一步的，所述的变电站声信号特征提取方法，采用动态规整算法，首先将一个序列延伸后，使与另一序列的相似点逐一对应；然后计算所有相似点的距离的绝对值和得到相似度。

具体的，所述的变电站声信号特征提取方法，在计算过程中首先根据参考模板特征向量和测试模板特征向量构造二维矩形网格D，网格点为两个时间序列的相似点距离，然后根据动态规划方法搜索确定一条距离最小的路径；同时要求所获得路径满足单调性、连续性和边界条件，以实现最佳匹配。

进一步的，所述的变电站声信号特征提取方法，通过以嵌入式单片机为基础的声学信号信号处理和故障诊断算法，得到故障诊断分析结果，实现电力设备的自动故障诊断分析；

所述的嵌入式单片机通过网络与上位机进行联网，实现数据传输和信息交换；所述的上位机实现对现场音频采集的控制设置，诊断结果的显示和数据库管理，参考模板特征向量库的管理，并可将于典型故障对应的参考模板特征向量传输到位于现场的嵌入式单片机系统中。

与现有技术比较，本发明的优点是：

1.在变电站现场，采用片上系统对采集到的声信号，通过嵌入式单片机运行声音信号处理算法，来实现故障特征的提取，基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类；占用资源较少，因此对硬件计算性能要求较低；

2.采用相似度来表示某种故障或运行状态存在的可能性，藉此作为故障诊断的直接依据，特别适合在变电站现场进行动态快速匹配故障特征信号，适合在单片机系统上进行系统运行；

3.结合现场巡检作业经验数据，音频指纹特征的采集和分析结果，建立音频诊断分析知识库，针对不同类别、型号的设备分别建立音频诊断分析模型；由有助于通过现场测试和验证，不断优化音频诊断模型和知识库。

附图说明

图1是本发明声学特征信号处理和故障诊断流程示意图；

图2A是声学特征信号待匹配的参考模板向量示意图；

图2B是声学特征信号测试模板向量示意图；

图3是本发明声学特征信号诊断分析系统的实施例示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

变压器或GIS(Gas Insulated Switchgear，气体绝缘金属封闭开关设备)等主要一次设备在不同运行状态下发出不同音色的声信号，如铁芯松动发出”嗡嗡”声，绝缘击穿发出”噼啪”声，套管表面闪络发出”吱吱”声。这些声音具有单一的音色特征，可视其为一个孤立词。虽然动态规整算法在识别大词汇量时效果较差，但对孤立词识别效果良好，且方法较简单。

本发明的技术方案，在硬件上包括拾音器、音频编码、声音信号采集单片机和上位机等组成部分。其通过嵌入式单片机运行声音信号处理算法实现故障特征的提取；声音信号处理单元软件系统算法包括预处理、快速FFT、MFCC特征向量提取和动态规整算法故障诊断4个部分。

所述的基于动态规整算法的算法以若干类别的参考模板为基础，通过识别从实际采集信号中截取的测试模板与参考模板的相似度进行故障诊断。该算法首先定义一组和特定故障类型相对应的参考模板{R₁(M)，R₂(M)，…，R_i(M)，…，R_x(M)}，其中i表示第i个模板特征向量，1≤i≤X，每个模板特征向量都是M维向量。然后从采集的声音信号中根据移动滑窗策略逐段截取测试模板{T₁(M)，T₂(M)，…，T_j(M)，…，T_Y(M)}，其中j表示第j个测试模板特征向量，1≤j≤Y，每个测试模板特征向量共M维。

基于参考模板和测试模板量，通过计算模板之间的相似度度量测试模板和参考模板之间的吻合程度。对于待比较的两个时间序列特征向量，一般情况下两个时间序列向量可能在形状上相似，但在时间轴上不能对齐。所以采用动态规整算法首先将一个序列延伸后，使与另一序列的相似点逐一对应。然后计算所有相似点的距离的绝对值的和得到相似度。在定义两个时间序列的长度分别为|X|、|Y|时，逐一对应后归整得到的路径满足如下形式：

W＝w₁，w₂，…，w_k，…w_K

max(|X|，|Y|)≤K|X|+|Y|

其中，w_k＝(i，j)，i为第i个参考模板特征向量，j为第j个测试模板特征向量。

为了实现最佳匹配，在计算过程中首先根据参考模板特征向量和测试模板特征向量构造二维矩形网格D，网格点d(i，j)为两个时间序列的相似点距离，然后根据动态规划方法搜索确定一条距离最小的路径。同时要求所获得路径满足单调性、连续性和边界条件。

所述的基于动态规整算法的变电站声信号特征提取方法可以动态快速匹配故障特征信号，适合在片上系统运行，参考模板特征向量可以根据实际情况逐步丰富和完善，系统性能也可以在实际使用过程中逐步提升。

本技术方案结合现场巡检作业经验数据，音频指纹特征的采集和分析结果，建立音频诊断分析知识库。针对不同类别、型号的设备分别建立音频诊断分析模型。可通过现场测试和验证，不断优化音频诊断模型和知识库。

具体的，图1为声学特征信号处理和故障诊断流程实施例。

所述的声学特征信号处理和故障诊断方法，依次包括预处理单元1、快速傅里叶变换单元2、MFCC特征向量提取单元3、DTW故障诊断单元4。

所述的预处理单元主要实现降噪处理，分离测量信号中显著的背景噪声信号；然后对信号进行分帧，依次截取一段测量信号进行分析；对于截取的时间片声学特征信号，通过快速傅里叶变换单元2将信号变换到频域；然后通过MFCC特征向量提取单元3计算MFCC特征向量。最后将获取的特征向量依次和已经存储在系统中的参考模板向量通过DTW故障诊断单元4进行动态规整匹配，并计算相似度。由于每个参考模板向量均于一种电力设备典型运行状态(正常或异常)有关系，所以相似度表示了某种故障或运行状态存在的可能性，可以作为故障诊断的直接依据。

所述的DTW故障诊断单元4主要实现一个参考模板向量和一个测试模板向量的主要特征点时间对齐，然后计算相似度。

图2A中为待匹配的参考模板向量和测试模板向量。可以看出，两个信号具有相同的变化趋势，但是关键特征点在时间上有超前、滞后。经过动态规整后两个信号的关键特征点对应关系，可以通过一个如图2B中的二维表表示，图中路径为随时间变化两个向量中主要特征点的对应关系，满足单调性、连续性和边界条件。

基于图1所示的声学特征信号处理和故障诊断流程，可以开发专用声学特征信号诊断分析系统，实现电力设备的自动故障诊断分析。

图3给出了一个声学特征信号诊断分析系统的实施例。所述的声学特征信号诊断分析系统包括拾音器单元5、VS1053音频编码芯片单元6、STM32单片机7和上位机8等组成部分。

所述的拾音器单元5、实现声学特征信号采集，获取声学模拟信号。

VS1053音频编码芯片单元6实现声学模拟信号的采集湖人编码。

STM32单片机7实现嵌入式单片机为基础的声学特征信号信号处理和故障诊断算法，得到故障诊断分析结果。

所述的上位机8实现音频采集控制设置，诊断结果的显示和数据库管理，参考模板特征向量库的管理，并可将于典型故障对应的参考模板特征向量传输到单片机系统。

本发明的技术方案通过嵌入式单片机运行声音信号处理算法，来实现故障特征的提取，基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类；占用资源较少，因此对硬件计算性能要求较低；其采用相似度来表示某种故障或运行状态存在的可能性，藉此作为故障诊断的直接依据，特别适合在变电站现场进行动态快速匹配故障特征信号；其结合现场巡检作业经验数据，音频指纹特征的采集和分析结果，建立音频诊断分析知识库，针对不同类别、型号的设备分别建立音频诊断分析模型；由有助于通过现场测试和验证，不断优化音频诊断模型和知识库。

本发明可广泛用于无人值守变电站的运行监控和状态监测领域。

Claims (10)

1.一种基于动态规整算法的变电站声信号特征提取方法，包括对变压器或GIS开关一次设备在不同运行状态下发出的声信号进行现场声学特征信号的采集，利用变电站一次设备在各种运行状况下采集得到的声信号进行故障诊断；其特征是：

1)利用基于离散余弦变换的Mel频率倒谱系数得到的特征向量；

2)然后采用动态规整算法于参考模板向量比较进行故障分类：

基于测试模板与参考模板之间相似度的计算结果，对各种变电站一次设备的实际运行状态进行分析，并对可能出现的故障进行分类。

2.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是在采集到所述现场声学特征信号后，所述的变电站声信号特征提取方法进行如下处理步骤：

音频信号预处理、快速傅里叶变换、MD＝FCC特征向量计算、基于动态规整算法的显示度计算，然后，根据当前信号与已知信号模板之间的相似度，确定设备运行状态。

3.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，基于实际变电站已正常和异常运行状态建立参考模板向量库，然后根据实时采集的声学特征信号截取并计算测试模板向量，最后基于参考模板向量和测试模板向量在动态规整条件下计算得到的相似度确定设备的实际运行状态和故障类型。

4.按照权利要求1所述的基于动态规整算法的其特征是所述的变电站声信号特征提取方法，通过嵌入式单片机运行声音信号处理算法，来实现故障特征的提取；

其以若干类别的参考模板为基础，通过识别从实际采集信号中截取的测试模板与参考模板的相似度进行故障诊断。

5.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，能够动态快速匹配故障特征信号，适合在单片机系统上进行系统运行。

6.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，在硬件上包括预处理单元、快速傅里叶变换单元、MFCC特征向量提取单元和DTW故障诊断单元；

所述的预处理单元用于实现降噪处理，分离测量信号中显著的背景噪声信号；然后对信号进行分帧，依次截取一段测量信号进行分析；

对于截取的时间片声学特征信号，通过快速傅里叶变换单元将信号变换到频域；

然后通过MFCC特征向量提取单元计算MFCC特征向量；

最后将获取的特征向量依次和已经存储在系统中的参考模板向量通过DTW故障诊断单元进行动态规整匹配，并计算相似度；

所述的DTW故障诊断单元用于实现一个参考模板向量和一个测试模板向量的主要特征点时间对齐，然后计算相似度。

7.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，用相似度来表示某种故障或运行状态存在的可能性，藉此作为故障诊断的直接依据。

8.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，采用动态规整算法，首先将一个序列延伸后，使与另一序列的相似点逐一对应；然后计算所有相似点的距离的绝对值和得到相似度。

9.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，在计算过程中首先根据参考模板特征向量和测试模板特征向量构造二维矩形网格D，网格点为两个时间序列的相似点距离，然后根据动态规划方法搜索确定一条距离最小的路径；同时要求所获得路径满足单调性、连续性和边界条件，以实现最佳匹配。

10.按照权利要求1所述的基于动态规整算法的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，通过以嵌入式单片机为基础的声学信号信号处理和故障诊断算法，得到故障诊断分析结果，实现电力设备的自动故障诊断分析；

所述的嵌入式单片机通过网络与上位机进行联网，实现数据传输和信息交换；所述的上位机实现对现场音频采集的控制设置，诊断结果的显示和数据库管理，参考模板特征向量库的管理，并可将于典型故障对应的参考模板特征向量传输到位于现场的嵌入式单片机系统中。