CN111259921B

CN111259921B - 基于改进小波包和深度学习的变压器声音异常检测方法

Info

Publication number: CN111259921B
Application number: CN201911315352.5A
Authority: CN
Inventors: 杨皓杰; 杨雨; 李倩; 程胜; 孙丰诚
Original assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Current assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Priority date: 2019-12-19
Filing date: 2019-12-19
Publication date: 2023-09-05
Anticipated expiration: 2039-12-19
Also published as: CN111259921A

Abstract

本发明涉及计算机技术领域，具体涉及一种基于改进小波包和深度学习的变压器声音异常检测方法，包括以下步骤：A）采集N个变压器在不同运行状态下的音频信号；B）对每个音频信号进行小波包变换，采用改进样本熵确定样本熵的阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号；C）进行短时傅里叶变换，生成特征图像；D）按照变压器运行状态将提取的特征图像分类；E）建立卷积神经网络模型，并使用分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测。本发明的实质性效果是：可以有效消除采集的变压器信号中的噪声信号，提取变压器异常故障特征，辅助工程师进行变压器故障诊断。

Description

基于改进小波包和深度学习的变压器声音异常检测方法

技术领域

本发明涉及计算机技术领域，具体涉及一种基于改进小波包和深度学习的变压器声音异常检测方法。

背景技术

变压器在运行过程中，受交流电流的影响，在铁芯中会产生周期性变化的交变磁通，进一步引起铁芯发出均匀的“嗡嗡”声。“嗡嗡”声的大小与安装在变压器上的电压和电流成正比，正常运行中的“嗡嗡”声是均匀的。如果变压器发生异常，将产生不正常的声音。通过检测变压器声音，能够进行变压器故障的诊断。

在变压器运行过程中，受现场噪音及其他变压器的干扰，采集的变压器音频信号中包含非常多的噪声。并且声音识别需要人为主观判断，不同评价者可能产生不同的诊断结果，且个人经验无法建立统一的评价标准。并且长期重复听音工作容易引起人员疲劳，出现误判。现有技术中常选择几个经验参数作为异音监测系统的特征，选择特征较少，容易导致系统准确率低。没有将特征参数结合在一起综合评估，若每个特征都建立一个学习模型，容易造成模型过多，不利于异音判断。常用的阈值去噪方法为软阈值和硬阈值两种，硬阈值由于函数不连续，易导致有用信号缺失；软阈值函数容易产生较大偏差。针对选择特征少，模型多，阈值选择难度大的问题。因此需要选择一种可降低变压器噪声，有效监测变压器异音的系统。

中国专利CN201810062739.3，公开日2018年9月4日，提出一种基于Mel频率倒谱系数的电机异音检测方法，包括以下步骤：步骤1，设定采样频率和采样时长，将电机处于空载状态下及逆行音频信号采集。步骤2，对音频信号进行分帧加窗处理，使用基于Mel频率倒谱系数提取音频特征。步骤4，计算出当前音频信号每一帧的mfcc参数，根据mfcc参数的平均值和峰峰值对电机异音进行识别。这种电机异音检测方法的缺点在于：1、采用平均值和峰峰值分别进行电机异音识别，评估参数较少，准确率低；2、每个特征都需要单独建立学习模型，没有将特征参数结合在一起考虑，异常判断机制复杂。

发明内容

本发明要解决的技术问题是：目前监测变压器异音效果差的技术问题。提出了一种基于改进小波包和深度学习的变压器声音异常检测方法。可通过对音频信号采集分析，判断变压器是出现不正常的声音。

为解决上述技术问题，本发明所采取的技术方案为：一种基于改进小波包和深度学习的变压器声音异常检测方法，包括以下步骤：A)采集N个变压器在不同运行状态下的音频信号；B)对步骤A)中采集的每个音频信号进行小波包变换，得到P个分量信号，采用改进样本熵确定样本熵的阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号；C)对每个重构后的音频信号进行短时傅里叶变换，生成特征图像；D)按照变压器运行状态将提取的特征图像分类；E)建立卷积神经网络模型，并使用步骤D)中分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测。

作为优选，步骤B)中，其中，e表示样本熵。

作为优选，步骤B)中，对每组采集的音频信号进行o层小波包分解，得到P＝2°个分量信号，样本熵e的计算方法包括：B11)记每个分量信号X的数据长度为L，X＝{x₁，x₂，...，x_L}，每个音频信号的分量信号按序号组成向量序列X_mi＝{x_i，x_i+1，…，x_i+m-1}，其中1≤i≤L-m+1，可组成的向量序列共(L-m+1)组，m为人工设定的维数；B12)计算X_mi与X_mj之间的距离d_mij，距离计算式为：d_mij＝max(x_m(i+k)-x_m(j+k))，k∈[0，m-1]；B13)统计X_mi与X_mj之间的距离d_mij小于预设阈值r的个数，记为B_i，定义：B14)增加向量序列的维数至m+1，统计X_m+1，i与X_m+1，j之间的距离d_m+1，ij不大于预设阈值r的个数，记为A_i，定义：/> B15)计算样本熵e，/>

作为优选，每个分量信号X的样本熵的阈值

作为优选，步骤C)中，对音频信号进行短时傅里叶变换并生成特征图像的方法包括：C1)设置进行傅里叶变换的帧长nfft，和相邻两帧的重叠长度overlap，将每组音频信号进行滑动截断处理，音频信号采样频率为fs，采样时长为t，则每组音频信号的长度L_N为fs×t，经截断后的音频信号为其中/>C2)设置窗函数window(l)及窗宽，对截断后的音频信号与窗进行卷积处理得到加窗后的音频信号，v_i为截断后的第i个音频信号，/>为对应的卷积后的音频信号；C3)对加窗后的截断信号进行傅里叶变换，获得各个时刻对应的频率和幅值信息；C4)计算各时刻所有频率对应幅值的最小值min(a)和最大值max(a)，通过min-max标准化算法对各频率幅值进行归一化处理，并保存为图像文件，归一化计算方法为/>a_t表示t时刻的幅值。

作为优选，步骤D)中，按照变压器运行状态将提取的特征图像分类的方法包括：D1)根据变压器的运行状态可将变压器进行分类，记运行状态类别包含p类；D2)将p类样本进行one hot编码，将类别变量转化为机器学习算法易于利用的一种形式，编码后的样本标签可表示为行代表样本个数，列代表类别个数。

作为优选，步骤E)中，采用训练后卷积的神经网络模型用于变压器声音异常的检测的方法包括：获得待检测的变压器的音频信号，按步骤B)至C)获得特征图像，E1)读取步骤C)获得的特征图像，转化为RGB像素网格；E2)把像素网格转换为浮点数张量，并将像素值进行归一化处理；E3)搭建卷积神经网络框架；E4)将预处理后的图像文件及样本标签输入至卷积神经网络模型中进行训练，优化卷积神经网络中的参数；E5)利用验证集测试卷积神经网络的分类性能。

作为优选，步骤E3)中搭建的卷积神经网络框架，其中网络框架包括卷积层、池化层和全连接层，最后一层全连接层和分类器相连，分类器为softmax分类器或SVM分类器。

作为优选，步骤E4)中参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小、MiniBatch和参加训练模型数据的规模。

本发明的实质性效果是：可以有效消除采集的变压器信号中的噪声信号，提取变压器异常故障特征，辅助工程师进行变压器故障诊断，降低维修成本；能够进行特征参数结合评估，减少模型数量，提高检测的效率和准确性。

附图说明

图1为实施例一变压器声音异常检测方法流程框图。

图2为实施例一电压等级为110kV的正常样本的短时傅里叶图像。

图3为实施例一训练集和验证集准确率。

图4为实施例一测试集测试结果。

图5未经阈值降噪的测试结果。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种基于改进小波包和深度学习的变压器声音异常检测方法，以电压等级为110Kv、220Kv和330Kv的变压器为例，如图1所示，本实施例包括以下步骤：A)设定采样频率为16000Hz，采样时长为1s，分别采集50组变压器在二种不同电压等级的正常和异常的音频信号。

B)对每组采集的音频信号进行4层小波包分解，得到16个分量信号，采用改进样本熵确定阈值方法确定阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号。

对每组采集的音频信号进行4层小波包分解，得到16个分量信号。

B1：采用改进样本熵确定阈值方法确定阈值，包括：

B11)：每个分量信号的数据长度为16000，X＝{x₁，x₂，…，x_L}。按序号组成一组连续的，维数为100的向量序列X_100i＝{x_i，x_i+1，…，x_i+99}，其中1≤i≤15901。可组成的向量序列共15901组。

B12)：计算X_mi与X_mj之间的距离d_mij，距离计算公式为：

d_100ij＝max(x_100(i+k)-x_100(j+k))for k＝0，1，…，99。

B13)：统计X_100i和X_100j之间距离d_100ij小于阈值r的个数，记为B_i。阈值r设置为数据标准差的0.15倍，根据公式计算得到B^m(r)。

B14)：增加维数到101，统计X_101，i与X_101，j之间的距离d_101，ij不大于r的个数，根据公式计算得到A¹⁰⁰(r)。

B15)：计算样本熵se，

B16)重复C11-C15计算得到每个分量信号的样本熵SE＝{se₁，se₂，…，se_P}。

表1变压器等级为100kv，运行状态正常的某组音频信号得到的样本熵

分量信号	样本熵	分量信号	样本熵	分量信号	样本熵	分量信号	样本熵
								1	0.000804	2	0.051234	3	0.045244	4	0.026842
5	0.031714	6	0.030892	7	0.017032	8	0.007086
								9	0.010005	10	0.016635	11	0.014745	12	0.022591
13	0.003385	14	0.000478	15	0.000268	16	0.000499

表1

B27)根据样本熵的平均值确定样本熵的阈值λ，得到阈值为0.0175。

B28)计算得到的改进阈值函数为：

根据阈值函数计算每个分量信号的小波系数，并对信号重构，得到重构后的音频信号。

C)对每组重构后的音频信号进行短时傅里叶变换处理，设置每次进行傅里叶变换的帧长nfft和相邻两帧的重叠长度overlap，将傅里叶变换结果生成对应的特征图像。包括：

C1)设置进行傅里叶变换的帧长为1280，和相邻两帧的重叠长度为640，将每组音频信号进行滑动截断处理；

C2)设置窗类型为汉宁窗，窗宽为1280，对截断后的音频信号与窗进行卷积处理得到加窗后的音频信号，v_i为截断后的第i个音频信号，/>为对应的卷积后的音频信号；

C3)对加窗后的截断信号进行傅里叶变换，获得各个时刻对应的频率和幅值信息；

C4)计算各时刻所有频率对应幅值的最小值和最大值，通过min-max标准化算法对各频率幅值进行标准化处理，将幅值结果落到[0，1]范围内，并保存为图像文件。图2为转速1变压器正常运行工况下生成的图像文件。

D)按照变压器运行状态将提取的特征图像分类。根据变压器的运行状态和转速情况，可将变压器分为6类。对变压器类别进行one hot编码。6类样本对应标签如表2所示。

表26类样本标签

序号	电压等级	运行状态	标签
				1	110kV	正常	[1 0 0 0 0 0]
2	110kV	异常	[0 1 0 0 0 0]
				3	220kV	正常	[0 0 1 0 0 0]
4	220kV	异常	[0 0 0 1 0 0]
				5	330kV	正常	[0 0 0 0 1 0]
6	330kV	异常	[0 0 0 0 0 1]

表2

采用卷积神经网络方法实现变压器测试音频数据的分类，包括：

D1)读取.jpg的图像文件，将格式转化为浮点数张量，并将像素值进行归一化处理，缩放至[0，1]范围内。

D2)按照70％，20％和10％的比例将图像文件拆分为训练集、验证集和测试集，测试集样本个数为24，验证集样本个数为60，训练集样本个数为210。

E)建立卷积神经网络模型，并使用步骤D)中分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测。E1)搭建卷积神经网络框架，选择两个中间层，第一层有32个隐藏单元，第二层有64个隐藏单元，中间层使用relu作为激活函数，最后一层使用softmax分类器，分类标签为6。通过rmsProp优化器和均方误差配置模型。设置模型训练轮次为50次，小批量样本个数为20。其中网络框架包括卷积层、池化层和全连接层，最后一层全连接层和分类器相连，分类器为softmax分类器或SVM分类器。参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小、MiniBatch和参加训练模型数据的规模。

E2)将预处理后的图像文件及样本标签输入至卷积神经网络模型中进行训练，采用梯度下降法优化卷积神经网络中的参数，图3为训练集集和验证集的准确率，训练集误差达97％，验证集误差达93.5％。

E3)将测试集放入模型中进行测试，得到的每种样本的测试情况如图4所示，测试准确率达91.67％。图5为对未经改进的样本熵阈值降噪方法进行短时傅里叶变换得到特征图像，并通过卷积神经网络模型经过70次训练得到的测试结果。经过70次训练，模型的准确率达88％。与未经过阈值降噪方法的结果对比，本发明提出的方法能在更短的训练轮次中得到较高的测试准确率，具有良好的泛化能力和鲁棒性。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims

1.一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

包括以下步骤：

A)采集N个变压器在不同运行状态下的音频信号；

B)对步骤A)中采集的每个音频信号进行小波包变换，得到P个分量信号，采用改进样本熵确定样本熵的阈值λ，并重新计算每个分量的小波系数η，重构分量信号，获得重构后的音频信号；

C)对每个重构后的音频信号进行短时傅里叶变换，生成特征图像；

D)按照变压器运行状态将提取的特征图像分类；

E)建立卷积神经网络模型，并使用步骤D)中分类后的特征图像训练，训练后卷积的神经网络模型用于变压器声音异常的检测；

步骤B)中，

其中，e表示样本熵。

2.根据权利要求1所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤B)中，样本熵e的计算方法包括：

B11)记每个分量信号X的数据长度为L，X＝{x₁，x₂，...，x_L}，每个音频信号的分量信号按序号组成向量序列X_m，i＝{x_i，x_i+1，...，x_i+m-1}，其中1≤i≤L-m+1，可组成的向量序列共(L-m+1)组，m为人工设定的维数；

B12)计算X_m，i与X_m，j之间的距离d_m，ij，距离计算式为：

d_m，ij＝max(x_m(i+k)-x_m(j+k))，k∈[0，m-1]

B13)统计X_m，i与X_m，j之间的距离d_rn，ij小于预设阈值r的个数，记为B_i，

定义：

B14)增加向量序列的维数至m+1，统计X_m+1，i与X_m+1，j之间的距离d_m+1，ij不大于预设阈值r的个数，记为A_i，

定义：

B15)计算样本熵e，

3.根据权利要求2所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

每个分量信号X的样本熵的阈值

4.根据权利要求1或2或3所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤C)中，对音频信号进行短时傅里叶变换并生成特征图像的方法包括：

C1)设置进行傅里叶变换的帧长nfft，和相邻两帧的重叠长度overlap，将每组音频信号进行滑动截断处理，音频信号采样频率为fs，采样时长为t，则每组音频信号的长度L_N为fs×t，经截断后的音频信号为其中/>

C2)设置窗函数window(l)及窗宽，对截断后的音频信号与窗进行卷积处理得到加窗后的音频信号，v_i为截断后的第i个音频信号，/>为对应的卷积后的音频信号；

C4)计算各时刻所有频率对应幅值的最小值min(a)和最大值max(a)，通过min-max标准化算法对各频率幅值进行归一化处理，并保存为图像文件，归一化计算方法为a_t表示t时刻的幅值。

5.根据权利要求1或2或3所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤D)中，按照变压器运行状态将提取的特征图像分类的方法包括：

D1)根据变压器的运行状态可将变压器进行分类，记运行状态类别包含p类；

D2)将p类样本进行one hot编码，将类别变量转化为机器学习算法易于利用的一种形式，编码后的样本标签可表示为行代表样本个数，列代表类别个数。

6.根据权利要求1或2或3所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤E)中，建立并训练卷积神经网络模型的方法包括：

E1)读取步骤C)获得的特征图像，转化为RGB像素网格；

E2)把像素网格转换为浮点数张量，并将像素值进行归一化处理；

E3)搭建卷积神经网络框架；

E4)将预处理后的图像文件及样本标签输入至卷积神经网络模型中进行训练，优化卷积神经网络中的参数；

E5)利用验证集测试卷积神经网络的分类性能。

7.根据权利要求6所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤E3)中搭建的卷积神经网络框架，其中网络框架包括卷积层、池化层和全连接层，最后一层全连接层和分类器相连，分类器为softmax分类器或SVM分类器。

8.根据权利要求6所述的一种基于改进小波包和深度学习的变压器声音异常检测方法，其特征在于，

步骤E4)中参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小、MiniBatch和参加训练模型数据的规模。