CN111912519B - 基于声纹频谱分离的变压器故障诊断方法及装置 - Google Patents

Abstract

本发明公开了基于声纹频谱分离的变压器故障诊断方法及装置，包括获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；基于时域的声纹数据进行频域转换获取频谱数据；基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；将分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果。本发明在进行取对数处理和离散余弦变换之前，通过设计50Hz倍频三角滤波器组滤波实现对频谱数据的降维，在后续运算处理中提高运算速度并提高了GRU神经网络输入特征向量的有效性，从而提高了GRU神经网络的诊断结果准确性。

Description

基于声纹频谱分离的变压器故障诊断方法及装置

技术领域

本发明涉及本发明涉变压器故障诊断方法领域，具体是基于声纹频谱分离的变压器故障诊断方法及装置。

背景技术

随着中国经济的发展，电力需求容量不断的提升，电能质量问题备受关注。为增强电力系统中的无功补偿与无功平衡，抑制系统过电压，提高电能质量和供电可靠性，变压器的安全稳定运行尤为关键。大量实践表明，变压器出现严重事故前，往往都存在着潜伏性故障。目前，变压器保护方法主要通过故障时的电压、电流等电气参量进行继电保护，然而，变压器潜伏性故障由于普遍存在于内部且难以检测，迄今缺乏有效的在线监测方法、技术与装置。

目前针对变压器潜伏性故障检测主要围绕以下几种参量进行：

1)绝缘水平相关检测参量：包括绝缘电阻、吸收比、极化指数、介质损耗因数、泄露电流等。围绕以上参量的检测手段能够反映大多数的电气故障及隐患，但都存在难以实现在线监测的缺陷。

2)温度：测量变压器的温度参数能够检测到大部分故障，且通过适当的温度传感器如光纤温度传感器以及红外成像仪可以实现设备的在线监测。然而，温度参量本身承载的信息量有限，难于对故障进行分类。另外，光学设备普遍价格高昂，难于在工程条件下大面积应用。

3)振动信号的检测：通过适当的算法对振动信号进行分析，可以得出故障类型。但缺点对振动源经常需要贴近测量，不适用与强场强位置。

几种测量参量都具有各自优缺点，相比较而言振动信号相对于其他两项综合优势更为明显，而振动产生的声学特征量在过去的研究中被忽视。变压器在运行过程中由于受到电磁力、机械应力的作用，铁芯、绕组、操纵机构等会发生振动并产生机械波，经过绝缘介质与腔体的传播，产生的振动声学信号包含了大量的设备状态信息。尤其是当设备发生缺陷或故障后，内部组件或结构发生机械形变，会使其声学指纹改变，可以作为诊断缺陷及故障的重要特征参量。另一方面，基于振动声学信号的声纹检测法与许多传统检测方法相比，可以实现在设备外部对其运行状态进行不停电检测，与电气设备没有任何电气连接，不影响系统的正常运行；在安全的监测设备状态的同时，又能解决红外、紫外等远距离成像手段检测特征有限与检测纵深不足的问题。因此，有足够的理论和实践依据表明，声纹不停电检测在电网主设备状态检修领域中具有良好的应用前景。

发明内容

针对上述现有技术存在的问题，本发明提供了基于声纹频谱分离的变压器故障诊断方法及系统，基于声纹数据和深度学习网络对变压器故障进行分析，提高了诊断结果的准确性。

本发明的基于声纹频谱分离的变压器故障诊断方法，包括以下步骤：

(11)获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

(12)基于时域的声纹数据进行频域转换获取频谱数据，该频谱数据包含频谱包络数据和频谱细节数据；

(13)基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

(14)基于分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果。

作为上述方案的进一步优化，所述步骤(12)中，包括：

基于获取的振动声学信号，进行分帧操作，获得声学信号帧；

对声学信号帧进行加窗操作；

对加窗后的声学信号采用短时离散傅里叶变换进行频域转换，并基于频域转换后的数据获取每一帧的周期能量谱。

作为上述方案的进一步优化，以时长为1s的振动声学信号为一个样本，以帧长为0.04s，帧移为0.01s的方式进行每个样本的分帧操作。

作为上述方案的进一步优化，所述加窗操作采用汉明窗。

作为上述方案的进一步优化，所述步骤(13)中，包括：

根据声学信号的频谱数据，采用预设滤波器组提取出包含重要信息的频谱分量；

基于预设滤波器组输出的频谱数据进行取对数处理；

基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离。

作为上述方案的进一步优化，所述预设滤波器组滤波器组的传递函数H_m(k)表达式如下：

其中，

m＝(1,2,3,...,F_max/100)，采用50Hz倍频三角滤波器组，r_s其中为音频文件的采样率；m为滤波器的序号，滤波器总数由需要提取特征的频率范围上限F_max决定。

作为上述方案的进一步优化，所述预设的GRU神经网络是基于变压器的铁芯、绕组、操纵机构产生的振动声纹信号历史数据作为样本数据，经过步骤(12)和(13)处理后输入GRU神经网络训练得到的。

作为上述方案的进一步优化，所述GRU神经网络的输出层采用softmax分类器，输出层输出的结果包括变压器处于直流偏磁状态和变压器处于正常运行状态。

本发明的基于声纹频谱分离的变压器故障诊断装置，其特征在于：包括

振动声纹信号数据获取模块，用于获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

频谱数据获取模块，用于基于时域的声纹数据进行频域转换获取频谱数据；

频谱数据分离模块，用于基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

变压器故障诊断模块，用于将分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果。

作为上述方案的进一步优化，所述频谱数据分离模块包括：

频谱滤波单元，用于根据声学信号的频谱数据，采用预设滤波器组提取出包含重要信息的频谱分量；

对数频谱获取单元，用于基于预设滤波器组输出的频谱数据进行取对数处理；

频谱数据分离单元，用于基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离。

本发明的基于声纹频谱分离的变压器故障诊断方法及装置，具备如下有益效果：

1.本发明的基于声纹频谱分离的变压器故障诊断方法，在进行取对数处理和离散余弦变换之前，通过设计50Hz倍频三角滤波器组滤波实现对频谱数据的降维，在后续运算处理中提高运算速度并提高了GRU神经网络输入特征向量的有效性，从而提高了GRU神经网络的诊断结果准确性。

2.本发明的基于声纹频谱分离的变压器故障诊断方法，基于采集的变压器声纹振动信号获取频谱数据之前经过分帧操作使变压器声纹振动信号变为短时平稳数据，适用于下一步的短时离散傅里叶变换过程，由于汉明窗的旁瓣衰减较大，且具有平滑的低通特性，本发明中采用汉明窗进行加窗操作，使得加窗操作后的变压器声纹振动信号在进行下一步短时离散傅里叶变换时能够有效避免端点的瞬间变化，能在较高的程度上反映短时频率特性。

3.本发明的基于声纹频谱分离的变压器故障诊断方法，考虑到频谱包络数据中携带了声纹信号的辨识属性，是反映声纹信号特征的重要参数，本发明基于变压器声纹振动信号的频谱数据，采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离，以便于针对频谱包络数据进行分析，实现了声纹信号辨识属性的高效提取。

4.本发明的基于声纹频谱分离的变压器故障诊断方法，神经网络采用GRU网络结构，GRU网络通过重置门和更新门将变压器声纹重要特征保留下来，保证其在传播的过程中不会被丢失，同时GRU网络的训练计算开销更小，训练速度更快。

附图说明

图1为本发明基于声纹频谱分离的变压器故障诊断方法的整体流程框图；

图2为本发明基于声纹频谱分离的变压器故障诊断方法中的获取频谱数据的方法流程框图；

图3为本发明基于声纹频谱分离的变压器故障诊断方法中的获取频谱分离数据的方法流程框图；

图4为本发明基于声纹频谱分离的变压器故障诊断装置的结构框图。

具体实施方式

下面结合具体实施例以及附图对本发明的技术方案进一步说明。

本发明提供了基于声纹频谱分离的变压器故障诊断方法，包括以下步骤：

(11)获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

(12)基于时域的声纹数据进行频域转换获取频谱数据，该频谱数据包含频谱包络数据和频谱细节数据；具体的，在进行频域转换之前对采集获取的数据进行预处理，考虑到本技术方案中需要基于变压器的振动声纹信号数据获取对应的频谱数据进行分析，在时域频域转换算法中要求输入信号是平稳的，而声纹振动信号在整体上是不平稳的，但在比较短的时间内，语音信号就可以看成平稳的，可以截取出来进行时域频域转换，所以在进行频域转换之前对采集获取的振动声纹信号进行分帧操作，具体的，对于采集的连续的振动声纹信号数据进行采样和量化以获取离散信号数据，以时长为1s的振动声学信号为一个样本，以帧长为0.04s，帧移为0.01s的方式进行每个样本的分帧操作。如果经过分帧后该帧语音信号长度未达到0.04s则在其末尾补零。

为了使频域变换后的数据全局更加连续，避免出现吉布斯效应，本实施例在进行时域频域转换之前对声学信号帧进行加窗操作，加窗之后，原本没有周期性的语音信号呈现出周期函数的部分特征，这里的加窗操作采用具有较好的时间和频率聚集特性的汉明窗，计算公式如下：

预处理之后，对加窗后的声学信号采用短时离散傅里叶变换进行频域转换，该频域转换公式为：

其中，k值表示短时离散傅里叶变换的第k个频谱，N表示汉明窗函数的长度，在此步骤时，一定要考虑傅里叶级数的大小，选择合适的级数会减少计算量，也能使得精度较高，同时，需要注意的是短时离散傅里叶变换的点数问题，点数过大，运算量以及复杂度均会增加，系统运行效率降低。点数过少则会影响频率分辨率，使提取的特征参数误差增大，所以短时离散傅里叶变换点数的选取根据实际情况而定。

并基于频域转换后的数据获取每一帧的周期能量谱，计算公式为：

基于上述步骤后，每一帧数据都对应有频谱以及对应的周期能量谱。

(13)基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

具体的，基于周期能量谱数据P_i(k)进行离散余弦变换，考虑到在声纹信号的频谱图上，峰值就表示声纹信号的主要频率成分，这些峰值称为共振峰(formants)，而共振峰就是携带声纹信号的辨识属性，是反映声纹信号特征的重要参数，所以为了基于声纹信号数据进行变压器故障检测，将频谱图上的共振峰数据和共振峰数据的转变过程的数据作为重要特征提取出来，所以本实施例中提取的频谱的包络就是一条连接一个频谱图上所有共振峰点的平滑曲线，即原始的频谱数据包括频谱包络数据和频谱细节数据，为此，需要将频谱包络数据和频谱细节数据分离，由于频谱包络数据属于低频部分，而频谱细节数据属于高频部分，基于同态信号处理方法，考虑将频域s(k)拆分为两部分的乘积：S(k)＝H(k)E(k)，以H(k)作为频谱包络数据，E(k)作为频谱细节数据，为了分离s(k)中的H(k)和E(k)，考虑先将乘性关系的H(k)和E(k)通过取对数转换为加性关系，即log(S(k))＝log(H(k))+log(E(k))，然后通过离散余弦变换，得到S’(n)＝h’(n)+e’(n)，其中，h’(n)和e’(n)是时域信号，即获得了频谱包络数据的时域数据。

具体的步骤包括：

首先，根据声学信号的频谱数据(即周期能量谱数据P_i(k))，采用预设滤波器组提取出包含重要信息的频谱分量；通过滤波器组对频谱数据进行降维操作，本申请中，设计50Hz倍频三角滤波器组，滤波器组构建方式为：第一个滤波器从f(m)的第一点开始，第二个时取得最大值，第三个点又归零。第二个滤波器从f(m)的第二个点开始，第三点时达到最大值，第四点归零，依次类推，获得预设滤波器组滤波器组的传递函数H_m(k)表达式如下：

其中，

m＝(1,2,3,...,F_max/100)，采用50Hz倍频三角滤波器组，r_s其中为音频文件的采样率；m为滤波器的序号，滤波器总数由需要提取特征的频率范围上限F_max决定。根据实测的变压器铁心声音数据，绝大部分能量都集中在0到4kHz范围内，因此滤波器组数量为4000/100＝40个，使用设计的滤波器组对能量谱P_i(k)滤波，得到的X(k)已经对50Hz倍频附近的能量进行了加强，每一帧的能量谱维度为40。

然后，基于预设滤波器组输出的频谱数据即能量谱数据进行取对数处理，将频谱中的频谱包络数据和频谱细节数据的乘性信号转化为加性信号；具体的，对每一个滤波器的输出进行取对数处理。

基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离，获得时域上的已经分离的频谱包络数据和频谱细节数据，可以理解的是，由于此处离散余弦变换处理的数据是频域数据，所以此处的离散余弦变换采用的是逆变换公式，将时域上的已经分离的频谱包络数据和频谱细节数据，输入到训练好的GRU神经网络，就可以进行变压器故障识别检测，本实施例中采用离散余弦变换后每一帧声纹信号获得的数据维度为40维，该40维数据即为倒谱系数，即输入到GRU神经网络的特征向量维度为40。

(14)基于分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果，该预设的GRU神经网络是基于变压器的铁芯、绕组、操纵机构产生的振动声纹信号历史数据作为训练样本数据，经过步骤(12)和(13)处理后输入GRU神经网络训练得到的，在训练时，先构建GRU神经网络，然后将经过步骤(12)和(13)处理后得到的训练样本数据的每一帧倒谱系数按时间顺序依次输入GRU输入层的节点；数据从输入层输入后，进入GRU子单元进行一维卷积，GRU子单元分为重置门和更新门，重置门和更新门决定该GRU单元“遗忘”什么以及“记忆”什么，以此达到GRU可记忆长时间信息的功能，最终数据流向输出节点，此时通过真实标签值与输出值进行比较得到误差，根据误差反向传递的方式进行不断迭代，最终确定网络结构中的各个权重参数和偏置参数。其中，GRU的输出层采用softmax分类器，输出层通过softmax分类判别变压器处于直流偏磁状态还是处于正常运行状态，当变压器处于直流偏磁状态即为变压器出现故障。

优选的，本实施例中将分离之后的频谱数据优化处理后输入预设的GRU神经网络进行变压器故障诊断，首先将频谱数据中的多维特征分量进行根据每个特征对于判断变压器故障状态的影响度分配权重，具体的分配权重方法采用F比计算方法，其中计算公式为：

F(w)＝[F_between(w)]/F_within(w)]

式中，F(w)为F比；D为变压器处于直流偏磁状态还是处于正常运行状态的两种判断情况个数，本实施例中D为2，u_w(i)为第i个声学信号形成分的频谱数据的第w维分量；u_w为u_w(i)的均值；x_w(i)为第i种变压器状态的所有样本的的第w维分量；y_i为第i种变压器状态的样本数。

计算出来的F比越高说明该特征分量对于判断变压器故障状态的影响度越大，将F比作为每项特征分量的权重，然后形成新的特征频谱数据输入到GRU神经网络进行变压器故障诊断，提高诊断结果的准确性。

本发明根据上述基于声纹频谱分离的变压器故障诊断方法还提供了基于声纹频谱分离的变压器故障诊断装置，包括：

振动声纹信号数据获取模块，用于获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

频谱数据获取模块，用于基于时域的声纹数据进行频域转换获取频谱数据；

频谱数据分离模块，用于基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

变压器故障诊断模块，用于将分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果。

上述频谱数据获取模块包括：

声纹数据时域分帧单元，用于基于获取的振动声学信号，进行分帧操作，按时域将振动声学信号分隔为帧，获得声学信号帧；

分帧数据加窗处理单元，用于对声学信号帧进行加窗操作；

频谱数据获取单元，用于对加窗后的声学信号采用短时离散傅里叶变换进行频域转换，并基于频域转换后的数据获取每一帧的周期能量谱。

上述频谱数据分离模块包括：

频谱滤波单元，用于根据声学信号的频谱数据，采用预设滤波器组提取出包含重要信息的频谱分量；

对数频谱获取单元，用于基于预设滤波器组输出的频谱数据进行取对数处理；

频谱数据分离单元，用于基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离。

本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

Claims (9)

1.基于声纹频谱分离的变压器故障诊断方法，其特征在于：包括以下步骤：

(11)获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

(12)基于时域的声纹数据进行频域转换获取频谱数据，该频谱数据包含频谱包络数据和频谱细节数据；

(13)基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

(14)基于分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果；

所述预设的GRU神经网络是基于变压器的铁芯、绕组、操纵机构产生的振动声纹信号历史数据作为样本数据，经过步骤(12)和(13)处理后输入GRU神经网络训练得到的；

所述(14)包括：将分离之后的频谱数据优化处理后输入预设的GRU神经网络进行变压器故障诊断，所述优化处理包括：将频谱数据中的多维特征分量进行根据每个特征对于判断变压器故障状态的影响度分配权重，所述影响度的计算方法为：

F(w)＝[F_between(w)]/F_within(w)]

式中，F(w)为F比；D为变压器处于直流偏磁状态还是处于正常运行状态的两种判断情况个数，本实施例中D为2，u_w(i)为第i个声学信号形成分的频谱数据的第w维分量；u_w为u_w(i)的均值；x_w(i)为第i种变压器状态的所有样本的第w维分量；y_i为第i种变压器状态的样本数。

2.根据权利要求1所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：所述步骤(12)中，包括：

基于获取的振动声学信号，进行分帧操作，获得声学信号帧；

对声学信号帧进行加窗操作；

对加窗后的声学信号采用短时离散傅里叶变换进行频域转换，并基于频域转换后的数据获取每一帧的周期能量谱。

3.根据权利要求2所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：以时长为1s的振动声学信号为一个样本，以帧长为0.04s，帧移为0.01s的方式进行每个样本的分帧操作。

4.根据权利要求2所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：所述加窗操作采用汉明窗。

5.根据权利要求1所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：所述步骤(13)中，包括：

根据声学信号的频谱数据，采用预设滤波器组提取出包含重要信息的频谱分量；

基于预设滤波器组输出的频谱数据进行取对数处理；

基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离。

6.根据权利要求5所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：所述预设滤波器组滤波器组的传递函数H_m(k)表达式如下：

其中，

采用50Hz倍频三角滤波器组，r_s其中为音频文件的采样率；m为滤波器的序号，滤波器总数由需要提取特征的频率范围上限F_max决定；k是频谱数据的第k个频谱。

7.根据权利要求1所述的基于声纹频谱分离的变压器故障诊断方法，其特征在于：所述GRU神经网络的输出层采用softmax分类器，输出层输出的结果包括变压器处于直流偏磁状态和变压器处于正常运行状态。

8.基于声纹频谱分离的变压器故障诊断装置，其特征在于：包括

振动声纹信号数据获取模块，用于获取变压器的铁芯、绕组、操纵机构产生的振动声纹信号数据；

频谱数据获取模块，用于基于时域的声纹数据进行频域转换获取频谱数据；

频谱数据分离模块，用于基于频谱数据采用同态滤波方法将频谱数据中的频谱包络数据和频谱细节数据分离；

变压器故障诊断模块，用于将分离之后的频谱数据输入预设的GRU神经网络获取变压器故障诊断结果。

9.根据权利要求8所述的基于声纹频谱分离的变压器故障诊断装置，其特征在于：所述频谱数据分离模块包括：

频谱滤波单元，用于根据声学信号的频谱数据，采用预设滤波器组提取出包含重要信息的频谱分量；

对数频谱获取单元，用于基于预设滤波器组输出的频谱数据进行取对数处理；频谱数据分离单元，用于基于对数频谱数据采用离散余弦变换将频谱数据中的频谱包络数据和频谱细节数据分离。

Images