CN111983357B - 一种结合声纹检测功能的超声可视化故障检测方法 - Google Patents

Abstract

一种结合声纹检测功能的超声可视化故障检测方法，通过麦克风阵列采集电气设备发出的超声信号，将采集的模拟信号转化为数字信号，数字信号进行分段和加窗，对加窗后的信号进行快速傅立叶蝴蝶变换，预设超声传感器信号加权矩阵，傅立叶蝴蝶变换数据结合超声传感器信号加权矩阵权重，采用改进加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图，并将空间谱图转换平面图像，对超声源进行定位；将傅立叶蝴蝶变换数据用声纹频谱编码来表示，并与已知的故障声纹特征编码进行比较，判定故障，本发明将声纹检测技术与超声可视化技术相结合，形成一种具有空间分布的声纹系统，能够提高超声检测的性能，提高现场人员的设备状态诊断能力。

Description

一种结合声纹检测功能的超声可视化故障检测方法

技术领域

本发明涉及电气设备的故障检测领域，特别是一种结合声纹检测功能的超声可视化故障检测方法。

背景技术

电气设备在发生故障的前期，往往会出现局部放电现象，潜在故障源往往会发出超声信号。一些富有经验的检修人员已经能够借助于一般的超声检测设备获取设备内部及外部的超声信号，并可根据监听到的超声信号判断故障点位置和故障类型。

然而在工作现场，各种环境噪声往往会对检修人员的判断造成干扰，降低了故障检出的效率；且超声检测的效果对于检修人员的经验依赖性较强，在目前的检修体制下短时间实现学习和传承有一定的困难，人为不可控因素较大。因而，如何克服环境噪声干扰，并以更加直观和有效的方式，减少人为因素，帮助检修人员提前发现故障位置并判断故障类型是设备管理中需要解决的关键问题之一。

目前，已有一些研究在探索如何通过自动故障监测和识别技术解决上述问题，但大多采用接触式监测方法，即在设备上安装振动超声传感器，监测设备振动状况，判断故障状况，这种检测方式对于单个放电源的检出较为有效，对于开发式的放电源及故障源无能为力。

发明内容

本发明的目的就是提供一种结合声纹检测功能的超声可视化故障检测方法，可以判断待测设备的故障位置和故障类型。

本发明的目的是通过这样的技术方案实现的，它包括有：

一种结合声纹检测功能的超声可视化故障检测方法，具体步骤如下：

1)信号采集：通过麦克风阵列采集电气设备发出的超声信号，将采集到的模拟信号转化为数字信号；

2)信号处理：将步骤1)中的数字信号进行分段和加窗，对加窗后的信号进行快速傅立叶蝴蝶变换，得到傅立叶蝴蝶变换数据；

3)声源定位:预设超声传感器信号加权矩阵，将步骤2)中傅立叶蝴蝶变换数据结合超声传感器信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图，并将空间谱图转换为平面图像，对超声源进行定位；

4)故障判定：将步骤2)中的傅立叶蝴蝶变换数据用声纹频谱编码来表示，并与已知的故障声纹特征编码进行比较，判定故障。

进一步，步骤1)信号采集的具体步骤如下：

1-1)通过麦克风阵列上的超声传感器采集电气设备发出的超声信号；

1-2)将采集到的模拟信号转化为数字信号。

进一步，步骤2)信号处理的具体步骤如下：

2-1)步骤1)超声传感器接收到的超声数字信号可以表示为：

式中：l——每个不同位置的超声传感器，l＝1,2,…,Q；x_l(t)——第l个超声传感器接收的信号，i——空间多个放电源中第i个放电源，s_i(t)——第i个超声源发出的超声信号；n_l(t)——第l个超声传感器接收的噪声信号；τ_l——第l个超声传感器接收到超声信号的延时，N——空间中放电源的数量；

2-2)对超声数字信号进行分段加窗处理：在时域上，将检测时间T₀分为K个子段，设置每个子段时间为T_d，每个时段采集有P个数据点，通过凯泽窗同时调整主瓣宽度与旁瓣宽度，公式为：

I₀是第一类零阶贝塞尔函数，N是序列的长度，β是用来调整凯泽窗函数性能的参数；

2-3)对分段加窗后P个点的数据进行快速傅立叶蝴蝶变换DIF-FFT，保证T_d相比信号和噪声相关时间较长，之后可以得到如下的宽带模型：

X_k(f_p)＝A(f_p)S_k(f_p)+N_k(f_p) (3)

式中：X_k(f_p)——DIF-FFT变换之后第k个时段的超声传感器接收信号数据，S_k(f_p)——DIF-FFT变换之后第k个时段的信号源发射数据，N_k(f_p)——DIF-FFT变换之后第k个时段的噪声数据，A(f_p)——阵列频域流型矩阵。

进一步，步骤3)中将步骤2)中得到的傅立叶蝴蝶变换数据结合超声传感器信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图的具体步骤如下：

3-1-1)所述麦克风阵列有N个超声传感器，则初始矩阵为N×N的单位矩阵，对对角线上的N个非0系数进行调整；将N个超声传感器分为M组，对M组超声传感器指数规律进行加权，得到各组超声传感器的权重系数；依次将权重赋在W矩阵对角线的M个非零常数上，可以得到引入的加权矩阵W；

3-1-2)将步骤3-1-1)中加权后的M路超声信号导入到矩阵实验室MATLAB中，使用改进的加权MUSIC算法计算信号数据的空间谱：

其中，P_MUSIC为概率，a(θ)为信号子空间矩阵的导向矢量，U_N为噪声子空间矩阵，W加权矩阵。

进一步，步骤3)中将空间谱图转换平面图像，对超声源进行定位的具体步骤如下：

3-2-1)空间谱转换图像采用不可变焦的可见光摄像机采集，其视场角范围固定为δ，为了使空间谱转换图像与可见光相机的位置对应，将空间谱中的俯仰角

取0～δ/2°，方向角θ；

3-2-2)根据几何关系计算，空间谱转换的平面图像上每一点都可以转换为一组信号源方向DOA

从而确定其对应的空间谱值；

3-2-3)再将其对应的空间谱值按照0-255的RGB格式的比例换算，得到完整的空间谱的平面转换图像，经过平面图像的转换之后，可以得到包含信号源的方向信息。

进一步，步骤4)故障判定的具体步骤如下：

4-1)将信号的幅值范围分为H1，H2，H3三个等级，然后将测到的声纹频谱用声纹频谱编码来表示；

4-2)用窗口将声纹频谱分为N段，且第i个窗口与第i-1窗口及第i+1窗口均有交叉区域，其中：1<i<N；

4-3)将第一个窗口内的特征点编码与已知的故障特征编码进行对比，若不一致则判定有故障，若一致则平移至下一个窗口，然后将下一个窗口内的特征点编码与已知故障的特征编码进行对比，若不一致则判定有故障，若一致则再平移至下一个窗口，直至N段声纹频谱全部对比完成。

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请利用空间中各个方向的声强分布与摄像头采集到的视觉场景叠加显示，使用者可以直观地看到超声源所在的空间位置，并判断哪些物理实体发出的超声；2、本发明将声纹检测技术与超声可视化技术相结合，形成一种具有空间分布的声纹系统，能够提高超声检测的性能，提高了现场人员的设备状态诊断能力；3、引入加权矩阵提高外侧超声传感器接收信号的权重，使得定位结果更加准确。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的结构示意图。

图2为本发明的麦克风阵列图。

图3为本发明加权优化前后的定位空间谱。

图4为本发明空间谱与平面图像的转换关系。

图5为本发明的声纹频谱图。

图6为本发明图5中窗口1中特征点的幅值。

图2中：1-超声传感器；2-不可变焦的可见光摄像机。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种结合声纹检测功能的超声可视化故障检测方法，其数据采集所应用的麦克风阵列如图2所示；包括焦点处有一个超声传感器1，1,2,3,4,5圈每圈上均匀分布6个超声传感器1，每个超声传感器1之间夹角π/3。

一种结合声纹检测功能的超声可视化故障检测方法，具体步骤如下：

1)信号采集：通过麦克风阵列采集电气设备发出的超声信号，将采集到的模拟信号转化为数字信号；

2)信号处理：将步骤1)中的数字信号进行分段和加窗，对加窗后的信号进行快速傅立叶蝴蝶变换，得到傅立叶蝴蝶变换数据；

3)声源定位:预设超声传感器1信号加权矩阵，将步骤2)中傅立叶蝴蝶变换数据结合超声传感器1信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图，并将空间谱图转换为平面图像，对超声源进行定位；

4)故障判定：将步骤2)中的傅立叶蝴蝶变换数据用声纹频谱编码来表示，并与已知的故障声纹特征编码进行比较，判定故障。

步骤1)信号采集的具体步骤如下：

1-1)通过如图2所示的麦克风阵列上31个超声传感器1对待判定故障的电气设备发出的超声信号，集信号的频域范围为15kHz～30kHz；

1-2)将采集到的模拟信号转化为数字信号。

步骤2)信号处理的具体步骤如下：

2-1)步骤1)中，超声传感器1接收到的超声数字信号可以表示为：

式中：l——每个不同位置的超声传感器1，l＝1,2,…,Q；x_l(t)——第l个超声传感器1接收的信号，i——空间多个放电源中第i个放电源，s_i(t)——第i个超声源发出的超声信号；n_l(t)——第l个超声传感器1接收的噪声信号；τ_l——第l个超声传感器1接收到超声信号的延时，N——空间中放电源的数量；

2-2)对超声数字信号进行分段加窗处理：在时域上，将检测时间T₀分为K个子段，设置每个子段时间为T_d，每个时段采集有P个数据点，通过凯泽窗同时调整主瓣宽度与旁瓣宽度，公式为：

I₀是第一类零阶贝塞尔函数，N是序列的长度，β是用来调整凯泽窗函数性能的参数；

2-3)对分段加窗后P个点的数据进行快速傅立叶蝴蝶变换DIF-FFT，保证T_d相比信号和噪声相关时间较长，之后可以得到如下的宽带模型：

X_k(f_p)＝A(f_p)S_k(f_p)+N_k(f_p) (3)

式中：X_k(f_p)——DIF-FFT变换之后第k个时段的超声传感器1接收信号数据，S_k(f_p)——DIF-FFT变换之后第k个时段的信号源发射数据，N_k(f_p)——DIF-FFT变换之后第k个时段的噪声数据，A(f_p)——阵列频域流型矩阵。

步骤3)中，将步骤2)中得到的傅立叶蝴蝶变换数据结合超声传感器1信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图的具体步骤如下：

3-1-1)初始矩阵为31×31的单位矩阵，对对角线上的31个非0系数进行调整；经过多次尝试，将31个超声传感器1分为7组，超声传感器1的编号分别是1，2-6，7-11，12-16，17-21，22-26，27-31。经过多次定位尝试，发现按照2的指数规律进行加权时，得到权重系数定位较好，即将第一组的权重设为20，第二组的权重是21，第三、四、五、六、6七组的权重依次是22，23，24，25，26。依次将权重赋在W矩阵对角线的31个非零常数上，可以得到引入的加权矩阵W。

对于双螺旋阵列，外侧的超声传感器1接收到的信号定位误差较小，当需要提高定位精度时，提高外侧超声传感器1接收信号的权重，使得定位结果更加准确。

3-1-2)将步骤3-1-1)中加权后的M路超声信号导入到矩阵实验室MATLAB中，使用改进的加权MUSIC算法计算信号数据的空间谱：

其中，P_MUSIC为概率，a(θ)为信号子空间矩阵的导向矢量，U_N为噪声子空间矩阵，W加权矩阵。

如图3所示，加权系数矩阵以后，增加了阵列的定位角度范围，使得方向角接近90°时的定位精度增加。但优化算法的定位精度增加仅在俯仰角接近于90°时，本文经过实验仿真，发现优化算法在俯仰角远离90°时的定位精度变化较小。

步骤3)中将空间谱图转换平面图像，对超声源进行定位的具体步骤如下：

3-2-1)空间谱转换图像采用可变焦的可见光摄像机2采集，其视场角范围固定为46，为了使空间谱转换图像与可见光相机的位置对应，将空间谱中的俯仰角

取0～23°(不可变焦的可见光摄像机2的视场角的一半)，方向角方向角θ取0～360°；

3-2-2)如图4所示，图中参数可以根据几何关系计算而得，如式(5)至(7)所示：

根据式(5)至(7)的转换关系，空间谱转换的平面图像上每一点都可以转换为一组信号源方向DOA

从而确定其对应的空间谱值；

3-2-3)再将其对应的空间谱值按照0-255的RGB格式的比例换算，得到完整的空间谱的平面转换图像；经过平面图像的转换之后，可以得到包含信号源方向信息。

步骤4)故障判定的具体步骤如下：

4-1)将信号的幅值范围分为H1，H2，H3三个等级，然后将测到的声纹频谱用声纹频谱编码来表示；

4-2)用窗口将声纹频谱分为N段，且第i个窗口与第i-1窗口及第i+1窗口均有交叉区域，其中：1<i<N；如图5所示，以窗口1为例(图5中左侧第一个虚框)，对窗口1内的特征点用编码来表示，Q1：K1＝(1 1 1),K2＝(0 0 1),K3＝(0 1 1),K4＝(1 1 1),K5＝(0 1 1)；

4-3)将窗口1内的特征点编码Q1：K1＝(1 1 1),K2＝(0 0 1),K3＝(0 1 1),K4＝(1 1 1),K5＝(0 1 1)与已知故障的特征编码进行对比，若不一致则判定有故障，若一致则平移至下一个窗口，然后将下一个窗口内的特征点编码与已知故障的特征编码进行对比，若不一致则判定有故障，若一致则再平移至下一个窗口，直至N段声纹频谱全部对比完成。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种结合声纹检测功能的超声可视化故障检测方法，其特征在于，具体步骤如下：

1)信号采集：通过麦克风阵列采集电气设备发出的超声信号，将采集到的模拟信号转化为数字信号；

2)信号处理：将步骤1)中的数字信号进行分段和加窗，对加窗后的信号进行快速傅立叶蝴蝶变换，得到傅立叶蝴蝶变换数据；

3)声源定位:预设超声传感器信号加权矩阵，将步骤2)中傅立叶蝴蝶变换数据结合超声传感器信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图，并将空间谱图转换为平面图像，对超声源进行定位；

4)故障判定：将步骤2)中的傅立叶蝴蝶变换数据用声纹频谱编码来表示，并与已知的故障声纹特征编码进行比较，判定故障；

上述步骤3)中将空间谱图转换平面图像，对超声源进行定位的具体步骤如下：

3-2-1)空间谱转换图像采用不可变焦的可见光摄像机采集，其视场角范围固定为δ，为了使空间谱转换图像与可见光相机的位置对应，将空间谱中的俯仰角

取0～δ/2°，方向角θ；

3-2-2)根据几何关系计算，空间谱转换的平面图像上每一点都可以转换为一组信号源方向DOA

从而确定其对应的空间谱值；

3-2-3)再将其对应的空间谱值按照0-255的RGB格式的比例换算，得到完整的空间谱的平面转换图像，经过平面图像的转换之后，可以得到包含信号源的方向信息；

上述步骤4)故障判定的具体步骤如下：

4-1)将信号的幅值范围分为H1，H2，H3三个等级，然后将测到的声纹频谱用声纹频谱编码来表示；

4-2)用窗口将声纹频谱分为N段，且第i个窗口与第i-1窗口及第i+1窗口均有交叉区域，其中：1<i<N；

4-3)将第一个窗口内的特征点编码与已知的故障特征编码进行对比，若不一致则判定有故障，若一致则平移至下一个窗口，然后将下一个窗口内的特征点编码与已知故障的特征编码进行对比，若不一致则判定有故障，若一致则再平移至下一个窗口，直至N段声纹频谱全部对比完成。

2.如权利要求1所述的一种结合声纹检测功能的超声可视化故障检测方法，其特征在于，步骤1)信号采集的具体步骤如下：

1-1)通过麦克风阵列上的超声传感器采集电气设备发出的超声信号；

1-2)将采集到的模拟信号转化为数字信号。

3.如权利要求1所述的一种结合声纹检测功能的超声可视化故障检测方法，其特征在于，步骤2)信号处理的具体步骤如下：

2-1)步骤1)超声传感器接收到的超声数字信号可以表示为：

式中：l——每个不同位置的超声传感器，l＝1,2,…,Q；x_l(t)——第l个超声传感器接收的信号，i——空间多个放电源中第i个放电源，s_i(t)——第i个超声源发出的超声信号；n_l(t)——第l个超声传感器接收的噪声信号；τ_l——第l个超声传感器接收到超声信号的延时，N——空间中放电源的数量；

2-2)对超声数字信号进行分段加窗处理：在时域上，将检测时间T₀分为K个子段，设置每个子段时间为T_d，每个时段采集有P个数据点，通过凯泽窗同时调整主瓣宽度与旁瓣宽度，公式为：

I₀是第一类零阶贝塞尔函数，N是序列的长度，β是用来调整凯泽窗函数性能的参数；

2-3)对分段加窗后P个点的数据进行快速傅立叶蝴蝶变换DIF-FFT，保证T_d相比信号和噪声相关时间较长，之后可以得到如下的宽带模型：

X_k(f_p)＝A(f_p)S_k(f_p)+N_k(f_p) (3)

式中：X_k(f_p)——DIF-FFT变换之后第k个时段的超声传感器接收信号数据，S_k(f_p)——DIF-FFT变换之后第k个时段的信号源发射数据，N_k(f_p)——DIF-FFT变换之后第k个时段的噪声数据，A(f_p)——阵列频域流型矩阵。

4.如权利要求2所述的一种结合声纹检测功能的超声可视化故障检测方法，其特征在于，步骤3)中，将步骤2)中得到的傅立叶蝴蝶变换数据结合超声传感器信号加权矩阵权重，采用改进的加权MUSIC算法计算得到的傅立叶蝴蝶变换数据的空间谱图的具体步骤如下：

3-1-1)所述麦克风阵列有N个超声传感器，则初始矩阵为N×N的单位矩阵，对对角线上的N个非0系数进行调整；将N个超声传感器分为M组，对M组超声传感器指数规律进行加权，得到各组超声传感器的权重系数；依次将权重赋在W矩阵对角线的M个非零常数上，可以得到引入的加权矩阵W；

3-1-2)将步骤3-1-1)中加权后的M路超声信号导入到矩阵实验室MATLAB中，使用改进的加权MUSIC算法计算信号数据的空间谱：

其中，P_MUSIC为概率，a(θ)为信号子空间矩阵的导向矢量，U_N为噪声子空间矩阵，W加权矩阵。

Images