CN112666430A - 变压器声纹智能故障检测方法及系统 - Google Patents

Abstract

本发明公开了一种变压器声纹智能故障检测方法及系统，所述方法包括：采集变压器可听声信号；对采集的变压器可听声信号进行预处理，包括滤波去噪及放大；对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。本发明能够及时发现变压器故障，避免变压器重大事故的发生。

Description

变压器声纹智能故障检测方法及系统

技术领域

本发明涉及高压绝缘监测分析技术领域，特别涉及一种变压器声纹智能故障检测方法及系统。

背景技术

近年来，科技的发展逐渐由原来的资源节约型转化为环境友好型。为了响应号召，国家电网开始了智能电网建设，电网运行的安全也不断的得到重视。变压器在电网运行中一直扮演着重要的角色，判断变压器是否存在故障，早发现、早检查，能够将电网受到的危害降到最小，变压器故障判断系统已成为电网最不可或缺的“诊断医师”。

电力变压器是电力传输过程中的重要枢纽，变压器发生明显故障时已为时已晚，严重时将导致变压器爆炸，造成巨大经济损失与人员伤亡，因此对变压器的故障早发现显得尤为重要。

在电力变压器可听声故障识别分析领域，大多数识别系统特征识别单一，这在一定情况下丢失了变压器的部分信息，而这些信息中有对故障的早发现起到重要作用的。变压器的声故障数据的匮乏也给运用智能算法实现故障判断带来了阻碍，使得供需不平衡。为了避免这些缺点以及满足变压器故障识别系统的迫切需求，本发明采用多特征融合技术，运用基于乏信息的自适应区间判断，泊松过程故障分析，可实现变压器故障的及时发现。

发明内容

本发明的目的在于提供一种变压器声纹智能故障检测方法及系统，通过判断变压器正常声信号与异响声信号，及时识别变压器存在的故障，避免变压器重大事故的发生。

为解决上述技术问题，本发明的实施例提供如下方案：

一方面，提供了一种变压器声纹智能故障检测方法，包括以下步骤：

采集变压器可听声信号；

对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

优选地，所述采集变压器可听声信号具体包括：

利用麦克风传感器采集原始变压器可听声信号；

根据奈奎斯特采样定理，利用最大采集率大于所述麦克风传感器的采集率2倍的采样传感器对原始变压器可听声信号进行采样。

优选地，所述包括时域、频域、倒谱域、小波域的域特征具体包括：

基频幅值、主频幅值、基频比重、主频比重、频谱复杂度、奇偶次谐波比、高频能量比重、离散小波、小波包、梅尔倒谱系数、线性预测倒谱系数、峭度、方差、均值、歪度、峰值、峰峰值、均方根。

优选地，所述对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征具体包括：

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征；

计算特征与特征、特征与变压器运行状态的互信息；

对各互信息进行最大相关最小冗余算法，提取出变压器本征声音特征。

优选地，所述将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标具体包括：

采用基于加权熵主成分的特征融合算法，对变压器本征声音特征中熵较小者赋予较大权值，熵较大者赋予较小权值；

分别对每一域的本征声音特征进行加权熵处理，得到每一域的唯一一个加权指标；

对加权指标进行主成分融合，获得特征融合指标。

优选地，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计具体包括：

利用真值融合技术对所述特征融合指标进行不同角度的求估计平均值，将不同的平均值进行融合，得到符合整体分布的平均真值估计，用于确定置信区间中心；

利用最大熵原理求取变异数据的概率密度，根据预先设定的置信度获取置信区间，所述变异数据是指所述特征融合指标中与置信区间中心存在偏差的数据。

优选地，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点的步骤还包括：

对变压器周围噪声也进行真值估计与置信区间估计，并与所述特征融合指标的估计结果相结合，对故障点进行综合判断，以减小误判率；

所述变压器周围噪声包括风机噪声、汽车噪声、鸟蝉噪声。

优选地，所述每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间具体包括：

在一段时间内统计故障点数据；

根据此段时间故障点数据与总体数据的比值计算强度系数；

根据强度系数计算得到概率密度分布；

根据概率密度分布得到满足预设置信度的故障出现时间区间；

每隔预定时间对真值及置信区间进行更新，重复上述步骤。

优选地，所述变压器声纹智能故障检测方法还包括：

对故障率进行分析，如果故障出现时间区间中数据点初次达到80％故障率，记为二级报警，提示工作人员注意；

当故障出现时间区间中数据点连续两次达到80％故障率，记为三级报警，通知工作人员进行维修。

一方面，提供了一种变压器声纹智能故障检测系统，包括：

采集模块，用于采集变压器可听声信号；

预处理模块，用于对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

特征提取模块，用于对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

特征融合模块，用于将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

区间判断模块，用于利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

故障点泊松过程诊断模块，用于每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明采用异构融合决策算法，首先采集变压器可听声信号进行预处理，对原始信号进行滤波去噪及放大，之后将处理好的信号进行特征提取、特征选择、特征融合、真值及置信区间估计、故障点泊松过程分析，从而判断变压器的运行情况，及时发现变压器故障，通知工作人员进行维修，避免变压器重大事故的发生。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种变压器声纹智能故障检测方法的流程图；

图2是本发明实施例中特征提取及特征融合的过程示意图；

图3是本发明实施例中各常见正常噪声真值及置信区间获取流程图；

图4是本发明实施例中各常见正常噪声真值及置信区间更新流程图；

图5是本发明实施例中泊松过程时间置信区间更新流程图；

图6是本发明实施例中疑似故障判断流程图；

图7是本发明实施例中报警判断流程图；

图8是本发明实施例提供的一种变压器声纹智能故障检测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明的实施例首先提供了一种变压器声纹智能故障检测方法，如图1所示，该方法包括以下步骤：

采集变压器可听声信号；

对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

在实际应用中，变压器的声音来源主要来自于铁芯的磁致伸缩形变与漏磁产生的线圈振动所导致的空气压缩，正常情况下，变压器声音持续而平稳，但出现故障时，变压器的声音发生异响。因此，变压器异响的产生往往预示着变压器故障的降临。

本发明实施例提供的变压器声纹智能故障检测方法采用异构融合决策算法，首先采集变压器可听声信号进行预处理，对原始信号进行滤波去噪及放大，之后将处理好的信号进行特征提取、特征选择、特征融合、真值及置信区间估计、故障点泊松过程分析，从而判断变压器的运行情况，及时发现变压器故障，通知工作人员进行维修，避免变压器重大事故的发生。

进一步地，所述采集变压器可听声信号具体包括：

利用麦克风传感器采集原始变压器可听声信号；

根据奈奎斯特采样定理，利用最大采集率大于所述麦克风传感器的采集率2倍的采样传感器对原始变压器可听声信号进行采样。

优选地，采集传感器为GRAS40PP，信号采集频带宽度10Hz-20kHz，灵敏度为50Mv/Pa，采样率51200Hz，采样时长1s/次。采集数据可以固定采样总体时长也可固定采样总数。

由于麦克风传感器的灵敏度有限，需要对采样信号进行预处理，包括信号的滤波去噪以及放大处理。

进一步地，所述对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征具体包括：

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征；

计算特征与特征、特征与变压器运行状态的互信息；

对各互信息进行最大相关最小冗余(MRMR)算法，提取出变压器本征声音特征。

其中，包括时域、频域、倒谱域、小波域的域特征具体包括：

基频幅值、主频幅值、基频比重、主频比重、频谱复杂度、奇偶次谐波比、高频能量比重、离散小波、小波包、梅尔倒谱系数、线性预测倒谱系数、峭度、方差、均值、歪度、峰值、峰峰值、均方根等。

在正常运行监测时，可直接提取已获取的变压器本征声音特征用于后续的特征融合过程。

进一步地，所述将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标具体包括：

采用基于加权熵主成分的特征融合算法，对变压器本征声音特征中熵较小者赋予较大权值，熵较大者赋予较小权值；

分别对每一域的本征声音特征进行加权熵处理，得到每一域的唯一一个加权指标；

对加权指标进行主成分融合，获得特征融合指标。

上述特征融合步骤主要用于降低故障判断维度，减小计算量，提高判断效率。在正常运行监测时，可直接提取已获取的加权值与变压器本征声音特征融合，之后进行主成分空间转化获取特征融合指标，用于后续的判断过程。

图2是本发明实施例中特征提取及特征融合的过程示意图，采用基于互信息的MRMR算法与熵主成分分析法，将采集的信号分帧处理后提取时域、频域、倒谱域、小波域等域特征，将信号转化为各特征后将特征再计算特征与特征，特征与变压器运行状态的互信息，最后对各互信息进行最大相关最小冗余(MRMR)算法，提取出变压器本征声音特征，之后获取各指标权值进行主成分分析，再进行加权熵主成分特征融合，获得特征融合指标。

进一步地，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计具体包括：

利用真值融合技术对所述特征融合指标进行不同角度的求估计平均值，将不同的平均值进行融合，得到符合整体分布的平均真值估计，用于确定置信区间中心；

利用最大熵原理求取变异数据的概率密度，根据预先设置的置信度(通常为0.95)获取置信区间，所述变异数据是指所述特征融合指标中与置信区间中心存在偏差的数据。

进一步地，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点的步骤还包括：

对变压器周围噪声也进行真值估计与置信区间估计，并与所述特征融合指标的估计结果相结合，对故障点进行综合判断，以减小误判率；

所述变压器周围噪声包括风机噪声、汽车噪声、鸟蝉噪声。

上述区间判断过程用于进行噪声过滤。由于数据不充分、未知概率，因此利用基于乏信息理论对融合特征指标进行真值估计与置信区间估计。为了减小误判率，对于一些正常噪声(风机、汽车、鸟产，鸟蝉叫等)也进行相应真值与置信区间处理，识别率可达到80％。之后对都不在这些区间内的数据进行最终判断。

图3和图4分别是各常见正常噪声真值及置信区间的获取和更新流程图。对变压器信号的初次判断利用数据估计真值与相对于平均估计真值的置信区间，对一些现场常见的正常噪声进行置信区间与真值估计可以有效减小系统的误判率。基于乏信息的真值融合技术从不同角度(滚动均值法、隶属函数法、灰度法等)计算估计真值，可以在数据较小、概率未知的情况下找到尽可能逼近真值的参数，通过自助法获取大量数据，构建各正常噪声置信区间。对故障监测过程中各正常噪声的不同特征融合均值与置信区间会随着更新时间(如10min一更新)不断更新，实时匹配出符合当前监测变压器的实际监测参数。

进一步地，所述每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间具体包括：

在一段时间内统计故障点数据；

根据此段时间故障点数据与总体数据的比值计算强度系数；

根据强度系数计算得到概率密度分布；

根据概率密度分布得到满足预设置信度(通常为0.95)的故障出现时间区间；

每隔预定时间对真值及置信区间进行更新，重复上述步骤。

故障点泊松过程分析用于最终的故障判断。图5是本发明实施例中泊松过程时间置信区间更新流程图，由于故障声信号一般出现具有频繁、周期性，而正常噪声具有瞬时、非长效性，所以引入更新的泊松过程对信号进行故障判断，对泊松过程相应参数(时间间隔置信区间、强度系数)进行更新，进一步减小误判率。

进一步地，所述变压器声纹智能故障检测方法还包括：

对故障率进行分析，如果故障出现时间区间中数据点初次达到80％故障率，记为二级报警，提示工作人员注意；

当故障出现时间区间中数据点连续两次达到80％故障率，记为三级报警，通知工作人员进行维修。

图6是本发明实施例中疑似故障判断流程图。通过对数据的区间判断，最终判断是否为疑似故障点，为故障报警判断提供数据支持。

图7是本发明实施例中报警判断流程图。当达到故障报警判断时间(如10min一报警判断)时，对故障率进行分析，如果时间区间中数据点为初次达到80％故障率，也有可能不是故障导致，此时只为二级报警；当连续两次达到80％故障率，则为故障导致，记为三级报警，通知工作人员进行维修。

相应地，本发明的实施例还提供了一种变压器声纹智能故障检测系统，如图8所示，该系统包括：

采集模块101，用于采集变压器可听声信号；

预处理模块102，用于对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

特征提取模块103，用于对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

特征融合模块104，用于将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

区间判断模块105，用于利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

故障点泊松过程诊断模块106，用于每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

进一步地，采集模块101具体用于：

利用麦克风传感器采集原始变压器可听声信号；

根据奈奎斯特采样定理，利用最大采集率大于所述麦克风传感器的采集率2倍的采样传感器对原始变压器可听声信号进行采样。

由于麦克风传感器的灵敏度有限，需要对采样信号进行预处理，预处理模块102用于对采样信号进行滤波去噪以及放大处理。

进一步地，特征提取模块103具体用于：

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征；

计算特征与特征、特征与变压器运行状态的互信息；

对各互信息进行最大相关最小冗余算法，提取出变压器本征声音特征。

进一步地，特征融合模块104具体用于：

采用基于加权熵主成分的特征融合算法，对变压器本征声音特征中熵较小者赋予较大权值，熵较大者赋予较小权值；

分别对每一域的本征声音特征进行加权熵处理，得到每一域的唯一一个加权指标；

对加权指标进行主成分融合，获得特征融合指标。

进一步地，区间判断模块105具体用于：

利用真值融合技术对所述特征融合指标进行不同角度的求估计平均值，将不同的平均值进行融合，得到符合整体分布的平均真值估计，用于确定置信区间中心；

利用最大熵原理求取变异数据的概率密度，根据预先设定的置信度获取置信区间，所述变异数据是指所述特征融合指标中与置信区间中心存在偏差的数据。

进一步地，区间判断模块105还用于：

对变压器周围噪声也进行真值估计与置信区间估计，并与所述特征融合指标的估计结果相结合，对故障点进行综合判断，以减小误判率；

所述变压器周围噪声包括风机噪声、汽车噪声、鸟蝉噪声。

进一步地，故障点泊松过程诊断模块106具体用于：

在一段时间内统计故障点数据；

根据此段时间故障点数据与总体数据的比值计算强度系数；

根据强度系数计算得到概率密度分布；

根据概率密度分布得到满足预设置信度的故障出现时间区间；

每隔预定时间对真值及置信区间进行更新，重复上述步骤。

进一步地，所述变压器声纹智能故障检测系统还包括报警模块，所述报警模块用于：

对故障率进行分析，如果故障出现时间区间中数据点初次达到80％故障率，记为二级报警，提示工作人员注意；

当故障出现时间区间中数据点连续两次达到80％故障率，记为三级报警，通知工作人员进行维修。

本发明实施例提供的变压器声纹智能故障检测系统采用异构融合决策算法，首先采集变压器可听声信号进行预处理，对原始信号进行滤波去噪及放大，之后将处理好的信号进行特征提取、特征选择、特征融合、真值及置信区间估计、故障点泊松过程分析，从而判断变压器的运行情况，及时发现变压器故障，通知工作人员进行维修，避免变压器重大事故的发生。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种变压器声纹智能故障检测方法，其特征在于，包括以下步骤：

采集变压器可听声信号；

对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

2.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述采集变压器可听声信号具体包括：

利用麦克风传感器采集原始变压器可听声信号；

根据奈奎斯特采样定理，利用最大采集率大于所述麦克风传感器的采集率2倍的采样传感器对原始变压器可听声信号进行采样。

3.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述包括时域、频域、倒谱域、小波域的域特征具体包括：

基频幅值、主频幅值、基频比重、主频比重、频谱复杂度、奇偶次谐波比、高频能量比重、离散小波、小波包、梅尔倒谱系数、线性预测倒谱系数、峭度、方差、均值、歪度、峰值、峰峰值、均方根。

4.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征具体包括：

对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征；

计算特征与特征、特征与变压器运行状态的互信息；

对各互信息进行最大相关最小冗余算法，提取出变压器本征声音特征。

5.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标具体包括：

采用基于加权熵主成分的特征融合算法，对变压器本征声音特征中熵较小者赋予较大权值，熵较大者赋予较小权值；

分别对每一域的本征声音特征进行加权熵处理，得到每一域的唯一一个加权指标；

对加权指标进行主成分融合，获得特征融合指标。

6.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计具体包括：

利用真值融合技术对所述特征融合指标进行不同角度的求估计平均值，将不同的平均值进行融合，得到符合整体分布的平均真值估计，用于确定置信区间中心；

利用最大熵原理求取变异数据的概率密度，根据预先设定的置信度获取置信区间，所述变异数据是指所述特征融合指标中与置信区间中心存在偏差的数据。

7.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点的步骤还包括：

对变压器周围噪声也进行真值估计与置信区间估计，并与所述特征融合指标的估计结果相结合，对故障点进行综合判断，以减小误判率；

所述变压器周围噪声包括风机噪声、汽车噪声、鸟蝉噪声。

8.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间具体包括：

在一段时间内统计故障点数据；

根据此段时间故障点数据与总体数据的比值计算强度系数；

根据强度系数计算得到概率密度分布；

根据概率密度分布得到满足预设置信度的故障出现时间区间；

每隔预定时间对真值及置信区间进行更新，重复上述步骤。

9.根据权利要求1所述的变压器声纹智能故障检测方法，其特征在于，所述变压器声纹智能故障检测方法还包括：

对故障率进行分析，如果故障出现时间区间中数据点初次达到80％故障率，记为二级报警，提示工作人员注意；

当故障出现时间区间中数据点连续两次达到80％故障率，记为三级报警，通知工作人员进行维修。

10.一种变压器声纹智能故障检测系统，其特征在于，包括：

采集模块，用于采集变压器可听声信号；

预处理模块，用于对采集的变压器可听声信号进行预处理，所述预处理包括滤波去噪及放大；

特征提取模块，用于对预处理后的信号进行特征提取，提取出包括时域、频域、倒谱域、小波域的域特征，再从中提取出变压器本征声音特征；

特征融合模块，用于将提取的变压器本征声音特征进行熵主成分融合计算，得到特征融合指标；

区间判断模块，用于利用乏信息理论对所述特征融合指标进行真值估计与置信区间估计，对于不在置信区间的观察点视为故障点；

故障点泊松过程诊断模块，用于每隔预定时间对真值及置信区间进行更新，对不在置信区间的故障点进行泊松过程分析，得到满足预设置信度的故障出现时间区间。

Images