CN116773952A - 一种变压器声纹信号故障诊断方法及系统 - Google Patents
一种变压器声纹信号故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116773952A CN116773952A CN202310876760.8A CN202310876760A CN116773952A CN 116773952 A CN116773952 A CN 116773952A CN 202310876760 A CN202310876760 A CN 202310876760A CN 116773952 A CN116773952 A CN 116773952A
- Authority
- CN
- China
- Prior art keywords
- transformer
- voiceprint signal
- cepstrum
- fault diagnosis
- energy spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 107
- 241000272194 Ciconiiformes Species 0.000 claims abstract description 91
- 230000004927 fusion Effects 0.000 claims abstract description 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 238000009432 framing Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004804 winding Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种变压器声纹信号故障诊断方法及系统，该方法包括：获取变压器声纹信号；基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型并进行变压器故障诊断。本发明提供的故障诊断方法，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
Description
技术领域
本发明涉及变压器故障诊断技术领域，尤其是涉及一种变压器声纹信号故障诊断方法及系统。
背景技术
变压器负责电网中电能的传输和分配，维护变压器稳定运行对电网意义重大。当变压器出现事故时，往往会引发重大灾难。电力变压器需要长期在高负荷的条件下运行，根据故障产生部位可分为油故障、绕组故障、铁芯故障、油枕故障等。有在所有故障类型中，变压器绕组变形故障算是较为严重的一种。绕组轻微变形的积累会造成严重的变形，可能会损坏变压器内部结构，造成变压器强迫停运，从而导致大范围停电和负荷损失。当变压器绕组发生变形时，会影响其振动声纹信号，因此根据绕组振动时产生的声纹信号可以判断变压器绕组的机械状态。
近年来，国内外出现了很多变压器声纹信号的故障诊断方法。如K均值法和频率响应法分析绕组机械缺陷。随着机器学习和神经网络的发展，支持向量机(Support VectorMachine，SVM)和人工神经网络(Artificial Neural Network，ANN)也被应用于变压器故障诊断。然而，现有方法虽然均取得了不错的效果，但是仍存在部分不足。如使用K均值算法的K值难以确定，容易陷入局部最优解；频率响应分析法必须在停机后检查绕组，有一定局限性；SVM方法对于大规模训练样本和多分类问题的解决存在困难；ANN的训练速度较慢，参数多带来了庞大的计算量。
发明内容
本发明旨在提供一种变压器声纹信号故障诊断方法及系统，以解决上述技术问题，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
为了解决上述技术问题，本发明提供了一种变压器声纹信号故障诊断方法，包括以下步骤：
获取变压器声纹信号；
基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；
使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
基于故障诊断模型进行变压器故障诊断。
上述方案中，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
进一步地，所述基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
进一步地，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
进一步地，所述使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
进一步地，所述基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
本发明还提出了一种变压器声纹信号故障诊断系统，用于实现一种变压器声纹信号故障诊断方法，其包括信号获取模块、特征提取模块、特征融合模块、模型构建模块和故障诊断模块；其中：
所述信号获取模块用于获取变压器声纹信号；
所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征；
所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
所述故障诊断模块用于基于故障诊断模型进行变压器故障诊断。
上述方案提供的系统，其构建简单，实现方便。该系统使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
进一步地，所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
进一步地，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
进一步地，所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
进一步地，所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
附图说明
图1为本发明一实施例提供的一种变压器声纹信号故障诊断方法流程示意图；
图2为本发明一实施例提供的一种能量谱特征提取流程示意图；
图3为本发明一实施例提供的一种倒谱特征提取流程示意图；
图4为本发明一实施例提供的一种加权核主元分析法特征选择和降维流程图；
图5本发明一实施例提供的能量谱分解不同权重因子下特征参数累计贡献率图；
图6本发明一实施例提供的梅尔倒谱系数不同权重因子下特征参数累计贡献率图；
图7为本发明一实施例提供的鹈鹕优化算法的卷积核参数寻优流程图；
图8为本发明一实施例提供的一种变压器声纹信号故障诊断方法具体应用框架示意图；
图9本发明一实施例提供的故障诊断模型结构图；
图10为本发明一实施例提供的故障诊断模型在具体实施实例测试的混淆矩阵结果图；
图11为本发明一实施例提供的一种变压器声纹信号故障诊断系统架构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本实施例提供了一种变压器声纹信号故障诊断方法，包括以下步骤：
S1：获取变压器声纹信号；
S2：基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；
S3：使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
S4：基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
需要说明的是，将得到的最优卷积核参数输入到预设卷积神经网络的各层，并基于声纹信号融合特征对卷积神经网络多次迭代收敛，并通过测试集对收敛的卷积神经网络进行测试，可以得到符合要求的故障诊断模型；
S5：基于故障诊断模型进行变压器故障诊断。
在本实施例中，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
进一步地，请参见图2，所述基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
在本实施例中，可以基于小波包能量谱分解对变压器声纹信号进行五层小波包分解，从低到高提取第五层的32个频率分量的信号特征；基于频率分量的信号特征重构小波包分解系数获取不同频段的分解信号，计算不同频段的分解信号的总能量并进行排列、标准化后构造标准化的特征向量，从而获取到能量谱特征。
进一步地，请参见图3，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
进一步地，所述使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中前10个特征参数作为主元，选择主元累计贡献率大于95％且小波包能量谱分解和梅尔倒谱系数综合主元累计贡献率最高时的权重因子对应的第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取信息丰富、准确、冗余度低声的纹信号融合特征。
需要说明的是，所述第一目标特征参数从能量谱特征中获取，所述第二目标特征参数从倒谱特征中获取，其可以为10维特征矩阵，进行拼接融合后获取20维的特征矩阵作为声纹信号融合特征。
进一步地，所述基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
所述预设卷积神经网络由多个卷积层、池化层和全连接层组成。所得到的最优卷积核参数为卷积步长，可以输入到每个卷积层中。
在本实施例对变压器声纹信号的特征参数提取结合小波包能量谱分解和梅尔倒谱系数两种算法，选取更合适的能量谱特征和倒谱特征。再根据加权核主元分析法对特征降维，对高维特征排序，选取具有代表性的特征，解决了两种特征参数方法结合带来的冗余度和计算量膨胀问题，并提高了后续故障诊断模型的性能以及故障诊断识别准确率。本实施例还使用鹈鹕优化算法对卷积神经网络卷积核参数进行寻优，优化超参数；卷积核参数作为卷积神经网络的重要参数，直接影响故障诊断模型的准确性和稳定性，因此该方式可以提高模型的性能和诊断准确性。
为了更清楚说明本发明的技术手段，凸显其技术优势，本实施例提出一种变压器声纹信号故障诊断方法的具体应用。其包括：
1、特征参数构造和选择
对变压器声纹信号的特征参数构造和选择使用小波包能量谱分解(WaveletPacket Energy Spectrum，WPES)和(Mel Frequency Cepstrum Coefficient，MFCC)结合加权核主元分析法(Weighted Kernel Principal Component Analysis，WKPCA)。变压器的本体噪声、机械故障和干扰声纹信号主要为低频信号，且频率集中在1000Hz以下。基于WPES的变压器声纹信号特征参数构建如图2所示，具体方式如下：
(1)对声纹信号进行5层小波包分解，得到32个频段信息。针对各个频段进行波形重构，得到重构信号S如下：
S＝S0+S1+L+S31 (1)
式中，Si代表小波包分解第i个频带的重构信号。
(2)计算能量值，获取各频带重构信号Si的能量Ei。公式为：
式中Ei为第i个频带的能量；n为第i个频带的采样点数；xi,k为重构信号Si的第k个离散点的幅值。
(3)构造WPES特征向量。各频段能量Ei构造成向量，进行归一化得到特征向量T：
所得到的特征向量T为32维，是声纹信号的WPES特征信号。
进一步地，基于MFCC的变压器声纹信号特征参数构建如图3所示，具体方式如下：
(1)对变压器声纹信号进行预处理，包括预加重、分帧和加窗。
预加重：对声纹信号s(n)进行预加重，目的是增加高频部分的能量，处理后的声纹信号x(n)为：
x(n)＝s(n)-α·s(n-1) (4)
式中n表示采样点；α表示预加重系数。
分帧加窗：将声纹信号进行分帧。为了减少相邻帧的变化，相邻帧之间需要相互重叠。将声纹信号加汉明窗，目的是提高帧两边的连续性，则窗函数为：
式中a为常数，用来产生不同的汉明窗，通常取0.46；n为帧内采样点索引；N为帧长；则分帧加窗后的声纹信号为：
xw(n)＝x(w×N+n)·W(n,a),0≤n≤N-1 (6)
其中n为帧内采样点索引；N为帧长；xw(n)表示第w个分帧加窗后的声纹信号。
(2)将信号xw(n)进行DFT变换：
式中N为DFT的点数，即上述的帧长。
(3)对得到的频谱Xw(k)取模平方，得到能量谱，将能量谱通过Mel滤波器组，得到Mel频谱。本实施例采用三角滤波器组：
f(m),m＝1,2,K,M (8)
式中f(m)为各三角滤波器的中心频率；M为滤波器的个数，默认为24个，各f(m)之间的间隔随m增大而加宽；滤波器的频率响应为：
其中：
式中k为频率。接着，再对Mel频谱取对数得到Mel对数谱：
式中k为频率；N为帧长；M为滤波器的个数。
(4)将s(m)进行DCT得到MFCC特征参数：
式中M为滤波器个数；n为特征参数维度。
进一步地，将不同维度特征参数组合即为声纹信号的MFCC特征向量：使用WKPCA对WPES和MFCC得到的特征进行降维和选择的过程如图4所示，具体方式如下：
(1)选取0～1之间权重因子α，利用WKPCA对WPES和MFCC的特征参数进行选择和降维，按降序排列取前10个特征参数。数据在特征空间中的第m个主元的核元素Tm可以按下式计算：
其中：
K(x,xr)＝ψ(x)ψ(xr) (15)
式中ψ(·)为非线性变换，将样本映射到高维空间；K(x,xr)为高维空间定义的点积操作；xr为特征矩阵第r列；x为特征矩阵当前操作列。具体到应用实例，结果如下表所示：
表1WPES特征参数表
表2MFCC特征参数表
(2)选取累计贡献率大于95％且综合累积贡献率最高的权重因子情况下的特征参数作为声纹信号的融合特征。如图5和图6所示，本实例选取权重因子为0.2。
2、鹈鹕优化算法(Pelican Optimization Algorithm，POA)卷积核参数寻优
本实施例利用POA优化卷积核参数的流程如图7所示。POA是受鹈鹕狩猎行为启发的一种新的元启发式优化算法，是对卷积核的卷积步长进行寻优的方法。POA寻优过程分为两个阶段：探索阶段的接近猎物和开发阶段的水面展翅。
(1)初始化
在POA中，鹈鹕被视为种群成员，算法中每个种群成员代表基于搜索维度位置的优化问题变量的值。本实施实例的卷积神经网络有8个卷积层，因此每个鹈鹕个体的维度为8，代表每层的卷积步长。鹈鹕种群数为30，根据下式对种群成员进行初始化：
其中Px,y代表第x个候选解的第y个变量值；表示区间为[0,1]的随机数；n表示鹈鹕种群数，本实施例中取30；v表示问题变量数，本实施例中取8；Uy和Ly分别表示问题变量的上下界。POA中每个个体的适应度函数由下式确认：
(2)接近猎物(探索阶段)
在探索中，猎物位置由鹈鹕在搜索维度内的随机搜索过程决定。鹈鹕种群在搜索空间中向猎物确切位置的移动定义为：
其中为第x个鹈鹕在探索阶段第y个维度中新的位置；r为给定值为1或2的随机值；ρy为猎物在第y个维度中的位置。为防止个体进入非最佳搜索区域，该阶段策略更改为如下：
其中代表第x个鹈鹕的新位置；/>代表探索阶段的适应度函数值。
(3)水面展翅(开发阶段)
该策略阶段收敛到狩猎区域的最优值，解释如下式：
其中为第x个鹈鹕在开发阶段第y个维度中新的位置；C为常数值0.2；T为当前迭代次数；S为最大迭代数；/>表示Px,y的领域半径，确保算法获得全局最优解。
该阶段建模为：
其中代表第x个鹈鹕的新位置；/>代表开发阶段的适应度函数值。
在本实施例中，设置最大迭代次数为200，种群大小为30，每个个体维度为8，适应度函数为交叉熵损失函数，经过迭代得到的最优卷积步长参数P如下：
P＝[33333222] (22)
3、基于鹈鹕优化算法和卷积神经网络的变压器声纹信号故障诊断模型
该步骤总体的流程图如图8所示，模型运行方式如下：对采集的变压器声纹信号分别进行WPES和MFCC特征提取，经过WKPCA进行特征选择，得到声纹信号融合特征，将融合特征输入模型。本实施例所使用的CNN模型如图9所示，包含了1个卷积核大小为6×6的卷积层、1个卷积核大小为4×4的卷积层和6个卷积核大小为3×3的卷积层，最后为一个平均池化层和全连接层，得到分类结果。训练时，使用POA算法，以最小化交叉熵损失函数为目标得到最优卷积步长，输入CNN各卷积层，优化网络超参数并对模型进行训练，直到模型收敛，对故障进行诊断分析。
在本实施例中，故障诊断模型经过180次迭代后逐渐趋于稳定，模型收敛；混淆矩阵见图10，平均准确率为98.9％。本实施例使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
请参见图11，本实施例提出了一种变压器声纹信号故障诊断系统，用于实现一种变压器声纹信号故障诊断方法，其包括信号获取模块、特征提取模块、特征融合模块、模构建模块和故障诊断模块；其中：
所述信号获取模块用于型获取变压器声纹信号；
所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征；
所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
所述故障诊断模块用于基于故障诊断模型进行变压器故障诊断。
本实施例提供的系统，其构建简单，实现方便。该系统使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
进一步地，所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
进一步地，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
进一步地，所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
进一步地，所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
在本实施例提供的系统中，对变压器声纹信号的特征参数提取结合小波包能量谱分解和梅尔倒谱系数两种算法，选取更合适的能量谱特征和倒谱特征。再根据加权核主元分析法对特征降维，对高维特征排序，选取具有代表性的特征，解决了两种特征参数方法结合带来的冗余度和计算量膨胀问题，并提高了后续故障诊断模型的性能以及故障诊断识别准确率。本实施例还使用鹈鹕优化算法对卷积神经网络卷积核参数进行寻优，优化超参数；卷积核参数作为卷积神经网络的重要参数，直接影响故障诊断模型的准确性和稳定性，因此该方式可以提高模型的性能和诊断准确性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种变压器声纹信号故障诊断方法，其特征在于，包括以下步骤：
获取变压器声纹信号；
基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；
使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
基于故障诊断模型进行变压器故障诊断。
2.根据权利要求1所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
3.根据权利要求2所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
4.根据权利要求3所述的一种变压器声纹信号故障诊断方法，其特征在于，所述使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
5.根据权利要求1～4任一项所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
6.一种变压器声纹信号故障诊断系统，其特征在于，包括信号获取模块、特征提取模块、特征融合模块、模型构建模块和故障诊断模块；其中：
所述信号获取模块用于获取变压器声纹信号；
所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征；
所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
所述故障诊断模块用于基于故障诊断模型进行变压器故障诊断。
7.根据权利要求6所述的一种变压器声纹信号故障诊断系统，其特征在于，所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征，具体为：
基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
计算不同频段的分解信号的总能量，获取能量谱特征；
基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
8.根据权利要求7所述的一种变压器声纹信号故障诊断系统，其特征在于，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
将频谱特征输入梅尔滤波器组，获取梅尔频谱；
对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
9.根据权利要求8所述的一种变压器声纹信号故障诊断系统，其特征在于，所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
10.根据权利要求6～9任一项所述的一种变压器声纹信号故障诊断系统，其特征在于，所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876760.8A CN116773952A (zh) | 2023-07-17 | 2023-07-17 | 一种变压器声纹信号故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876760.8A CN116773952A (zh) | 2023-07-17 | 2023-07-17 | 一种变压器声纹信号故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116773952A true CN116773952A (zh) | 2023-09-19 |
Family
ID=87989571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310876760.8A Pending CN116773952A (zh) | 2023-07-17 | 2023-07-17 | 一种变压器声纹信号故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116773952A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388835A (zh) * | 2023-12-13 | 2024-01-12 | 湖南赛能环测科技有限公司 | 一种多拼融合的声雷达信号增强方法 |
-
2023
- 2023-07-17 CN CN202310876760.8A patent/CN116773952A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388835A (zh) * | 2023-12-13 | 2024-01-12 | 湖南赛能环测科技有限公司 | 一种多拼融合的声雷达信号增强方法 |
| CN117388835B (zh) * | 2023-12-13 | 2024-03-08 | 湖南赛能环测科技有限公司 | 一种多拼融合的声雷达信号增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| CN108630209B (zh) | 一种基于特征融合与深度置信网络的海洋生物识别方法 | |
| CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
| CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
| CN108490349A (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
| CN111899757B (zh) | 针对目标说话人提取的单通道语音分离方法及系统 | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN116773952A (zh) | 一种变压器声纹信号故障诊断方法及系统 | |
| CN111128229A (zh) | 语音分类方法、装置及计算机存储介质 | |
| CN110348468A (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
| CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
| CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
| CN114487952A (zh) | 一种利用声光纤的失超检测系统和方法 | |
| CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
| CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
| CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
| CN117110744A (zh) | 一种基于声纹分析的变压器故障诊断方法及系统 | |
| CN112329819A (zh) | 基于多网络融合的水下目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |