基于閥廳智能巡檢機(jī)器人的設(shè)備聲音故障識(shí)別算法

趙殿全，李金龍，謝蓓敏

（國(guó)網(wǎng)吉林省電力有限公司檢修公司，吉林 長(zhǎng)春 130000）

基于閥廳智能巡檢機(jī)器人的設(shè)備聲音故障識(shí)別算法

趙殿全，李金龍，謝蓓敏

（國(guó)網(wǎng)吉林省電力有限公司檢修公司，吉林 長(zhǎng)春 130000）

提出了一種閥廳中設(shè)備聲音故障識(shí)別算法，實(shí)現(xiàn)了在閥廳智能巡檢機(jī)器人下對(duì)設(shè)備的智能檢測(cè)和狀態(tài)識(shí)別。首先，使用機(jī)器人攜帶的拾音器采集待檢測(cè)設(shè)備的聲音信號(hào)。其次，使用小波分解將信號(hào)由時(shí)域轉(zhuǎn)化為頻域，獲取信號(hào)的第五層細(xì)節(jié)系數(shù)作為新聲音信號(hào)。最終，提取新聲音信號(hào)的質(zhì)心、方差、能量和熵作為特征向量，使用BP神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別聲音信號(hào)判斷設(shè)備的運(yùn)行狀態(tài)。實(shí)驗(yàn)結(jié)果顯示，該算法能實(shí)現(xiàn)設(shè)備故障診斷功能，算法簡(jiǎn)單、準(zhǔn)確率高的特點(diǎn)。

閥廳巡檢機(jī)器人；聲音識(shí)別；小波分解；BP神經(jīng)網(wǎng)絡(luò)

電力系統(tǒng)的安全運(yùn)行關(guān)系著供電和用電安全，系統(tǒng)運(yùn)行時(shí)一旦發(fā)生故障，不但會(huì)影響系統(tǒng)的正常運(yùn)行，還會(huì)造成設(shè)備損壞和威脅人身安全等不良后果。閥廳是直流輸電過(guò)程中放置電力設(shè)備的封閉建筑，其內(nèi)部有換流閥塔、套管、冷卻裝置等設(shè)備。閥廳內(nèi)設(shè)備的可靠性和及時(shí)發(fā)現(xiàn)并檢修存在潛在隱患的設(shè)備是確保換流站系統(tǒng)正常運(yùn)行重要條件和手段。傳統(tǒng)檢修方式主要依靠人工巡檢和固定位置實(shí)時(shí)監(jiān)視。然而，閥廳內(nèi)的電磁環(huán)境較為復(fù)雜，人工巡檢方式存在著勞動(dòng)強(qiáng)度大、工作效率低、檢測(cè)質(zhì)量分散、手段單一、及時(shí)性無(wú)法保證等不足[1]。尤其當(dāng)大量設(shè)備需要監(jiān)測(cè)診斷或者需要連續(xù)不斷地監(jiān)測(cè)，龐大的數(shù)據(jù)采集、分析和比較帶來(lái)的工作量是十分巨大的。

為了保證閥廳內(nèi)設(shè)備的正常運(yùn)行，實(shí)時(shí)檢測(cè)至關(guān)重要[2-3]。而采用計(jì)算機(jī)進(jìn)行監(jiān)測(cè)和診斷分析時(shí)可節(jié)省大量的人力和物力，并能保證數(shù)據(jù)的客觀性和準(zhǔn)確性。因此，研究一種智能化、自動(dòng)化的檢測(cè)方法保證閥廳的安全運(yùn)行具有重要意義。

1　閥廳軌道機(jī)器人

為解決目前人工檢測(cè)方式存在的問(wèn)題，某公司研制了一種適用于閥廳復(fù)雜環(huán)境的智能巡檢機(jī)器人，如圖1所示。該機(jī)器人通過(guò)豎直軌道安裝在閥廳壁面上，能夠沿軌道運(yùn)動(dòng)，可方便靈活地對(duì)閥廳內(nèi)設(shè)備進(jìn)行大角度、多方位的檢測(cè)。機(jī)器人攜帶著圖像采集、聲音采集等多種采集設(shè)備，采集的數(shù)據(jù)傳輸?shù)胶笈_(tái)后，通過(guò)模式識(shí)別算法分析可準(zhǔn)確對(duì)設(shè)備狀態(tài)進(jìn)行自動(dòng)識(shí)別，給出設(shè)備的運(yùn)行狀態(tài)，設(shè)備出現(xiàn)異常時(shí)可報(bào)警警示站內(nèi)工作人員。

在閥廳中，通過(guò)聲音分析電容器、電抗器等設(shè)備的運(yùn)行狀態(tài)是一種非接觸式的檢測(cè)方式。同時(shí)，也是實(shí)現(xiàn)無(wú)人值守、自動(dòng)化和智能化的重要體現(xiàn)之一。通常情況下，聲學(xué)故障診斷技術(shù)中的非接觸式測(cè)量具有設(shè)備簡(jiǎn)單、信號(hào)方便獲取、無(wú)需在設(shè)備上粘貼傳感器、不影響設(shè)備正常工作和在線監(jiān)測(cè)等特點(diǎn)。

文中研究了設(shè)備聲音特征提取方法，提取了DB6小波分解后獲取第五層細(xì)節(jié)系數(shù)作為新聲音信號(hào)，提取新聲音信號(hào)的質(zhì)心、方差、能量以及熵統(tǒng)計(jì)特征，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷識(shí)別。

2　小波分解

小波分解是一種信號(hào)的時(shí)間-尺度分析方法，其具有多分辨分析的特點(diǎn)，是一種窗口大小固定不變但形狀可改變，時(shí)間窗與頻率窗均可改變的時(shí)頻局部化分析方法[4-5]。

圖1　閥廳軌道機(jī)器人外形示意圖

2.1能量

在時(shí)域中，聲音信號(hào)的幅度分析可作為聲音信號(hào)的特征。幅度分析主要包括幅度和能量。而聲音的時(shí)域特性中的平均幅度與小波系數(shù)的平均幅度可相互對(duì)應(yīng)，因此可使用小波系數(shù)來(lái)定義聲音的小波域能量[6]。小波域能量（energy）的定義如下

其中，N為分幀后的幀數(shù)。根據(jù)式（1）即可得到分幀后的小波能量。

2.2質(zhì)心

經(jīng)過(guò)小波分解，時(shí)域信號(hào)變?yōu)轭l域信號(hào)。在頻域中定義質(zhì)心（Centroid）為頻域信號(hào)能量的中心[6]。由于聲音信號(hào)具有短時(shí)性，質(zhì)心在不同時(shí)間區(qū)間內(nèi)是不同的，因此質(zhì)心可作為刻畫(huà)聲音信號(hào)具有非平穩(wěn)性的一種量度，公式如下

式中，x（i）表示任意頻帶中第i幀，即提取任意頻帶的小波系數(shù)后所分幀的長(zhǎng)度。

2.3方差

方差（Variance）是在概率論和統(tǒng)計(jì)方差衡量隨機(jī)變量或一組數(shù)據(jù)是離散程度的度量。方差刻畫(huà)了隨機(jī)變量的取值對(duì)于其數(shù)學(xué)期望的離散程度（方差和標(biāo)準(zhǔn)差越大，其離散程度越大。否則反之）。若X的取值比較集中，則方差S較小，若X的取值比較分散，則方差S較大。因此，S是刻畫(huà)X取值分散程度的一個(gè)量，其是衡量取值分散程度的一個(gè)尺度。方差是期望值和實(shí)際值之差平方的平均值，而標(biāo)準(zhǔn)差是方差算術(shù)平方根，方差公式如下

2.4熵

熵表示信號(hào)所提供的平均信息量和信源的平均不確定性，它能提供關(guān)于信號(hào)潛在動(dòng)態(tài)過(guò)程中的有用信息。信號(hào)熵反映了信號(hào)概率分布的情況，信號(hào)經(jīng)過(guò)小波變換后生成小波系數(shù)矩陣，該矩陣可看做概率分布，根據(jù)信息熵的定義得到的熵可反映該矩陣的稀疏情況。由信息熵的定義可知，信號(hào)的概率分布越混亂無(wú)序熵越大[7]。聲音信號(hào)熵的計(jì)算步驟：

Step1：對(duì)聲音信號(hào)做DB6小波分解，提取小波系數(shù)作為新的聲音信號(hào)；

Step2：根據(jù)式（1）計(jì)算新的聲音信號(hào)能量，從而得到能量分布序列{e1，e2，…，ei}，其中，i為幀數(shù)；

Step3：計(jì)算總能量E；

Step4：根據(jù)式（4）計(jì)算頻帶中每幀能量在總能量存在的概率，得到概率分布序列{p1，p2，…，pi}；

Step5：根據(jù)式（5）計(jì)算對(duì)應(yīng)的信號(hào)熵。

3　BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[8]。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。其的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hidden layer）和輸出層（output layer）。圖2為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

激活函數(shù)的選擇是構(gòu)建神經(jīng)網(wǎng)絡(luò)過(guò)程中的重要環(huán)節(jié)，常用的激活函數(shù)主要有以下5種：線性函數(shù)（Liner Function）、斜面函數(shù)（Ramp Function）、閾值函數(shù) （Threshold Function）、S形函數(shù)（Sigmoid Function）和雙極S形函數(shù)。其中，前3個(gè)激活函數(shù)是線性函數(shù)，后兩個(gè)為的非線性激活函數(shù)。由于S形函數(shù)與雙極S形函數(shù)都是可導(dǎo)的，因此適合用在BP神經(jīng)網(wǎng)絡(luò)中。文中選擇S形函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。

圖2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

此外，參數(shù)設(shè)置對(duì)神經(jīng)網(wǎng)絡(luò)性能也有較大影響。比如：隱含層節(jié)點(diǎn)個(gè)數(shù)、學(xué)習(xí)率的選擇等。隱含層節(jié)點(diǎn)的個(gè)數(shù)對(duì)于識(shí)別率的影響雖然不大，但節(jié)點(diǎn)個(gè)數(shù)過(guò)多會(huì)增加運(yùn)算量，使得訓(xùn)練較慢。學(xué)習(xí)率影響著網(wǎng)絡(luò)收斂的速度，以及網(wǎng)絡(luò)能否收斂。學(xué)習(xí)率設(shè)置偏小可保證網(wǎng)絡(luò)收斂，但收斂較慢。相反，學(xué)習(xí)率設(shè)置偏大則有可能使網(wǎng)絡(luò)訓(xùn)練不收斂，影響識(shí)別效果。

4　實(shí)驗(yàn)結(jié)果及其分析

實(shí)驗(yàn)中，將采集到的設(shè)備聲音樣本組建成為樣本數(shù)據(jù)庫(kù)作為本文實(shí)驗(yàn)中實(shí)驗(yàn)數(shù)據(jù)。將采集的信號(hào)使用db6小波基進(jìn)行10層分解，統(tǒng)計(jì)分析分解得到的數(shù)據(jù)尋找樣本的特征向量。通過(guò)多樣本測(cè)試發(fā)現(xiàn)，正常信號(hào)和異常信號(hào)在第五層細(xì)節(jié)系數(shù)有較大的區(qū)別，正常信號(hào)比較平穩(wěn)，數(shù)據(jù)變化較小，大部分?jǐn)?shù)據(jù)在零值附近變化，而異常信號(hào)的第五層細(xì)節(jié)系數(shù)數(shù)據(jù)變化較大，偏離零值較遠(yuǎn)。圖3、圖4為樣本正常信號(hào)和異常信號(hào)小波分解系列圖。

圖3　正常信號(hào)小波分解結(jié)果系列圖

圖4　異常信號(hào)小波分解結(jié)果系列圖

文中使用數(shù)字信號(hào)處理的處理流程，預(yù)處理（分幀、加窗）后進(jìn)行小波分解，提取信號(hào)的第五層細(xì)節(jié)系數(shù)，以得到的第五層細(xì)節(jié)系數(shù)為研究對(duì)象計(jì)算聲音信號(hào)的質(zhì)心、方差、能量和信息熵組作為信號(hào)特征向量。文中隨機(jī)選取樣本庫(kù)中100個(gè)正常聲音樣本和100個(gè)異常聲音樣本組建樣本訓(xùn)練庫(kù)，分別提取小波分解得到的第五層細(xì)節(jié)系數(shù)的質(zhì)心、方差、能量和信息熵，將得到的特征向量送入設(shè)置好的BP神經(jīng)網(wǎng)絡(luò)。設(shè)定輸出值1位正常樣本信號(hào)，0位異常樣本信號(hào)。圖5為測(cè)試時(shí)出錯(cuò)樣本，從圖中可以看到，信號(hào)的第五層細(xì)節(jié)系數(shù)較為分散與異常信號(hào)的第五層細(xì)節(jié)系數(shù)相近，造成了結(jié)果錯(cuò)誤。表1為訓(xùn)練樣本庫(kù)和測(cè)試樣本的識(shí)別結(jié)果數(shù)據(jù)統(tǒng)計(jì)。

圖6和圖7為MFCC特征參數(shù)分析聲音樣本產(chǎn)生的特征示意圖。通過(guò)實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)小波處理由于它的多分辨率的性質(zhì)使得特征參數(shù)分布更稀疏計(jì)算量也大幅減少，而MFCC特征參數(shù)數(shù)據(jù)量大且特征之間的可區(qū)分性較差，如圖6和圖7所示。

圖5　識(shí)別錯(cuò)誤示例

表1　測(cè)試數(shù)據(jù)統(tǒng)計(jì)

圖6　正常信號(hào)示例1

圖7　正常信號(hào)示例2

5　結(jié)束語(yǔ)

文中通過(guò)小波分解，將聲音信號(hào)由時(shí)域轉(zhuǎn)化到頻域中在頻域中將第五層細(xì)節(jié)系數(shù)作為新聲音信號(hào)，提取新聲音信號(hào)的質(zhì)心、方差、能量和熵作為特征向量，實(shí)現(xiàn)了閥廳內(nèi)設(shè)備聲音的識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文提出的算法建模比較簡(jiǎn)單，準(zhǔn)確率高，提高了工作人員的工作效率和作業(yè)人員的安全性。該算法的實(shí)施，推進(jìn)了變電站無(wú)人值守進(jìn)程，實(shí)現(xiàn)了變電站自動(dòng)化和智能化管理。

[1]魯守銀，錢慶林，張斌，等.變電站設(shè)備巡檢機(jī)器人的研制[J].電力系統(tǒng)自動(dòng)化，2006，30（13）:94-98.

[2]馬為民，聶定珍，萬(wàn)保權(quán)，等.高壓直流換流站閥廳屏蔽效能的研究[J].高電壓技術(shù)，2008，34（11）:2400-2407.

[3]田冀煥，周遠(yuǎn)翔，郭紹偉，等.直流換流站閥廳內(nèi)三維電場(chǎng)的分布式并行計(jì)算[J].高電壓技術(shù)，2010，36（5）:1205-1210.

[4]（美）Rafael C.Gonzalez，（美）Richard E.Woods.數(shù)字圖像處理[M].3版.阮秋琦，阮宇智，譯.北京:電子工業(yè)出版社，2011.

[5]Karam，J.R.，W.J.Phillips，W.Robertson，&M.M. Artimy，New Wavelet Packet Modeal for Automatic Speech Recognition System.Canadian Conference on Electical and Computer Egineering.Toronto，Ont，2001：511-514.

[6]鄭繼明，魏國(guó)華，吳渝.有效的基于內(nèi)容的音頻特征提取方法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（12）:131-133，137.

[7]侯宏花，桂志國(guó).小波熵在心電高頻噪聲處理和R波檢測(cè)中應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（9）:116-118.

[8]劉榮華，徐學(xué)洲.基于模糊模式和BP算法的手寫(xiě)數(shù)字識(shí)別[J].電子科技，2006（3）:60-63.

A fault identification algorithm for the equipment of based on valve hall intelligent inspection robot

ZHAO Dian-quan，LI Jin-long，XIE Bei-min
（State Grid Jilin Electric Power Co.Maintenance Company，Changchun 130000，China）

An algorithm of sound equipment fault identification based on valve hall intelligent inspection robot is put forward in this paper，which realizes intelligent detection and pattern recognition.Firstly，robot was collected the device sound signal. Secondly，the signal is transformed into frequency domain by wavelet decomposition，and the fifth layer detail coefficient of signal is used as the new sound signal.Finally，the centroid，variance，energy and entropy of the new sound signal was extracted as feature vector，and BP neural network was used to decided the equipment running status.Experimental results show that this method can realize the fault diagnosis function，high accuracy and simple.

valve hall inspection robot；voice recognition；wavelet decomposition；BP neural network

TN99

A

1674－6236（2016）21-0063-03

2015-10-30稿件編號(hào)：201510236

趙殿全（1961—），男，吉林懷德人，高級(jí)工程師。研究方向：超高壓機(jī)器人巡視、診斷、檢修技術(shù)。