面向電力變壓器的聲紋智能診斷裝置設(shè)計與應(yīng)用?

林春清周 穎楊 超李希元方嘉麗

(1.國網(wǎng)大連供電公司，遼寧 大連116000；2.國網(wǎng)遼寧省電力有限公司，遼寧 沈陽110000)

電網(wǎng)穩(wěn)定運行和電能高效供應(yīng)關(guān)系著國民經(jīng)濟發(fā)展和人民生活質(zhì)量，電力變壓器是電網(wǎng)各環(huán)節(jié)至關(guān)重要的設(shè)備之一，一旦發(fā)生故障將嚴(yán)重影響電網(wǎng)系統(tǒng)運行，造成重大經(jīng)濟損失。電力變壓器體積龐大、構(gòu)造復(fù)雜、成本高昂，其重大故障和嚴(yán)重事故大多是由于內(nèi)部局部放電、局部過熱、繞組變形、機械部件松動、以及設(shè)備絕緣老化等潛伏性故障隨時間積累引起的，因此，對電力變壓器的運行狀態(tài)進行在線監(jiān)測，檢測發(fā)現(xiàn)潛伏性故障，并基于監(jiān)測數(shù)據(jù)分析潛伏性故障的發(fā)展趨勢，準(zhǔn)確預(yù)測事故的發(fā)生，及時對電力變壓器進行檢修維護，是電力運維人員的重要工作[1]。

電力變壓器的在線運行帶電檢測技術(shù)是業(yè)內(nèi)研究的熱點及難點，目前主要手段包括電壓電流等電氣量監(jiān)測、光譜診斷、油色譜診斷、超聲檢測、紅外熱成像診斷等，變電站內(nèi)也相應(yīng)地部署了一些監(jiān)測傳感設(shè)備，一定程度上提高了變壓器在線監(jiān)測和故障分析的能力，但是設(shè)備運行聲音的檢測仍然需要憑借巡檢人員的經(jīng)驗進行異常判斷，對變壓器聲音狀態(tài)屬性的智能感知研究較少，聲紋在線監(jiān)測的成熟應(yīng)用尚屬于空白[2－3]。變壓器運行時發(fā)出的聲音包含了大量的狀態(tài)信息，正常狀態(tài)和異常故障時發(fā)出的聲音信號存在較大差異，不同的故障類型能夠產(chǎn)生固有聲學(xué)特征的聲紋信息，通過聲紋特征提取與分析能夠有效檢測變壓器內(nèi)部故障，如直流偏磁、過負(fù)荷、機械松動、變壓器繞組變形等，能夠有效補充常規(guī)監(jiān)測技術(shù)的有效性。經(jīng)驗豐富的運維人員可以通過變壓器發(fā)出的聲音定性地判斷變壓器是否存在故障，但是人耳監(jiān)聽的方式易受主觀影響，誤差較大，且不能長時間監(jiān)聽，不能達到定量的科學(xué)分析，因此，采用聲紋傳感監(jiān)測與智能診斷技術(shù)，對變壓器聲信號進行采集、處理、分析，可定量實時監(jiān)測變壓器運行聲紋數(shù)據(jù)，解決人工監(jiān)聽的不足，有效診斷評估變壓器健康狀態(tài)和分析預(yù)測異常故障。

基于變壓器聲音信號的故障診斷已經(jīng)有了一定的理論技術(shù)研究和初步應(yīng)用嘗試，文獻[2]從信號采集處理、特征提取、故障診斷等方面綜述了變壓器可聽聲診斷技術(shù)的研究現(xiàn)狀與進展，并闡述了未來研究重點。文獻[4]針對變壓器可聽聲故障診斷方法中聲音數(shù)據(jù)采集過程進行了具體分析研究，對常用的動圈式、電容式、駐極體電容式傳聲器進行分析比較，并推薦駐極體電容式傳聲器應(yīng)用在變壓器可聽聲診斷檢測中。文獻[3]研發(fā)的聲紋成像測試系統(tǒng)將聲場分布云圖與可見光圖像疊加形成聲紋圖像，直觀定位電力設(shè)備噪聲源位置，并應(yīng)用于變電站設(shè)備噪聲巡檢，發(fā)現(xiàn)管母和隔離開關(guān)缺陷異響，但未報道變壓器聲紋監(jiān)測。文獻[5]結(jié)合人耳聽覺感知和變壓器聲信號，提出了一種變壓器故障診斷方法，并通過樣本測試驗證了該方法的有效性。文獻[6]提出了一種基于50Hz倍頻倒譜系數(shù)和門控循環(huán)單元的變壓器直流偏磁聲紋識別模型，并通過樣本數(shù)據(jù)測試和不同模型結(jié)果的對比分析，相較于傳統(tǒng)聲信號識別算法，所提方法能更好地對直流偏磁狀態(tài)進行識別。文獻[7]提出了一種基于Mel時頻譜－卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯松動聲紋識別方法和算法模型，通過變壓器噪聲數(shù)據(jù)測試，可實現(xiàn)鐵芯松動故障的準(zhǔn)確識別，為變壓器鐵芯夾件松動故障診斷提供參考。

深度學(xué)習(xí)是電氣設(shè)備缺陷識別與智能巡視的重要方法，目前已廣泛應(yīng)用在基于圖像或視頻的設(shè)備類型識別與缺陷分析中，以及基于聲音信號的自然語言模式識別中[8]，并對高壓電纜、GIS等設(shè)備的放電聲紋識別方面有了較成熟的研究與應(yīng)用[9－10]，針對電力變壓器的聲紋智能識別與故障診斷算法模型也有了一定的理論研究和樣本測試驗證，但面向電力變壓器的聲紋智能診斷裝置和系統(tǒng)成熟應(yīng)用未見報道。本文針對電力變壓器的聲音數(shù)據(jù)，開展變壓器聲紋智能診斷裝置的設(shè)計研發(fā)，采集處理聲紋信號，提高復(fù)雜噪聲背景下設(shè)備聲音感知水平，結(jié)合變壓器結(jié)構(gòu)形式、電氣溫度、負(fù)荷狀態(tài)等數(shù)據(jù)建立聲紋樣本庫，開展聲紋特征提取和故障識別深度學(xué)習(xí)算法模型研究，建立不同工況下變壓器噪聲的聲紋模型，研發(fā)變壓器聲紋在線監(jiān)測系統(tǒng)，實現(xiàn)基于聲紋識別的變壓器異常工況診斷。

1 系統(tǒng)總體設(shè)計

電力變壓器聲紋智能診斷系統(tǒng)是基于電力變壓器聲紋特征的在線監(jiān)測與分析診斷系統(tǒng)，主要包括高靈敏度聲紋采集裝置、數(shù)據(jù)交換機、管理服務(wù)器、算法服務(wù)器、以及智能診斷平臺，如圖1所示。在聲紋采集、聲紋特征數(shù)據(jù)庫、聲紋特征提取與識別、故障識別模型等基礎(chǔ)上，實現(xiàn)變壓器在線監(jiān)測、狀態(tài)分析、故障識別、主動預(yù)警等應(yīng)用。

圖1 聲紋智能診斷系統(tǒng)總體設(shè)計

①聲紋采集裝置:采用MEMS聲學(xué)傳感器和嵌入式高速處理器，研制聲紋采集裝置，實現(xiàn)聲音信號的采集、預(yù)處理、以及傳輸?shù)裙δ堋?/p>

②數(shù)據(jù)交換機:接入多路聲紋采集裝置，實現(xiàn)聲紋數(shù)據(jù)的高速傳輸。

③管理服務(wù)器:存儲前端采集的聲紋數(shù)據(jù)，運行聲紋智能診斷平臺，并負(fù)責(zé)聲紋算法模型的調(diào)用與交互。

④算法服務(wù)器:管理聲紋特征數(shù)據(jù)庫，運行變壓器故障聲紋識別模型，通過變壓器聲紋識別，提取噪聲信號特征，建立不同故障噪聲的聲紋模型，實現(xiàn)變壓器異常分析的故障聲紋識別功能。

⑤智能診斷平臺:提供人機交互可視化功能，實現(xiàn)變壓器屬性參數(shù)管理、音頻信息管理、變壓器分析結(jié)果、故障主動告警、診斷報告與檢修工單自動生成與管理等功能。

2 聲紋采集裝置設(shè)計

針對變壓器實際運行環(huán)境和需求，研究適用于變壓器在線采集的聲學(xué)傳感器技術(shù)及傳感器選型策略，基于傳感器空間布局對采集效果的影響，設(shè)計傳感器布局方案，并采用聲音增強提取等信號處理技術(shù)優(yōu)化聲學(xué)信號，開發(fā)前端精密聲紋采集裝置，保證數(shù)據(jù)源質(zhì)量和高效傳輸，聲紋采集裝置總體設(shè)計方案如圖2所示，主要包括聲傳感陣列、信號調(diào)理模塊、信號處理模塊、以及電源模塊。

圖2 聲紋采集裝置總體架構(gòu)圖

①聲傳感陣列:聲音傳感器采用MEMS傳聲器，設(shè)計可更換傳聲器模組，內(nèi)部集成溫度傳感器，配合聲音信號的同步采集，可在后端軟件中實現(xiàn)基于環(huán)境溫度的數(shù)據(jù)修正，并進行半封閉式硅橡膠定位，并配合低壓泡模材質(zhì)實現(xiàn)雙層定向降噪。

②信號調(diào)理模塊:由阻抗匹配、帶通濾波器、增益放大等部分組成，對傳感器的輸出信號進行調(diào)理，完成小信號的匹配、濾波和放大。

③信號處理模塊:采用嵌入式ARM平臺，通過ADC轉(zhuǎn)換模塊實現(xiàn)聲音信號數(shù)字化采樣，內(nèi)置主控程序?qū)⒉蓸訑?shù)據(jù)作自然波束形成后，將處理結(jié)果通過網(wǎng)口發(fā)送給聲紋智能診斷平臺和算法服務(wù)器(圖1)進行識別診斷。同時信號處理模塊運行嵌入式操作系統(tǒng)，實現(xiàn)多任務(wù)處理機制，并提供RS232串口和JTAG調(diào)試等對外接口。

④電源模塊:采用12V直流供電，通過正負(fù)極防接反設(shè)計和電磁兼容(EMC)防護設(shè)計，提高采集裝置安全可靠性，具備EMC4級電磁防護，同時電源轉(zhuǎn)換單元可將12 V轉(zhuǎn)換為各模塊所需的5 V、3.3 V等直流電壓。

聲紋采集裝置如圖3所示，外殼采用輕量化鋁合金材質(zhì)，集成防水透聲膜、抗老化橡膠墊片等防水防塵環(huán)境適應(yīng)性措施，可實現(xiàn)IP67級防護。

圖3 聲紋采集裝置實物圖

3 變壓器聲紋特征提取

變壓器的噪聲信號較為冗長雜亂，且不同工況下變壓器噪聲在時域和頻域的相似度都很高，很難直接對其進行分析識別，因此，設(shè)計多聲紋特征提取方法，通過提取噪聲信號中的特征，便于后續(xù)噪聲分析與識別。

整個特征提取方法主要包括預(yù)處理、特征提取、以及特征連結(jié)三部分，如圖4所示。聲音信號預(yù)處理主要包括分幀、預(yù)加重等，目的是去除冗余噪聲的干擾，為下一步短時特征提取做準(zhǔn)備；特征提取部分，分成短時時域特征和短時頻域特征，選用短時能量、短時平均過零率、短時能量熵、Mel倒譜系數(shù)來描述分幀特征；最后，對提取到的特征，連結(jié)成為特征向量，作為后續(xù)多特征融合數(shù)據(jù)。

圖4 變壓器聲紋特征提取流程圖

3.1 變壓器噪聲信號預(yù)處理

變壓器噪聲信號通常采集較長時間，直接對其進行時域和頻域分析難度較大，因此，首先需要對其進行預(yù)處理，將一個時間段內(nèi)采集的變壓器聲音信號分為若干段短時信號后再進行處理。信號預(yù)處理包含分幀和加窗兩個步驟，為保證相鄰兩幀信號的連續(xù)性，兩幀間一般有重疊，分幀過程中，若幀長太短，則特征向量尺度較小，代表性差；若幀長過長，則聲音信號變化過大，影響特征向量的準(zhǔn)確性。與語音信號相比，變壓器噪聲信號較為平穩(wěn)，在不嚴(yán)重影響識別效率的前提下，可適當(dāng)增加幀長以獲得更高的準(zhǔn)確性，經(jīng)實驗測試分析，500 ms左右的幀長最適應(yīng)變壓器噪聲。此外，考慮到變壓器相同工況下的噪聲信號較為穩(wěn)定，分幀后相鄰兩幀的連續(xù)性較好，可以適當(dāng)降低相鄰幀的重疊率，以減少計算量，經(jīng)實驗測試分析，相鄰幀重疊率取40%即可，如圖5所示。

圖5 噪聲信號預(yù)處理流程圖

為了提取分幀特征，需要對其進行離散傅里葉變換，若直接對分幀信號進行離散傅里葉變換會產(chǎn)生較大失真。因此，對每個分幀信號首先加窗，再進行傅里葉變換，以增加信號兩端的連續(xù)性，從而減少傅里葉變換造成的失真。常用的加窗函數(shù)有矩形窗、漢明窗和漢寧窗等，經(jīng)實驗測試分析，采用漢明窗對分幀信號進行處理，漢明窗具有較好的低通能力，能夠更好地反映短時信號的頻率特性[11]。

3.2 變壓器噪聲特征提取

對變壓器噪聲信號進行分幀預(yù)處理后，每一個分幀信號看作為短時平穩(wěn)信號，分別提取短時時域特征和短時頻域特征。短時時域特征主要包括短時能量、短時平均過零率、短時能量熵，短時頻率特征選用梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstral Coefficients-MFCC)。此外，根據(jù)變壓器運行工況，設(shè)計了能量相似度、振動相關(guān)性、振動平穩(wěn)性以及頻率復(fù)雜度等特征[12]。

圖6 噪聲信號短時時域特征圖

④梅爾頻率倒譜系數(shù):MFCC的求取過程主要包括快速傅立葉變換(Fast Fourier Transform-FFT)、取模值、Mel濾波、對數(shù)變換、以及離散余弦變換(Discrete Cosine Transform-DCT)五個過程，如圖7所示。對一個分幀信號首先進行FFT變換，并取其模值，然后通過n個Mel濾波器組變換到Mel頻率域，再進行對數(shù)變換，最終通過DCT運算得到的一組n個系數(shù)c(i)即組成了該分幀信號的MFCC特征向量。對預(yù)處理后的每一個分幀信號分別求取一個MFCC特征向量，共同組成一個MFCC特征向量組。圖8為變壓器噪聲信號提取的聲紋特征圖，橫軸表示時間，縱軸表示噪聲Mel頻率，顏色越亮，聲音能量越大。

圖7 MFCC特征提取流程圖

圖8 聲紋特征圖

3.3 變壓器聲紋特征連結(jié)

通過已有研究和實驗測試驗證得知上述短時時域與頻域特征所表征的含義不同，維度不同，對聲紋識別的貢獻率不同，若直接將上述特征向量用于后續(xù)分析，則計算量大，且有時甚至?xí)档妥R別率。因此，本文針對變壓器噪聲信號特點，設(shè)計了MFCC特征向量的優(yōu)化改進處理算法，首先，對MFCC特征向量組引入基于F-score的加權(quán)優(yōu)化方法，通過調(diào)優(yōu)特征向量的F-score來提高變壓器噪聲信號識別率。其次，對短時時域和頻域特征連結(jié)成的特征向量，通過PCA(Principal Component Analysis)進行降維，在保證信息不丟失的前提下，盡可能降低特征向量的維度，從而減小計算復(fù)雜度。

①基于F-score的MFCC特征向量加權(quán)優(yōu)化:F-score是計量統(tǒng)計領(lǐng)域中常用的指標(biāo)，用來考察多維數(shù)據(jù)中各個維度分量的有效性。F-score高的分量表明該分量在同類數(shù)據(jù)中方差較小，在不同類數(shù)據(jù)中方差較大，用來做數(shù)據(jù)分類時效率較高。特征向量第k維的分量F-score值F(k)的計算公式如式(1)所示。

式中:N為識別對象個數(shù)，uk(i)為第i個對象特征向量的第k維分量，uk為均值；xk(i)為第i個識別對象所有樣本的第k維分量，ni為第i個識別對象的樣本數(shù)。

一般而言，若F-score大于1，則該分量能夠起到區(qū)分不同類噪聲信號的作用，F(xiàn)-score越大，區(qū)分能力越強。以F-score為權(quán)重，對上述特征向量進行加權(quán)處理，可以增強對識別貢獻較多的分量，抑制貢獻較低的分量，從而提高噪聲識別的準(zhǔn)確率。

②基于PCA的多特征降維:將原特征向量的各維分量進行線性組合以生成新的特征向量，使新特征向量各維分量互不相關(guān)，且方差盡可能大。設(shè)聲紋時域與頻域特征向量組成的聯(lián)合特征向量維數(shù)為m，根據(jù)預(yù)處理可知共有n個特征向量，據(jù)此構(gòu)建一個m×n的矩陣X，求取矩陣X的相關(guān)矩陣R，同時求出矩陣R的特征值和特征向量，如式(2)和式(3)所示。

計算出矩陣R的特征值λ1，λ2，…λm，以及各特征值對應(yīng)的特征向量u1，u2，…um，再求出方差貢獻率ηi和累計方差貢獻率η(p)，如式(4)和式(5)所示。

選取能夠使累計方差貢獻率大于75%的p值作為主成分個數(shù)，即PCA降維之后的特征向量維數(shù)，最終實現(xiàn)從m維聲紋特征向量到p維特征向量的降維。

奴隸社以汗血換來的幾文錢，想為這本書出版，卻又在我們的上司“以身作則”的半年之后了，還要我寫幾句序。然而這幾天，卻又謠言蜂起，閘北的熙熙攘攘的居民，又在抱頭鼠竄了，路上是絡(luò)繹不絕的行李車和人，路旁是黃白兩色的外人，含笑在賞鑒這禮讓之邦的盛況。自以為居于安全地帶的報館的報紙，則稱這些逃命者為“庸人”或“愚民”。我卻以為他們也許是聰明的，至少，是已經(jīng)憑著經(jīng)驗，知道了煌煌的官樣文章之不可信。他們還有些記性。

4 變壓器聲紋智能識別

變壓器聲紋特征提取之后，需要對目標(biāo)工況建模，對待測噪聲信號進行比較判定，識別故障工況類型。本文針對變壓器直流偏磁、過負(fù)荷、過勵磁、局部放電、機械松動、變壓器繞組變形、有載分接開關(guān)故障、斷路器操作機構(gòu)異常共8種故障工況類型進行智能識別，以深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks-DNN)為基線，針對變壓器噪聲特征改進DNN模型，在DNN模型訓(xùn)練完成后，移除最后一層分類層，將最后一層隱藏層的輸出結(jié)果作為聲紋模版進行對比，如圖9所示。

圖9 聲紋特征分析網(wǎng)絡(luò)結(jié)構(gòu)圖

4.1 網(wǎng)絡(luò)結(jié)構(gòu)

基于DNN的變壓器聲紋特征分析網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示，該網(wǎng)絡(luò)由四層全連接(Fully Connected-FC)的隱藏層組成，輸入為變壓器噪聲信號提取分幀特征向量經(jīng)過連結(jié)后的結(jié)果，輸出為與不同工況類型對應(yīng)的One-hot向量，使用ReLu(Rectified Linear Units)函數(shù)作為激活函數(shù)，分類使用SoftMax函數(shù)，目標(biāo)函數(shù)則使用交叉熵函數(shù)。

4.2 基于遷移學(xué)習(xí)的模型訓(xùn)練

變壓器在實際運行過程中，極少發(fā)生異常故障現(xiàn)象，很難收集大量不同異常工況下的樣本數(shù)據(jù)，因此，在網(wǎng)絡(luò)模型實際訓(xùn)練中，由于負(fù)樣本(異常工況)較少，直接訓(xùn)練容易出現(xiàn)過擬合。此外，如果將已經(jīng)訓(xùn)練好某型號變壓器的不同工況聲紋模型用于監(jiān)測其他型號變壓器，需要針對新的監(jiān)測變壓器進行再次訓(xùn)練?；诼晫W(xué)特征具有很大程度的共性假設(shè)，本文根據(jù)參數(shù)遷移的思想，采用遷移學(xué)習(xí)方式，對不同型號的變壓器噪聲特征進行訓(xùn)練和學(xué)習(xí)，首先使用ESC－50數(shù)據(jù)集進行模型預(yù)訓(xùn)練，固定FC1層和FC2層，輸出作為特征提取器，然后使用變壓器聲紋數(shù)據(jù)集對模型進行Fine-tuning。

具體地，使用ESC－50通用聲音數(shù)據(jù)預(yù)訓(xùn)練網(wǎng)絡(luò)模型后，得到基本的聲紋網(wǎng)絡(luò)框架參數(shù)，將預(yù)訓(xùn)練完成的模型保留FC1層和FC2層的參數(shù)，如圖10所示，在此基礎(chǔ)上，使用變壓器專有聲紋數(shù)據(jù)對FC3層和FC4層的參數(shù)繼續(xù)進行訓(xùn)練，在二次訓(xùn)練后，固定所有參數(shù)，將隱藏層的最后一層輸出作為監(jiān)測目標(biāo)的模板進行比對。

圖10 參數(shù)遷移模型訓(xùn)練示意圖

4.3 聲紋識別模板選擇與度量指標(biāo)

對已訓(xùn)練好的、固定參數(shù)的網(wǎng)絡(luò)模型，去掉最后一層帶有標(biāo)簽的輸出分類層，將最后一層隱藏層的輸出作為該工況對應(yīng)的聲紋模板。對于不同工況，隨機取出訓(xùn)練數(shù)據(jù)集中的5~15條數(shù)據(jù)，經(jīng)過網(wǎng)絡(luò)模型得到目標(biāo)模板，由于模板選擇具有一定的隨機性，為確保目標(biāo)模板能夠準(zhǔn)確反應(yīng)該類工況下的噪聲情況，使用k均值聚類算法(k-means clustering algorithm)對得到的目標(biāo)模板進行聚類。

具體地，首先，將上述5~15條數(shù)據(jù)對應(yīng)的目標(biāo)模板輸出進行k為2的聚類，完成聚類后，選擇多數(shù)樣本所在的聚類作為代表該類工況的目標(biāo)模板p，然后，將待檢測噪聲信號進行特征提取，輸入訓(xùn)練好的網(wǎng)絡(luò)模型，得到最后一層隱藏層的輸出o，最后，使用余弦相似度度量比較o與目標(biāo)模板輸出p的相似性，如式(6)所示。

5 聲紋特征數(shù)據(jù)庫

在大量模擬試驗及現(xiàn)場測試的基礎(chǔ)上，建立變壓器工作狀態(tài)聲學(xué)特征數(shù)據(jù)庫，其中包含變壓器正常狀態(tài)和不同故障狀態(tài)下的聲學(xué)特征，是人工智能算法模型和聲紋智能診斷的重要樣本數(shù)據(jù)。

如圖11所示，首先利用含標(biāo)簽的聲學(xué)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將變壓器的電壓、電流、負(fù)荷、油溫、繞溫等狀態(tài)參量作為神經(jīng)網(wǎng)絡(luò)模型的輸入，神經(jīng)網(wǎng)絡(luò)模型會對變壓器是否異常給出輸出預(yù)測。對于一些較為復(fù)雜的情況，通過電力專家的經(jīng)驗知識來做出判斷，并將專家的經(jīng)驗知識傳授給神經(jīng)網(wǎng)絡(luò)，對神經(jīng)網(wǎng)絡(luò)模型進行更新，經(jīng)過反復(fù)迭代訓(xùn)練，神經(jīng)網(wǎng)絡(luò)對于未知的情況也能給出相應(yīng)的預(yù)測。最終利用人工智能算法對變壓器的工作狀態(tài)(正常和異常)和變壓器的狀態(tài)參量(電壓、電流、負(fù)荷、油溫、繞溫)等進行預(yù)測，且對于每一種異常狀態(tài)，數(shù)據(jù)庫包括其異常狀態(tài)的區(qū)分性特征類型，同時，將所利用的電力經(jīng)驗知識入庫，數(shù)據(jù)庫還具有適應(yīng)性和易于增添屬性等特點，預(yù)留多種屬性預(yù)測的數(shù)據(jù)庫接口，以便于未來的研究工作。

圖11 聲紋數(shù)據(jù)庫構(gòu)建過程

聲紋特征數(shù)據(jù)庫包括以下內(nèi)容:

①音頻樣本

包括變壓器在正常、異常工作狀態(tài)時的音頻文件，對于每個異常的音頻文件，數(shù)據(jù)庫中標(biāo)明其異常類型和其音頻特征。

②變壓器工作狀態(tài)

包含變壓器的正常工作狀態(tài)和異常工作狀態(tài)，以及相對應(yīng)的異常狀態(tài)類型。

③變壓器狀態(tài)參量

主要包含變壓器的電壓、電流、負(fù)荷、油溫、繞溫等參量，一方面來自人工標(biāo)注的數(shù)據(jù)，另一方面由神經(jīng)網(wǎng)絡(luò)輸出得到狀態(tài)參量的預(yù)測。

④潛在屬性

包含變壓器在不同工作狀態(tài)時易區(qū)分的音頻特征，或者通過人工智能算法模型輸出的潛在特征向量，這些特征向量和變壓器工作狀態(tài)緊密聯(lián)系，能表征變壓器的某些屬性。

⑤電力經(jīng)驗知識

工智能算法模型，將這些專家經(jīng)驗知識入庫。

6 聲紋監(jiān)測平臺

在聲紋采集裝置的基礎(chǔ)上，研發(fā)了用于人機交互的聲紋監(jiān)測平臺，集成噪聲信號存儲、聲紋特征提取、以及聲紋識別算法等功能，實現(xiàn)變壓器聲音在線監(jiān)測與智能診斷，主要包含聲紋展示、設(shè)備與數(shù)據(jù)管理、實時監(jiān)測、主動告警、人工診斷、聲紋樣本庫等功能，如圖12所示。

圖12 聲紋監(jiān)測平臺頁面圖

平臺實時采集設(shè)備運行的聲紋信息，展示每個采集裝置的實時音頻頻譜圖與聲紋特征，并支持音頻回放與人工診斷功能；利用聲紋識別算法，可對在線監(jiān)測的聲紋數(shù)據(jù)進行全面的綜合診斷，包括頻譜分析、事件檢測、負(fù)荷識別、時頻域分析，最終形成設(shè)備運行狀態(tài)的全面診斷報告。同時，具備變壓器設(shè)備管理功能，可管理查看地市級各變壓器整體運行工況信息，綜合聲紋智能診斷結(jié)果、生產(chǎn)廠家、電壓等級、投運年限、繞組類型、冷卻方式等維度生成檢修工單等。

7 測試應(yīng)用

7.1 數(shù)據(jù)集對比測試

傳統(tǒng)分類識別算法主要包括SVM(支持向量機Support Vector Machine)、NN(神經(jīng)網(wǎng)絡(luò)Neural Networks)、CNN(卷積神經(jīng)網(wǎng)絡(luò)Convolutional Neural Networks)，使用傳統(tǒng)分類識別算法與本文設(shè)計的遷移學(xué)習(xí)網(wǎng)絡(luò)在ESC－50數(shù)據(jù)集上進行識別準(zhǔn)確度對比測試。首先，將ESC－50數(shù)據(jù)集的2000條音頻分成5疊，每疊400條，覆蓋全部50個類，并確保同一場景不同時段的音頻只在一個疊中出現(xiàn)，避免數(shù)據(jù)污染。其次，分別在5疊數(shù)據(jù)中使用訓(xùn)練和測試交叉驗證方式，訓(xùn)練數(shù)據(jù)量和測試數(shù)據(jù)量作5折交叉，每疊中選取80%作為訓(xùn)練集，剩余20%作為測試集，最后，平均5疊的結(jié)果得到識別準(zhǔn)確率均值，對比測試結(jié)果如表1所示。

表1 與傳統(tǒng)算法的結(jié)果對比

通過分析已有聲紋識別算法，結(jié)合變壓器聲紋數(shù)據(jù)特點，本文設(shè)計的遷移學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)算法的識別準(zhǔn)確率從通用CNN算法的42.63%提升到91.80%。

ESC－50數(shù)據(jù)集已被大量環(huán)境聲音識別論文作為基準(zhǔn)評估數(shù)據(jù)集，并得到了很好的分類器識別精度。表2統(tǒng)計對比了目前基于ESC數(shù)據(jù)集的先進識別方法與本文所設(shè)計算法的精度，相比于已有方法，本文設(shè)計的遷移學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)算法的識別準(zhǔn)確率有了一定提升。

表2 與現(xiàn)有識別算法的結(jié)果對比

7.2 變電站應(yīng)用驗證

變壓器聲紋采集裝置及智能識別診斷算法已在安徽合肥錦繡220 kV變電站、遼寧大連220 kV港東變電站等21座變電站/換流站部署應(yīng)用，如圖13所示，通常在變壓器的四面各布置一臺聲紋采集裝置，通過大量測試驗證得到了裝置與變壓器之間距離的經(jīng)驗值為1 m左右，該距離是傳感器采集信號強度的最優(yōu)范圍，距離太近，易丟失該采集面邊緣側(cè)的信息，距離太遠，易受到外界雜音的干擾。該系統(tǒng)于2019年1月準(zhǔn)確捕獲某超高壓站主變直流偏磁異常工況，以及某110 kV變電站主變壓器繞組變形缺陷，目前已積累形成了約70 000 h的聲紋樣本庫數(shù)據(jù)，通過訓(xùn)練優(yōu)化提升了識別算法模型。

圖13 聲紋變電站現(xiàn)場布置圖

通過實際部署運行，本文研發(fā)的聲紋采集裝置和算法模型可滿足變電站現(xiàn)場應(yīng)用和數(shù)據(jù)分析的需求，可作為變壓器局放、電壓、電流等在線監(jiān)測的有效補充，豐富了變壓器狀態(tài)監(jiān)測技術(shù)手段，對于電力行業(yè)發(fā)展新一代智能不停電檢測裝備，提高電網(wǎng)設(shè)備智能管控水平具有重要的示范推廣價值。

8 總結(jié)

本文設(shè)計了面向電力變壓器的聲紋采集裝置，用于采集變壓器噪聲信號，并開發(fā)了相關(guān)的預(yù)處理和特征提取算法，基于變壓器噪聲信號特點，設(shè)計了遷移學(xué)習(xí)人工智能識別網(wǎng)絡(luò)模型，實現(xiàn)了變壓器直流偏磁、繞組變形、過負(fù)荷等工況的智能診斷識別，并開發(fā)了人機交互聲紋監(jiān)測平臺，對軟硬件和分析算法進行了集成。通過數(shù)據(jù)集測試和變電站部署應(yīng)用，驗證了該聲紋采集裝置和相關(guān)算法的有效性和可靠性，能夠滿足實際變電站運維需求。研究了變壓器聲紋特征數(shù)據(jù)庫的建立方法，隨著系統(tǒng)現(xiàn)場部署應(yīng)用和推廣，采集變壓器運行異常工況聲紋樣本，不斷優(yōu)化提升算法模型，豐富數(shù)據(jù)庫內(nèi)容，逐步建立全面可靠的聲紋特征數(shù)據(jù)庫。

目前系統(tǒng)已在20余座變電站部署應(yīng)用，變壓器異常工況識別準(zhǔn)確率可達76%，使用聲紋識別方式，一方面可以獨立識別特定類別的缺陷，有效解決通過圖像或在線監(jiān)測等手段無法識別的潛伏性缺陷隱患，另一方面可作為局部放電等其他監(jiān)測方式的有效補充，提升綜合檢測能力。

后續(xù)，在變壓器聲紋樣本庫不斷豐富的基礎(chǔ)上，進一步利用遷移學(xué)習(xí)，獲取有效的先驗，并研究語譜圖、色度特征等更多的語音特征，增加可訓(xùn)練參數(shù)，提高人工智能網(wǎng)絡(luò)模型的擬合能力。同時可開展監(jiān)聽式和振動式聲紋相融合的多模態(tài)聲紋智能診斷裝置，提高異常工況識別可靠性。