聲紋識(shí)別在電廠設(shè)備狀態(tài)監(jiān)測中的運(yùn)用

肖毓增，付新華，楊勝儀，陳文清

（1.福建華電福瑞能源發(fā)展有限公司池潭水力發(fā)電廠，福建 三明 353000；2.西北大學(xué)，陜西 西安 710100）

0 引 言

在電力設(shè)備中，電力變壓器作為改變電壓的重要器件，是維持電力系統(tǒng)穩(wěn)健運(yùn)行的關(guān)鍵部件之一。變壓器在生產(chǎn)、安裝、維護(hù)、長時(shí)間運(yùn)行等實(shí)際條件下，不可避免地受到熱力等外部因素的影響。此外，如果不及早發(fā)現(xiàn)變壓器故障，那么現(xiàn)有故障將逐步演變并惡化。最終，故障會(huì)導(dǎo)致火災(zāi)或其他電網(wǎng)設(shè)備大面積損壞，致使配電中斷，對(duì)人們的生產(chǎn)生活產(chǎn)生巨大影響。因此，如何準(zhǔn)確發(fā)現(xiàn)并識(shí)別故障類型，以便采取適當(dāng)?shù)拇胧p輕其負(fù)面影響，是亟待解決的問題。

目前，現(xiàn)有的故障診斷方法在很大程度上依賴于接觸式傳感器等特殊設(shè)備。這種方法增加了故障診斷的成本，更重要的是，可能會(huì)受到高壓、強(qiáng)電磁場等復(fù)雜工作環(huán)境的影響，從而干擾系統(tǒng)的正常運(yùn)行。變壓器在運(yùn)行時(shí)會(huì)產(chǎn)生內(nèi)部振動(dòng)，其中包括內(nèi)部硅鋼片伸縮效應(yīng)導(dǎo)致的周期性振動(dòng)等，將不同振幅和頻率的振動(dòng)信號(hào)輻射到周圍。特別是在高壓和強(qiáng)電磁環(huán)境中，可能會(huì)發(fā)生各種故障，產(chǎn)生不同的聲音。通過聲音信號(hào)進(jìn)行故障診斷是一種較好的解決方案，具有多方面優(yōu)點(diǎn)。首先，它支持非接觸式安裝，設(shè)備小且使用簡便，便于信號(hào)采集；聲信號(hào)不產(chǎn)生電磁場，不影響設(shè)備的正常運(yùn)行。事實(shí)上，聲紋識(shí)別已被廣泛應(yīng)用于聲音驗(yàn)證、醫(yī)療保健、故障檢測等領(lǐng)域。

基于聲音信號(hào)的故障診斷通常包括聲學(xué)特征提取和分類。對(duì)于聲音特征提取，通常需要進(jìn)行頻域變換提取特征參數(shù)進(jìn)行識(shí)別?？紤]到電力變壓器聲音信號(hào)與人語音的相似性，常用的特征參數(shù)有梅爾頻率倒譜系數(shù)（MFCC）、線性預(yù)測倒譜系數(shù)（LPCC）以及耳蝸濾波器倒譜系數(shù)（CFCC）。通常情況下，變壓器是逐漸損壞的，而不是突然發(fā)生故障。上述系數(shù)僅反映變壓器聲信號(hào)的靜態(tài)特征。但在人類聽覺系統(tǒng)上對(duì)聲音信號(hào)的動(dòng)態(tài)特征更為敏感，這些靜態(tài)特征不足以表示。

分類器是聲音識(shí)別的重要組成部分，近年來，人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVMs）和決策樹等58種機(jī)器學(xué)習(xí)算法作為變壓器故障檢測的60種有前景的解決方案在文獻(xiàn)中得到了研究。變壓器故障檢測本質(zhì)上是一個(gè)多分類問題。本文提出了一種基于樸素貝葉斯分類器的變壓器故障檢測方法。首先，對(duì)于聲音信號(hào)進(jìn)行預(yù)處理，特別使用了漢明窗函數(shù)，接下來將經(jīng)過預(yù)處理的聲音信號(hào)轉(zhuǎn)換為頻域信號(hào)進(jìn)行后續(xù)特征提取，最后使用樸素貝葉斯分類器對(duì)故障進(jìn)行分類，采用聲學(xué)特征向量訓(xùn)練的樸素貝葉斯分類器來判斷變壓器的故障類型。如果發(fā)生故障就及時(shí)通知檢修人員維修電力設(shè)備。

1 系統(tǒng)結(jié)構(gòu)

電廠設(shè)備中變壓器故障監(jiān)測系統(tǒng)結(jié)構(gòu)如圖1所示，包含信號(hào)預(yù)處理、故障特征提取以及分類器。

圖1 系統(tǒng)結(jié)構(gòu)

在電廠中利用聲學(xué)傳感器很容易采集到變壓器工作時(shí)的聲音信號(hào)，將其進(jìn)行信號(hào)預(yù)處理，獲得相對(duì)平滑的變壓器聲信號(hào)，之后將該信號(hào)預(yù)先強(qiáng)調(diào)以增強(qiáng)高頻效果，并分成短時(shí)間穩(wěn)定的幀段進(jìn)行預(yù)加重。設(shè)計(jì)了漢明窗對(duì)每幀進(jìn)行進(jìn)一步處理以減少頻譜泄漏。變壓器運(yùn)行過程中產(chǎn)生的聲音信號(hào)含有豐富的信息，能在一定程度上反映變壓器的工作狀態(tài)和故障狀況。針對(duì)聲音特征提取階段，提出了一種用于聲音信號(hào)的梅爾頻率倒頻譜系數(shù)（MFCC）特征向量，特別是基于MFCC的動(dòng)態(tài)特征。將提取出來的特征向量輸入樸素貝葉斯分類器即可得到變壓器工作時(shí)的狀態(tài)。

2 MFCC特征

聲音識(shí)別技術(shù)是提取語音信號(hào)來判斷說話人的方法，它提取不同說話人聲音信號(hào)的特征向量組成庫，通過比較特征向量的相似度來確定說話人。由于正在運(yùn)行中的變壓器所產(chǎn)生的聲音信號(hào)與人的聲音信號(hào)相似度較高，我們使用這些揭露人聲音信號(hào)的典型參數(shù)來提取變壓器的故障聲音。MFCC能有效揭示語音信號(hào)的時(shí)域和頻域特征，因此本文將其應(yīng)用于變壓器聲音信號(hào)的特征提取。通過計(jì)算濾波頻譜的能量，得到的參數(shù)能夠反映各頻帶的頻譜能量分布。

2.1 MFCC算法原理

MFCC的提取觀測單位為幀，它由個(gè)采樣點(diǎn)組成。一般情況下，變壓器故障音頻數(shù)據(jù)是一種非平穩(wěn)信號(hào)，通常在50～200 ms范圍內(nèi)保持穩(wěn)定，即為值涵蓋時(shí)間。為實(shí)現(xiàn)幀間平滑，通常相鄰幀間有50%的重疊區(qū)域。預(yù)處理的最后一步將每幀乘以漢明窗函數(shù)。在故障音頻特征提取階段，對(duì)分幀加窗后的信號(hào)進(jìn)行快速傅里葉變換得到各幀頻域特征，并且對(duì)上一步得到的頻域特征取模平方得到功率譜。接下來將功率譜通過Mel濾波并計(jì)算得到其對(duì)數(shù)能量，再將對(duì)數(shù)能量帶入離散余弦變換得到MFCC特征參數(shù)。算法流程如圖2所示，其中數(shù)據(jù)預(yù)處理包括預(yù)加重、分幀和加窗。

2.2 基于電力變壓器故障特征的MFCC提取

鑒于工作中的變壓器所產(chǎn)生的聲音信號(hào)與人的聲音相似，我們使用描述人的聲音的典型參數(shù)來有效提取變壓器噪聲的特征是可行的。運(yùn)行中的變壓器聲音信號(hào)包含著其工作狀態(tài)信息，這些信息與變壓器結(jié)構(gòu)、運(yùn)行狀態(tài)等密切相關(guān)。對(duì)復(fù)雜的變壓器音頻故障進(jìn)行有效分析并識(shí)別不同的工作狀態(tài)，可為電力設(shè)備狀態(tài)監(jiān)測提供依據(jù)。MFCC能有效揭示語音信號(hào)的時(shí)域和頻域特征，因此本文將其應(yīng)用于變壓器聲音信號(hào)的特征提取方面。MFCC特征提取流程如圖2所示。

圖2 MFCC特征提取流程

2.2.1 數(shù)據(jù)預(yù)處理

首先，通過一階高通濾波器實(shí)現(xiàn)故障音頻預(yù)加重，用于放大輸入聲音信號(hào)的高頻分量。事實(shí)上，語音、音樂等的功率譜是隨著頻率的增加而減小的，其大部分能量集中在低頻范圍內(nèi)。因此，產(chǎn)生的信號(hào)幅值是由信號(hào)的低頻分量引起的。預(yù)加重是一種對(duì)原始信號(hào)高頻分量進(jìn)行補(bǔ)償?shù)奶幚矸椒?。?jīng)過預(yù)加重濾波，可以有效抑制隨機(jī)噪聲。

接下來對(duì)信號(hào)分幀，為減少每幀開始和結(jié)束時(shí)信號(hào)中斷，兩幀之間有一段50%的重疊區(qū)域。將每幀乘以漢明窗函數(shù)增加幀左右兩端的連續(xù)性。窗函數(shù)主要為了減少頻譜泄露，使得信號(hào)更好地滿足特征提取的周期性要求。漢明窗的幅頻特性為旁瓣衰減較大，主瓣峰值與第一個(gè)旁瓣峰值衰減可達(dá)40 dB，窗函數(shù)()形式如下：

式中：預(yù)加重分幀后的信號(hào)為()；為幀的大小。

2.2.2 特征提取

對(duì)預(yù)處理后的各幀信號(hào)進(jìn)行傅里葉變換，得到各幀的頻譜，設(shè)信號(hào)的FFT為：

對(duì)信號(hào)的頻譜取模平方得到信號(hào)的功率譜：

在Mel三角濾波器中每個(gè)三角形濾波器的跨度對(duì)應(yīng)于梅爾尺度。Mel頻率與線性頻率的關(guān)系為：

將每個(gè)濾波器組乘以功率譜，然后將系數(shù)相加取對(duì)數(shù)得到濾波器組的對(duì)數(shù)能量。

最后將得到的對(duì)數(shù)能量帶入離散余弦變換中，求出MFCC參數(shù)。

式中：=1, 2,...,,為 MFCC 堵塞階數(shù)；為三角濾波器的個(gè)數(shù)。

MFCC系數(shù)僅反映變壓器故障音頻的靜態(tài)特征。由于動(dòng)態(tài)特征也包含大量的特征信息以及人耳對(duì)其較為敏感，因此聲譜的動(dòng)態(tài)信息中也包含豐富的聲信息。一般來說，變壓器在一段時(shí)間內(nèi)會(huì)逐漸發(fā)生故障。因此，相關(guān)參數(shù)不斷向故障狀態(tài)變化。動(dòng)態(tài)特征還包含豐富的變壓器狀態(tài)信息，可用于提高變壓器故障診斷的準(zhǔn)確性。為反映變壓器故障音頻的動(dòng)態(tài)信息，需要提取MFCC的一階差分ΔMFCC、二階差分 ΔΔMFCC。

式中：(+)為第+幀MFCC的特征參數(shù)；值設(shè)置為2；()為MFCC一階差分；()為MFCC二階差分。

圖3中最上邊的每一條線表示提取的MFCC特征系數(shù)，中間和底部的曲線為線圈松動(dòng)故障音頻信號(hào)的一階差分和二階差分曲線圖。利用上述提到的MFCC特征向量、MFCC的一階差分向量和二階差分向量構(gòu)建一個(gè)新的特征向量（36維），通過提出的分類模型進(jìn)行進(jìn)一步的特征學(xué)習(xí)。圖4為內(nèi)部短路故障時(shí)的靜態(tài)特征（MFCC），圖5和圖6為內(nèi)部短路故障時(shí)的動(dòng)態(tài)特征（ΔMFCC和ΔΔMFCC）。

圖3 二維特征提取曲線

圖4 內(nèi)部短路故障時(shí)的MFCC特征

圖5 內(nèi)部短路故障時(shí)的ΔMFCC特征

圖6 內(nèi)部短路故障時(shí)的ΔΔ MFCC特征

3 故障識(shí)別與分析

本研究采用樸素貝葉斯分類器對(duì)4種變壓器非正常工作時(shí)的故障音頻信號(hào)進(jìn)行識(shí)別，并且以識(shí)別準(zhǔn)確率來評(píng)價(jià)識(shí)別效果。本研究共有4種變壓器常見故障類別，屬于多分類問題。在識(shí)別過程中，首先對(duì)聲音信號(hào)進(jìn)行靜態(tài)和動(dòng)態(tài)的特征提取，然后輸入到樸素貝葉斯分類器。樸素貝葉斯分類器是一種監(jiān)督機(jī)器學(xué)習(xí)方法，它是一個(gè)條件概率模型。樸素貝葉斯分類器是一個(gè)問題實(shí)例向量=(,,...,x)，其中，是提取特征的值，使用特征向量元素之間樸素獨(dú)立的假設(shè)，即概率分類方法，該方法在文本分類、實(shí)時(shí)預(yù)測、多類預(yù)測、推薦系統(tǒng)、傳入郵件的垃圾分類、人臉識(shí)別、故障診斷、文章分類等方面都有應(yīng)用。

樸素貝葉斯分類器與傳統(tǒng)分類器的不同之處是它需要計(jì)算類的后驗(yàn)概率，從而降低計(jì)算的復(fù)雜度。貝葉斯定理利用先驗(yàn)概率，即不含任何附加信息的假設(shè)或事件的原始概率。先驗(yàn)概率用于尋找后驗(yàn)概率，后驗(yàn)概率是在獲得事件的附加信息后對(duì)事件進(jìn)行修正的概率。

式中，表示變壓器故障種類。聯(lián)合概率模型可以表示為：

自動(dòng)識(shí)別是一種機(jī)器學(xué)習(xí)技術(shù)，需要經(jīng)過訓(xùn)練的數(shù)據(jù)集，該數(shù)據(jù)集記錄不同變壓器故障的聲音信號(hào)。數(shù)據(jù)集中記錄的每個(gè)聲音信號(hào)都標(biāo)記了不同的變壓器故障種類。將訓(xùn)練好的數(shù)據(jù)集組成分類器，并在此基礎(chǔ)上形成算法。故障數(shù)據(jù)集被分類為4個(gè)不同的種類，分別為高電壓、內(nèi)部短路、硅鋼片或線圈松動(dòng)以及鐵芯部件松動(dòng)。

樸素貝葉斯分類器的優(yōu)點(diǎn)是正確分類需要少量的訓(xùn)練特征向量，比較易于實(shí)現(xiàn)以及對(duì)高維數(shù)據(jù)點(diǎn)識(shí)別率高。

4 實(shí)驗(yàn)結(jié)果

本文訓(xùn)練樣本數(shù)據(jù)集為4 800段故障音頻（每段持續(xù)時(shí)間為4 s），包括1 200段高電壓故障時(shí)的音頻數(shù)據(jù)，1 200段內(nèi)部短路的音頻數(shù)據(jù)，1 200段硅鋼片或線圈松動(dòng)的音頻數(shù)據(jù)，1 200段鐵芯部件松動(dòng)的音頻數(shù)據(jù)。測試集數(shù)據(jù)集為2 400段音頻，每種故障分別有600段故障音頻。收集的數(shù)據(jù)來自110 kV三相干式變壓器。另外，為了討論在麥克風(fēng)處于不同位置和不同數(shù)量對(duì)收集聲音信號(hào)的質(zhì)量影響，我們還在2個(gè)不同工作間收集了高電壓故障和鐵芯部件松動(dòng)故障數(shù)據(jù)。

4.1 樸素貝葉斯分類器變壓器故障分類

變壓器故障檢測樸素貝葉斯分類器的分類效果見表1所列。我們采用準(zhǔn)確率、精確率以及召回率等常見描述性能的分類指標(biāo)。表1中序號(hào)序列分別表示高電壓、內(nèi)部短路、硅鋼片或線圈松動(dòng)的音頻數(shù)據(jù)以及鐵芯部件松動(dòng)的音頻數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法在診斷分類故障中具有良好的性能。

表1 4種故障的分類效果

4.2 基于MFCC特征的特征向量的性能比較

動(dòng)態(tài)特征還包含豐富的變壓器狀態(tài)信息，可用于提高變壓器故障診斷的準(zhǔn)確性。為驗(yàn)證動(dòng)態(tài)特征提取的特征向量（ΔMFCC和ΔΔMFCC）的有效性，本研究分別提取了靜態(tài)和動(dòng)態(tài)特征組成新的特征向量，并且將這些特征向量輸入到樸素貝葉斯分類器中。圖7為上述方法的量化分類效果對(duì)比。通過實(shí)驗(yàn)結(jié)果可以得出，使用靜態(tài)和動(dòng)態(tài)特征結(jié)合的特征提取方法可以充分提取聲音信號(hào)的特征。

圖7 提取不同特征參數(shù)的分類效果

4.3 不同位置和數(shù)量的麥克風(fēng)收集數(shù)據(jù)的性能影響

我們?cè)?個(gè)不同工作間收集了高電壓故障和鐵芯部件松動(dòng)故障，見表2所列。麥克風(fēng)距離變壓器0.5 m，麥克風(fēng)距離變壓器1.0 m，+代表在2個(gè)位置同時(shí)收集聲音信號(hào)。實(shí)驗(yàn)結(jié)果表明，不同位置和數(shù)量的麥克風(fēng)收集數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果幾乎無影響。所以我們?cè)邴溈孙L(fēng)所在的位置進(jìn)行數(shù)據(jù)收集。

表2 不同位置和數(shù)量的麥克風(fēng)對(duì)性能的影響

5 結(jié) 語

文中提出了基于樸素貝葉斯分類器的變壓器故障監(jiān)測方法。通過分析聲音信號(hào)，提取聲音信號(hào)的靜態(tài)和動(dòng)態(tài)特征。結(jié)果表明，該故障檢測方法較好地滿足了變壓器故障監(jiān)測的實(shí)際要求，識(shí)別精度高，對(duì)故障監(jiān)測和報(bào)警具有較大的應(yīng)用價(jià)值。