基于CEEMDAN-小波閾值和3D-CNN的變壓器鐵心松動故障診斷模型*

崔佳嘉, 馬宏忠

(河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100)

0 引 言

變壓器是電力系統(tǒng)中最重要的電力設(shè)備之一，其運行安全影響著整個電力系統(tǒng)[1]?；诼暭y信號的變壓器故障診斷技術(shù)是目前的研究熱點之一。

目前針對電力變壓器的鐵心松動故障的診斷方法主要集中在對振動信號的分析上，振動信號的獲取是通過將振動傳感器附著在器壁上而采集得到的。與變電站普遍采用巡檢的方式進(jìn)行故障診斷相比，基于聲紋信號的診斷方法具有非接觸性、測量方便及聲傳感器價格便宜等優(yōu)勢。因此，依據(jù)變壓器發(fā)生鐵心松動故障時發(fā)出可聽聲信號(20 Hz～20 kHz)，提出采用聲紋信號對變壓器鐵心松動故障進(jìn)行診斷[2-5]。

目前對基于聲紋信號的變壓器鐵心松動故障診斷的研究較少。文獻(xiàn)[6]建立了Mel時頻譜-二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)的鐵心松動故障識別模型，采用的是2D-CNN，其識別率較低。文獻(xiàn)[7]通過改進(jìn)Mel頻率倒譜系數(shù)(MFCC)，優(yōu)化聲音信號特征提取算法，并通過支持向量機(jī)分類算法對特征量進(jìn)行識別。該文獻(xiàn)明確提出只適用于試驗室條件下，對處于室外環(huán)境含有各種噪聲源的大容量變壓器并不適用。除此之外，MFCC是基于人耳對聲音的感知確定的，而變壓器運行發(fā)出的噪聲與人聲差異是巨大的，因此采用該特征量對故障識別恐有不妥[8-13]。國內(nèi)外的學(xué)者對變壓器的聲紋信號做了很多的研究，但大多未考慮到實際變壓器噪聲信號的測試結(jié)果會受多種環(huán)境因素及干擾的影響[14-15]，現(xiàn)場采集到變壓器運行時的噪聲信號不能直接用于故障診斷模型中進(jìn)行識別，而應(yīng)將復(fù)雜環(huán)境中的其他噪聲源從信號中濾除，再進(jìn)行特征提取與識別。目前對于降噪的研究中，普遍采用的是小波分析和經(jīng)驗?zāi)B(tài)分解(EMD)，但這二者具有不適應(yīng)性和模態(tài)混疊等缺陷。而完全自適應(yīng)噪聲集合經(jīng)驗?zāi)B(tài)分解(CEEMDAN)能夠在分解的每個階段自適應(yīng)地添加白噪聲，分解過程具有完整性且?guī)缀鯖]有重構(gòu)誤差，解決了EMD重構(gòu)不完整的問題。在利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行聲信號識別時，三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)比2D-CNN更適合提取時空特征，在網(wǎng)絡(luò)訓(xùn)練過程中能使用更少的樣本、更簡單的網(wǎng)絡(luò)結(jié)構(gòu)，卻能得到更好的訓(xùn)練效果。

因此,結(jié)合CEEMDAN和小波閾值的濾波方法，及3D-CNN的特點，本文提出了基于CEEMDAN-小波閾值及3D-CNN的變壓器鐵心松動故障診斷模型。

1 CEEMDAN及小波閾值的基本原理

1.1 CEEMDAN

CEEMDAN是在EMD的基礎(chǔ)上，在原信號中加入高斯噪聲并通過多次疊加求取平均值的方式抵消噪聲的方法。通過自適應(yīng)地添加高斯白噪聲來削弱模態(tài)混疊問題，且分解過程具有完整性、幾乎無重構(gòu)性誤差的特點。

CEEMDAN的算法具體描述為[16]

(1) 在原始信號的基礎(chǔ)上加入高斯白噪聲分量ε0ωk(t)，其中εi-1表示求解IMFi(t)時的自適應(yīng)系數(shù)，K為在原始信號上添加白噪聲的數(shù)量。對分別增加了白噪聲的K個信號進(jìn)行EMD分解，得到各個信號的一階模態(tài)分量IMF1(t)，定義第k次加入噪聲得到的一階模態(tài)分量為imfk1(t)。則CEEMDAN分解得到的一階模態(tài)分量為

(1)

(2) 計算分解出IMF1(t)后的第一個余量信號r1(t)，即為

r1(t)=x(t)-IMF1(t)

(2)

(3) 在余量信號r1(t)的基礎(chǔ)上加入噪聲分量ε1E1[ωj(t)]，E1(·)表示經(jīng)過EMD分解產(chǎn)生的第1階模態(tài)分量算子。則CEEMDAN分解得到的二階模態(tài)分量為

(3)

(4) 重復(fù)步驟(2)和步驟(3)，就可以計算出第i個余量信號和第i+1階模態(tài)分量：

ri(t)=ri-1(t)-IMFi(t)

(4)

(5)

(5) CEEMDAN分解的終止條件是求解出的余量信號無法再進(jìn)行EMD分解。若最終分解出I階模態(tài)分量，則最終的余量信號R(t)為

R(t)=x(t)-IMFI(t)

(6)

1.2 小波閾值

在CEEMDAN分解后得到的IMF分量中，選擇適當(dāng)?shù)姆至窟M(jìn)行小波閾值去噪，再對去噪后的信號重構(gòu)能進(jìn)一步降低信號中的噪聲成分。其降噪的步驟為[17]

(1) 對選擇的信號進(jìn)行小波分解并求取小波系數(shù)；

(2) 設(shè)置閾值，高于閾值的系數(shù)保留，低于閾值的系數(shù)當(dāng)作噪聲去除；

(3) 使用步驟(2)中處理過的小波系數(shù)和近似系數(shù)對信號進(jìn)行重構(gòu)。

2 Mel-語譜圖

語譜圖是聲音信號分析處理的重要特征頻率譜圖，能夠反映信號在不同時間下的頻率能量分布。完整地建立聲音信號在時域與頻域之間的聯(lián)系，實現(xiàn)聲音特征信息的最大化，有助于后期聲紋特征的提取與學(xué)習(xí)。

將采集到的變壓器各種工況下的聲紋信號，用上述CEEMDAN-小波閾值濾波法得到純凈的變壓器運行的聲音信號。利用濾波后的信號繪制聲紋語譜圖，語譜圖的繪制包括分幀、加窗和離散傅里葉變換過程。由于變壓器噪聲較人聲更加平穩(wěn)，可以適當(dāng)增加幀長以保證語音信號特征的完整性，本文中取每幀N=1 250為25 ms(采集頻率fs=50 kHz)，為了使幀與幀之間能平滑過渡，取重疊率為50%。其次，若是直接對分幀后的數(shù)據(jù)進(jìn)行離散傅里葉變換，會出現(xiàn)頻譜泄漏的情況，因此需要對每一幀先作加窗處理，本文選擇加漢明窗，使信號兩端變得平滑以減少信號的失真。

繪制的語譜圖的橫坐標(biāo)表示分幀后的幀數(shù)(時間)，縱坐標(biāo)表示頻率，其中的顏色深淺表示該時刻和頻率下的大小，該大小為功率譜密度。通過短時傅里葉變換生成的語譜圖如圖1所示。

通過上述預(yù)處理得到的語譜圖可以描述變壓器運行過程中時域與頻域之間的關(guān)系，雖然在時間上將維度壓縮到159列，但是在頻率維度上卻有2 049行，對后續(xù)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練識別速度有很大的影響。因此必須對頻率維度進(jìn)行壓縮，考慮使用Mel濾波器對時頻矩陣降維。

Mel濾波器是根據(jù)人耳結(jié)構(gòu)特征，對線性的頻段做非線性處理，將低頻部分的權(quán)重加大，對高頻部分的權(quán)重降低，突出有效頻段的作用。Mel頻率與實際頻率的轉(zhuǎn)化關(guān)系為[11]

(7)

式中：fMel(f)為Mel刻度下的頻率；f為實際頻率。

Mel濾波器為一個由M個三角形濾波器組成的濾波器組(取M=40)，中心頻率為f(m)。在Mel頻率刻度上，濾波器之間的距離是等寬的。該濾波器組的傳遞函數(shù)為

(8)

其中，f(m)定義為[7]

(9)

式中:fh與fl為濾波器濾波頻率的上限與下限;fs為變壓器聲紋采樣的采樣頻率(fs=50 kHz);N為進(jìn)行短時傅里葉變化時的幀長。

通過使用Mel濾波器對數(shù)據(jù)進(jìn)行降維后，時頻矩陣從159×2 048被壓縮至159×40，大大縮減了數(shù)據(jù)的尺寸，方便后續(xù)的模型訓(xùn)練與識別。由此生成的Mel-語譜圖如圖2所示。

3 三維卷積神經(jīng)網(wǎng)絡(luò)

3.1 三維卷積神經(jīng)網(wǎng)絡(luò)的原理

傳統(tǒng)的2D-CNN只能提取二維圖像的特征信息，而3D-CNN適用于更高維度的圖像數(shù)據(jù)，在處理過程中增加了時間維度的信息(連續(xù)幀)，神經(jīng)網(wǎng)絡(luò)可以同時提取出時間與空間的信息。因此，與二維卷積相比，三維卷積更能捕捉到時序上的特征。3D-CNN的卷積公式為

(10)

3.2 三維卷積神經(jīng)網(wǎng)絡(luò)的輸入

Mel-語譜圖生成的圖像的尺寸為41×40×3，其中41表示時間分量，40表示Mel標(biāo)度下的頻率分量，3表示生成圖片的RGB 3個通道，而單張圖片只可以作為二維卷積神經(jīng)網(wǎng)絡(luò)的輸入。由于三維卷積神經(jīng)網(wǎng)絡(luò)在二維卷積的基礎(chǔ)上增加了時間的維度，因此在數(shù)據(jù)集的制作上不同于二維卷積。將采集的2 s原始數(shù)據(jù)分為4幀數(shù)據(jù)，用上述方法生成4張Mel語譜圖，并將這4張圖片堆疊成立體數(shù)據(jù)如圖3所示，其數(shù)據(jù)尺寸為4×41×40×3，4表示數(shù)據(jù)深度，41表示時間分量，40表示Mel標(biāo)度下的頻率分量，3表示生成圖片的RGB 3個通道。將2 s的數(shù)據(jù)樣本分成4段信號，每段信號0.5 s；按照前文所提方法，將每段0.5 s信號按每幀N=1 250為25 ms的長度分幀，每段信號生成的Mel語譜圖的尺寸為41×40×3；將4段信號分別生成的Mel語譜圖堆疊后，數(shù)據(jù)尺寸為41×40×3。

3.3 三維卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的3D-CNN是由2層卷積層、2層池化層及2層全連接層組成，均采用SAME補(bǔ)零方式。其中，卷積層后接有激活層，激活層選擇的是線性整流函數(shù)(ReLu)。dropout是一種非常有效的提高泛化能力、降低過擬合的方法，因此選擇在每一個全連接層后設(shè)置dropout層，速率均設(shè)置為0.5。由于本文作4分類問題，將最后一層設(shè)置為4節(jié)點，用softmax函數(shù)激活作分類。網(wǎng)絡(luò)的詳細(xì)結(jié)構(gòu)如表1所示。

表1 3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)

4 基于CEEMDAN-小波閾值去噪

對于大容量變壓器而言，由于其位置處于室外，在聲紋信號采集過程中，不可避免地會受到環(huán)境中各種噪聲的干擾，比如鳥鳴、汽笛聲、特殊天氣的雷電聲，這些噪聲會直接影響后續(xù)變壓器聲紋故障診斷的準(zhǔn)確性。峭度是信號時域特征中反應(yīng)隨機(jī)變量的分布特征，可以用來描述信號概率密度函數(shù)的陡峭程度。變壓器本體噪聲是較為平穩(wěn)的信號，其峭度值較小，概率密度分布一般呈現(xiàn)高斯分布或亞高斯分布，而其他的噪聲是沖擊性信號，其峭度值很大，概率分布呈現(xiàn)超高斯分布。利用這一特性能有效地將采集的變壓器聲紋信號中其他噪聲源的含量去除，提高信噪比。

采集一段變壓器運行時純凈的信號(不含有噪聲)，其時域和頻域信號如圖4所示。將其進(jìn)行CEEMDAN分解后，得到20個本征模態(tài)函數(shù)(IMF)，再計算出各個IMF分量的峭度值，發(fā)現(xiàn)各個分量的峭度值在2.6左右。

再將一段雷聲的噪音用加性噪聲的處理方法線性疊加在原始信號中。變壓器運行時帶噪信號的時域和頻域波形如圖5所示。

再將帶噪信號進(jìn)行CEEMDAN分解，共分解出19階IMF和1個余量，計算各分量的峭度值如表2所示。

表2 各階分量的峭度值

選擇帶噪信號分解的分量中峭度值偏離3較大的分量IMF13 、IMF15和 IMF18進(jìn)行小波閾值去噪。最后將經(jīng)過小波閾值去噪后的分量及未處理的分量一同進(jìn)行信號的重構(gòu)，得到去噪后的信號的時域和頻域分布，如圖6所示。去噪的信號與原始信號在幅值上相差的數(shù)量級為10-6，信噪比從-15.01升至136.13，去噪效果非常好。

5 試驗分析

5.1 數(shù)據(jù)采集

為了驗證3D-CNN對變壓器鐵心松動故障識別效果，搭建了變壓器鐵心松動故障試驗平臺，采集鐵心在不同松動程度下的噪聲信號。

試驗對象為一臺S13-M-200/10變壓器，根據(jù)GB/T 1094.10—2003對該變壓器噪聲測量的標(biāo)準(zhǔn)和要求，采用電容式麥克風(fēng)作為聲傳感器對變壓器鐵心不同松動情況下的噪聲進(jìn)行測量，采樣頻率為50 kHz，頻率響應(yīng)為20 Hz～20 kHz。試驗在變壓器廠廠房中進(jìn)行，廠房空間較為空曠，幾乎不存在聲波反射的情況,試驗環(huán)境如圖7所示。

在設(shè)置鐵心不同松緊程度時，將變壓器油抽出后吊芯，鐵心的壓緊程度是通過改變螺栓的預(yù)緊力來確定的， 先使用扭力扳手確定被測試的變壓器的額定預(yù)緊力FN,再分別改變螺栓預(yù)緊力使扭力扳手的值分別達(dá)到FN(未松動)、0.6FN(松動40%)、0.2FN(松動80%)、0(松動100%)。模擬過程如圖8所示。在低壓側(cè)加400 V電壓，變壓器空載運行，分別采集變壓器鐵心未松動、松動40%、松動80%、松動100%時的若干個聲紋信號。

分別采集鐵心在未松動情況下的樣本82個，松動40%時的樣本129個，松動80%時的樣本129個，松動100%時的樣本140個。其中，將80%的數(shù)據(jù)作為訓(xùn)練樣本，剩余20%作為測試樣本，驗證模型的有效性。

5.2 模型的訓(xùn)練參數(shù)

設(shè)置3D-CNN訓(xùn)練的epoch=100，批處理量batch_size=60，優(yōu)化器選擇的是Adam算法，學(xué)習(xí)率設(shè)置為0.001，損失函數(shù)選擇的是傳統(tǒng)的交叉熵函數(shù)。

5.3 模型評價指標(biāo)

將采集到的數(shù)據(jù)經(jīng)過CEEMDAN和小波閾值濾波后，將每一段音頻生成Mel-語譜圖，且按照上述方法將每一段語音最終制作成三維的數(shù)據(jù)塊送入模型中訓(xùn)練。用準(zhǔn)確率acc和損失值loss來評判模型的優(yōu)劣。損失值loss表示預(yù)測值與實際值的差距，準(zhǔn)確率acc表示正確分類的數(shù)量與總樣本之間的比值。損失值越小，準(zhǔn)確率越高，說明該模型越適用于變壓器鐵心松動的故障識別。

5.4 三維卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖9所示為3D-CNN模型訓(xùn)練過程中準(zhǔn)確率acc隨epoch變化的曲線圖。從圖9中可以看出，當(dāng)epoch未達(dá)到60時，準(zhǔn)確率的浮動較大，但是當(dāng)epoch達(dá)到60次后，準(zhǔn)確率穩(wěn)定在0.983 333～1，因此模型在訓(xùn)練達(dá)到60次以后，模型趨于穩(wěn)定。

圖10所示為3D-CNN模型訓(xùn)練過程中損失值loss隨epoch變化的曲線圖。從圖10中可以看出loss值隨著epoch的增加整體上呈現(xiàn)出下降的趨勢。當(dāng)epoch達(dá)到63以后，loss值穩(wěn)定在1以下；當(dāng)epoch達(dá)到85以后，loss值穩(wěn)定在0.4以下并趨于穩(wěn)定。因此，判斷該模型已經(jīng)收斂并完成訓(xùn)練。

在訓(xùn)練好的模型上對測試集測試，測試結(jié)果顯示準(zhǔn)確率為0.933 333，綜合訓(xùn)練集上的準(zhǔn)確率acc和損失值loss的結(jié)果及測試集上的準(zhǔn)確率，確定該3D-CNN適用于變壓器鐵心松動故障的診斷。

6 結(jié) 語

本文構(gòu)建了基于CEEMDAN-小波閾值的環(huán)境噪聲去除方法和基于聲紋的3D-CNN的變壓器鐵心松動故障診斷方法。所提方法考慮到大容量變壓器所處的復(fù)雜環(huán)境噪聲的影響，并搭建3D-CNN網(wǎng)絡(luò)對鐵心松動故障進(jìn)行診斷，具體優(yōu)勢體現(xiàn)在：

(1) 能去除信號中含有的復(fù)雜環(huán)境中其他噪聲成分，使得所提出的方法不局限于試驗室環(huán)境，更適用于實際變電站環(huán)境；

(2) 提取聲信號中連續(xù)幀之間的信息，利用3D-CNN網(wǎng)絡(luò)對變壓器鐵心松動故障識別，使用最簡單的3D-CNN結(jié)構(gòu)，就可以達(dá)到90%以上的識別率。