聲信號(hào)特征優(yōu)化斷路器機(jī)械故障診斷算法

張 葉，齊小剛

（1.晉中職業(yè)技術(shù)學(xué)院機(jī)電工程系，山西 晉中 030600；2.西安電子科技大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，陜西 西安 710126）

1 引言

高壓斷路器是組成電力系統(tǒng)的關(guān)鍵部件，其可靠動(dòng)作對(duì)系統(tǒng)運(yùn)行安全起著控制與保護(hù)的雙重作用，因此對(duì)電路系統(tǒng)的高壓斷路器進(jìn)行不間斷的故障監(jiān)測(cè)及智能診斷具有重要意義[1?2]。而機(jī)械缺陷是影響斷路器可靠動(dòng)作的主要原因，現(xiàn)階段對(duì)斷路器機(jī)械故障進(jìn)行監(jiān)測(cè)主要采用基于振動(dòng)信號(hào)的定期巡檢和事后維護(hù)等方式，但由于斷路器動(dòng)作時(shí)間極短，沖擊強(qiáng)烈，而振動(dòng)傳感器對(duì)安裝位置與方式敏感，并由于接觸式安裝，使其還會(huì)受到低頻本振和高頻電磁干擾，導(dǎo)致振動(dòng)信號(hào)檢測(cè)的高復(fù)雜性和低精確度[3]。

聲信號(hào)與斷路器的振動(dòng)信號(hào)為同源，聲傳感器對(duì)安裝位置及方式要求較低，優(yōu)勢(shì)明顯，結(jié)合斷路器的開合閘聲信號(hào)進(jìn)行設(shè)備機(jī)械故障的實(shí)時(shí)監(jiān)測(cè)逐漸成為新的診斷手段。文獻(xiàn)[4]在故障聲信號(hào)分段基礎(chǔ)上，分析不同合閘階段信號(hào)的時(shí)域幅值差異，以差異明顯時(shí)間段信號(hào)作為特征通過K?S檢測(cè)實(shí)現(xiàn)高壓斷路器故障診斷，但該方法易丟失信號(hào)的整體特征，且時(shí)域特征受噪聲影響較大；文獻(xiàn)[5]結(jié)合小波變換和盲源分離思想對(duì)故障聲信號(hào)進(jìn)行模式分解，并提取能量熵作為故障診斷特征，但算法的小波分解尺寸難以合理設(shè)置，導(dǎo)致識(shí)別精度提高不明顯；文獻(xiàn)[6]采用粒子群優(yōu)化的VMD 方法對(duì)高壓斷路器的分合閘信號(hào)進(jìn)行整體正交系數(shù)解析，提取Hilbert變換的時(shí)頻譜特征，并定義相似度指標(biāo)作為機(jī)械故障的判斷依據(jù)，算法具有更高的準(zhǔn)確性和效率[7]；文獻(xiàn)[8]對(duì)機(jī)械故障的振動(dòng)信號(hào)和聲信號(hào)進(jìn)行EEMD分解，并以分解后IMF分量的能量熵、功率譜熵等作為特征向量；文獻(xiàn)[9]益于人耳聽覺特性對(duì)聲信號(hào)處理方面的發(fā)展，以斷路器聲信號(hào)的加權(quán)改進(jìn)MFCC特征作為識(shí)別特征，并通過矢量量化算法進(jìn)行聲信號(hào)識(shí)別，模型取得較高的準(zhǔn)確率。

已有算法通常以振動(dòng)信號(hào)的處理為主信號(hào)，而機(jī)械故障的聲信號(hào)作為一種新數(shù)據(jù)對(duì)振動(dòng)信號(hào)進(jìn)行識(shí)別率增強(qiáng)，這導(dǎo)致樣本不足情況下模型的監(jiān)測(cè)性能不高。為此，提出基于聲特征優(yōu)化提取的機(jī)械故障監(jiān)測(cè)算法，算法以K?S顯著性檢測(cè)提取故障信號(hào)差異較大的信號(hào)區(qū)間并提取其GFCC特征，然后以特征加權(quán)SVM對(duì)高壓斷路器的機(jī)械故障進(jìn)行診斷監(jiān)測(cè)。四種模擬機(jī)械故障的聲信號(hào)的實(shí)驗(yàn)測(cè)試，驗(yàn)證了算法的有效性。

2 機(jī)械故障聲特征提取

2.1 聲信號(hào)特征提取

根據(jù)合閘聲信號(hào)的特點(diǎn)，正常聲信號(hào)與故障聲信號(hào)通常存在較大的幅度變化差異[10]，為此，為提高模型對(duì)故障聲信號(hào)的處理和監(jiān)測(cè)效率，在提取聲信號(hào)特征前，先通過K?S檢驗(yàn)[4]提取聲信號(hào)中的異常區(qū)間，在后續(xù)提取信號(hào)特征時(shí)，僅針對(duì)異常區(qū)間，K?S檢驗(yàn)，如圖1所示。

圖1 故障聲信號(hào)特征提取過程Fig.1 Feature Extraction Process of Fault Acoustic Signal

式中：m、n－聲信號(hào)樣本數(shù)；N=m+n，Xi、Yj－樣本的順序統(tǒng)計(jì)量；DN大于預(yù)設(shè)的閾值或計(jì)算的顯著性水平α小于閾值，表明兩樣本的經(jīng)驗(yàn)分布存在較大差異。

2.2 故障特征提取

研究表明[9]，人耳對(duì)聲音具備良好的辨識(shí)能力，這主要通過其基底膜對(duì)不同頻率具有選擇特性實(shí)現(xiàn)的，基底膜的聲頻譜選擇特性可由一組中心頻率與膜位置相對(duì)應(yīng)的Gammatone濾波器組進(jìn)行模擬，因此，GFCC特征可借鑒人耳的聽覺感知特性對(duì)高壓斷路器機(jī)械故障聲信號(hào)進(jìn)行編碼，提取各狀態(tài)下開合閘聲信號(hào)的特征細(xì)節(jié)，便于故障監(jiān)測(cè)。

Gammatone濾波器組通過等效模擬人耳基底膜對(duì)聲信號(hào)頻譜特征的沖激響應(yīng)特性實(shí)現(xiàn)信號(hào)的聽覺感知濾波，其中心頻率采用等距形式，t時(shí)刻濾波器i的響應(yīng)函數(shù)為：

2.3 故障聲信號(hào)監(jiān)測(cè)

在實(shí)際基于聲信號(hào)特征的高壓斷路器機(jī)械故障檢測(cè)過程中，故障聲信號(hào)樣本通常僅占較小一部分比例，從而造成正負(fù)樣本不均，影響檢測(cè)效果[10]，為此，采用特征加權(quán)SVM有監(jiān)督學(xué)習(xí)探索識(shí)別模型輸入xi與輸出yi間的映射關(guān)系，進(jìn)而完成故障診斷監(jiān)測(cè)，同時(shí)采用十折交叉驗(yàn)證方法對(duì)特征加權(quán)SVM的監(jiān)測(cè)效果進(jìn)行評(píng)估檢驗(yàn)。

傳統(tǒng)SVM通過映射函數(shù)將數(shù)據(jù)映射到高維特征空間中，實(shí)現(xiàn)高維線性可分，但實(shí)際應(yīng)用中，映射函數(shù)難以確定，為此，引入懲罰系數(shù)C以在接受范圍內(nèi)允許某些樣本錯(cuò)分，文中懲罰函數(shù)采用特征加權(quán)方法，通過特征加權(quán)，使得數(shù)量較好的故障樣本獲得更大的權(quán)重，特征加權(quán)SVM代價(jià)函數(shù)為：

式中：n+與n?—正負(fù)樣本數(shù)。

3 實(shí)測(cè)數(shù)據(jù)驗(yàn)證分析

為驗(yàn)證模型的故障監(jiān)測(cè)有效性，以某彈簧操動(dòng)的戶外110 kV斷路器為研究對(duì)象，采集其現(xiàn)場(chǎng)不同噪聲環(huán)境下的各種正常開合閘聲信號(hào)，同時(shí)模擬了線圈局部放電、傳動(dòng)導(dǎo)桿卡澀、風(fēng)機(jī)故障、鐵芯間隙過大等常見機(jī)械故障，每種故障聲信號(hào)各采集60組獨(dú)立數(shù)據(jù)，采集時(shí)長1s。采用TDK公司的16路41352陣列聲傳感器，距斷路器1m非接觸安裝，采樣率為44.1kHz，實(shí)驗(yàn)環(huán)境為：CPU Intel?Core?i7?9750H@2.60 GHz，16G內(nèi)存，Mat lab 2016a開發(fā)相關(guān)模型和算法。

3.1 特征提取實(shí)驗(yàn)

對(duì)聲信號(hào)進(jìn)行加窗分幀處理后，以顯著水平α=0.1%對(duì)聲信號(hào)進(jìn)行K?S 檢驗(yàn)，以提取異常幀信號(hào)，然后對(duì)異常分幀進(jìn)行GFCC 特征提取，采用4 階64 位Gammatone 濾波器組，帶寬為22.05 kHz，為避免樣本過多導(dǎo)致的模型收斂困難和樣本過少造成的模型泛化能力弱問題，文中采用十字交叉法對(duì)模型進(jìn)行驗(yàn)證，單個(gè)GFCC特征維數(shù)為31維，實(shí)驗(yàn)中取得的各種狀態(tài)下斷路器的GFCC特征，如圖2所示。采用LDA算法對(duì)各特征向量進(jìn)行凸顯優(yōu)化，LDA凸顯后的結(jié)果，如圖3所示。

圖2 差異聲信號(hào)區(qū)間內(nèi)的GFCC分布Fig.2 GFCC Distribution Within the Difference Interval

從圖2和圖3實(shí)驗(yàn)結(jié)果可以看出，在K?S檢測(cè)出的差異區(qū)間內(nèi)，故障狀態(tài)下的斷路器聲信號(hào)的GFCC特征與正常狀態(tài)下的聲信號(hào)存在較大差異，通過改進(jìn)SVDD可以有效實(shí)現(xiàn)監(jiān)測(cè)。

圖3 GFCC特征向量的可分離性分布Fig.3 Separability Distribution of GFCC Eigenvectors

3.2 算法性能比較實(shí)驗(yàn)

為驗(yàn)證文中算法在監(jiān)測(cè)故障聲信號(hào)方面的有效性，將其與改進(jìn)支持向量描述（ISVD）算法和互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）算法進(jìn)行算法性能比較，實(shí)驗(yàn)過程中，CEEMD 算法提取前10階IMF的歸一化能量熵為特征。實(shí)驗(yàn)過程中，模型的優(yōu)化參數(shù)設(shè)置為C+1=10.3396，C+2=35.6211，γ1=0.01和γ2=0.01，實(shí)驗(yàn)以準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，多次實(shí)驗(yàn)結(jié)果的平均值，如表1所示。

表1 各算法的故障診斷準(zhǔn)確率Tab.1 Fault Diagnosis Accuracy Rate of Each algorithm

從表1實(shí)驗(yàn)結(jié)果可以看出，CEEMD算法的監(jiān)測(cè)準(zhǔn)確率效率均值較低，主要因?yàn)槠涮卣鲗?duì)于不同的故障狀態(tài)的監(jiān)測(cè)準(zhǔn)確率存在較大的變化，穩(wěn)定性較差，而文中算法與ISVD算法對(duì)于各模擬故障產(chǎn)生的聲信號(hào)均有較好的監(jiān)測(cè)準(zhǔn)確率，從而得到最優(yōu)的統(tǒng)計(jì)均值，而文中算法更優(yōu)，主要因?yàn)镚FCC特征通過模擬人耳聽覺感知特性更好的對(duì)聲信號(hào)進(jìn)行頻率分解，從而更加突出特征差異，配合加權(quán)SVM分類框架，更適于高壓斷路器故障聲信號(hào)檢測(cè)。

4 結(jié)論

為提高高壓斷路器機(jī)械故障的監(jiān)測(cè)準(zhǔn)確性并解決傳統(tǒng)基于振動(dòng)信號(hào)方法面臨的接觸安裝局限、低頻本振和高頻干擾等問題，提出基于聲特征優(yōu)化提取的機(jī)械故障監(jiān)測(cè)算法，算法以K?S顯著性檢測(cè)提取故障信號(hào)差異較大的信號(hào)區(qū)間并提取其LDA優(yōu)化凸顯的GFCC特征，然后以特征加權(quán)SVM對(duì)高壓斷路器的機(jī)械故障進(jìn)行診斷監(jiān)測(cè)。四種模擬機(jī)械故障的聲信號(hào)的實(shí)驗(yàn)測(cè)試，驗(yàn)證了算法的有效性。但由于實(shí)際高壓斷路器工作環(huán)境較為惡劣，聲信號(hào)易受到環(huán)境各種噪聲的干擾，加之實(shí)驗(yàn)過程中缺乏真實(shí)的現(xiàn)場(chǎng)聲信號(hào)數(shù)據(jù)，因此，算法對(duì)于斷路器工況的適應(yīng)性和環(huán)境噪聲的抗干擾能力還需要進(jìn)一步驗(yàn)證分析。