基于背景声纹理的变压器有载分接开关故障诊断方法与流程

1.本发明属于电力设备故障诊断技术领域，具体涉及一种基于背景声纹理的变压器有载分接开关故障诊断方法。


背景技术：

2.电气设备的工作状态受多种内、外应因素的综合作用，而现有的自动化监测手段主要集中在对电气参数和化学参数的监测，对于一些辅助信息，例如声音，主要依靠运维人员进行现场人工巡视，难以做到实时全面覆盖，加之现场环境背景干扰较大，这使得对设备隐患及故障不能得到第一时间及时发现，从而为设备正常运行埋下隐患。
3.变压器、电抗器等电力系统中重要的电气设备，承担着系统内电压的变换、变电站电能的分配和传输等关键任务，为提供优质电能服务，保证电力系统安全、可靠、优质、经济运行发挥着重要作用。由于这些电气设备使用量大，容量等级和规格繁多，运行时间长，从而导致其事故率也相应升高。随着技术的发展，对电气设备的监测和诊断技术也逐步提高，声学异常监测，正逐渐成为一种新型、有效的电气设备异常监测方法。
4.声音是一种机械波由振动向传声介质辐射能量，声信号蕴含着大量的振动信息，是分析设备运行状态的一项重要指标。设备在正常运行时，机身与固件，零件之间，零件本身的相互运动状态发生变化时，设备就会发出声音，运行状态发生变化时声音也随之变化。电气设备的结构非常复杂部件种类繁多，如三相油浸变压器，由三相一、二次绕组，铁芯，油箱，底座，高压及低压套管，散热器(冷却器)，净油器，储油柜，气体继电器，安全气道，温度计，分接开关等相关组件和附件所构成。电气设备在高电压和强电磁的环境下会发生各种不同的故障，从而运行所发出的声音也会随之变化。为了判断设备故障类型，变电站值班人员常用绝缘棒的一端放在设备上，另一端放在耳边仔细听声音。该方法虽然操作简单，但无法实现远程的连续的在线检测，与无人值班变电站的发展趋势不相符；同时还要求检测人员具有丰富的实际经验，给判断的准确性带来了不稳定因素。
5.对比电气设备的其他类型监测方式，声异常监测在进行设备状态诊断时不需设备停运，是一种在线监测方法；此外，声异常监测无需接触被测电测设备，可以在远离被测设备的位置工作，比需要进行接触的测量方法更安全。
6.然而，由于变压器本体周围声学环境异常复杂，对设备的声异常监测造成了严重的干扰，导致故障识别率不高。这使得现有的声异常监测技术具有一定的局限性，实际使用效果有待提升。


技术实现要素：

7.本发明的目的在于提供一种基于背景声纹理的变压器有载分接开关故障诊断方法，该方法有利于提高故障诊断的准确性。
8.为实现上述目的，本发明采用的技术方案是：一种基于背景声纹理的变压器有载分接开关故障诊断方法，包括以下步骤：
9.对原始音频数据进行预处理；
10.使用深度神经网络得到设备声的时频掩膜，并利用时频掩膜分离出纯净设备声音；
11.对分离出来的声音活动使用初分析模型进行故障状态预判断；
12.对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段；
13.对检测出的音频事件片段使用再分析模型进行精确识别，得到故障的类型。
14.进一步地，对原始音频数据进行预处理的具体方法为：
15.首先对采集的原始音频数据按照设定的帧长和帧移进行分帧处理，得到分帧后的数据si(n)，其中i表示信号的帧下标，n表示离散的时间点数；
16.对分帧后的数据进行峰归一化，使数据分布在(-1,1)之间；
17.对分帧后的数据si(n)进行短时傅里叶变换，具体方法为：
[0018][0019]
式中，s(n,f)表示时域信号si(m)的短时傅里叶变换，w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点，m＝1024为窗长，j表示虚数单位，f为信号的瞬时频率；
[0020]
对s(n,f)取以10为底的对数后进行归一化，得到谱图sd(n,f)＝log
10
s(n,f)。
[0021]
进一步地，使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集，输入深度神经网络进行训练，使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜，并利用设备声的时频掩膜分离出纯净设备声音；
[0022]
训练数据集的构建方法为：使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜irm，所述时频掩膜的计算方法为：
[0023][0024]
式中，nd(n,f)表示背景声音信号的谱图；
[0025]
将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换s(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱，并利用s(n,f)的相位得到估计的设备声音频谱s
p
(n,f)，即：
[0026]sp
(n,f)＝|s(n,f)|
·
irm(n,f)
·ej∠s(n,f)
[0027]
式中，|s(n,f)|表示信号的幅度谱，∠s(n,f)表示信号的相位；
[0028]
对设备声音频谱s
p
(n,f)做逆傅里叶变换，得到纯净的设备声信号s
p
(n)。
[0029]
进一步地，使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱s
p
(n,f)是否为故障状态，该网络结构依次为：二维输入层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、sigmoid输出层；若预判断的结果为故障，则进行后续处理。
[0030]
进一步地，对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段，具体包括以下步骤：
[0031]
1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据s
p
(n,f)还原为提纯的声音波形数据s
p
(n)；
[0032]
2)使用希尔伯特变换计算待识声音波形数据的包络线
[0033][0034]
式中，*表示卷积运算；
[0035]
3)根据包络线轮廓设置一个高门限t2，包络线与t2的第一个交点n1；根据背景噪声的能量确定一个低门限t1；从n1点之前开始搜索，找到与t1相交的点n2；将n2作为设备声音活动的起始点，将n3＝n2+5.2*fs作为声音活动的终点，式中fs为声音信号的采样率；
[0036]
4)对提纯的声音波形数据s
p
(n)按照起始点为n2、终止点为n3进行截取，得到再分析数据sr(n)。
[0037]
进一步地，使用再分析模型对检测出的再分析数据sr(n)进行精确识别，得到故障的类型，所述再分析模型使用深度神经网络进行故障识别，网络类型为卷积神经网络，网络结构依次为：二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、sigmoid输出层；选择输出层最大概率对应标签类型作为设备的故障类型。
[0038]
与现有技术相比，本发明具有以下有益效果：提供了一种基于背景声纹理的变压器有载分接开关故障诊断方法，该方法利用分离-检测-初识别-再识别多级处理手段，弥补传统方法存在的不足，提高了变压器有载分接开关故障诊断、识别的准确性和可靠性，为分接开关正常运行提供更加可靠的技术支持。
附图说明
[0039]
图1是本发明实施例的方法实现流程图。
具体实施方式
[0040]
下面结合附图及实施例对本发明做进一步说明。
[0041]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0042]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0043]
如图1所示，本实施例提供了一种基于背景声纹理的变压器有载分接开关故障诊断方法，包括以下步骤：
[0044]
(1)对原始音频数据进行预处理。具体方法为：
[0045]
首先对采集的原始音频数据按照帧长为15.6s、帧移为10.4m秒进行分帧处理，得到分帧后的数据si(n)，其中i表示信号的帧下标，n表示离散的时间点数。
[0046]
对分帧后的数据进行峰归一化，使数据分布在(-1,1)之间。
[0047]
对分帧后的数据si(n)进行短时傅里叶变换，具体过程为：
[0048][0049]
式中，s(n,f)表示时域信号si(m)的短时傅里叶变换，w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点，m＝1024为窗长，j表示虚数单位，f为信号的瞬时频率。
[0050]
对s(n,f)取以10为底的对数后进行归一化，得到谱图sd(n,f)＝log
10
s(n,f)。
[0051]
(2)使用深度神经网络得到设备声的时频掩膜，并利用时频掩膜分离出纯净设备声音。具体方法为：
[0052]
使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集，输入深度神经网络进行训练，使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜，并利用设备声的时频掩膜分离出纯净设备声音。
[0053]
训练数据集的构建方法为：使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜irm，所述时频掩膜的计算方法为：
[0054][0055]
式中，nd(n,f)表示背景声音信号的谱图。
[0056]
将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换s(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱，并利用s(n,f)的相位得到估计的设备声音频谱s
p
(n,f)，即：
[0057]sp
(n,f)＝|s(n,f)|
·
irm(n,f)
·ej∠s(n,f)
[0058]
式中，|s(n,f)|表示信号的幅度谱，∠s(n,f)表示信号的相位。
[0059]
对设备声音频谱s
p
(n,f)做逆傅里叶变换，得到纯净的设备声信号s
p
(n)。
[0060]
(3)对分离出来的声音活动使用初分析模型进行故障状态预判断。
[0061]
具体地，使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱s
p
(n,f)是否为故障状态，该网络结构依次为：二维输入层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、sigmoid输出层；若预判断的结果为故障，则进行后续处理。
[0062]
(4)对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段。具体包括以下步骤：
[0063]
1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据s
p
(n,f)还原为提纯的声音波形数据s
p
(n)。
[0064]
2)使用希尔伯特变换计算待识声音波形数据的包络线
[0065][0066]
式中，*表示卷积运算。
[0067]
3)根据包络线轮廓设置一个高门限t2，包络线与t2的第一个交点n1；根据背景噪声的能量确定一个低门限t1；从n1点之前开始搜索，找到与t1相交的点n2；将n2作为设备声音活动的起始点，将n3＝n2+5.2*fs作为声音活动的终点，式中fs为声音信号的采样率。
[0068]
4)对提纯的声音波形数据s
p
(n)按照起始点为n2、终止点为n3进行截取，得到再分析数据sr(n)。
[0069]
(5)对检测出的音频事件片段使用再分析模型进行精确识别，得到故障的类型。
[0070]
具体地，使用再分析模型对检测出的再分析数据sr(n)进行精确识别，得到故障的类型，所述再分析模型使用深度神经网络进行故障识别，网络类型为卷积神经网络，网络结构依次为：二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、sigmoid输出层；选择输出层最大概率对应标签类型作为设备的故障类型。
[0071]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，包括以下步骤：对原始音频数据进行预处理；使用深度神经网络得到设备声的时频掩膜，并利用时频掩膜分离出纯净设备声音；对分离出来的声音活动使用初分析模型进行故障状态预判断；对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段；对检测出的音频事件片段使用再分析模型进行精确识别，得到故障的类型。2.根据权利要求1所述的基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，对原始音频数据进行预处理的具体方法为：首先对采集的原始音频数据按照设定的帧长和帧移进行分帧处理，得到分帧后的数据s
i
(n)，其中i表示信号的帧下标，n表示离散的时间点数；对分帧后的数据进行峰归一化，使数据分布在(-1,1)之间；对分帧后的数据s
i
(n)进行短时傅里叶变换，具体方法为：式中，s(n,f)表示时域信号s
i
(m)的短时傅里叶变换，w(n-m)表示对窗函数w(m)镜像翻转后并向右移动n个离散时间点，m＝1024为窗长，j表示虚数单位，f为信号的瞬时频率；对s(n,f)取以10为底的对数后进行归一化，得到谱图s
d
(n,f)＝log
10 s(n,f)。3.根据权利要求2所述的基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号构建训练数据集，输入深度神经网络进行训练，使用实际采集的现场音频输入深度神经网络并分离得到设备声的时频掩膜，并利用设备声的时频掩膜分离出纯净设备声音；训练数据集的构建方法为：使用前期采集的高信干噪比变压器有载分接开关切换阶段声音信号和背景声音信号计算后对应的理想比例时频掩膜irm，所述时频掩膜的计算方法为：式中，n
d
(n,f)表示背景声音信号的谱图；将分离得到的设备声的时频掩膜与原始信号短时傅里叶变换s(n,f)的幅度谱相乘得到背景声分离后信号的幅度谱，并利用s(n,f)的相位得到估计的设备声音频谱s
p
(n,f)，即：s
p
(n,f)＝|s(n,f)|
·
irm(n,f)
·
e
j∠s(n,f)
式中，|s(n,f)|表示信号的幅度谱，∠s(n,f)表示信号的相位；对设备声音频谱s
p
(n,f)做逆傅里叶变换，得到纯净的设备声信号s
p
(n)。4.根据权利要求3所述的基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，使用基于深度卷积神经网络的初分析模型判断分离出来的设备声音频谱s
p
(n,f)是否为故障状态，该网络结构依次为：二维输入层、卷积层、标准化层、最大池化层、卷积层、
标准化层、最大池化层、卷积层、标准化层、最大池化层、卷积层、标准化层、最大池化层、全连接层、sigmoid输出层；若预判断的结果为故障，则进行后续处理。5.根据权利要求4所述的基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段，具体包括以下步骤：1)使用短时傅里叶变换将与判断为故障类型的声音频谱数据s
p
(n,f)还原为提纯的声音波形数据s
p
(n)；2)使用希尔伯特变换计算待识声音波形数据的包络线音波形数据的包络线式中，*表示卷积运算；3)根据包络线轮廓设置一个高门限t2，包络线与t2的第一个交点n1；根据背景噪声的能量确定一个低门限t1；从n1点之前开始搜索，找到与t1相交的点n2；将n2作为设备声音活动的起始点，将n3＝n2+5.2*fs作为声音活动的终点，式中fs为声音信号的采样率；4)对提纯的声音波形数据s
p
(n)按照起始点为n2、终止点为n3进行截取，得到再分析数据s
r
(n)。6.根据权利要求5所述的基于背景声纹理的变压器有载分接开关故障诊断方法，其特征在于，使用再分析模型对检测出的再分析数据s
r
(n)进行精确识别，得到故障的类型，所述再分析模型使用深度神经网络进行故障识别，网络类型为卷积神经网络，网络结构依次为：二维输入层、卷积层、卷积层、全连接层、激活函数层、全连接层、激活函数层、全连接层、激活函数层、全连接层、sigmoid输出层；选择输出层最大概率对应标签类型作为设备的故障类型。

技术总结
本发明涉及一种基于背景声纹理的变压器有载分接开关故障诊断方法，包括以下步骤：对原始音频数据进行预处理；使用深度神经网络得到设备声的时频掩膜，并利用时频掩膜分离出纯净设备声音；对分离出来的声音活动使用初分析模型进行故障状态预判断；对判断为故障状态的音频数据区进行音频事件的开始-结束端点检测，截取出音频事件片段；对检测出的音频事件片段使用再分析模型进行精确识别，得到故障的类型。该方法有利于提高故障诊断的准确性。该方法有利于提高故障诊断的准确性。该方法有利于提高故障诊断的准确性。


技术研发人员：林爽 黄建业 刘冰倩 杨彦 廖飞龙 郑州 辛宇晨 李扬笛 陈锦铭 吴涵 范元亮 叶紫燃 朱俊伟 陆昌德 林翼
受保护的技术使用者：国网福建省电力有限公司莆田供电公司 国网福建省电力有限公司 四川华音盛安科技有限公司
技术研发日：2022.01.29
技术公布日：2022/5/25