基于声信号特征声谱图的变压器状态监测与故障诊断_赵东豪.pdf

Electrical Automation电气自动化 2023 年第 45 卷 第 1 期测量与检测技术Measurement Detecting Technics基于声信号特征声谱图的变压器状态监测与故障诊断赵东豪1，张继国2，石雷2，齐笑2，王昕1(1 上海交通大学 电工与电子技术中心，上海200240;2 国网吉林省电力有限公司四平供电公司，吉林 四平136099)摘要:为实现基于声信号的变压器状态监测与故障诊断，提出了一种基于改进的瀑布声谱图 卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图，对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构，优化各层网络参数，实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析，变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到 95%以上的识别成功率。结果表明:提出的改进的瀑布声谱图 卷积神经网络模型能够对变压器声信号实现较好的识别效果，可用于变压器的状态监测和故障诊断。关键词:变压器声信号;状态监测;去噪;瀑布声谱图;卷积神经网络DOI:10 3969/j issn 1000 3886 2023 01 031 中图分类号 TP274 2 文献标志码 A 文章编号 1000 3886(2023)01 0106 04Transformer Condition Monitoring and Fault DiagnosisBased on Acoustic Signal Feature SpectrogramZhao Donghao1，Zhang Jiguo2，Shi Lei2，Qi Xiao2，Wang Xin1(1 Center of Electrical Electronic Technology，Shanghai Jiao Tong University，Shanghai 200240，China;2 Siping Power Supply Company，State Grid Jilin Electric Power Co，Ltd，Siping Jilin 136099，China)Abstract:In order to realize transformer condition monitoring and fault diagnosis based on acoustic signals，a transformer acoustic signalrecognition model based on improved waterfall spectrogram-convolutional neural network was proposed According to this model，firstly，a joint denoising method based on wavelet transform and independent component analysis was used to denoise the acousticsignal;secondly，the waterfall sound spectrum was improved by principal component analysis to extract the characteristics of thesound signal;then，the convolution neural network structure suitable for transformer characteristic acoustic spectrum recognition wasdesigned，and the network parameters of each layer were optimized to realize the characteristic recognition of transformer acousticsignal;finally，the acoustic signals of transformer under three operating states were collected for experimental analysisThetransformer acoustic signal recognition model can achieve more than 95%recognition success rate for the acoustic signals of normal，overload and partial discharge fault The results show that the improved waterfall spectrogram-convolutional neural network model canachieve a better recognition effect on transformer acoustic signals，and can be used for transformer status monitoring and faultdiagnosisKeywords:acoustic signal of transformer;state monitoring;denoising;waterfall spectrogram;convolutional neural network(CNN)定稿日期:2021 11 02基金项目:国家自然科学基金项目(61673268)0引言电力系统中由变压器导致的事故率很高，故电力部门一直致力于变压器的在线监测，保证变压器安全稳定运行。针对此目标，电力部门采用了多种变压器状态监测手段，这些方法大多采集电气量作为特征参数，面临着高电压和强电磁场的干扰。比如文献 1 采用的变压器局部放电监测方法，由于变压器运行环境存在大量的开关冲击和电晕放电等，会对状态参数的采集造成极大干扰。采集非电气量的监测方法不受高电压及强电磁场干扰，但此类方法多采用接触检测，比如文献 2 3采用的基于绝缘油中水分和气体的监测方法，在维修或更换传感器时存在安全隐患。文献 4 采用基于声信号的监测方法，状态参数的采集无须接触变压器，解决了接触检测的安全隐患问题，但文中使用的对声纹图像的定性分析方法存在识别准确度较低的问题，且无法识别具体故障类型。本文提出了一种基于改进的瀑布声谱图 卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析(independent component analysis，ICA)的联合去噪算法处理采集到的信号，小波变换用于去除环境噪声，ICA 用于去除干扰声源信号;其次使用主成分分析(principal components analysis，PCA)对瀑布声谱图进行降维，将降维后的声谱图作为声信号特征信息，以提高特征识别的速度和准确率5;再次设计了适用于变压器声谱图识别的卷积神经网络(convolutional neural net-works，CNN)，优化各层网络参数，实现对声信号的特征识别;最后采集正常、过负荷和局部放电三种运行状态的变压器声信号，通过试验验证所提出的变压器声信号识别模型的有效性。1变压器声信号去噪变压器运行现场存在能量较高的干扰声源信号和能量较低601Electrical Automation测量与检测技术Measurement Detecting Technics电气自动化 2023 年第 45 卷 第 1 期的环境噪声，故对采集到的复合信号须进行去噪处理6。本文提出了一种联合去噪方法，首先用小波变换去除环境噪声，再用ICA 将目标变压器声信号与干扰声源信号分离。将复合信号 f(t)按选定小波分解为近似分量和细节分量，其中环境噪声 e(t)主要包含在细节分量中，故采取阈值处理将模值较小的系数置 0，并使用掩码算子 Ms 保留特定系数，再通过小波重构得到小波去噪后的声信号，流程如图 1 所示。图 1小波变换去噪流程复合信号经过小波去噪后，采用极大似然估计的 ICA 算法进行处理得到目标变压器源信号的最优逼近信号，原理如下。观测信号与源信号的关系由混合矩阵表示:x(t)=As(t)(1)式中:x(t)为小波去噪后的观测信号;A 为混合矩阵;s(t)为源信号。由式(1)可得观测信号 x(t)的概率密度:px(x)=detB ipi(si)(2)式中:px(x)为 x(t)的概率密度;B 为解混矩阵，B=A 1;pi(si)为源信号独立分量的概率密度。该式还可用向量形式表达:px(x)=detB ipi(bTix)(3)式中:B=b1，bnT;x 为观测信号向量。现有 T 个 x 的观测值 x(1)、x(2)、x(T)，将 T 个概率密度估计相乘可得到似然函数:L(B)=Tt=1ni=1pi bTix(t)detB(4)式中:L(B)为B的似然函数。在实际应用中采用自然对数，再将T分离出来得:1Tlog L(B)=Eni=1log pibTix+logdetB(5)其随机梯度为:1TlogLB=BT1+E g(Bx)xT(6)向量函数 g(y)=g1(y1)，gn(yn)，定义如下:gi=(log pi)=pipi(7)式中:pi为yi的概率密度。将式(6)右边乘上BTB，由极大似然估计算法:B (I+E g(Bx)(Bx)T)B(8)源信号 s(t)和解混矩阵 B 未知时，随机设定初始解混矩阵B，根据式(8)迭代计算更新 B，直至收敛，得到的 B 即为最优解混矩阵 W。由式(9)得到源信号的最优逼近信号:y(t)=Wx(t)(9)式中:y(t)为源信号的最优逼近信号;W 为最优解混矩阵。2变压器声信号特征提取针对去噪后的声信号，须采用特征提取算法提取其特征信息7。短时傅里叶变换(short-time Fourier transform，STFT)是经典的时频域分析方法，其原理即先对一段长信号分帧、加窗，再对预处理后的信号做快速傅里叶变换(fast Fourier transform，FFT)。把 STFT 得到的每一帧信号的频谱沿时间维度堆叠起来得到频谱矩阵，采用颜色深浅表示频谱幅值的大小，得到类似一幅图的二维信号形式，即瀑布声谱图。变压器声信号的频谱矩阵维度较高，数据维度过高会降低特征识别的速度和精度，故本文采用 PCA 对频谱矩阵降维。首先对去噪处理后得到的变压器声信号进行分帧和加窗的预处理。分帧时需要保持连续性，因此相邻帧之间需存在重叠，本文将帧长设定为20 ms，重叠率设定为50%，然后采用汉明窗对分帧信号进行处理，加窗后对每个分帧信号做 FFT 变换:Y k=N1n=0y(n)ej2Nkn(10)式中:Y k为分帧信号频谱第 k 个点的幅值;N 为 FFT 点数;y 为分帧加窗后的变压器声信号。分帧信号频谱按行排列得到矩阵:Y=Y11Y1NYn1YnN(11)式中:Yij为第 i 个分帧信号的频谱第 j 个点的幅值。对频谱矩阵 PCA 降维的流程如下。(1)Y 的相关矩阵 =YTY/(N 1)。(2)求出相关矩阵的特征值 1、2、N和特征向量u1、u2、uN。(3)计算方差贡献率即每个特征值占特征值总计的比重:i=iNi=1i(12)(4)将特征值降序排列，按照累计贡献率总和达到 85%选取前 k 个特征值，它们对应的特征向量为 L=l1，l2，lk。(5)Y 降维后得到新矩阵 Z=YL。Z=Z11Z1kZn1Znk(13)式中:Zij为频谱矩阵降维处理后的幅值。用颜色深浅表示矩阵 Z 中频谱幅值的大小，即可得到 PCA降维后的瀑布声谱图。变压器声信号特征提取的流程如图 2 所示。图 2变压器声信号特征提取流程3变压器声信号特征识别变压器声信