面向電力變壓器的聲紋智能診斷裝置設(shè)計(jì)與應(yīng)用?

林春清周 穎楊 超李希元方嘉麗

(1.國(guó)網(wǎng)大連供電公司，遼寧 大連116000；2.國(guó)網(wǎng)遼寧省電力有限公司，遼寧 沈陽(yáng)110000)

電網(wǎng)穩(wěn)定運(yùn)行和電能高效供應(yīng)關(guān)系著國(guó)民經(jīng)濟(jì)發(fā)展和人民生活質(zhì)量，電力變壓器是電網(wǎng)各環(huán)節(jié)至關(guān)重要的設(shè)備之一，一旦發(fā)生故障將嚴(yán)重影響電網(wǎng)系統(tǒng)運(yùn)行，造成重大經(jīng)濟(jì)損失。電力變壓器體積龐大、構(gòu)造復(fù)雜、成本高昂，其重大故障和嚴(yán)重事故大多是由于內(nèi)部局部放電、局部過熱、繞組變形、機(jī)械部件松動(dòng)、以及設(shè)備絕緣老化等潛伏性故障隨時(shí)間積累引起的，因此，對(duì)電力變壓器的運(yùn)行狀態(tài)進(jìn)行在線監(jiān)測(cè)，檢測(cè)發(fā)現(xiàn)潛伏性故障，并基于監(jiān)測(cè)數(shù)據(jù)分析潛伏性故障的發(fā)展趨勢(shì)，準(zhǔn)確預(yù)測(cè)事故的發(fā)生，及時(shí)對(duì)電力變壓器進(jìn)行檢修維護(hù)，是電力運(yùn)維人員的重要工作[1]。

電力變壓器的在線運(yùn)行帶電檢測(cè)技術(shù)是業(yè)內(nèi)研究的熱點(diǎn)及難點(diǎn)，目前主要手段包括電壓電流等電氣量監(jiān)測(cè)、光譜診斷、油色譜診斷、超聲檢測(cè)、紅外熱成像診斷等，變電站內(nèi)也相應(yīng)地部署了一些監(jiān)測(cè)傳感設(shè)備，一定程度上提高了變壓器在線監(jiān)測(cè)和故障分析的能力，但是設(shè)備運(yùn)行聲音的檢測(cè)仍然需要憑借巡檢人員的經(jīng)驗(yàn)進(jìn)行異常判斷，對(duì)變壓器聲音狀態(tài)屬性的智能感知研究較少，聲紋在線監(jiān)測(cè)的成熟應(yīng)用尚屬于空白[2－3]。變壓器運(yùn)行時(shí)發(fā)出的聲音包含了大量的狀態(tài)信息，正常狀態(tài)和異常故障時(shí)發(fā)出的聲音信號(hào)存在較大差異，不同的故障類型能夠產(chǎn)生固有聲學(xué)特征的聲紋信息，通過聲紋特征提取與分析能夠有效檢測(cè)變壓器內(nèi)部故障，如直流偏磁、過負(fù)荷、機(jī)械松動(dòng)、變壓器繞組變形等，能夠有效補(bǔ)充常規(guī)監(jiān)測(cè)技術(shù)的有效性。經(jīng)驗(yàn)豐富的運(yùn)維人員可以通過變壓器發(fā)出的聲音定性地判斷變壓器是否存在故障，但是人耳監(jiān)聽的方式易受主觀影響，誤差較大，且不能長(zhǎng)時(shí)間監(jiān)聽，不能達(dá)到定量的科學(xué)分析，因此，采用聲紋傳感監(jiān)測(cè)與智能診斷技術(shù)，對(duì)變壓器聲信號(hào)進(jìn)行采集、處理、分析，可定量實(shí)時(shí)監(jiān)測(cè)變壓器運(yùn)行聲紋數(shù)據(jù)，解決人工監(jiān)聽的不足，有效診斷評(píng)估變壓器健康狀態(tài)和分析預(yù)測(cè)異常故障。

基于變壓器聲音信號(hào)的故障診斷已經(jīng)有了一定的理論技術(shù)研究和初步應(yīng)用嘗試，文獻(xiàn)[2]從信號(hào)采集處理、特征提取、故障診斷等方面綜述了變壓器可聽聲診斷技術(shù)的研究現(xiàn)狀與進(jìn)展，并闡述了未來研究重點(diǎn)。文獻(xiàn)[4]針對(duì)變壓器可聽聲故障診斷方法中聲音數(shù)據(jù)采集過程進(jìn)行了具體分析研究，對(duì)常用的動(dòng)圈式、電容式、駐極體電容式傳聲器進(jìn)行分析比較，并推薦駐極體電容式傳聲器應(yīng)用在變壓器可聽聲診斷檢測(cè)中。文獻(xiàn)[3]研發(fā)的聲紋成像測(cè)試系統(tǒng)將聲場(chǎng)分布云圖與可見光圖像疊加形成聲紋圖像，直觀定位電力設(shè)備噪聲源位置，并應(yīng)用于變電站設(shè)備噪聲巡檢，發(fā)現(xiàn)管母和隔離開關(guān)缺陷異響，但未報(bào)道變壓器聲紋監(jiān)測(cè)。文獻(xiàn)[5]結(jié)合人耳聽覺感知和變壓器聲信號(hào)，提出了一種變壓器故障診斷方法，并通過樣本測(cè)試驗(yàn)證了該方法的有效性。文獻(xiàn)[6]提出了一種基于50Hz倍頻倒譜系數(shù)和門控循環(huán)單元的變壓器直流偏磁聲紋識(shí)別模型，并通過樣本數(shù)據(jù)測(cè)試和不同模型結(jié)果的對(duì)比分析，相較于傳統(tǒng)聲信號(hào)識(shí)別算法，所提方法能更好地對(duì)直流偏磁狀態(tài)進(jìn)行識(shí)別。文獻(xiàn)[7]提出了一種基于Mel時(shí)頻譜－卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯松動(dòng)聲紋識(shí)別方法和算法模型，通過變壓器噪聲數(shù)據(jù)測(cè)試，可實(shí)現(xiàn)鐵芯松動(dòng)故障的準(zhǔn)確識(shí)別，為變壓器鐵芯夾件松動(dòng)故障診斷提供參考。

深度學(xué)習(xí)是電氣設(shè)備缺陷識(shí)別與智能巡視的重要方法，目前已廣泛應(yīng)用在基于圖像或視頻的設(shè)備類型識(shí)別與缺陷分析中，以及基于聲音信號(hào)的自然語(yǔ)言模式識(shí)別中[8]，并對(duì)高壓電纜、GIS等設(shè)備的放電聲紋識(shí)別方面有了較成熟的研究與應(yīng)用[9－10]，針對(duì)電力變壓器的聲紋智能識(shí)別與故障診斷算法模型也有了一定的理論研究和樣本測(cè)試驗(yàn)證，但面向電力變壓器的聲紋智能診斷裝置和系統(tǒng)成熟應(yīng)用未見報(bào)道。本文針對(duì)電力變壓器的聲音數(shù)據(jù)，開展變壓器聲紋智能診斷裝置的設(shè)計(jì)研發(fā)，采集處理聲紋信號(hào)，提高復(fù)雜噪聲背景下設(shè)備聲音感知水平，結(jié)合變壓器結(jié)構(gòu)形式、電氣溫度、負(fù)荷狀態(tài)等數(shù)據(jù)建立聲紋樣本庫(kù)，開展聲紋特征提取和故障識(shí)別深度學(xué)習(xí)算法模型研究，建立不同工況下變壓器噪聲的聲紋模型，研發(fā)變壓器聲紋在線監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)基于聲紋識(shí)別的變壓器異常工況診斷。

1 系統(tǒng)總體設(shè)計(jì)

電力變壓器聲紋智能診斷系統(tǒng)是基于電力變壓器聲紋特征的在線監(jiān)測(cè)與分析診斷系統(tǒng)，主要包括高靈敏度聲紋采集裝置、數(shù)據(jù)交換機(jī)、管理服務(wù)器、算法服務(wù)器、以及智能診斷平臺(tái)，如圖1所示。在聲紋采集、聲紋特征數(shù)據(jù)庫(kù)、聲紋特征提取與識(shí)別、故障識(shí)別模型等基礎(chǔ)上，實(shí)現(xiàn)變壓器在線監(jiān)測(cè)、狀態(tài)分析、故障識(shí)別、主動(dòng)預(yù)警等應(yīng)用。

圖1 聲紋智能診斷系統(tǒng)總體設(shè)計(jì)

①聲紋采集裝置:采用MEMS聲學(xué)傳感器和嵌入式高速處理器，研制聲紋采集裝置，實(shí)現(xiàn)聲音信號(hào)的采集、預(yù)處理、以及傳輸?shù)裙δ堋?/p>

②數(shù)據(jù)交換機(jī):接入多路聲紋采集裝置，實(shí)現(xiàn)聲紋數(shù)據(jù)的高速傳輸。

③管理服務(wù)器:存儲(chǔ)前端采集的聲紋數(shù)據(jù)，運(yùn)行聲紋智能診斷平臺(tái)，并負(fù)責(zé)聲紋算法模型的調(diào)用與交互。

④算法服務(wù)器:管理聲紋特征數(shù)據(jù)庫(kù)，運(yùn)行變壓器故障聲紋識(shí)別模型，通過變壓器聲紋識(shí)別，提取噪聲信號(hào)特征，建立不同故障噪聲的聲紋模型，實(shí)現(xiàn)變壓器異常分析的故障聲紋識(shí)別功能。

⑤智能診斷平臺(tái):提供人機(jī)交互可視化功能，實(shí)現(xiàn)變壓器屬性參數(shù)管理、音頻信息管理、變壓器分析結(jié)果、故障主動(dòng)告警、診斷報(bào)告與檢修工單自動(dòng)生成與管理等功能。

2 聲紋采集裝置設(shè)計(jì)

針對(duì)變壓器實(shí)際運(yùn)行環(huán)境和需求，研究適用于變壓器在線采集的聲學(xué)傳感器技術(shù)及傳感器選型策略，基于傳感器空間布局對(duì)采集效果的影響，設(shè)計(jì)傳感器布局方案，并采用聲音增強(qiáng)提取等信號(hào)處理技術(shù)優(yōu)化聲學(xué)信號(hào)，開發(fā)前端精密聲紋采集裝置，保證數(shù)據(jù)源質(zhì)量和高效傳輸，聲紋采集裝置總體設(shè)計(jì)方案如圖2所示，主要包括聲傳感陣列、信號(hào)調(diào)理模塊、信號(hào)處理模塊、以及電源模塊。

圖2 聲紋采集裝置總體架構(gòu)圖

①聲傳感陣列:聲音傳感器采用MEMS傳聲器，設(shè)計(jì)可更換傳聲器模組，內(nèi)部集成溫度傳感器，配合聲音信號(hào)的同步采集，可在后端軟件中實(shí)現(xiàn)基于環(huán)境溫度的數(shù)據(jù)修正，并進(jìn)行半封閉式硅橡膠定位，并配合低壓泡模材質(zhì)實(shí)現(xiàn)雙層定向降噪。

②信號(hào)調(diào)理模塊:由阻抗匹配、帶通濾波器、增益放大等部分組成，對(duì)傳感器的輸出信號(hào)進(jìn)行調(diào)理，完成小信號(hào)的匹配、濾波和放大。

③信號(hào)處理模塊:采用嵌入式ARM平臺(tái)，通過ADC轉(zhuǎn)換模塊實(shí)現(xiàn)聲音信號(hào)數(shù)字化采樣，內(nèi)置主控程序?qū)⒉蓸訑?shù)據(jù)作自然波束形成后，將處理結(jié)果通過網(wǎng)口發(fā)送給聲紋智能診斷平臺(tái)和算法服務(wù)器(圖1)進(jìn)行識(shí)別診斷。同時(shí)信號(hào)處理模塊運(yùn)行嵌入式操作系統(tǒng)，實(shí)現(xiàn)多任務(wù)處理機(jī)制，并提供RS232串口和JTAG調(diào)試等對(duì)外接口。

④電源模塊:采用12V直流供電，通過正負(fù)極防接反設(shè)計(jì)和電磁兼容(EMC)防護(hù)設(shè)計(jì)，提高采集裝置安全可靠性，具備EMC4級(jí)電磁防護(hù)，同時(shí)電源轉(zhuǎn)換單元可將12 V轉(zhuǎn)換為各模塊所需的5 V、3.3 V等直流電壓。

聲紋采集裝置如圖3所示，外殼采用輕量化鋁合金材質(zhì)，集成防水透聲膜、抗老化橡膠墊片等防水防塵環(huán)境適應(yīng)性措施，可實(shí)現(xiàn)IP67級(jí)防護(hù)。

圖3 聲紋采集裝置實(shí)物圖

3 變壓器聲紋特征提取

變壓器的噪聲信號(hào)較為冗長(zhǎng)雜亂，且不同工況下變壓器噪聲在時(shí)域和頻域的相似度都很高，很難直接對(duì)其進(jìn)行分析識(shí)別，因此，設(shè)計(jì)多聲紋特征提取方法，通過提取噪聲信號(hào)中的特征，便于后續(xù)噪聲分析與識(shí)別。

整個(gè)特征提取方法主要包括預(yù)處理、特征提取、以及特征連結(jié)三部分，如圖4所示。聲音信號(hào)預(yù)處理主要包括分幀、預(yù)加重等，目的是去除冗余噪聲的干擾，為下一步短時(shí)特征提取做準(zhǔn)備；特征提取部分，分成短時(shí)時(shí)域特征和短時(shí)頻域特征，選用短時(shí)能量、短時(shí)平均過零率、短時(shí)能量熵、Mel倒譜系數(shù)來描述分幀特征；最后，對(duì)提取到的特征，連結(jié)成為特征向量，作為后續(xù)多特征融合數(shù)據(jù)。

圖4 變壓器聲紋特征提取流程圖

3.1 變壓器噪聲信號(hào)預(yù)處理

變壓器噪聲信號(hào)通常采集較長(zhǎng)時(shí)間，直接對(duì)其進(jìn)行時(shí)域和頻域分析難度較大，因此，首先需要對(duì)其進(jìn)行預(yù)處理，將一個(gè)時(shí)間段內(nèi)采集的變壓器聲音信號(hào)分為若干段短時(shí)信號(hào)后再進(jìn)行處理。信號(hào)預(yù)處理包含分幀和加窗兩個(gè)步驟，為保證相鄰兩幀信號(hào)的連續(xù)性，兩幀間一般有重疊，分幀過程中，若幀長(zhǎng)太短，則特征向量尺度較小，代表性差；若幀長(zhǎng)過長(zhǎng)，則聲音信號(hào)變化過大，影響特征向量的準(zhǔn)確性。與語(yǔ)音信號(hào)相比，變壓器噪聲信號(hào)較為平穩(wěn)，在不嚴(yán)重影響識(shí)別效率的前提下，可適當(dāng)增加幀長(zhǎng)以獲得更高的準(zhǔn)確性，經(jīng)實(shí)驗(yàn)測(cè)試分析，500 ms左右的幀長(zhǎng)最適應(yīng)變壓器噪聲。此外，考慮到變壓器相同工況下的噪聲信號(hào)較為穩(wěn)定，分幀后相鄰兩幀的連續(xù)性較好，可以適當(dāng)降低相鄰幀的重疊率，以減少計(jì)算量，經(jīng)實(shí)驗(yàn)測(cè)試分析，相鄰幀重疊率取40%即可，如圖5所示。

圖5 噪聲信號(hào)預(yù)處理流程圖

為了提取分幀特征，需要對(duì)其進(jìn)行離散傅里葉變換，若直接對(duì)分幀信號(hào)進(jìn)行離散傅里葉變換會(huì)產(chǎn)生較大失真。因此，對(duì)每個(gè)分幀信號(hào)首先加窗，再進(jìn)行傅里葉變換，以增加信號(hào)兩端的連續(xù)性，從而減少傅里葉變換造成的失真。常用的加窗函數(shù)有矩形窗、漢明窗和漢寧窗等，經(jīng)實(shí)驗(yàn)測(cè)試分析，采用漢明窗對(duì)分幀信號(hào)進(jìn)行處理，漢明窗具有較好的低通能力，能夠更好地反映短時(shí)信號(hào)的頻率特性[11]。

3.2 變壓器噪聲特征提取

對(duì)變壓器噪聲信號(hào)進(jìn)行分幀預(yù)處理后，每一個(gè)分幀信號(hào)看作為短時(shí)平穩(wěn)信號(hào)，分別提取短時(shí)時(shí)域特征和短時(shí)頻域特征。短時(shí)時(shí)域特征主要包括短時(shí)能量、短時(shí)平均過零率、短時(shí)能量熵，短時(shí)頻率特征選用梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstral Coefficients-MFCC)。此外，根據(jù)變壓器運(yùn)行工況，設(shè)計(jì)了能量相似度、振動(dòng)相關(guān)性、振動(dòng)平穩(wěn)性以及頻率復(fù)雜度等特征[12]。

圖6 噪聲信號(hào)短時(shí)時(shí)域特征圖

④梅爾頻率倒譜系數(shù):MFCC的求取過程主要包括快速傅立葉變換(Fast Fourier Transform-FFT)、取模值、Mel濾波、對(duì)數(shù)變換、以及離散余弦變換(Discrete Cosine Transform-DCT)五個(gè)過程，如圖7所示。對(duì)一個(gè)分幀信號(hào)首先進(jìn)行FFT變換，并取其模值，然后通過n個(gè)Mel濾波器組變換到Mel頻率域，再進(jìn)行對(duì)數(shù)變換，最終通過DCT運(yùn)算得到的一組n個(gè)系數(shù)c(i)即組成了該分幀信號(hào)的MFCC特征向量。對(duì)預(yù)處理后的每一個(gè)分幀信號(hào)分別求取一個(gè)MFCC特征向量，共同組成一個(gè)MFCC特征向量組。圖8為變壓器噪聲信號(hào)提取的聲紋特征圖，橫軸表示時(shí)間，縱軸表示噪聲Mel頻率，顏色越亮，聲音能量越大。

圖7 MFCC特征提取流程圖

圖8 聲紋特征圖

3.3 變壓器聲紋特征連結(jié)

通過已有研究和實(shí)驗(yàn)測(cè)試驗(yàn)證得知上述短時(shí)時(shí)域與頻域特征所表征的含義不同，維度不同，對(duì)聲紋識(shí)別的貢獻(xiàn)率不同，若直接將上述特征向量用于后續(xù)分析，則計(jì)算量大，且有時(shí)甚至?xí)档妥R(shí)別率。因此，本文針對(duì)變壓器噪聲信號(hào)特點(diǎn)，設(shè)計(jì)了MFCC特征向量的優(yōu)化改進(jìn)處理算法，首先，對(duì)MFCC特征向量組引入基于F-score的加權(quán)優(yōu)化方法，通過調(diào)優(yōu)特征向量的F-score來提高變壓器噪聲信號(hào)識(shí)別率。其次，對(duì)短時(shí)時(shí)域和頻域特征連結(jié)成的特征向量，通過PCA(Principal Component Analysis)進(jìn)行降維，在保證信息不丟失的前提下，盡可能降低特征向量的維度，從而減小計(jì)算復(fù)雜度。

①基于F-score的MFCC特征向量加權(quán)優(yōu)化:F-score是計(jì)量統(tǒng)計(jì)領(lǐng)域中常用的指標(biāo)，用來考察多維數(shù)據(jù)中各個(gè)維度分量的有效性。F-score高的分量表明該分量在同類數(shù)據(jù)中方差較小，在不同類數(shù)據(jù)中方差較大，用來做數(shù)據(jù)分類時(shí)效率較高。特征向量第k維的分量F-score值F(k)的計(jì)算公式如式(1)所示。

式中:N為識(shí)別對(duì)象個(gè)數(shù)，uk(i)為第i個(gè)對(duì)象特征向量的第k維分量，uk為均值；xk(i)為第i個(gè)識(shí)別對(duì)象所有樣本的第k維分量，ni為第i個(gè)識(shí)別對(duì)象的樣本數(shù)。

一般而言，若F-score大于1，則該分量能夠起到區(qū)分不同類噪聲信號(hào)的作用，F(xiàn)-score越大，區(qū)分能力越強(qiáng)。以F-score為權(quán)重，對(duì)上述特征向量進(jìn)行加權(quán)處理，可以增強(qiáng)對(duì)識(shí)別貢獻(xiàn)較多的分量，抑制貢獻(xiàn)較低的分量，從而提高噪聲識(shí)別的準(zhǔn)確率。

②基于PCA的多特征降維:將原特征向量的各維分量進(jìn)行線性組合以生成新的特征向量，使新特征向量各維分量互不相關(guān)，且方差盡可能大。設(shè)聲紋時(shí)域與頻域特征向量組成的聯(lián)合特征向量維數(shù)為m，根據(jù)預(yù)處理可知共有n個(gè)特征向量，據(jù)此構(gòu)建一個(gè)m×n的矩陣X，求取矩陣X的相關(guān)矩陣R，同時(shí)求出矩陣R的特征值和特征向量，如式(2)和式(3)所示。

計(jì)算出矩陣R的特征值λ1，λ2，…λm，以及各特征值對(duì)應(yīng)的特征向量u1，u2，…um，再求出方差貢獻(xiàn)率ηi和累計(jì)方差貢獻(xiàn)率η(p)，如式(4)和式(5)所示。

選取能夠使累計(jì)方差貢獻(xiàn)率大于75%的p值作為主成分個(gè)數(shù)，即PCA降維之后的特征向量維數(shù)，最終實(shí)現(xiàn)從m維聲紋特征向量到p維特征向量的降維。

奴隸社以汗血換來的幾文錢，想為這本書出版，卻又在我們的上司“以身作則”的半年之后了，還要我寫幾句序。然而這幾天，卻又謠言蜂起，閘北的熙熙攘攘的居民，又在抱頭鼠竄了，路上是絡(luò)繹不絕的行李車和人，路旁是黃白兩色的外人，含笑在賞鑒這禮讓之邦的盛況。自以為居于安全地帶的報(bào)館的報(bào)紙，則稱這些逃命者為“庸人”或“愚民”。我卻以為他們也許是聰明的，至少，是已經(jīng)憑著經(jīng)驗(yàn)，知道了煌煌的官樣文章之不可信。他們還有些記性。

4 變壓器聲紋智能識(shí)別

變壓器聲紋特征提取之后，需要對(duì)目標(biāo)工況建模，對(duì)待測(cè)噪聲信號(hào)進(jìn)行比較判定，識(shí)別故障工況類型。本文針對(duì)變壓器直流偏磁、過負(fù)荷、過勵(lì)磁、局部放電、機(jī)械松動(dòng)、變壓器繞組變形、有載分接開關(guān)故障、斷路器操作機(jī)構(gòu)異常共8種故障工況類型進(jìn)行智能識(shí)別，以深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks-DNN)為基線，針對(duì)變壓器噪聲特征改進(jìn)DNN模型，在DNN模型訓(xùn)練完成后，移除最后一層分類層，將最后一層隱藏層的輸出結(jié)果作為聲紋模版進(jìn)行對(duì)比，如圖9所示。

圖9 聲紋特征分析網(wǎng)絡(luò)結(jié)構(gòu)圖

4.1 網(wǎng)絡(luò)結(jié)構(gòu)

基于DNN的變壓器聲紋特征分析網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示，該網(wǎng)絡(luò)由四層全連接(Fully Connected-FC)的隱藏層組成，輸入為變壓器噪聲信號(hào)提取分幀特征向量經(jīng)過連結(jié)后的結(jié)果，輸出為與不同工況類型對(duì)應(yīng)的One-hot向量，使用ReLu(Rectified Linear Units)函數(shù)作為激活函數(shù)，分類使用SoftMax函數(shù)，目標(biāo)函數(shù)則使用交叉熵函數(shù)。

4.2 基于遷移學(xué)習(xí)的模型訓(xùn)練

變壓器在實(shí)際運(yùn)行過程中，極少發(fā)生異常故障現(xiàn)象，很難收集大量不同異常工況下的樣本數(shù)據(jù)，因此，在網(wǎng)絡(luò)模型實(shí)際訓(xùn)練中，由于負(fù)樣本(異常工況)較少，直接訓(xùn)練容易出現(xiàn)過擬合。此外，如果將已經(jīng)訓(xùn)練好某型號(hào)變壓器的不同工況聲紋模型用于監(jiān)測(cè)其他型號(hào)變壓器，需要針對(duì)新的監(jiān)測(cè)變壓器進(jìn)行再次訓(xùn)練。基于聲學(xué)特征具有很大程度的共性假設(shè)，本文根據(jù)參數(shù)遷移的思想，采用遷移學(xué)習(xí)方式，對(duì)不同型號(hào)的變壓器噪聲特征進(jìn)行訓(xùn)練和學(xué)習(xí)，首先使用ESC－50數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練，固定FC1層和FC2層，輸出作為特征提取器，然后使用變壓器聲紋數(shù)據(jù)集對(duì)模型進(jìn)行Fine-tuning。

具體地，使用ESC－50通用聲音數(shù)據(jù)預(yù)訓(xùn)練網(wǎng)絡(luò)模型后，得到基本的聲紋網(wǎng)絡(luò)框架參數(shù)，將預(yù)訓(xùn)練完成的模型保留FC1層和FC2層的參數(shù)，如圖10所示，在此基礎(chǔ)上，使用變壓器專有聲紋數(shù)據(jù)對(duì)FC3層和FC4層的參數(shù)繼續(xù)進(jìn)行訓(xùn)練，在二次訓(xùn)練后，固定所有參數(shù)，將隱藏層的最后一層輸出作為監(jiān)測(cè)目標(biāo)的模板進(jìn)行比對(duì)。

圖10 參數(shù)遷移模型訓(xùn)練示意圖

4.3 聲紋識(shí)別模板選擇與度量指標(biāo)

對(duì)已訓(xùn)練好的、固定參數(shù)的網(wǎng)絡(luò)模型，去掉最后一層帶有標(biāo)簽的輸出分類層，將最后一層隱藏層的輸出作為該工況對(duì)應(yīng)的聲紋模板。對(duì)于不同工況，隨機(jī)取出訓(xùn)練數(shù)據(jù)集中的5~15條數(shù)據(jù)，經(jīng)過網(wǎng)絡(luò)模型得到目標(biāo)模板，由于模板選擇具有一定的隨機(jī)性，為確保目標(biāo)模板能夠準(zhǔn)確反應(yīng)該類工況下的噪聲情況，使用k均值聚類算法(k-means clustering algorithm)對(duì)得到的目標(biāo)模板進(jìn)行聚類。

具體地，首先，將上述5~15條數(shù)據(jù)對(duì)應(yīng)的目標(biāo)模板輸出進(jìn)行k為2的聚類，完成聚類后，選擇多數(shù)樣本所在的聚類作為代表該類工況的目標(biāo)模板p，然后，將待檢測(cè)噪聲信號(hào)進(jìn)行特征提取，輸入訓(xùn)練好的網(wǎng)絡(luò)模型，得到最后一層隱藏層的輸出o，最后，使用余弦相似度度量比較o與目標(biāo)模板輸出p的相似性，如式(6)所示。

5 聲紋特征數(shù)據(jù)庫(kù)

在大量模擬試驗(yàn)及現(xiàn)場(chǎng)測(cè)試的基礎(chǔ)上，建立變壓器工作狀態(tài)聲學(xué)特征數(shù)據(jù)庫(kù)，其中包含變壓器正常狀態(tài)和不同故障狀態(tài)下的聲學(xué)特征，是人工智能算法模型和聲紋智能診斷的重要樣本數(shù)據(jù)。

如圖11所示，首先利用含標(biāo)簽的聲學(xué)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將變壓器的電壓、電流、負(fù)荷、油溫、繞溫等狀態(tài)參量作為神經(jīng)網(wǎng)絡(luò)模型的輸入，神經(jīng)網(wǎng)絡(luò)模型會(huì)對(duì)變壓器是否異常給出輸出預(yù)測(cè)。對(duì)于一些較為復(fù)雜的情況，通過電力專家的經(jīng)驗(yàn)知識(shí)來做出判斷，并將專家的經(jīng)驗(yàn)知識(shí)傳授給神經(jīng)網(wǎng)絡(luò)，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新，經(jīng)過反復(fù)迭代訓(xùn)練，神經(jīng)網(wǎng)絡(luò)對(duì)于未知的情況也能給出相應(yīng)的預(yù)測(cè)。最終利用人工智能算法對(duì)變壓器的工作狀態(tài)(正常和異常)和變壓器的狀態(tài)參量(電壓、電流、負(fù)荷、油溫、繞溫)等進(jìn)行預(yù)測(cè)，且對(duì)于每一種異常狀態(tài)，數(shù)據(jù)庫(kù)包括其異常狀態(tài)的區(qū)分性特征類型，同時(shí)，將所利用的電力經(jīng)驗(yàn)知識(shí)入庫(kù)，數(shù)據(jù)庫(kù)還具有適應(yīng)性和易于增添屬性等特點(diǎn)，預(yù)留多種屬性預(yù)測(cè)的數(shù)據(jù)庫(kù)接口，以便于未來的研究工作。

圖11 聲紋數(shù)據(jù)庫(kù)構(gòu)建過程

聲紋特征數(shù)據(jù)庫(kù)包括以下內(nèi)容:

①音頻樣本

包括變壓器在正常、異常工作狀態(tài)時(shí)的音頻文件，對(duì)于每個(gè)異常的音頻文件，數(shù)據(jù)庫(kù)中標(biāo)明其異常類型和其音頻特征。

②變壓器工作狀態(tài)

包含變壓器的正常工作狀態(tài)和異常工作狀態(tài)，以及相對(duì)應(yīng)的異常狀態(tài)類型。

③變壓器狀態(tài)參量

主要包含變壓器的電壓、電流、負(fù)荷、油溫、繞溫等參量，一方面來自人工標(biāo)注的數(shù)據(jù)，另一方面由神經(jīng)網(wǎng)絡(luò)輸出得到狀態(tài)參量的預(yù)測(cè)。

④潛在屬性

包含變壓器在不同工作狀態(tài)時(shí)易區(qū)分的音頻特征，或者通過人工智能算法模型輸出的潛在特征向量，這些特征向量和變壓器工作狀態(tài)緊密聯(lián)系，能表征變壓器的某些屬性。

⑤電力經(jīng)驗(yàn)知識(shí)

工智能算法模型，將這些專家經(jīng)驗(yàn)知識(shí)入庫(kù)。

6 聲紋監(jiān)測(cè)平臺(tái)

在聲紋采集裝置的基礎(chǔ)上，研發(fā)了用于人機(jī)交互的聲紋監(jiān)測(cè)平臺(tái)，集成噪聲信號(hào)存儲(chǔ)、聲紋特征提取、以及聲紋識(shí)別算法等功能，實(shí)現(xiàn)變壓器聲音在線監(jiān)測(cè)與智能診斷，主要包含聲紋展示、設(shè)備與數(shù)據(jù)管理、實(shí)時(shí)監(jiān)測(cè)、主動(dòng)告警、人工診斷、聲紋樣本庫(kù)等功能，如圖12所示。

圖12 聲紋監(jiān)測(cè)平臺(tái)頁(yè)面圖

平臺(tái)實(shí)時(shí)采集設(shè)備運(yùn)行的聲紋信息，展示每個(gè)采集裝置的實(shí)時(shí)音頻頻譜圖與聲紋特征，并支持音頻回放與人工診斷功能；利用聲紋識(shí)別算法，可對(duì)在線監(jiān)測(cè)的聲紋數(shù)據(jù)進(jìn)行全面的綜合診斷，包括頻譜分析、事件檢測(cè)、負(fù)荷識(shí)別、時(shí)頻域分析，最終形成設(shè)備運(yùn)行狀態(tài)的全面診斷報(bào)告。同時(shí)，具備變壓器設(shè)備管理功能，可管理查看地市級(jí)各變壓器整體運(yùn)行工況信息，綜合聲紋智能診斷結(jié)果、生產(chǎn)廠家、電壓等級(jí)、投運(yùn)年限、繞組類型、冷卻方式等維度生成檢修工單等。

7 測(cè)試應(yīng)用

7.1 數(shù)據(jù)集對(duì)比測(cè)試

傳統(tǒng)分類識(shí)別算法主要包括SVM(支持向量機(jī)Support Vector Machine)、NN(神經(jīng)網(wǎng)絡(luò)Neural Networks)、CNN(卷積神經(jīng)網(wǎng)絡(luò)Convolutional Neural Networks)，使用傳統(tǒng)分類識(shí)別算法與本文設(shè)計(jì)的遷移學(xué)習(xí)網(wǎng)絡(luò)在ESC－50數(shù)據(jù)集上進(jìn)行識(shí)別準(zhǔn)確度對(duì)比測(cè)試。首先，將ESC－50數(shù)據(jù)集的2000條音頻分成5疊，每疊400條，覆蓋全部50個(gè)類，并確保同一場(chǎng)景不同時(shí)段的音頻只在一個(gè)疊中出現(xiàn)，避免數(shù)據(jù)污染。其次，分別在5疊數(shù)據(jù)中使用訓(xùn)練和測(cè)試交叉驗(yàn)證方式，訓(xùn)練數(shù)據(jù)量和測(cè)試數(shù)據(jù)量作5折交叉，每疊中選取80%作為訓(xùn)練集，剩余20%作為測(cè)試集，最后，平均5疊的結(jié)果得到識(shí)別準(zhǔn)確率均值，對(duì)比測(cè)試結(jié)果如表1所示。

表1 與傳統(tǒng)算法的結(jié)果對(duì)比

通過分析已有聲紋識(shí)別算法，結(jié)合變壓器聲紋數(shù)據(jù)特點(diǎn)，本文設(shè)計(jì)的遷移學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)算法的識(shí)別準(zhǔn)確率從通用CNN算法的42.63%提升到91.80%。

ESC－50數(shù)據(jù)集已被大量環(huán)境聲音識(shí)別論文作為基準(zhǔn)評(píng)估數(shù)據(jù)集，并得到了很好的分類器識(shí)別精度。表2統(tǒng)計(jì)對(duì)比了目前基于ESC數(shù)據(jù)集的先進(jìn)識(shí)別方法與本文所設(shè)計(jì)算法的精度，相比于已有方法，本文設(shè)計(jì)的遷移學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)算法的識(shí)別準(zhǔn)確率有了一定提升。

表2 與現(xiàn)有識(shí)別算法的結(jié)果對(duì)比

7.2 變電站應(yīng)用驗(yàn)證

變壓器聲紋采集裝置及智能識(shí)別診斷算法已在安徽合肥錦繡220 kV變電站、遼寧大連220 kV港東變電站等21座變電站/換流站部署應(yīng)用，如圖13所示，通常在變壓器的四面各布置一臺(tái)聲紋采集裝置，通過大量測(cè)試驗(yàn)證得到了裝置與變壓器之間距離的經(jīng)驗(yàn)值為1 m左右，該距離是傳感器采集信號(hào)強(qiáng)度的最優(yōu)范圍，距離太近，易丟失該采集面邊緣側(cè)的信息，距離太遠(yuǎn)，易受到外界雜音的干擾。該系統(tǒng)于2019年1月準(zhǔn)確捕獲某超高壓站主變直流偏磁異常工況，以及某110 kV變電站主變壓器繞組變形缺陷，目前已積累形成了約70 000 h的聲紋樣本庫(kù)數(shù)據(jù)，通過訓(xùn)練優(yōu)化提升了識(shí)別算法模型。

圖13 聲紋變電站現(xiàn)場(chǎng)布置圖

通過實(shí)際部署運(yùn)行，本文研發(fā)的聲紋采集裝置和算法模型可滿足變電站現(xiàn)場(chǎng)應(yīng)用和數(shù)據(jù)分析的需求，可作為變壓器局放、電壓、電流等在線監(jiān)測(cè)的有效補(bǔ)充，豐富了變壓器狀態(tài)監(jiān)測(cè)技術(shù)手段，對(duì)于電力行業(yè)發(fā)展新一代智能不停電檢測(cè)裝備，提高電網(wǎng)設(shè)備智能管控水平具有重要的示范推廣價(jià)值。

8 總結(jié)

本文設(shè)計(jì)了面向電力變壓器的聲紋采集裝置，用于采集變壓器噪聲信號(hào)，并開發(fā)了相關(guān)的預(yù)處理和特征提取算法，基于變壓器噪聲信號(hào)特點(diǎn)，設(shè)計(jì)了遷移學(xué)習(xí)人工智能識(shí)別網(wǎng)絡(luò)模型，實(shí)現(xiàn)了變壓器直流偏磁、繞組變形、過負(fù)荷等工況的智能診斷識(shí)別，并開發(fā)了人機(jī)交互聲紋監(jiān)測(cè)平臺(tái)，對(duì)軟硬件和分析算法進(jìn)行了集成。通過數(shù)據(jù)集測(cè)試和變電站部署應(yīng)用，驗(yàn)證了該聲紋采集裝置和相關(guān)算法的有效性和可靠性，能夠滿足實(shí)際變電站運(yùn)維需求。研究了變壓器聲紋特征數(shù)據(jù)庫(kù)的建立方法，隨著系統(tǒng)現(xiàn)場(chǎng)部署應(yīng)用和推廣，采集變壓器運(yùn)行異常工況聲紋樣本，不斷優(yōu)化提升算法模型，豐富數(shù)據(jù)庫(kù)內(nèi)容，逐步建立全面可靠的聲紋特征數(shù)據(jù)庫(kù)。

目前系統(tǒng)已在20余座變電站部署應(yīng)用，變壓器異常工況識(shí)別準(zhǔn)確率可達(dá)76%，使用聲紋識(shí)別方式，一方面可以獨(dú)立識(shí)別特定類別的缺陷，有效解決通過圖像或在線監(jiān)測(cè)等手段無法識(shí)別的潛伏性缺陷隱患，另一方面可作為局部放電等其他監(jiān)測(cè)方式的有效補(bǔ)充，提升綜合檢測(cè)能力。

后續(xù)，在變壓器聲紋樣本庫(kù)不斷豐富的基礎(chǔ)上，進(jìn)一步利用遷移學(xué)習(xí)，獲取有效的先驗(yàn)，并研究語(yǔ)譜圖、色度特征等更多的語(yǔ)音特征，增加可訓(xùn)練參數(shù)，提高人工智能網(wǎng)絡(luò)模型的擬合能力。同時(shí)可開展監(jiān)聽式和振動(dòng)式聲紋相融合的多模態(tài)聲紋智能診斷裝置，提高異常工況識(shí)別可靠性。