聲信號特征優化斷路器機械故障診斷算法

張 葉，齊小剛

（1.晉中職業技術學院機電工程系，山西 晉中 030600；2.西安電子科技大學數學與統計學院，陜西 西安 710126）

1 引言

高壓斷路器是組成電力系統的關鍵部件，其可靠動作對系統運行安全起著控制與保護的雙重作用，因此對電路系統的高壓斷路器進行不間斷的故障監測及智能診斷具有重要意義[1?2]。而機械缺陷是影響斷路器可靠動作的主要原因，現階段對斷路器機械故障進行監測主要采用基于振動信號的定期巡檢和事后維護等方式，但由于斷路器動作時間極短，沖擊強烈，而振動傳感器對安裝位置與方式敏感，并由于接觸式安裝，使其還會受到低頻本振和高頻電磁干擾，導致振動信號檢測的高復雜性和低精確度[3]。

聲信號與斷路器的振動信號為同源，聲傳感器對安裝位置及方式要求較低，優勢明顯，結合斷路器的開合閘聲信號進行設備機械故障的實時監測逐漸成為新的診斷手段。文獻[4]在故障聲信號分段基礎上，分析不同合閘階段信號的時域幅值差異，以差異明顯時間段信號作為特征通過K?S檢測實現高壓斷路器故障診斷，但該方法易丟失信號的整體特征，且時域特征受噪聲影響較大；文獻[5]結合小波變換和盲源分離思想對故障聲信號進行模式分解，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置，導致識別精度提高不明顯；文獻[6]采用粒子群優化的VMD 方法對高壓斷路器的分合閘信號進行整體正交系數解析，提取Hilbert變換的時頻譜特征，并定義相似度指標作為機械故障的判斷依據，算法具有更高的準確性和效率[7]；文獻[8]對機械故障的振動信號和聲信號進行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[9]益于人耳聽覺特性對聲信號處理方面的發展，以斷路器聲信號的加權改進MFCC特征作為識別特征，并通過矢量量化算法進行聲信號識別，模型取得較高的準確率。

已有算法通常以振動信號的處理為主信號，而機械故障的聲信號作為一種新數據對振動信號進行識別率增強，這導致樣本不足情況下模型的監測性能不高。為此，提出基于聲特征優化提取的機械故障監測算法，算法以K?S顯著性檢測提取故障信號差異較大的信號區間并提取其GFCC特征，然后以特征加權SVM對高壓斷路器的機械故障進行診斷監測。四種模擬機械故障的聲信號的實驗測試，驗證了算法的有效性。

2 機械故障聲特征提取

2.1 聲信號特征提取

根據合閘聲信號的特點，正常聲信號與故障聲信號通常存在較大的幅度變化差異[10]，為此，為提高模型對故障聲信號的處理和監測效率，在提取聲信號特征前，先通過K?S檢驗[4]提取聲信號中的異常區間，在后續提取信號特征時，僅針對異常區間，K?S檢驗，如圖1所示。

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

式中：m、n－聲信號樣本數；N=m+n，Xi、Yj－樣本的順序統計量；DN大于預設的閾值或計算的顯著性水平α小于閾值，表明兩樣本的經驗分布存在較大差異。

2.2 故障特征提取

研究表明[9]，人耳對聲音具備良好的辨識能力，這主要通過其基底膜對不同頻率具有選擇特性實現的，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應的Gammatone濾波器組進行模擬，因此，GFCC特征可借鑒人耳的聽覺感知特性對高壓斷路器機械故障聲信號進行編碼，提取各狀態下開合閘聲信號的特征細節，便于故障監測。

Gammatone濾波器組通過等效模擬人耳基底膜對聲信號頻譜特征的沖激響應特性實現信號的聽覺感知濾波，其中心頻率采用等距形式，t時刻濾波器i的響應函數為：

2.3 故障聲信號監測

在實際基于聲信號特征的高壓斷路器機械故障檢測過程中，故障聲信號樣本通常僅占較小一部分比例，從而造成正負樣本不均，影響檢測效果[10]，為此，采用特征加權SVM有監督學習探索識別模型輸入xi與輸出yi間的映射關系，進而完成故障診斷監測，同時采用十折交叉驗證方法對特征加權SVM的監測效果進行評估檢驗。

傳統SVM通過映射函數將數據映射到高維特征空間中，實現高維線性可分，但實際應用中，映射函數難以確定，為此，引入懲罰系數C以在接受范圍內允許某些樣本錯分，文中懲罰函數采用特征加權方法，通過特征加權，使得數量較好的故障樣本獲得更大的權重，特征加權SVM代價函數為：

式中：n+與n?—正負樣本數。

3 實測數據驗證分析

為驗證模型的故障監測有效性，以某彈簧操動的戶外110 kV斷路器為研究對象，采集其現場不同噪聲環境下的各種正常開合閘聲信號，同時模擬了線圈局部放電、傳動導桿卡澀、風機故障、鐵芯間隙過大等常見機械故障，每種故障聲信號各采集60組獨立數據，采集時長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，實驗環境為：CPU Intel?Core?i7?9750H@2.60 GHz，16G內存，Mat lab 2016a開發相關模型和算法。

3.1 特征提取實驗

對聲信號進行加窗分幀處理后，以顯著水平α=0.1%對聲信號進行K?S 檢驗，以提取異常幀信號，然后對異常分幀進行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模型進行驗證，單個GFCC特征維數為31維，實驗中取得的各種狀態下斷路器的GFCC特征，如圖2所示。采用LDA算法對各特征向量進行凸顯優化，LDA凸顯后的結果，如圖3所示。

圖2 差異聲信號區間內的GFCC分布Fig.2 GFCC Distribution Within the Difference Interval

從圖2和圖3實驗結果可以看出，在K?S檢測出的差異區間內，故障狀態下的斷路器聲信號的GFCC特征與正常狀態下的聲信號存在較大差異，通過改進SVDD可以有效實現監測。

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

3.2 算法性能比較實驗

為驗證文中算法在監測故障聲信號方面的有效性，將其與改進支持向量描述（ISVD）算法和互補集合經驗模態分解（CEEMD）算法進行算法性能比較，實驗過程中，CEEMD 算法提取前10階IMF的歸一化能量熵為特征。實驗過程中，模型的優化參數設置為C+1=10.3396，C+2=35.6211，γ1=0.01和γ2=0.01，實驗以準確率作為評價指標，多次實驗結果的平均值，如表1所示。

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

從表1實驗結果可以看出，CEEMD算法的監測準確率效率均值較低，主要因為其特征對于不同的故障狀態的監測準確率存在較大的變化，穩定性較差，而文中算法與ISVD算法對于各模擬故障產生的聲信號均有較好的監測準確率，從而得到最優的統計均值，而文中算法更優，主要因為GFCC特征通過模擬人耳聽覺感知特性更好的對聲信號進行頻率分解，從而更加突出特征差異，配合加權SVM分類框架，更適于高壓斷路器故障聲信號檢測。

4 結論

為提高高壓斷路器機械故障的監測準確性并解決傳統基于振動信號方法面臨的接觸安裝局限、低頻本振和高頻干擾等問題，提出基于聲特征優化提取的機械故障監測算法，算法以K?S顯著性檢測提取故障信號差異較大的信號區間并提取其LDA優化凸顯的GFCC特征，然后以特征加權SVM對高壓斷路器的機械故障進行診斷監測。四種模擬機械故障的聲信號的實驗測試，驗證了算法的有效性。但由于實際高壓斷路器工作環境較為惡劣，聲信號易受到環境各種噪聲的干擾，加之實驗過程中缺乏真實的現場聲信號數據，因此，算法對于斷路器工況的適應性和環境噪聲的抗干擾能力還需要進一步驗證分析。