基于聲紋識別的換流閥工況檢測技術研究

何志甘，陳光焰，呂小偉，林 石，朱亦斌

（國網福建省電力有限公司超高壓分公司，福建福州 350003）

0 引言

受設備絕緣老化、機械部件松動、繞組變形、過熱、內部放電等各種外界因素的干擾，在長時間使用之后換流閥極易產生故障。傳統的故障診斷方法主要是通過人耳聆聽換流閥的運行聲音，以針對故障的具體類型、位置進行判斷[1]。然而，這種方法本身主觀性較強，且存在模糊性、局限性的特點，對于一些細微的聲音來說則需要依靠一定的經驗與知識積累[2]。正是因為換流閥面臨的故障主要集中在內部，聲紋識別就成為工況檢測研究的主要方向。

1 換流閥聲紋采集及處理

換流閥的數據主要是采用專業的聲紋采集設備進行采集，獲取聲紋語料。完成數據采集之后，需要針對這些聲紋數據進行預處理[3]。首先，針對換流閥音頻實施分段處理，為有效保障輸入音頻均為完全統一的時間信息，需要針對相關的時長進行嚴格的限制。針對采集的數據進行切分處理[4]。因為換流閥聲紋數據屬于一系列離散點模式，其中每個點分別對應一個采樣點，所以聲紋數據對應的長度等于時間與fssample的乘積。其中fssample屬于音頻對應的采樣頻率。

針對完成分段的變壓器音頻來說，還需要進行分幀操作。幀作為聲紋信號處理當中最小的一種單位，本身具有非常短的時間，同時也涉及非常多的聲音特點。通常認為聲紋信號在長時間內表現為多變性特征，在短時間內表現為不變性，即便是在非常短的時間內，都能將聲音特征視作完全固定的。根據上述思維模式，針對換流閥當中的聲紋數據實施切分。本文主要是將幀長設置為50 ms，步長設置為1/3 或1/2 的幀長。相較于語音聲紋來說，換流閥聲紋產生的變化相對較少。所以，主要選擇將幀長設置為500 ms，步長設置為1/2 幀長。

針對分幀以后的換流閥音頻實施加窗處理。通過分幀處理以后，盡管能夠在一定程度上減少處理的數據量，但也會在一定程度上影響聲紋信號。因此，后期還必須要針對分幀數據實施端點平滑加窗處理，選擇Hamming 窗對幀實施處理：

其中M 為幀長。

2 變壓器聲紋特征提取

2.1 能量特征

根據圖1 所示的時域譜線，獲取時間、波形振幅的聯系。由于瞬時波形對應的振幅直接對應數據瞬時能量，相應的振幅頻率越大，對應的能量自然也就更高。從圖1 能夠看出，上述數據產生的峰值共計2 次，研究以后證明上述兩個峰值位置產生了摩擦的聲音[5]。盡管能量特征提取可以有效展現偏好的能量雜音位置，然而其并不能針對聲音異常進行判斷，也就不能針對雜音的詳細位置進行檢測，因此還需要選擇其他方案進行研究。

圖1 換流閥部分聲音時域譜線

2.2 頻率特征

為進一步掌握換流閥聲音波形對應的振動特點，通常可以認為任何一段聲音均能夠劃分為一系列不同周期與對應幅度的三角函數疊加。可以選擇一系列三角函數對應頻率與幅度來針對特征進行表現，且上述對應與時間沒有關聯，但與頻率存在聯系，所以可以與時域譜對應稱之為頻域。對于兩者的轉換來說，可以選擇Fourier Transform 進行轉換：

其中，f（t）屬于時域周期函數，F（ω）屬于處理之后的頻域函數。圖1 基于上述公式轉換之后，得到圖2 所示的頻域波形。

圖2 轉換后的頻域波形

2.3 梅爾系數

梅爾頻率能夠針對人耳所具有的聽覺特征進行模仿，尤其處在低頻范圍內的增長速率較高[6]。但對于高頻范圍來說，整體增長速度則相對較為緩慢。頻率與梅爾頻率對應的關系如下：

對于梅爾頻率所進行的轉換與特征提取來說，常規是選擇梅爾濾波器組來完成，當中包含一串根據梅爾頻率轉換關系進行設計的三角濾波器，當中單個濾波器都具有完全相同的帶寬，具體公式如下：

其中，fh代表最高頻，fl代表最低頻。

基于4000 Hz 內的標準，選擇24 個梅爾濾波器組，500 ms幀長的情況下對應的梅爾頻率系數見圖3。

圖3 梅爾頻率系數

針對數據進行處理，選擇離散余弦變換（Discrete Cosine Transform，DCT）處理之后，獲取MFCC（Mel Frequency Cepstrum Coefficient，梅爾頻率倒譜系數）：

其中，n=1，2，…，L。

2.4 頻率壓縮處理

盡管梅爾系數能夠充分發揮降維的作用，同時在高頻領域能夠獲得理想的壓縮效果，但其本身仍舊暴露出低頻分辨率欠缺的問題。針對上述問題，還需要持續增加低頻分辨率情況下的基于梅爾頻率“分辨率從高到低變化”的理念，選擇較為相似的頻率壓縮方案，具體流程如下：

（1）針對聲紋信息進行劃分，分別納入高、中、低對應的頻段。

（2）結合3 種頻段特征，分別選擇針對性的頻率壓縮比例進行處理。

（3）對于壓縮取值來說，選擇最大值策略方案，即選擇單個壓縮區間最大值作為最終的壓縮處理結果。

3 聲紋相似度檢測算法

假設聲紋采集器獲取的換流閥工況信息屬于從穩定的聲紋到不穩定的瞬時雜音疊加狀態，忽視當中潛在的互相干擾問題[7]。在此基礎上進行以下假設，推進聲紋相似度檢測算法。

假設1：假設一段音頻需要在絕大多數時間保持相似的情況，不穩定信號相對較少，同時與穩定信號之間存在差異性。

假設2：這個過程中持續產生雜音，當對應的頻率高于幀采樣頻率的情況下，就能夠認作該信號穩定。

假設3：發生的不穩定信號屬于瞬時發生的信號，抑或是在短時間內持續產生的信號或間隔大的信號。

對于假設1 提出的問題，選擇余弦相似度來針對音頻當中各個特征向量相似度進行計算。結合歐幾里得向量點積公式進行計算：

當θ 屬于向量A 與B 在空間當中的夾角，能夠獲得向量A=［A1，A2，……，AN］與B=［B1，B2，……，BN］相似度如下：

因此，結合上述研究將一段音頻進行分離處理（包含穩定部分、不穩定部分），相似度置換算法如下：

換流閥聲紋相似度置換算法：

K=選取向量數量

N=置換向量位置，一般為K/2

M=重復次數

4 結束語

綜上所述，基于聲紋識別的換流閥工況檢測技術能夠解決傳統檢測方案存在的不客觀、檢測模式等問題，通過獲取聲紋信息，同時針對聲紋信息進行預處理，能夠將處理后的聲紋信息轉化為頻域信號來提出對應的特征，最終通過樸素貝葉斯完成聲紋相似度檢測，保障換流閥工況檢測判斷的科學性、準確性。