基于联合近似对角化盲源分离算法的电力设备故障音检测方法
【技术领域】
[0001] 本发明涉及基于联合近似对角化盲源分离算法的电力设备故障音检测方法，属于 电气设备维护的技术领域。
【背景技术】
[0002] 电气设备发生故障不仅会对设备本身造成损坏，而且对整个电力系统的安全、稳 定和经济运行也会产生严重的破坏，因此，及时检测出电气设备是否发生故障是具有十分 重要意义的。电气设备故障检测经历了三个阶段：停电实验阶段、带电测试阶段和在线检测 阶段。传统的定期检测方法存在试验周期长、试验电压低、工作量大和有效性差等缺点，很 难满足电力系统对可靠性的要求，特别是随着电力工业向着大机组、大容量与高电压的迅 速发展，这些缺点变得尤为明显。因此，以状态检测为基准的在线监测手段已引起了有关管 理、科研、运营和工程技术人员的重视，同时实时在线监测和降低监测系统的成本也是电力 系统发展的必然趋势。
[0003] 以往的电力设备故障音诊断方法一般要通过接触式传感器检测来实现，然而，输 变电站中的高电压和强电磁场等复杂环境可能会对传感器产生一定的影响，从而降低检测 效果。此外，非接触式传感器的安装和维护十分不便，一旦传感器发生问题，还可能带来意 想不到的后果。因此，非接触式检测方法是未来研宄的必然趋势。
[0004] 电气设备工作状态的正常与否能够通过其工作时的声音信号反映出来，而声音信 号可以通过非接触式的麦克风阵列采集得到，所以将声音信号分析应用于电气设备故障诊 断中，能够在不影响电气设备正常运行的情况下，准确反映其运行状态，可应用于变压器、 断路器和互感器等电气设备。
[0005] 中国专利文献CN104064186A公开了一种基于独立分量分析的电气设备故障音检 测方法，包括步骤：采用麦克风阵列采集电气设备运行的声音信号；采用基于负熵最大的 独立分量分析法Fast-ICA算法针对采用麦克风阵列采集的声音信号分离各个独立声源信 号；提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识 别声音信号，将待测试声音模板与所有的参考样本模板匹配后，匹配距离最小的参考样本 模板是电气设备工作音识别的结果：如匹配距离最小的参考样本模板为正常音，则与之匹 配的电气设备工作音为正常音；如匹配距离最小的参考样本模板为故障音，则与之匹配的 电气设备工作音为故障音。但是该专利存在如下缺陷：输变电站的复杂环境中往往存在着 高斯噪声的干扰，该专利不能很好的处理源信号中可能残留的高斯背景噪声。
【发明内容】
[0006] 针对现有技术的不足，本发明公开了基于联合近似对角化盲源分离算法的电力设 备故障音检测方法；
[0007] 本发明的技术方案为：
[0008] 基于联合近似对角化盲源分离算法的电力设备故障音检测方法，具体步骤包括：
[0009] (1)采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号；
[0010] (2)采用基于联合近似对角化盲源分离算法针对步骤（1)采用麦克风阵列采集的 声音信号分离各个独立声源信号；
[0011] (3)提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹 配算法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最 小的参考样本模板就是电气设备工作音识别的结果：如果匹配距离最小的参考样本模板为 正常音，则与之相匹配的电气设备工作音为正常音；如果匹配距离最小的参考样本模板为 故障音，则与之相匹配的电气设备工作音为故障音。
[0012] 根据本发明优选的，步骤（1)中，采用麦克风阵列，即MIC阵列采集电气设备运行 的声音信号，具体是指：
[0013] 采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号记为：x(t) = [xjt)， x2 (t),.......,xn(t)]，n为正整数，其中，
[0014] Xi(t) =anSi
[0015] X2(t) - &2iS1+&22S2
[0016] .
[0017] . ( i )
[0018] .
[0019]xn(t) =a^Si+a^s^-+anmsm
[0020] 式（i)中，Sl，s2，…，sm为独立信号源发出的声音信号，aij(i= 1，2,…，n;j= 1，2,…，m)是实系数，n=m。
[0021] 根据本发明优选的，步骤（2)中，采用基于联合近似对角化盲源分离算法针对步 骤（1)采用麦克风阵列采集的声音信号分离各个独立声源信号，具体步骤包括：
[0022] a、对采用麦克风阵列，即MIC阵列采集电气设备运行的声音信号进行中心化处 理，得到的去均值后的观测矢量itf)，通过式（ii)求得：
【主权项】
1. 基于联合近似对角化盲源分离算法的电力设备故障音检测方法，其特征在于，具体 步骤包括： (1) 采用麦克风阵列，即MIC阵列采集电力设备运行的声音信号； (2) 采用基于联合近似对角化盲源分离算法针对步骤（1)采用麦克风阵列采集的声音 信号分离各个独立声源信号； (3) 提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算 法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最小的 参考样本模板就是电力设备工作音识别的结果：如果匹配距离最小的参考样本模板为正常 音，则与之相匹配的电力设备工作音为正常音；如果匹配距离最小的参考样本模板为故障 音，则与之相匹配的电力设备工作音为故障音。
2. 根据权利要求1所述电力设备故障音检测方法，其特征在于，步骤（1)中，采用麦克 风阵列，即MIC阵列采集电力设备运行的声音信号，具体是指： 采用麦克风阵列，即MIC阵列采集电力设备运行的声音信号记为：x(t) = [xjt)，x2(t)，.......，xn(t) ]，n为正整数，其中， Xj(t) =anSi x2(t)-a21s1+a22S2 參 參 參 xn(t) =anls1+an2s2+---+anmsm 式⑴中，Sl，s2，…，sm为独立信号源发出的声音信号，aij(i= 1，2，…，n;j= 1， 2，…，m)是实系数，n=m。
3. 根据权利要求1所述电力设备故障音检测方法，其特征在于，步骤（2)中，采用基于 联合近似对角化盲源分离算法针对步骤（1)采用麦克风阵列采集的声音信号分离各个独 立声源信号，具体步骤包括： a、对采用麦克风阵列，即MIC阵列采集电力设备运行的声音信号进行中心化处理，得 到的去均值后的观测矢量通过式（ii)求得： ，
(ii) 对中心化处理后得到的声音信号进行白化处理，白化处理是将去均值后的观测矢 量义〇进行线性变换Q得到处理后的观测信号z(t)，通过式（iii)求得：
(iii) 式（iii)中，z(t)中各分量互不相关，且具有单位方差，白化处理采用的是主分量分析PCA方法，通过式（iv)求得： (iv) 式（iv)中，E是协方差矩阵C= 的n个最大特征值组成的对角阵；F是协方 差矩阵C= (7_X|的n个相应的特征矢量组成的矩阵； b、 计算观测信号z(t)的四阶累积量矩阵，步骤a得到处理后的观测信号：z(t)= [zjt)，z2(t)，…，zn(t)]，任取其中四个观测信号：zp，Zq，zx，zy(l<p，q，x，y<n)，通过 式（v)定义四阶累积量： cum(zp, zq, zx, zy) =E[zp zq zxzy]-E[zp zq]E[zxzy]-E[zp zx]E[zq zy]-E[zp zy]E[zq zj(v) 求得所有的四阶累积量，得到n2个四阶累积量，设n2个四阶累积量为- ， w= ["V"/:.…，w,,:]，通过式（Vi)建立四阶累积量矩阵的第p，q元素[Cz⑷]:
(vi) 式（vi)中，axy为矩阵A的第x，y元素，且A为nXn阵，矩阵A的第p，q个元素为1， 矩阵A的其余元素均为零； 对每个miGm求四阶累积量矩阵，得到n2个四阶累积量矩阵，设其为 并令M= 通过式（vii)将以M为权重矩阵构成的累积量矩阵分解 为： CZ(M。）=人M。 (vii) 式（vii)中，A是CZ(M。）的特征值； c、 对四阶累积量矩阵组M进行联合近似对角化处理，确定酉矩阵U，得到源信号的估 计，由式（vii)得到，CZ(M。）是对称阵，且CZ(M。）=XM。，正交分离矩阵U使四阶累积量矩阵 CZ(M。）对角化，如式（viii)所示： Cz (M0) =UTC(M0)U=Diag[k4 (sj),k4 (s2), ???,k4 (sm) ] (viii) 式（viii)中，DiaglXh)，k4(s2)，…，k4(sm)]为正交分离矩阵U使四阶累积量矩阵CZ(M。）对角化计算函数，属于现有函数； 求正交分离矩阵U，正交分离矩阵U同时对所有的四阶累积量矩阵CZ(M。）进行联合对 角化，计算过程如式（ix)所示：
(ix) 式（ix)中，非对角分量0ff(O的定义为(?$ = 1>;7|2,所述A代表一个矩阵，a i*j 是矩阵A的每一个元素，minC(U)为对所有的四阶累积量矩阵CZ(M。）进行联合对角化的计 算结果； 采用Givens旋转完成对算法的优化，得到酉矩阵U; 源信号y(t)通过式（x)估计得到：y(t) =UT ?Q?x(t) (x) 〇
4.根据权利要求1所述电力设备故障音检测方法，其特征在于，所述的步骤（3)具体步 骤为： d、 对步骤（2)中分离出的源信号y(t)进行预加重、分帧和加窗操作； e、 对步骤d处理后的每帧声音信号进行FFT变换，即快速傅里叶变换，获得其频谱，再 取模的平方作为离散功率谱S(k); f、 计算S(k)通过带通滤波器组后所得的功率值，得到V个参数Pv，v= 0，l，……V-1 ; 接着计算Pv的自然对数，得到Lv，v= 0,1，......V-1 ;最后计算Lv的DCT离散余弦变换， 获得Dv，v= 0，l，……V-1 ;去掉0。，取01，02，?，01;作为1^(1：的参数； g、 所述模式匹配算法为动态时间规整DTW算法进行声音识别的具体步骤为： 设步骤d的声音信号分了p帧矢量，S卩{T(1)，T(2)，…，T(n)，…，T(p)}，T(n)是第n 帧的语音特征矢量，1彡n彡p，参考样本有q帧矢量，S卩{R(1)，R(2)，…，R(m)，…，R(q)}，R(m)为第m帧的语音特征矢量，1 q，则动态时间规整DTW算法利用时间规整函数j =w(i)完成待测试矢量与参考模板矢量时间轴的映射，且这个规整函数w满足下式（xi):
(xi) 在式（^)中，(1[1(1)，1?(?(1))]是待测试矢量1(1)和参考模板矢量1?(」）之间的距离 测度；T(i)表示T中第i帧的语音特征矢量；R(w(i))表示R中第j帧语音特征矢量；D则 待测试矢量与参考样本矢量之间的最小距离； 利用DTW将待测试声音模板与所有参考样本模板进行匹配后，匹配距离最小的参考样 本模板就是电力设备工作音识别的结果。
【专利摘要】基于联合近似对角化盲源分离算法的电力设备故障音检测方法，具体步骤包括：(1)采用麦克风阵列；(2)采用基于联合近似对角化盲源分离算法针对步骤(1)采用麦克风阵列采集的声音信号分离各个独立声源信号；(3)提取独立声源信号的Mel频率倒谱系数MFCC作为声音特征参数，通过模式匹配算法识别声音信号，将待测试声音模板与所有的参考样本模板进行匹配后，匹配距离最小的参考样本模板就是电力设备工作音识别的结果。本发明增强非高斯源信号的特点，可估计出比快速独立分量分析FastICA算法更清晰的源信号，分离的信号与源信号的相似系数均在0.9以上，对分离信号进行音频测听，JADE算法分离的信号清晰可辨。
【IPC分类】G01H17-00
【公开号】CN104614069
【申请号】CN201510087552
【发明人】田岚, 张康荣, 王博睿, 王海果
【申请人】山东大学
【公开日】2015年5月13日
【申请日】2015年2月25日