基于2DPCA及SVM的变电站电力变压器故障检测系统及检测方法与流程

本发明涉及基于2dpca及svm的变电站电力变压器故障检测系统及检测方法，属于音频判别技术领域。

背景技术：

变电站电力变压器属于电力系统中非常重要的电气设备，当其出现故障时，能够造成巨的大危害，不仅会对变压器本身造成损伤或损坏而导致停电，也可能引发电力系统、人身事故等，从而导致对生产生活带来巨大损失。

变电站电力变压器发生故障是指其工作状态发生异常、部分功能失效或者性能指标超出其额定范围，通常这些情况下，就是电力变压器进入了故障状态。出现故障的原因主要是指设备在运行条件下，导致其发生失效的物理、化学、生物或者机械过程，如腐蚀、蠕变、磨损、受热、老化等。

目前，在我国变电站电力变压器的检修过程中，仍然采用定期的计划检修，然而随着人们对电力需求的不断增多，定期检修已经不能满足这个时代的发展要求，并且定期检修也存在自身的缺陷。如果电力变压器存在不安全的隐患，在定期检修时又没有及时的发现并且做出排除，那么就会影响到电力系统的正常运行。为确保电力系统安全运行，最大限度地降低事故率，迫切需要寻求新的更加行之有效的检测方法。

在日常工作生活中，故障诊断技术已经深入到各行各业，如何安全实时准确的判断出故障的出现以及存在已成为亟待解决的重要问题。安全实时的非接触式在线故障检测以及分析技术为相关行业的生产运行流程带来了巨大的改变。

对于变电站的电力变压器来说，由于其长时间处于高电压、强电流、高负荷下运行，通常是无间断的运行状态，且具有高危险性，这就使得人工监视与维护有着诸多危险与困难。因此，我们需要采用非接触式的检测方式，做到实时无间断的安全监控。通常电力变压器工作时会向外界发出音频信号，有经验的工作人员可以通过听音判别出设备的运行状况，甚至还能通过异常声音的表现判断出故障的原因，故障判断的过程是通过人耳对设备所发出的音频信号进行感知和判断来完成的。采用声音传感器来替代人耳，用音频信号处理及机器学习等算法模拟人的听觉系统以及大脑对信号的反映就可实现对设备音频的自动化判决。

中国专利文献cn106443259a公开了一种基于欧式聚类和spo-svm的变压器故障诊断新方法，包括：选取样本数据，将样本数据分为训练样本和测试样本，并对其进行归一化处理；划分变压器的状态；构造欧式距离分类器；构造svm多分类器；构造高斯径向基核函数作为核函数；采用粒子群优化理论对高斯径向基核函数的参数进行优化；将训练样本输入支持向量机进行模型学习，建立基于最小二乘支持向量机的学习模型；将测试样本输入两分类的svm进行计算；得到变压器的故障类别。但是，该专利中存在以下缺陷：1.采取基于油中溶解气体的变压器故障检测方式：油中气体的测量并不是很方便，这必然造成故障检测系统复杂化；2.采用油中溶解气体作为样本进行特征提取，由于各种气体混在一起，这必然造成进行特征提取的复杂度及错误的出现，因故障气体的出现是一个缓慢过程，只有当故障气体达到一定程度，故障气体特征才占主导，此时气体特征在提取时才能被很好的提取出来。3.采用欧式距离将待测数据特征与样本特征进行对比，因欧式距离构造简单，出错的几率非常大，在分类识别中属于最基础的测量方法，因此如果就将欧式距离作为检测的第一步，若出现错误则必然导致后面检测错误的出现。

技术实现要素：

针对现有技术的不足，本发明提供了基于2dpca及svm的变电站电力变压器故障检测系统；

本发明还提供了基于2dpca及svm的变电站电力变压器故障检测方法；

在本发明中，基于2dpca及svm的变电站电力变压器故障检测系统前期将声音样本库中所有类型数据样本送入预处理系统及训练系统得到其特征矢量序列存储到数据中心。后期进行监控时，将所采集的音频数据送入预处理系统及训练系统进行运算，得到其特征矢量序列，并与数据中心中各类型数据的特征矢量序列进行svm运算，从而判断此音频为正常音频或是故障音频，由此判断电力变压器是否仍处于正常工作状态。

术语解释：

1、2dpca，二维主分量分析；

2、svm，supportvectormachine，支持向量机；

3、幅频特性，将声音信号进行短时傅立叶变换之后，所得信号幅度随频率变化的规律，

式中|xn(e^jω)|就是信号对应频率ω的幅度值，也即能量。

本发明的技术方案为：

基于2dpca及svm的变电站电力变压器故障检测系统，包括第一音频采集系统、第二音频采集系统、音频样本库、第一预处理系统、第二预处理系统、音频训练系统、数据中心、检测系统，所述第一音频采集系统、音频样本库、第一预处理系统、音频训练系统依次连接，所述第二音频采集系统、第二预处理系统、音频训练系统依次连接，所述音频训练系统分别连接所述数据中心、所述检测系统，所述数据中心连接所述检测系统。

根据本发明优选的，初期构建系统时，所述第一音频采集系统将采集到的音频数据送入所述音频样本库中存储，并且由相关工作人员对音频数据进行判别属于哪种类型的声音，存做音频样本，声音的类型包括故障类型与非故障类型的各类声音；例如，非故障类型声音就是正常运行下的声音，包括：正常运行声，含有鸟叫情况下的正常声，含有人说话时的正常音，含有风声的正常音，含有雨声的正常音等等，这类包含外界干扰情况的正常运行声音。故障类型声音包括：分接开关不到位将发出较大的“啾啾”响声；当变压器的铁心接地断线时，变压器将产生“哔剥哔剥”的轻微放电声；导电引线通过空气对变压器外壳的放电声(噼啪噼啦的清脆击铁声)；导体通过变压器油面对外壳的放电声(噼啪声)；当低压线路发生接地或出现短路事故时发出(轰轰)的声音；当变压器过负荷严重时发出低沉的如重载飞机的“嗡嗡”声；当变压器绕组发生层间或匝间短路而烧坏时发出(咕嘟咕嘟)的开水沸腾声等等。将音频样本库中的音频样本送入第一预处理系统，得到音频样本的幅频特征数据；将第一预处理系统输出的音频样本的幅频特征数据送入音频训练系统得到其降维特征数据；将音频样本的降维特征数据存入数据中心；

后期进行监测时，所述第二音频采集系统将采集到的未知音频数据送入第二预处理系统，得到未知音频的幅频特征数据；将第二预处理系统输出的未知音频的幅频特征数据送入音频训练系统得到其降维特征数据；检测系统调用数据中心中的音频样本的降维特征数据，与未知音频数据的降维特征数据进行匹配，检测该未知音频是否为故障声音，如果是，进入故障类型检测阶段判断故障声音的类型；如果不是，则继续监控。

第一音频采集系统、第二音频采集系统设定每次所采集的数据为固定时长的音频，并且长时间持续工作。当发现故障音频出现时，系统及时进行报警并将所采集到的故障音频进行详细记录并存储。众所周知，变电站电力变压器在运行过程中会不间断的向外界释放声音，这是由于交变磁通的作用使变压器铁芯硅钢片震动而发出的声音，正常运行时，这种声音是清晰而有规律的，但变压器负荷发生显著变动或运行状态出现异常，则声音较平时增大，并伴有断续或持续的杂音或粗犷的声音，此时变压器就是出现了故障。

根据本发明优选的，所述第一音频采集系统、第二音频采集系统均包括4个或4个以上的单麦克风，4个或4个以上的单麦克风布置在变电站电力变压器四周构成麦克风阵列。单麦克风的型号为联想um10c、得胜sgc-568、铁三角at9913或edmicned178。

此处设计的优势在于，可以从各方位接收来自于变电站电力变压器发出的音频，多方位布置麦克风可以有效提高音频感知灵敏度。并且，对于大型变压器来说，由于其结构的复杂性，各部件发出的音频会向四面八方传播，但每个声源在各个方向传播时存在强弱问题，多方位布置麦克风，形成阵列可有效解决单一方向布置麦克风灵敏度欠缺的问题。

根据本发明优选的，所述音频样本库中的所有音频样本的时间长度相同，时间长度小于10秒。

此音频样本库由大容量盘阵组成。每个采集下来的数据按样本库中已有音频样本时间长度进行存储，这样音频样本库中所有类型的音频文件都具有相同时间长度，以便后面的各工作系统所使用。现场所采集的音频文件由具有相关工作经验的人员进行类型判别，并将每个数据存放到相应的具体类别中，由此构成涵盖各种类型音频的大型样本库。

根据本发明优选的，所述音频训练系统包括2dpca运算模块。

根据本发明优选的，所述检测系统包括svm分类器模块。

基于2dpca及svm的变电站电力变压器故障检测方法，包括步骤如下：

a、构建系统

(1)所述第一音频采集系统采集音频数据，并将采集到的音频数据送入所述音频样本库中存储，并且由相关工作人员对音频数据进行判别属于哪种类型的声音，存做音频样本，声音的类型包括故障类型与非故障类型的各类声音；

(2)将音频样本库中的音频样本送入第一预处理系统，得到音频样本的幅频特征数据；

(3)将第一预处理系统输出的音频样本的幅频特征数据送入音频训练系统得到其降维特征数据，即代表音频的特征矢量序列，并将音频样本的降维特征数据存入数据中心；

b、故障检测

(4)所述第二音频采集系统将采集未知音频数据，并将采集到的未知音频数据送入第二预处理系统，得到未知音频的幅频特征数据；

(5)将第二预处理系统输出的未知音频的幅频特征数据送入音频训练系统得到其降维特征数据，即代表未知音频的特征矢量序列；本系统在对变电站电力变压器进行监控时候，首先需要将变压器向外界持续发出的声音进行采集。

(6)调用数据中心中的音频样本的降维特征数据，与未知音频数据的降维特征数据进行匹配，进行svm运算，根据运算结果检测该未知音频是否为故障声音，如果是，进入步骤c；如果不是，则返回步骤b；

c、故障类型检测。

根据本发明优选的，所述步骤(2)，包括步骤如下：

a、所述第一预处理系统对所述音频样本库中的已知类型的音频样本进行分帧处理；由于音频数据具有非平稳特性，但其在短时范围内特征变化较小，可作为稳态来处理。

b、所述第一预处理系统对步骤a分帧后的每帧数据采取2048个点进行傅里叶变换，得到其幅频特性；

c、根据步骤b得到的幅频特性，将1024个点分为8个子频带，包括：1～120、121～250、251～360、361～480、481～600、601～730、731～850、851～1024(数字代表对应的傅里叶变换点位)，将此8个子频带所对应的能量与1024个点的能量总和作为样本特征使用，即每帧数据由9个特征构成，将分帧后的每帧数据的特征放在一起，得到每个已知类型的音频样本的二维特征矩阵。

采用步骤(2)中同样的方法，所述第二预处理系统得到未知音频样本的二维特征矩阵。

根据本发明优选的，所述步骤(3)，包括步骤如下：

d、对每个已知类型的音频样本的二维特征矩阵求平均值求取公式如式(ⅰ)所示：

式(ⅰ)中，i是指音频样本库中任一已知类型的音频样本对应的标号；m是指音频样本库中已知类型的音频样本总数；ai是指音频样本库中任一已知类型的音频样本经过第一预处理系统所得到的幅频特征数据；是指音频样本库中所有已知类型的音频样本的幅频特征数据的平均值；

e、去除均值，并求协方差矩阵gt，求取公式如式(ii)所示：

式(ii)中，t是指数据矩阵转置；

f、求协方差矩阵gt的特征值λj及其对应的特征向量xj；1≤j≤n，n是指协方差矩阵gt所对应特征值总数；

g、根据特征值贡献度选择最优投影轴：

对步骤f求取的特征值从大到小进行排序，前d个特征值对应的特征向量即为所述最优投影轴；前d个特征值对应的特征向量如式(ⅲ)所示：

xopt＝[x1，x2，…，xd](ⅲ)

式(ⅲ)中，x1，x2，…，xd分别是指前d个特征值对应的特征向量，xopt是指最优投影轴；

d的求取公式如式(ⅳ)所示：

式(ⅳ)中，贡献度的取值范围为0.6-0.9，求取的前d个特征值对应的特征向量即为最最优投影轴；

h、特征矢量提取

将每个已知类型的音频样本二维特征矩阵向最优投影轴上进行投影，得到大量维度极低的二维特征矩阵ai，通过式(ⅴ)求取得到其各自的投影特征向量yi，称作原数据的二维特征矢量序列：

yi＝aixopt(ⅴ)

式(ⅴ)中，i＝1,2,…,m。

采用步骤(3)中同样的方法，得到该未知音频的二维特征矢量序列，并将其发送至检测系统；

预处理过后的音频数据是一个个的二维矩阵，2dpca模块首先对所有音频样本数据的这些二维矩阵求解协方差，得到特征值及特征向量，根据特征值贡献度(大小)选择最优投影轴，所谓最优投影轴是协方差矩阵前几个最大特征值对应的特征向量。接下来将所有经过预处理后所得到的音频数据二维特征矩阵向最优投影轴上进行投影，得到一个个维度极低的二维矩阵，此二维矩阵就是能够代表原音频数据的特征矢量序列。随后将所有音频样本数据的特征矢量序列存入数据中心。数据中心中存放着大量的特征矢量序列，对应着原音频样本库中的每一个已知类型的音频数据，在接下来的检测系统中将频繁的调用数据中心的这些二维矩阵数据。经过预处理系统后的待检测音频数据向上述最优投影轴进行投影，可得到未知音频的特征矢量序列，随后将其输出到到检测系统。

根据本发明优选的，所述步骤(6)，包括步骤如下：

i、将数据中心中已知类型的二维特征矢量序列分为两大类，即正常音频类和故障音频类，所述检测系统对这两大类数据的特征矢量序列进行训练，得到其svm模型；

j、接收未知音频的二维特征矢量序列利用svm模型进行检测可得到检测结果，如果是正常音频，则丢弃其对应的音频文件，如果检测到是故障音频，则对该二维特征矢量序列所对应的音频文件进行标记并报警并进入步骤c。

根据本发明优选的，所述步骤c，具体步骤包括：

①调用所述音频样本库中的故障音频样本，即故障类型的声音，将其送入所述第一预处理系统，得到其二维特征矩阵，同时将步骤j检测到的故障音频送入所述第二预处理系统，得到故障音频的二维特征矩阵；

②将所述音频样本库中故障音频样本的二维特征矩阵送入音频训练系统，经运算得到最优投影轴，并将故障音频样本的二维特征矩阵向该最优投影轴进行投影，得到各故障音样本的二维特征矢量序列；

③将步骤①得到的故障音频的二维特征矩阵送入音频训练系统，并向步骤②得到的最优投影轴进行投影，得到故障音频的二维特征矢量序列；

④将所有音频样本库中故障音频样本的二维特征矢量序列及故障音频的二维特征矢量序列送入检测系统，进行检测，可得知该故障音属于哪种类型的故障；

将音频样本库中的所有故障音频样本数据(每一类故障音频都在相应的类别中)送入预处理系统及音频训练系统得到故障音样本二维特征矢量序列，将所检测到的故障音送入预处理系统及音频训练系统得到故障音二维特征矢量序列，具体实施步骤和故障检测系统相同，只不过在此过程中不调用音频样本库中的正常声音样本。

⑤检测出故障音所属类别之后，将故障音原始数据频送入音频样本库对应的故障音类别中，存为样本。

根据本发明优选的，所述步骤j，采用多项式核函数，如式(vi)所示：

式(vi)中，三个参数为γ、υ、d，d用来设置多项式核函数的最高此项次数，取默认数值3；γ为gamma参数设置，默认值是1/k，k是类别数，在监控阶段取数值2，在故障类型检测阶段，有多少类故障k就取相应的数值；υ默认值是0；xi是指未知音频的二维特征矢量序列，xj是指已知类型的二维特征矢量序列。

在本发明中，在设计svm分类器进行检测时，核函数的选取是直接影响检测结果的重要一项，在充分实验比较各个核函数的优缺点之后选择了多项式核函数能够得到精确地检测结果。

本发明的有益效果为：

1、通过本发明检测系统，可以达到安全实时不间断的在线变电站电力变压器工作状态监控，能够及早发现故障并进行检修，预防出现重大事故；

2、传统变压器故障检测方法都是基于人工来完成的，包括状态检修、定期检修等，这些方法需要相关工作人员定期定时现场进行操作完成，缺乏时效性的同时，也具一定的安全风险。采用本系统对变压器进行监控，不仅具有时效性，而且解放人力，提高了监控及故障判断效率。

3、本发明采用声音传感器进行声音采集，简单可行；因变压器故障声音的特别性非常明显，很容易被检测出，因此本明第一步直接采用svm方式进行检测，能够很快分辨出故障的发生，第一时间进行报警，进而再次利用svm方法对故障类型检测，以达到对所出现故障类型的判断。

附图说明

图1为基于2dpca及svm的变电站电力变压器故障检测系统的系统框图；

图2为基于2dpca及svm的变电站电力变压器故障检测流程图；

图3为基于2dpca及svm的变电站电力变压器故障类型检测流程图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

基于2dpca及svm的变电站电力变压器故障检测系统，如图1所示，包括第一音频采集系统、第二音频采集系统、音频样本库、第一预处理系统、第二预处理系统、音频训练系统、数据中心、检测系统，第一音频采集系统、音频样本库、第一预处理系统、音频训练系统依次连接，第二音频采集系统、第二预处理系统、音频训练系统依次连接，音频训练系统分别连接所述数据中心、检测系统，数据中心连接检测系统。

初期构建系统时，第一音频采集系统将采集到的音频数据送入音频样本库中存储，并且由相关工作人员对音频数据进行判别属于哪种类型的声音，存做音频样本，声音的类型包括故障类型与非故障类型的各类声音；例如，非故障类型声音就是正常运行下的声音，包括：正常运行声，含有鸟叫情况下的正常声，含有人说话时的正常音，含有风声的正常音，含有雨声的正常音等等，这类包含外界干扰情况的正常运行声音。故障类型声音包括：分接开关不到位将发出较大的“啾啾”响声；当变压器的铁心接地断线时，变压器将产生“哔剥哔剥”的轻微放电声；导电引线通过空气对变压器外壳的放电声(噼啪噼啦的清脆击铁声)；导体通过变压器油面对外壳的放电声(噼啪声)；当低压线路发生接地或出现短路事故时发出(轰轰)的声音；当变压器过负荷严重时发出低沉的如重载飞机的“嗡嗡”声；当变压器绕组发生层间或匝间短路而烧坏时发出(咕嘟咕嘟)的开水沸腾声等等。将音频样本库中的音频样本送入第一预处理系统，得到音频样本的幅频特征数据；将第一预处理系统输出的音频样本的幅频特征数据送入音频训练系统得到其降维特征数据；将音频样本的降维特征数据存入数据中心；

后期进行监测时，第二音频采集系统将采集到的未知音频数据送入第二预处理系统，得到未知音频的幅频特征数据；将第二预处理系统输出的未知音频的幅频特征数据送入音频训练系统得到其降维特征数据；检测系统调用数据中心中的音频样本的降维特征数据，与未知音频数据的降维特征数据进行匹配，检测该未知音频是否为故障声音，如果是，进入故障类型检测阶段判断故障声音的类型；如果不是，则继续监控。

第一音频采集系统、第二音频采集系统设定每次所采集的数据为固定时长的音频，并且长时间持续工作。当发现故障音频出现时，系统及时进行报警并将所采集到的故障音频进行详细记录并存储。众所周知，变电站电力变压器在运行过程中会不间断的向外界释放声音，这是由于交变磁通的作用使变压器铁芯硅钢片震动而发出的声音，正常运行时，这种声音是清晰而有规律的，但变压器负荷发生显著变动或运行状态出现异常，则声音较平时增大，并伴有断续或持续的杂音或粗犷的声音，此时变压器就是出现了故障。

第一音频采集系统、第二音频采集系统均包括4个的单麦克风，4个或4个以上的单麦克风布置在变电站电力变压器四周构成麦克风阵列。单麦克风的型号为联想um10c、得胜sgc-568、铁三角at9913或edmicned178。

此处设计的优势在于，可以从各方位接收来自于变电站电力变压器发出的音频，多方位布置麦克风可以有效提高音频感知灵敏度。并且，对于大型变压器来说，由于其结构的复杂性，各部件发出的音频会向四面八方传播，但每个声源在各个方向传播时存在强弱问题，多方位布置麦克风，形成阵列可有效解决单一方向布置麦克风灵敏度欠缺的问题。

音频样本库中的所有音频样本的时间长度相同，时间长度为9秒。

此音频样本库由大容量盘阵组成。每个采集下来的数据按样本库中已有音频样本时间长度进行存储，这样音频样本库中所有类型的音频文件都具有相同时间长度，以便后面的各工作系统所使用。现场所采集的音频文件由具有相关工作经验的人员进行类型判别，并将每个数据存放到相应的具体类别中，由此构成涵盖各种类型音频的大型样本库。

音频训练系统包括2dpca运算模块。检测系统包括svm分类器模块。第一音频采集系统、第二音频采集系统均为声音传感器。

实施例2

基于2dpca及svm的变电站电力变压器故障检测方法，包括步骤如下：

a、构建系统

(1)第一音频采集系统采集音频数据，并将采集到的音频数据送入音频样本库中存储，并且由相关工作人员对音频数据进行判别属于哪种类型的声音，存做音频样本，声音的类型包括故障类型与非故障类型的各类声音；

(2)将音频样本库中的音频样本送入第一预处理系统，得到音频样本的幅频特征数据；

(3)将第一预处理系统输出的音频样本的幅频特征数据送入音频训练系统得到其降维特征数据，即代表音频的特征矢量序列，并将音频样本的降维特征数据存入数据中心；

b、故障检测

(4)第二音频采集系统将采集未知音频数据，并将采集到的未知音频数据送入第二预处理系统，得到未知音频的幅频特征数据；

(5)将第二预处理系统输出的未知音频的幅频特征数据送入音频训练系统得到其降维特征数据，即代表未知音频的特征矢量序列；本系统在对变电站电力变压器进行监控时候，首先需要将变压器向外界持续发出的声音进行采集。

(6)调用数据中心中的音频样本的降维特征数据，与未知音频数据的降维特征数据进行匹配，进行svm运算，根据运算结果检测该未知音频是否为故障声音，如果是，进入步骤c；如果不是，则返回步骤b；基于2dpca及svm的变电站电力变压器故障检测流程图如图2所示；

c、故障类型检测。

步骤(2)，包括步骤如下：

a、第一预处理系统对所述音频样本库中的已知类型的音频样本进行分帧处理；由于音频数据具有非平稳特性，但其在短时范围内特征变化较小，可作为稳态来处理。

b、第一预处理系统对步骤a分帧后的每帧数据采取2048个点进行傅里叶变换，得到其幅频特性；

c、根据步骤b得到的幅频特性，将1024个点分为8个子频带，包括：1～120、121～250、251～360、361～480、481～600、601～730、731～850、851～1024(数字代表对应的傅里叶变换点位)，将此8个子频带所对应的能量与1024个点的能量总和作为样本特征使用，即每帧数据由9个特征构成，将分帧后的每帧数据的特征放在一起，得到每个已知类型的音频样本的二维特征矩阵。

采用步骤(2)中同样的方法，第二预处理系统得到未知音频样本的二维特征矩阵。

步骤(3)，包括步骤如下：

d、对每个已知类型的音频样本的二维特征矩阵求平均值求取公式如式(ⅰ)所示：

式(ⅰ)中，i是指音频样本库中任一已知类型的音频样本对应的标号；m是指音频样本库中已知类型的音频样本总数；ai是指音频样本库中任一已知类型的音频样本经过第一预处理系统所得到的幅频特征数据；是指音频样本库中所有已知类型的音频样本的幅频特征数据的平均值；

e、去除均值，并求协方差矩阵gt，求取公式如式(ii)所示：

式(ii)中，t是指数据矩阵转置；

f、求协方差矩阵gt的特征值λj及其对应的特征向量xj；1≤j≤n，n是指协方差矩阵gt所对应特征值总数；

g、根据特征值贡献度选择最优投影轴：

对步骤f求取的特征值从大到小进行排序，前d个特征值对应的特征向量即为所述最优投影轴；前d个特征值对应的特征向量如式(ⅲ)所示：

xopt＝[x1，x2，…，xd](ⅲ)

式(ⅲ)中，x1，x2，…，xd分别是指前d个特征值对应的特征向量，xopt是指最优投影轴；

d的求取公式如式(ⅳ)所示：

式(ⅳ)中，贡献度的取值范围为0.7，求取的前d个特征值对应的特征向量即为最最优投影轴；

h、特征矢量提取

将每个已知类型的音频样本二维特征矩阵向最优投影轴上进行投影，得到大量维度极低的二维特征矩阵ai，通过式(ⅴ)求取得到其各自的投影特征向量yi，称作原数据的二维特征矢量序列：

yi＝aixopt(ⅴ)

式(ⅴ)中，i＝1,2,…,m。

采用步骤(3)中同样的方法，得到该未知音频的二维特征矢量序列，并将其发送至检测系统；

预处理过后的音频数据是一个个的二维矩阵，2dpca模块首先对所有音频样本数据的这些二维矩阵求解协方差，得到特征值及特征向量，根据特征值贡献度(大小)选择最优投影轴，所谓最优投影轴是协方差矩阵前几个最大特征值对应的特征向量。接下来将所有经过预处理后所得到的音频数据二维特征矩阵向最优投影轴上进行投影，得到一个个维度极低的二维矩阵，此二维矩阵就是能够代表原音频数据的特征矢量序列。随后将所有音频样本数据的特征矢量序列存入数据中心。数据中心中存放着大量的特征矢量序列，对应着原音频样本库中的每一个已知类型的音频数据，在接下来的检测系统中将频繁的调用数据中心的这些二维矩阵数据。经过预处理系统后的待检测音频数据向上述最优投影轴进行投影，可得到未知音频的特征矢量序列，随后将其输出到到检测系统。

步骤(6)，包括步骤如下：

i、将数据中心中已知类型的二维特征矢量序列分为两大类，即正常音频类和故障音频类，所述检测系统对这两大类数据的特征矢量序列进行训练，得到其svm模型；

j、接收未知音频的二维特征矢量序列利用svm模型进行检测可得到检测结果，如果是正常音频，则丢弃其对应的音频文件，如果检测到是故障音频，则对该二维特征矢量序列所对应的音频文件进行标记并报警并进入步骤c。

步骤c，具体步骤包括：

①调用所述音频样本库中的故障音频样本，即故障类型的声音，将其送入所述第一预处理系统，得到其二维特征矩阵，同时将步骤j检测到的故障音频送入所述第二预处理系统，得到故障音频的二维特征矩阵；

②将所述音频样本库中故障音频样本的二维特征矩阵送入音频训练系统，经运算得到最优投影轴，并将故障音频样本的二维特征矩阵向该最优投影轴进行投影，得到各故障音样本的二维特征矢量序列；

③将步骤①得到的故障音频的二维特征矩阵送入音频训练系统，并向步骤②得到的最优投影轴进行投影，得到故障音频的二维特征矢量序列；

④将所有音频样本库中故障音频样本的二维特征矢量序列及故障音频的二维特征矢量序列送入检测系统，进行检测，可得知该故障音属于哪种类型的故障；

将音频样本库中的所有故障音频样本数据(每一类故障音频都在相应的类别中)送入预处理系统及音频训练系统得到故障音样本二维特征矢量序列，将所检测到的故障音送入预处理系统及音频训练系统得到故障音二维特征矢量序列，具体实施步骤和故障检测系统相同，只不过在此过程中不调用音频样本库中的正常声音样本。

⑤检测出故障音所属类别之后，将故障音原始数据频送入音频样本库对应的故障音类别中，存为样本。基于2dpca及svm的变电站电力变压器故障类型检测流程图如图3所示。

步骤j，采用多项式核函数，如式(vi)所示：

式(vi)中，三个参数为γ、υ、d，d用来设置多项式核函数的最高此项次数，取默认数值3；γ为gamma参数设置，默认值是1/k，k是类别数，在监控阶段取数值2，在故障类型检测阶段，有多少类故障k就取相应的数值；υ默认值是0；xi是指未知音频的二维特征矢量序列，xj是指已知类型的二维特征矢量序列。

在本发明中，在设计svm分类器进行检测时，核函数的选取是直接影响检测结果的重要一项，在充分实验比较各个核函数的优缺点之后选择了多项式核函数能够得到精确地检测结果。