本发明涉及电力工业和变压器检测领域，尤其涉及一种变压器声学特征提取及故障识别方法。
背景技术：
1、变压器的工作状态识别作为保障电力系统安全和可靠运行的重要研究领域之一，变压器的故障或异常检测主要有基于声音信号的检测方法和基于气体的检测方法等方法。变压器的机械结构决定了其声音信号与其机械状态密切相关，而运行中出现的不同声音可以反映变压器的不同异常状态，如过载、过负荷、高压瓷套管引线放电等，此外，变压器运行时间长也会导致机械结构变化，从而影响可听声音信号。与其他方法相比，基于声音信号的检测方法具有诸多优势：实时性强、数据采集容易、检测结果准确以及非接触式检测等。
2、基于声音信号的变压器故障检测方法可以分为基于人工识别的方法、基于信号特征提取的方法，人工识别的方法主要通过人工听取变压器产生的声音信号，根据经验和知识进行故障诊断和分类，这种方法直观、简单但其主观性强，诊断准确性和效率难以保证。而基于信号特征提取的方法则通过声音信号的采集、处理和特征提取，提取出能够反映变压器故障的特征参数，进而通过分类器对电力设备进行故障分类和诊断。在特征提取方面，现有研究中常用的特征参数有梅尔频率倒谱系数(mel-frequency cepstralcoefficients，mfcc)、线性预测倒谱系数(linear prediction cestrum coefficient，lpcc)以及gammatone滤波器倒谱系数(gammatone filter cepstral coefficient，gfcc)等，不同特征具有各自的特点，若能够提取不同特征同时作为分类器的输入，将在一定程度上解决使用单一特征作为识别依据带来的概括不准确、不全面等各种问题，同时将提取的不同特征作为分类器输入也将帮助提高整个方法的泛化能力与鲁棒性。
3、而分类器作为分类识别的实现部分，其在决定变压器声音信号能否被准确识别中同样具有关键作用，目前领域内使用的分类器主要有支持向量机(support vectormachine,svm)和决策树等传统机器学习算法，而随着研究的不断开展，这些传统机器学习算法表现出了泛化能力弱等问题。近年来深度学习在其他领域的诊断技术中取得了较多进展，深度学习技术在基于声音的故障识别中表现出了泛化能力强、准确率高等优点。
4、因此提出一种提取多种特征参数并组合为融合特征作为识别依据，结合深度学习技术中的卷积神经网络作为分类器的方法来实现变压器工作状态识别。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足，提供了一种变压器声学特征提取及故障识别方法，基于mfcc和cnn的变压器声学特征提取及故障识别方法。
2、为实现上述目的，本发明采用了如下技术方案：
3、本发明提供了一种变压器声学特征提取及故障识别方法，包括如下步骤：
4、s1、变压器正常运行、变压器放电故障和变压器过载三种状态的声音数据的获取；
5、s2、数据的预处理：对所述s1获取的数据分别预处理，预处理包括降采样和预加重；
6、s3、声音数据的特征提取：对所述说已经预处理过的数据依次进行分帧、加窗、傅里叶变换、计算功率谱密度、转换梅尔频率功率谱密度、离散余弦变换、提取mfcc、计算mfcc的一阶差分与二阶差分从而分别得到δmfcc和δδmfcc；
7、数据的mfcc作为静态特征，数据的δmfcc和δδmfcc作为动态特征，数据的静态特征和动态特征统称为特征数据；
8、s4、所述特征数据的组合：对所述s3得到的所述特征数据进行组合，得到融合特征数据；
9、s5、分类模型的构建：将所述融合特征数据划分为训练集、验证集和测试集，使用resnet50模型作为分类器，并对resnet50模型进行训练从而得到特征分类模型；
10、s6、所述特征分类模型部署与当前时期变压器声学特征提取与故障识别：获取当前时期固定时长的被检测变压器声音数据，并对所述被检测变压器声音数据进行与所述s2、所述s3和所述s4相同的预处理、特征提取和特征数据组合，得到当前时期的融合特征数据，并作为所述特征分类模型输入，最终所述特征分类模型输出预测结果，即预测的被检测变压器的当前状态。
11、进一步，所述s2具体为：
12、s201、声音数据降采样：为减少数据量、后续算法的计算量以及提高整个方法运算速度，需要对所述s1采集到的三种状态时的声音数据进行降采样，过程中需要注意满足奈奎斯特采样定理，即降采样后的采样率要大于信号最高频率的两倍；
13、s202、声音数据预加重：为增强高频信号的能量，减少低频信号的影响，对所述s201得到的降采样后的声音数据进行预加重处理；在音频信号中，高频信号的能量通常较低，而低频信号的能量较高，如果不做处理，会使得高频信号的信息被掩盖。
14、进一步，所述s3具体为：
15、s301、分帧：
16、将所述s2得到的预处理后的第m帧音频信号x(n)进行分帧，每一帧的采样点数即每帧长度为n，每两帧之间设定50％的重叠，设采样率为fs，则每一帧的时间长度为：
17、
18、s302、加窗：
19、对每一个采样点n的信号使用汉明窗进行加窗处理，以减小离散信号的频谱泄漏效应；假设第m帧的窗函数为w(m,n)，则第m帧的窗函数加权后的信号为：
20、xw(m,n)＝x(n)×w(m,n)，0≤n＜n，0≤m＜m (2)
21、s303、傅里叶变换：
22、对加窗后的信号xw(m,n)进行傅里叶变换，求出频域表示：
23、x(m,k)＝fft[xw(m,n)]，0≤k＜k (6)
24、s304、计算功率谱密度
25、功率谱密度是描述信号功率分布随频率变化的函数；是傅里叶变换的平方，表示在不同频率上的信号功率大小，计算功率谱密度psd(m,k)：
26、
27、s305，转换梅尔频率功率谱密度：
28、通常用三角滤波器组来实现，每个三角滤波器对应一个梅尔频率，所述三角滤波器形状类似于一个三角形；所述三角滤波器将信号在梅尔频率尺度上进行滤波和降采样，提取出与人耳感知频率响应更加接近的音频特征；
29、定义一个由i个三角滤波器组成的滤波器组，每个滤波器中心频率为f(i)，则其频率响应为：
30、
31、将psd(m,k)利用三角滤波器组映射到梅尔频率尺度上，得到梅尔频率功率谱密度(mpsd)：
32、
33、s306，离散余弦变换：
34、对梅尔频率功率谱密度进行离散余弦变换(dct)，得到声音数据的mfcc特征：
35、
36、其中，m表示帧数，j表示当前帧mfcc系数的维数，i表示三角滤波器的个数；
37、s307，计算mfcc的一阶差分与二阶差分：
38、对所述s306得到的mfcc(m,j)进行一阶差分和二阶差分计算，这一步的作用是增强特征的动态性，以更好地反映变压器声音信号的时变性质；
39、设经过一阶差分和二阶差分计算分别得到δmfc(c,m1)和δδmfcc(m,j2)；
40、m表示帧数，j1和j2分别表示当前帧δmfcc系数和δδmfcc系数的维数；
41、经过所述s306与所述s307得到mfcc、δmfcc和δδmfcc特征数据。
42、进一步，所述s4的具体步骤为：
43、设一空矩阵为a(224，224)，将所述s3得到的mfcc、δmfcc和δδmfcc分别填充至a中，具体过程如下：
44、首先取m等于1344即1344帧的mfcc特征数据矩阵、δmfcc特征数据矩阵和δδmfcc特征数据(特征数据总数m≥1344)，提取出的每种特征数据均为一有1344列的矩阵，设定mfcc取前12维(不包含第0维)即mfcc特征数据矩阵为12行(矩阵大小为12×1344)，则所述δmfcc特征数据矩阵和所述δδmfcc特征数据矩阵各自的特征数据矩阵便分别为11行与10行(差分计算的特点)(δmfcc矩阵大小11×1344，δδmfcc矩阵大小10×1344)；
45、然后将所述mfcc特征数据矩阵的前224列裁切并填充至矩阵a中，此时矩阵a中前12排已被填充，剩余的225-1344列mfcc特征数据矩阵进行类似操作依次裁切(下次剪裁225-448列)在矩阵a中自第十三排开始向下填充(剪裁填充完13-24排)，以此类推，最终mfcc特征数据矩阵全部填充至矩阵a的前72行；
46、对所述δmfcc特征数据矩阵进行类似操作，1-224列特征数据(11×224)剪裁填充至矩阵a第73行-第83行，最终所述δmfcc特征数据矩阵全部填充至矩阵a的73至138行，共66行；
47、对所述δδmfcc特征数据矩阵进行类似操作，1-224列特征数据(10×224)剪裁填充至矩阵a第139行-第148行，最终δδmfcc特征数据矩阵全部填充至矩阵a的139至198行，共60行。
48、矩阵a中未被填充的剩余的199至224行均填充0。
49、经填充操作后的矩阵a包含1344帧mfcc、δmfcc和δδmfcc特征数据，对所有帧的数据进行该步骤操作，依次剪裁1344帧(1345-2688帧填充到矩阵b，2689-4032帧填充到矩阵c，直到全部的特征数据总数m填充完成)，最终所有的矩阵得到融合特征数据。
50、进一步，所述s5包括如下步骤：
51、s501、数据集划分：
52、将融合特征数据按照其所对应的变压器工作状态进行对应，每种工作状态及其对应的融合特征数据组成了数据集，将数据集分别按照70％、20％和10％划分为训练集、验证集和测试集，变压器正常状态、变压器放电故障和变压器过载状态分别以标签a、b、c表示；
53、s502、模型训练：
54、使用resnet50模型作为分类器，并对所述resnet50模型进行训练从而得到特征分类模型；为防止过拟合采用dropout作为损失函数，优化器为sgd(随机梯度下降)。引入准确率(accuracy)、精确率(precision)、召回率(recall)、f1值(f1 score)作为评价指标，准确率是模型正确分类的样本数占总样本数的比例，精确率是在所有预测为正例的样本中，真正为正例的样本所占的比例，召回率是指在所有实际为正例的样本中，被正确预测为正例的样本所占的比例，而f1值是精确率和召回率的调和平均值，能够在一定程度上综合反映模型的预测能力和分类效果。
55、进一步，所述s6的具体步骤为：获取当前时期固定时长的被检测变压器声音数据，并对进行与所述s2、所述s3和所述s4相同的处理，得到当前时期的融合特征数据，并作为特征分类模型输入，最终特征分类模型输出预测结果，即预测的被检测变压器的当前状态。
56、本发明的有益效果为：提取变压器声音信号的mfcc静态特征并计算其动态特征，并采用基于深度学习的卷积神经网络，加入了动态特征的融合特征进行训练和识别，最终实现了变压器声音信号的特征提取与故障识别。本发明提出的方法能够有效地根据变压器工作声音来识别出变压器的正常工作状态、放电故障以及变压器过载状态；利用声音信号进行变压器的故障诊断作为一种非接触式检测方法较传统的检测方法，拥有无需拆卸、实时性强等优势；动态特征的引入能够让模型学习到声音信号的动态信息，从而提高模型的识别效果，融合mfcc静态特征识别效果优于仅利用单一特征进行识别的效果；使用基于深度学习的卷积神经网络作为分类器，解决了以往方法使用传统机器学习算法作为分类器具有的需要对分类器不断优化调整、泛化能力弱、需要人工提取特征等问题；使用了引入跨层连接与残差块的resnet，从而解决了使用传统卷积神经网络梯度消失和梯度爆炸问题。