本发明属于声纹降噪和特征提取，具体涉及一种高压断路器机械故障声信号降噪与特征提取方法。
背景技术：
1、随着社会经济水平的提高，电力系统的稳定性在人们日常生产生活中起着越来越重要的作用。高压断路器是电网中重要的控制和保护设备，也是应对电力系统中复杂状况和需求的重要开关设备，其运行状态直接影响电力系统的运行稳定性和供电可靠性，一旦发生故障，小范围内会造成设备发热灼烧、变形损坏，从而可能会导致大范围停电事故，严重时甚至会导致电力系统瘫痪或崩溃，对国民经济稳定发展影响重大。操作机构引起的机械故障(如断路器拒分、拒合、分合闸闭锁及误动作等)和辅助回路及控制回路引起的电气故障(如二次回路短路、控制回路电压偏低等)占到总故障的76.7％，绝缘及其他问题造成的高压断路器故障仅占23.3％。因此，操动机构以及控制回路的故障是高压断路器的主要故障形式，是造成高压断路器无法正常工作的主要原因。研究高压断路器运行工作的外在表征特征，通过获取运行中的伴随信号，进行信号的监测、分析和提取，精准预判断路器不同部位的故障类型，是提升电力系统检修水平的基础。
2、在众多断路器机械状态监测方法中，声纹信号分析作为一种非侵入式的监测方法，因其提取特征参量稳定可靠，逐渐受到业界青睐。断路器声纹振动监测的方法就是通过若干声纹传感器获取其运行过程中的声纹信号，通过信号处理等手段获取蕴含在其中的特征信息，再辅以故障判别方法进行故障类型的定位或者分析断路器运行状态的发展趋势。
3、目前，几乎所有针对断路器的故障诊断主要都是基于振动信号，基于声纹的研究较少。声音信号与振动信号的来源相同，目前，断路器故障诊断多将声音和振动结合起来组成声振联合诊断，这需要同时对声音、振动信号提取特征向量，从而导致特征向量数量过多，小样本工况下缺乏诊断信服力。其次，经验模态分解及其改进方法等声振联合方法计算量较大且在重复试验时结果存在一定分散性。此外，振动信号的加入意味着需要对断路器机构额外接触式安装传感器，增加了操作的复杂性，为此我们提出一种高压断路器机械故障声信号降噪与特征提取方法。
技术实现思路
1、本发明的目的在于提供一种高压断路器机械故障声信号降噪与特征提取方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种高压断路器机械故障声信号降噪与特征提取方法，包括有以下步骤：
3、s1、采集高压断路器的操动过程声音：通过声音采集传感器对高压电路器的操动过程声音，并且将采集的操动过程声音进行传输；
4、s2、对采集的操动过程声音预处理：将采集的操动声音进行接收，并且先对操动声音进行增益处理，提高操动声音的强度，防止操动声音丢失，并且对采集的操动声音进行模数转换；
5、s3、对预处理后的操动声音进行滤波降噪：在预处理操动声音之后，对操动声音信号进行滤波提纯，包括有基于平滑滤波的声纹信号去噪和基于模态分解声纹信号去噪；
6、s4、对降噪后的操动声音信号进行提取特征：通过特征向量实现对降噪后的操动声音信号进行特征提取；
7、s5、对提取的特征进行降维分析：对提取后的联合倒谱系数各维数据运用lda降维和pca降维进行加权后再通过kpca降维，将核矩阵非零特征值从大到小排列，计算累计贡献率趋势，有利于后续模式识别。
8、较佳的，所述s3中的基于平滑滤波的声纹信号去噪包括有移动平均法滤波、savitzky-golay滤波和局部加权回归滤波中的一种或者多种，以及多种组合运用。
9、较佳的，所述移动平均法滤波将连续采集出来的声纹数据视作为长度固定为n的一组序列，在重新经过测量之后，将上述序列的第一位数据去掉，余下的n-1个数据依次向前递进，重新将二次采集到的数据插入到新序列的尾端，对该序列进行算术运算后，其结果便是本次计算所要求的值；
10、假设输入为x，输出为y，则移动平均法滤波的计算公式如下所示：
11、
12、所述savitzky-golay滤波通过设定最小变量数，来应对不同的应用场合；是一种在时域范围内最小二乘法拟合的滤波方法；经处理后获取到的平均值可表示为：
13、
14、所述局部加权回归滤波通过对获取数据的直观分析来实现的，无需预先设置好预测限制；
15、所述局部加权回归滤波指代的是加权线性最小二乘算法以及一个一阶多项式的模型，其平滑荧光光谱数据的能力相对较强。
16、较佳的，所述s3中的基于模态分解声纹信号去噪通过筛分过程，emd将声纹信号自适应表征称为imfs的振荡分量之和，对全通的高斯白噪声信号进行emd分解，得到的imfs在频域上大致分布在不同的频带；
17、首先采用基于emd的传统去噪算法通过策略将emd分解出来的imfs分为两组，一组是信息成分的低频imfs，另一组是噪声成分的高频imfs；而信息成分的一组imfs则被用于原信号的重构。
18、较佳的，所述基于模态分解声纹信号去噪的步骤如下：
19、s301、首先使用基于emd的传统去噪方法cmse将第一级分解中的imfs分为两组，一组是信息成分的低频imfs，另一组是噪声成分的高频imfs；
20、s302、基于多尺度分析的emd去噪方法，对噪声主导的高频imfs进行高频补零以改变其重采样率，从而使得emd能对这些第一级分解中主要是噪声成分的imfs进行下一级分解，得到对应的第二级分解中的imfs；
21、s303、然后再区分第二级分解中噪声主导的imfs和信息主导的imfs；且与s302一样。
22、较佳的，所述基于模态分解声纹信号去噪利用dfa计算标度指数计算第二级分解中imfs之间的统计关系，即信号标度指数越大，其振荡趋势趋于平滑，信号内更多的成分被看作信息分量，另一方面，信号标度指数越小，其信号振荡频率越高，信号内更多的成分被看作噪声分量；通过阈值处理策略结合基于emd的多尺度分析来使用，进一步从第二级分解中噪声占主导的imfs中提取出有效信息。
23、较佳的，所述s4中的特征提取采用的算法包括有gfcc特征、mfcc特征和信息论特征；
24、所述gfcc特征通过gammatone滤波器组进行等效人耳基底膜不同位置对频率的选择特性存在差异，基于gfcc系数应用于断路器合闸声音信号特征提取，有效提取不同机械状态合闸声音信号的频谱包络与细节，进而反映合闸声音信号的频域分布特征；
25、所述mfcc特征通过mel滤波器组等效人耳音调感知非线性特性等效的三角通滤波器组；
26、所述信息论特征用于取声音信号奇异谱熵信息论特征之前完成信号的分解，vmd将非平稳信号分解成数个有限带宽固有模态分量。
27、较佳的，所述gammatone滤波器组的各滤波器中心频率对应基底膜位置是等距的，第m个滤波器的阶跃响应函数bm(t)如下式所示：
28、
29、式中：v为滤波器增益；β为滤波器阶数；fm为第m个滤波器的中心频率；φm为初始相位；θ(t)为阶跃函数；cm为衰减因子，其与fm的关系为：
30、
31、将断路器一次合闸时间内声音信号盲分离结果作为一帧；以提取第i个声音信号分量的gfcc系数为例，首先对声音信号分量进行加窗处理，然后运用快速傅立叶变换得到其频谱序列xi(k)，将xi(k)通过gammatone滤波器组并对其输出进行指数压缩，根据经验将压缩系数取为0.2，第m个滤波器对信号的滤波与压缩过程可表达为：
32、
33、式中：为压缩结果；n为xi(k)的fft点数；hm(k)为第m个滤波器在xi(k)第k个点对应频率的增益；
34、对各个滤波器的压缩输出通过离散余弦变换进行去相关，结果即为声音分量的gfcc倒谱系数，离散余弦变换式为：
35、
36、式中：di(j)为第j维倒谱系数；i为滤波器个数；
37、所述mfcc特征中的每个滤波器带宽在mel标度下相等，声音频率f与mel标度频率mel(f)转换关系下式所示：
38、
39、第m个mel滤波器的频响hm(k)如下式所示：
40、
41、式中：k为频率；f(m)为第m个滤波器的中心频率；
42、与所述gfcc特征相似，对通过mel滤波器的频谱信号进行指数压缩，公式为：
43、
44、式中：为压缩结果；n为xi(k)的fft点数；hm(k)为第m个滤波器在xi(k)第k个点对应频率的增益；
45、对各个滤波器的压缩输出通过离散余弦变换进行去相关，结果即为声音分量的mfcc倒谱系数，离散余弦变换式为：
46、
47、式中：di(j)为第j维倒谱系数；i为滤波器个数；
48、所述信息论特征中vmd将非平稳信号分解成数个有限带宽固有模态分量，第k个blimf分量uk(t)表达式为：
49、
50、式中：ak(t)为uk(t)在t时刻的幅值；为其相位；
51、变分问题目标函数为最小化blimf频率带宽之和，对于信号其vmd目标函数如下所示：
52、
53、式中：k为预设blimf分量个数；ωk为第k个blimf分量中心频率；δ(t)为狄拉克函数；*表示卷积运算；
54、通过vmd完成声音信号分解后，提取各blimf的奇异谱熵、能量熵、峭度熵，以反映信号的概率分布与频率特征，各熵提取方式如下：
55、奇异谱熵：将k个blimf分量排列为k×l维矩阵，其中l为信号长度，矩阵的奇异值向量为λ＝[λ1，λ2，…，λk]，ui为第i个奇异值λi占整个奇异谱的比重，奇异谱熵定义为：
56、
57、能量熵：设各blimf的能量排列向量为γ＝[γ1,γ2,...,γk]，pi为第i个blimf能量占声音信号能量比重，则能量熵定义如下：
58、
59、峭度熵：峭度是反映信号概率密度分布的无量纲参数，第i个blimf分量峭度ηi定义为：
60、
61、式中：σi为第i个blimf分量的方差；为σi在第l点处的取值；为σi平均值；设各blimf分量峭度排列为ηi＝[η1,η2,...,ηk]，oi为第i个blimf分量峭度占所有分量峭度总和的比重，则对应的峭度熵为：
62、
63、较佳的，所述s5中的lda降维既线性判别式分析；
64、设断路器不同机械状态合闸声音信号一共为c类，共有c类特征向量，特征向量第j维数据的lda值lj如下式所示：
65、
66、式中：分子为第j维数据的类内散度；pij为第i类机械状态合闸声音信号特征向量中第j维数据，为其遍历；分母为第j维数据类间散度；ni为第i类合闸信号的帧数；为第i类机械状态合闸声音信号特征向量中第j维数据平均值；为所有特征向量中第j维数据平均值；
67、所述pca降维进行多信息特征融合；其步骤如下：
68、s501、将所有特征数据形成特征序列x＝{x1,x2,...,xn}m×n，其中n为样本个数，m为维数，元素xi为m维列向量，算法详细描述如下：
69、xi＝xi-μ，
70、式中：均值
71、s502、计算协方差矩阵：
72、
73、式中：a为m×m维堆成阵；
74、s503、对矩阵a进行特征值分解：
75、a＝q∑q-1，
76、式中：ai为m维列向量；
77、s504、特征根贡献率：
78、主成分个数是通过特征值贡献率来确定的，特征值越大，则该特征值对系统贡献率越大，选择前k个特征根，其中，贡献率kt定义为：
79、
80、s505、将原始样本投影到k个特征向量建立的特征空间，得到融合后的特征样本：
81、y＝wtx，
82、式中：y为n×n的矩阵，k为pca融合后的特征。
83、较佳的，所述kpca降维既核主成分分析，通常选用高斯核函数作为映射函数，映射过程如下所示：
84、
85、k(pi,pj)为核矩阵k第i行、j列值，对映射后的核矩阵求取其特征值，特征值即为核矩阵在对应特征向量方向上的方差，方差越大表示核矩阵在该特征向量方向上越离散，所含信息量越多；
86、将核矩阵特征值从大到小排列，选取占总特征值总和85％的前l大特征值对应特征向量按行排列组成降维矩阵g，降维后的特征空间维度减少为l维；新的特征向量矩阵x可如下式，降维后的声音信号特征向量表示为x：
87、x＝kg；
88、对提取后的联合倒谱系数各维数据运用lda加权后进行kpca降维，将核矩阵非零特征值从大到小排列，按照累计贡献率大于85％的准则选取前5大特征值对应特征向量组成降维矩阵g，特征向量由62维降为5维，降维后特征向量在特征空间的线性可分性，选取前3个维度的特征数据进行可视化，看出经过优化与降维后的特征向量在三维空间上具备良好的可分性，有利于后续模式识别。
89、与现有技术相比，本发明的有益效果是：
90、本发明中断路器的正常运行伴随着各个部件之间的衔接与磨合，此过程中的声纹信号成为设备运行状态正常与否的重要载体；声纹信号能够反映高压断路多种机械状态，通过对采集的声音进行滤波处理，可以消除背景噪声搅扰，并且基于平滑滤波的声纹信号去噪和基于模态分解声纹信号去噪，即平滑滤波的声纹信号去噪可以在滤波处理的时候，能够对信号进行平滑处理，以及基于模态分解声纹信号去噪能够对信号进行分成信息成分和噪声成分，提高提高信号的信噪比，获取高质量的声纹信号；
91、并且模仿人耳对声音信号的处理过程进而提取电力设备声音信号听觉特征的方法，单一特征反映信号信息能力有限，将听觉特征与时频特征相结合可更全面地反映信号信息；
92、基于特征提取方法的断路器故障特征属性约简研究，即在分析的时候特征集数据维数过大容易造成维数灾难导致数据爆炸，严重影响模型的识别速度，对部分冗余特征未进行处理甚至会导致模型的识别精度严重下降，因此需要使用特征提取算法对已提取的特征进行特征提取，降低数据维数，降低冗余，提高后续的计算分析效率。