一种基于神经网络的变压器故障声音特征识别方法与流程

1.本发明涉及变压器故障识别技术领域，具体是一种基于神经网络的变压器故障声音特征识别方法。


背景技术：

2.近年来，经济和工业的发展使得我国对电力的需求不断增大，超高压大电网成为电力发展的新趋势。经过多年运行，变压器发生故障的几率不断增加，存在发生绝缘老化、部件松动等各种故障的风险。作为电力系统中用于电能转换的电力设备，变压器数量大，运行时间长，因而产生故障的变压器数目也较多。变压器是电力系统中的重要设备，确保其安全的运行十分重要。因此，对变压器运行状态进行分析，及时消除变压器的隐患，对电力系统发展具有重要意义。
3.然而，变压器故障的形式是多种的，如蝶阀螺栓出现松动、磨损、断裂、脱落等情况，乃至引发断裂螺栓、油流指示器磨损杂质进入线圈内部引发的变压器故障，以及油枕中的异物、杂质因流速过快冲入变压器本体油箱引发的绝缘故障等。这类无放电特征的故障无法通过红外、紫外和射频巡检等常见的手段进行检测。
4.检测变压器机械故障的主要方法是振动信号分析法，目前对于其振动测试方法的研究主要集中在振动测试系统与声学测试系统的开发、振动和声学测点位置的选择。西安交通大学最早采用压电式振动加速度传感器对变压器铁心和绕组的振动进行测量，而具有永磁体吸座的振动加速度传感器以其易于粘贴和安装的优势受到了广泛的关注；重庆大学则利用光纤法珀传感器建立了铁心振动测试系统，并且分别从传感器布置、信号解调技术以及光路设计等方面对测试系统进行了深入的研究。但是振动信号分析法在应用时，需要将传感器粘贴在设备表面，测量点的选择需要非常了解设备的结构及特点，且不同测点的选择会直接影响到测量结果；其次，振动信号分析法能诊断出机械缺陷，但却很难对其进行定位，若想定位需使用大量传感器，而数量居多的传感器粘贴于设备表面并不切合实际。
5.针对变压器故障在电磁应力下产生振动并辐射出异响的特点，且不同故障产生的声音频带不同，为通过异响诊断故障提供了另一个方向。然而机械故障声音频带与变压器本体噪声频带重合度高，声音混淆的概率增加，通过识别声音实现故障识别的难度提高。异响单靠裸眼和耳朵想要准确地定位异音、异响是非常困难，且靠近带电的变压设施还会对现场人员产生安全隐患，若断电检查，一旦停电，异响也会消失，排查处理有很大难度。
6.如何将混合声音中的噪音与故障声音分离，是变压器非接触在线故障诊断技术实现需要解决的问题。


技术实现要素：

7.针对上述现有技术中的问题，本发明提出一种基于神经网络的变压器故障声音特征识别方法，用于解决现有技术中混合声音中的噪音与故障声音分离的问题。
8.为了实现上述目的，本发明的技术方案：
9.一种基于神经网络的变压器故障声音特征识别方法，其包括：
10.混合声音采集，通过麦克风采集变压器通电状态下的声音，形成混合音频信号；
11.混合声音分离，对混合音频信号分析运算，分离出噪声信号和故障声音源信号；
12.声音信号特征提取，计算故障声音信号中各个频段的能量分布，按小波包能量分布向量和梅尔对数频谱作为故障声音源信号的特征；
13.故障类型识别，采用神经网络模型识别故障声音源信号对应的故障类型。
14.进一步地，混合声音分离中，采用快速独立分量分析算法，以通过建立的目标函数来寻优，逐渐逼近故障声音源信号：
15.1)构建基于负嫡最大算法的目标函数为
[0016][0017]
(3-3)式中，ki为正常数，v为标准化过的高斯变量，y为具有单位方差和零均值的随机变量，gi为任意的实际非二次函数；
[0018]
2)按鲁棒性优劣，选择随自变量增长较慢的函数gi，所述gi在以下四种公式中选择：
[0019][0020]
g2(y)＝-exp(-y2/2)(3-5)，
[0021][0022][0023]
其中，常数a1，的取值范围为1≤a1≤2；当故障声音源信号是亚高斯和超高斯信号时，函数gi选择公式(3-4)；当故障声音源信号中全部是超高斯信号时，gi选择公式(3-5)；当故障声音源信号中全部是亚高斯信号时，gi选择公式(3-6)；当故障声音源信号中全部是偏态分布信号时，gi选择公式(3-7)；
[0024]
3)构建混合音频信号与故障声音源信号的关系：
[0025]
y＝w
t
x(3-8)，
[0026]
(3-8)式中，y为故障声音源信号的其中一个独立分量，w为分离矩阵w的其中一行，x为一一混合信号的矩阵；
[0027]
将式(3-8)代入式(3-3)，令p＝1得:
[0028]
jg(w){e[g(w
t
x)]-e[g(v)]}2(3-9)；
[0029]
4)求解能使式(3-9)中函数jg(w)达到最大值的分离矩阵w，由e{(w
t
x)2}＝1，得目标函数为：
[0030][0031]
根据kuhn-tucker条件将有条件问题转化为无条件问题，则目标函数变为：
[0032]
f(w)＝e[g(w
t
x)]+c(||w||
2-1)(3-11)，
[0033]w+
＝e{xg(w
t
x)}-e{g(w
t
x)}w(3-12)，
[0034]
(3-11)式中，c为常数；
[0035]
5)由牛顿法的迭代公式得：
[0036][0037]
f(w)＝e[g(w
t
x)]+c(||w||
2-1)(3-14)。
[0038]
进一步地，声音信号特征提取中，通过小波包算法计算故障声音源信号各个频段的能量分布：
[0039]
1)通过小波包变换算法，将故障声音源信号分解到宽度相等的频率段上，将故障声音源信号n层分解，则在第n层共得到2n个频段，对信号进行n-1层小波包分解，分解公式为：
[0040][0041][0042]
(3-15)和(3-16)式中，为第n层小波包分解的低频系数，为第n层小波包分解的高频系数，h
k-21
为小波包分解的低通滤波系数，g
k-21
为小波包分解的高通滤波系数，p
n-1，0
(t)为第n-1层的小波包分解系数；
[0043]
2)重构各频率段的小波包系数，第n层小波包重构公式为：
[0044][0045][0046]
(3-17)和(3-18)式中，p
n，0
(t)为第n层小波包重构的低频信号，p
n，1
(t)为第n层小波包重构的高频信号，h
1-2k
为小波包重构的低通滤波系数，g
1-2k
为小波包重构的高通滤波系数，为低频重构系数，为高频重构系数；
[0047]
3)计算各频率段能量：计算2n个频带信号s
n，j
的能量e1、e2…
ei，计算公式为：
[0048][0049]
(3-19)式中，si(t)为原始信号，pi为离散点幅值，ei为第j个频带的能量，n为第j个频带的采样点数；
[0050]
4)将各频段的能量归一化构建特征向量t:
[0051][0052]
进一步地，故障类型识别中通过bp神经网络算法进行训练和参数确定：
[0053]
1)确定bp神经网络的结构后通过不断调整权值和偏差值，使其训练和学习，直至网络完成指定的映射关系，bp神经网络的激活函数选择：
[0054]
输入层选择线性型激活函数，则节点i的输出yi为：
[0055]
yi＝pi(3-21)，
[0056]
(3-21)式中，pi为i节点的输入，隐藏层的激活函数选择对数型s型函数，则输出yi为：
[0057][0058][0059]
式中，nj—节点j的总输入；
[0060]
输出层选择s型函数，则节点k的输出yk为：
[0061][0062][0063]
随机设定网络权值
△wkj
,dw
ji
，阂值，学习因子n的初始值，输入样本根据选择的激活函数计算节点k的输出，计算节点k的实际输出值与期望值差值即为误差，则k个节点的总误差e为：
[0064][0065]
网络继续迭代计算，根据总误差e沿e的负梯度方向调整网络权值
△
w，直到误差e比规定的误差值e0小，即：
[0066][0067][0068]
(3-27)和(3-28)式中，η为学习速率；
[0069]
计算输出层、隐藏层误差δk和δj：
[0070][0071][0072]
其中，权值修正公式w
kj
、w
ji
：
[0073]wkj
(t+1)＝w
kj
(t)+ηδkyj(3-31)，
[0074]wji
(t+1)＝w
ji
(t)+ηδjyi(3-32)；
[0075]
2)确定bp神经网络的输入层和输出层的节点数，根据以下三个经验公式确定隐藏层节点数:
[0076][0077]
m＝log2n(3-34)，
[0078][0079]
(3-33)～(3-35)式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，a取1-10之间的常数；
[0080]
依次设定不同的隐藏节点数代入神经网络模型，选取模型的最高识别率对应的节点数作为隐藏节点数。
[0081]
进一步地，故障类型识别中通过梅尔对数频谱图将声音特征转化成图像，再利用卷积神经网络对图像的识别能力对梅尔对数谱进行分析，从而实现对变压器异常声音的识别：
[0082]
1)所述卷积神经网络对图像进行卷积运算时，将图像的像素看作为矩阵形式，将需要识别的图像与指定的卷积核卷积运算得到特征图，其计算公式为：
[0083][0084]
(3-41)式中，i(i,j)为输入的二维图像数据，w(m,n)为二维卷积核；
[0085]
2)所述卷积神经网络对特征图采用最大值池化法对频谱图采样；
[0086]
3)所述卷积神经网络采用softmax分类函数的全连接过程：
[0087]
yi＝f(wix
i-1
+bi)(3-42)，
[0088]
(3-42)式中，i为网络层的序号，yi为全连接层的输出，x
i-i
为全连接层的输入，wi为权重系数，bi为偏置项，f(x)为分类函数。
[0089]
进一步地，所述故障声音源信号采用5层小波包算法分解，若神经网络故障类型的识别结果为能量分布主要集中1000hz以下，则将故障声音源信号1500hz以下的频段继续细分，进行9层小波包分解，将得到的声音特征向量输入神经网络模型，进行二次识别。
[0090]
进一步地，还包括对噪声信号的消噪处理，其采用先对系数的无偏似然估计，根据消噪信号方差最小时，确定统一阈值的非线性小波变换阈值法：
[0091]
1)对已知噪声特性的噪声信号采用线性小波阈值法，运用经验公式来确定阈值的大小，采用缺省的阈值确定模型，其阈值由以下公式得出：
[0092][0093]
(3-43)式中，m为信号的长度，采用小波包变换，其阈值由以下公式得出：
[0094][0095][0096]
(3-43)和(3-44)式中，ck为小波包分解系数排序后第一大的系数，n为系数的总数，δ为信号噪声强度，a为经验系数；
[0097]
将处理的信号看做相似于未知回归函数的估计式，极值估计在给定的函数里集中
实现最大均方误差最小化；
[0098]
2)对未知噪声特性的噪声信号采用软阈值估计法确定阈值的大小：通过极大极小准则法是先确定一个中间固定阈值，由它产生一个最小均方误差的极值(minimaxi)，计算方法如下式：
[0099][0100]
将处理的信号看作相似于未知回归函数的估计式，极值估计在给定的函数里集中实现最大均方误差最小化；
[0101]
3)在较低尺度量级上保留有用信号，在最大尺度量级上消除噪声信号，计算公式如下：
[0102][0103]
(3-46)式中，n为预设噪声功率，j为所取的尺度量级取常数2，a为最大极值点幅度；
[0104]
对每一级尺度量级设定一个与之最佳匹配的阈值进行降噪，根据降噪后各级尺度上保留的模极大值点进行信号重构。
[0105]
本发明获取变压器发出的声音，根据噪声和故障声音的频率特性，采用快速独立分量分析算法分离出噪声信号和故障声音源信号，以声音的能量分布作为特征向量，计算故障声音的各个频段的能量分布，根据能量分布故障特征向量，将故障特征向量进行神经网络计算，根据输出值确定变压器故障类型。且采用bp神经网络识别声音，并对初次识别不足的情况下，对声音低频部分进一步细分，计算1500hz以下频段声音能量分布进行二次识别。本发明实现了设备状态信息非接触采集和封闭设备状态透视，达到变压器潜伏性缺陷可视、可感，其能降低故障识别的计算量，提高识别速度，且配合辅助运维人员巡检和异常治理，能够节省人力成本，同时有效规避传统巡检运维方式可能带来的错检和漏检问题。
附图说明
[0106]
图1是本发明变压器故障诊断方法框图。
[0107]
图2是本发明小波包分解流程图。
[0108]
图3是本发明改进小波包分解流程图。
[0109]
图4是本发明卷积运算的示意图。
[0110]
图5是变压器正常运行时域波形。
[0111]
图6是变压器正常运行全频段频域波形。
[0112]
图7是变压器正常运行频域波形。
[0113]
图8是变压器故障声音频域波形。
[0114]
图9是fastica算法分离变压器本体噪声与机械故障声音时域图。
[0115]
图10是fastica算法分离变压器本体噪声与放电故障声音时域图。
[0116]
图11是fastica算法分离的声音与原声音的频域图对比。
[0117]
图12是变压器故障声音和正常运行声音能量分布图。
[0118]
图13是干扰声音能量分布图。
[0119]
图14是bp神经网络模型混淆矩阵。
[0120]
图15是变压器故障声音和正常运行声音在1500hz以下能量分布图。
[0121]
图16是干扰声音在1500hz以下能量分布图。
[0122]
图17是bp神经网络模型混淆矩阵。
[0123]
图18是变压器故障声音和正常运行声音时频谱图。
[0124]
图19是干扰声音时频谱图。
[0125]
图20是卷积神经网络混淆矩阵。
具体实施方式
[0126]
下面将结合本技术公开实施例中的附图，对本技术公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术公开及其应用或使用的任何限制。基于本技术公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术公开保护的范围。
[0127]
本发明提供了一种基于神经网络的变压器故障声音特征识别方法，其包括：
[0128]
混合声音采集，通过麦克风采集变压器通电状态下的声音，形成混合音频信号；
[0129]
混合声音分离，对混合音频信号分析运算，分离出噪声信号和故障声音源信号；
[0130]
声音信号特征提取，计算故障声音信号中各个频段的能量分布，按小波包能量分布向量和梅尔对数频谱作为故障声音源信号的特征；
[0131]
故障类型识别，采用神经网络模型识别故障声音源信号对应的故障类型。
[0132]
变压器的机械故障和放电故障是常见的两种故障类型，其声音频率主要集中在1000hz以下，分析实验模拟的机械故障和放电故障的声音发现，机械故障声音能量主要集中在1000hz以内，在也存在少量高频分量；而放电声音在可听声范围内频率分布较广，在15khz以内都有能量分布。
[0133]
实际变压器发生故障时采集到的声音是混合了噪声和故障声音的混叠声音，而噪声主要为变压器本体噪声，故障声音主要为机械故障声音，单纯的去除噪声不能满足故障识别精度的需要。根据可听声的频率范围和采样定理，采样频率必须要40khz以上才能不丢失声音信息。但是这意味着仅is的音频就需要保存至少4万个数据，为了充分利用声纹信号中包含的故障特征信息，降低故障识别的计算量，提高识别速度，需要先提取声音特征。
[0134]
为此，本发明提出基于声纹的故障诊断方法，方法可分为三个部分:混合声音采集与分离、声音信号特征提取和故障类型识别，如图1所示。首先，使用麦克风采集变压器附近的声音，然后使用快速独立分量分析(fast independentcomponent analysis fastica)算法将变压器本体噪声和故障声音分离；最后提取声音信号的特征并采用神经网络模型识别不同声音。分别使用小波包能量分布向量和梅尔对数频谱作为声音的特征，采用bp神经网络和卷积神经网络算法识别声音的特征。
[0135]
变压器实际运行过程中发生何种故障未知，因而分离混叠信号是声纹识别领域的一个难题。经验模式分解和主成分分析等信号分离算法不能分离独立的信号，只能分离不相关的信号。为解决这类问题，本发明采用的盲源分离算法具有明显优势。盲源分离算法是
指在原信号和信号混合方法都未知的情况下，从多个麦克风录制的混合信号中提取出未观测到的原始信号的方法。
[0136]
本发明在混合声音分离中，采用的是盲源分离算法中的快速独立分量分析算法，以通过建立的目标函数来寻优，逐渐逼近故障声音源信号。通过目标函数衡量各成分的独立性。首先建立一个反映各成分之间相互独立程度的目标函数j(w)，当某个值才使得目标函数达到极值点时，w就是最优解。而寻优算法就是求解w的有效算法。通常算法的统计特性，如鲁棒性、一致性等由目标函数确定，算法的内存要求、收敛速度和稳定性等性质由寻优算法确定。具体过程如下：
[0137]
1)构建基于负嫡最大算法的目标函数为
[0138][0139]
(3-3)式中，ki为正常数，v为标准化过的高斯变量，y为具有单位方差和零均值的随机变量，gi为任意的实际非二次函数；
[0140]
2)按鲁棒性优劣，选择随自变量增长较慢的函数gi，所述gi在以下四种公式中选择：
[0141][0142]
g2(y)＝-exp(-y2/2)(3-5)，
[0143][0144][0145]
其中，常数a1，的取值范围为1≤a1≤2；当故障声音源信号是亚高斯和超高斯信号时，函数gi选择公式(3-4)；当故障声音源信号中全部是超高斯信号时，gi选择公式(3-5)；当故障声音源信号中全部是亚高斯信号时，gi选择公式(3-6)；当故障声音源信号中全部是偏态分布信号时，gi选择公式(3-7)；
[0146]
3)构建混合音频信号与故障声音源信号的关系：
[0147]
y＝w
t
x(3-8)，
[0148]
(3-8)式中，y为故障声音源信号的其中一个独立分量，w为分离矩阵w的其中一行，x为一一混合信号的矩阵；
[0149]
将式(3-8)代入式(3-3)，令p＝1得:
[0150]
jg(w){e[g(w
t
x)]-e[g(v)]}2(3-9)；
[0151]
4)求解能使式(3-9)中函数jg(w)达到最大值的分离矩阵w，由e{(w
t
x)2}＝1，得目标函数为：
[0152][0153]
根据kuhn-tucker条件将有条件问题转化为无条件问题，则目标函数变为：
[0154]
f(w)＝e[g(w
t
x)]+c(||w||
2-1)(3-11)，
[0155]w+
＝e{xg(w
t
x)}-e{g(w
t
x)}w(3-12)，
[0156]
(3-11)式中，c为常数；
[0157]
5)由牛顿法的迭代公式得：
[0158][0159]
f(w)＝e[g(w
t
x)]+c(||w||
2-1)(3-14)。
[0160]
本发明在声音信号特征提取中，通过小波包算法计算故障声音源信号各个频段的能量分布。不同种类的声音往往各频段的能量分布有区别。所以，可以采用小波包频段能量参数构建故障特征向量。通过小波包变换算法，将声音分解到宽度相等的频率段上。将信号n层分解，则在第n层共得到2n个频段。重构各频率段的小波包系数，然后计算各频率段能量，即为代表变压器不同故障声音信号的特征参数。为了使特征参数具有相同的数量级，不同特征参数在数值上具有可比性，将这些故障特征参数归一化处理。如当层级n选取5时，最后声音的特征向量由32个相对能量值构成。
[0161]
使用小波包算法计算声音的能量特征分为四个步骤:小波包分解、小波包重构、能量计算和特征向量的构造：
[0162]
1)通过小波包变换算法，将故障声音源信号分解到宽度相等的频率段上，将故障声音源信号n层分解，则在第n层共得到2n个频段，对信号进行n-1层小波包分解，分解公式为：
[0163][0164][0165]
(3-15)和(3-16)式中，为第n层小波包分解的低频系数，为第n层小波包分解的高频系数，h
k-21
为小波包分解的低通滤波系数，g
k-21
为小波包分解的高通滤波系数，p
n-1，0
(t)为第n-1层的小波包分解系数；
[0166]
2)重构各频率段的小波包系数，第n层小波包重构公式为：
[0167][0168][0169]
(3-17)和(3-18)式中，p
n，0
(t)为第n层小波包重构的低频信号，p
n，1
(t)为第n层小波包重构的高频信号，h
1-2k
为小波包重构的低通滤波系数，g
1-2k
为小波包重构的高通滤波系数，为低频重构系数，为高频重构系数；
[0170]
3)计算各频率段能量：计算2n个频带信号s
n，j
的能量e1、e2…
ei，计算公式为：
[0171]
[0172]
(3-19)式中，si(t)为原始信号，pi为离散点幅值，ei为第j个频带的能量，n为第j个频带的采样点数；
[0173]
4)将各频段的能量归一化构建特征向量t:
[0174][0175]
bp神经网络因具有自适应性能好、容错性高以及自学习能力强以及非线性能力强等优点，本发明在故障类型识别中通过bp神经网络算法进行训练和参数确定：
[0176]
1)确定bp神经网络的结构后通过不断调整权值和偏差值，使其训练和学习，直至网络完成指定的映射关系，bp神经网络的激活函数选择：
[0177]
输入层选择线性型激活函数，则节点i的输出yi为：
[0178]
yi＝pi(3-21)，
[0179]
(3-21)式中，pi为i节点的输入，隐藏层的激活函数选择对数型s型函数，则输出yi为：
[0180][0181][0182]
式中，nj—节点j的总输入；
[0183]
输出层选择s型函数，则节点k的输出yk为：
[0184][0185][0186]
随机设定网络权值
△wkj
,dw
ji
，阂值，学习因子n的初始值，输入样本根据选择的激活函数计算节点k的输出，计算节点k的实际输出值与期望值差值即为误差，则k个节点的总误差e为：
[0187][0188]
网络继续迭代计算，根据总误差e沿e的负梯度方向调整网络权值
△
w，直到误差e比规定的误差值e0小，即：
[0189][0190][0191]
(3-27)和(3-28)式中，η为学习速率；
[0192]
计算输出层、隐藏层误差δk和δj：
[0193][0194][0195]
其中，权值修正公式w
kj
、w
ji
：
[0196]wkj
(t+1)＝w
kj
(t)+ηδkyj(3-31)，
[0197]wji
(t+1)＝w
ji
(t)+ηδjyi(3-32)；
[0198]
2)声音的特征向量个数决定网络输入层数，输出层节点数由变压器故障类型数决定。因而当层数n为5时，神经网络的输入层的节点数为32个，输出层的节点数为8个。确定bp神经网络的输入层和输出层的节点数，根据以下三个经验公式确定隐藏层节点数:
[0199][0200]
m＝log2n(3-34)，
[0201][0202]
(3-33)～(3-35)式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，a取1-10之间的常数；
[0203]
依次设定不同的隐藏节点数代入神经网络模型，选取模型的最高识别率对应的节点数作为隐藏节点数。
[0204]
与声谱图相比，梅尔对数频谱图根据人耳接收声音的特点设计，并且梅尔对数频谱图包含声音频域信息的同时尺度比声谱图小，可以保留更多的细节信息。
[0205]
因此，本发明在故障类型识别中通过梅尔对数频谱图将声音特征转化成图像，再利用卷积神经网络对图像的识别能力对梅尔对数谱进行分析，从而实现对变压器异常声音的识别。卷积神经网络主要由5部分组成，分别是输入层、卷积层、池化层、全连接层和输出层。
[0206]
1)卷积层
[0207]
卷积操作是卷积神经网络的关键步骤。通过卷积操作可以从图像中提取信号特征，增强信号某些特征的并且降噪。将图像进行卷积运算时，将图像的像素看作为矩阵形式，则像素之间不连续。将需要识别的图像与指定的卷积核卷积运算。其计算公式为：
[0208][0209]
(3-41)式中，i(i,j)为输入的二维图像数据，w(m,n)为二维卷积核。
[0210]
如图4所示为卷积运算的示意图。一个sxs维的像素值仅为0和1图像，经过3x3的卷积核计算后，得到一个数值，其中卷积核也叫做滤波器。卷积核在输入矩阵中以一定步长滑动计算，每滑动一步，计算得到一个数字，最终得到一个特征图。选择的卷积核不同，最后得到的特征图也不相同。
[0211]
2)池化层
[0212]
池化层的主要目的是删除图片中不需要的细节，减小特征图的尺寸，实现对信号特征的二次提取。常见的池化操作有:最大值、均值和随机池化。最大值池化即输出特征值
在相邻区域中的最大值，是最常用的池化方式，可以很好的保留图片的特征；均值池化即输出特征值在相邻区域中的平均值，可以很好的保留图片的背景，但容易模糊图片；随机池化即随机输出特征图片中的元素，方法简单且泛化能力强。选择最大值池化法对频谱图采样。本发明所述卷积神经网络对特征图采用最大值池化法对频谱图采样；
[0213]
3)全连接层
[0214]
全连接层起着分类的作用，常常位于网络的末尾位置。全连接层需要训练一个分类函数。所述卷积神经网络采用softmax分类函数的全连接过程：
[0215]
yi＝f(wix
i-1
+bi)(3-42)，
[0216]
(3-42)式中，i为网络层的序号，yi为全连接层的输出，x
i-i
为全连接层的输入，wi为权重系数，bi为偏置项，f(x)为分类函数。
[0217]
小波包分解是将信号同时通过高、低通滤波器，信号被分解成高、低频信号，如图2所示。但是分析变压器、机械故障和干扰的声音特点可知，变压器本体噪声、一些机械故障声音和干扰声音的频率主要分布在1000hz以下。对于这些声音，如果进行5层小波包分解，能量主要分布在第1、2频段，声音难以区分；如果增加小波包分解层数，如9层小波分解，则会产生512个频段。频段过多，不但增加了声音识别的难度，且高频部分几乎能量为0，不含声音的特征信息。如果采用小波变换，仅对低频部分细分解，由于放电声音在高频部分含有能量分布，可能使放电声音丢失很多信息。由此可见，对整个频率区间等分，难以满足声音识别的精度要求。由此提出小波包算法的改进算法。首先对声音进行5层小波包分解，并通过神经网络识别声音类型。如果识别结果为能量分布主要集中前两个频段1000hz以下的声音，如变压器本体噪声、机械故障声音等，则将声音1500hz以下的频段继续细分，进行9层小波包分解，将得到的声音特征向量输入神经网络模型，进行二次识别，增加识别的准确度。分解的示意图如图3所示。
[0218]
设备声信号存在断续的奇异点，噪声也具有同样的性质。关于这种信号的消噪处理，若采用传统的傅里叶变换或者用固定阈值选取，处理后的信号系数会变得稀疏。
[0219]
因此，本发明还包括对噪声信号的消噪处理，其采用先对系数的无偏似然估计，根据消噪信号方差最小时，确定统一阈值的非线性小波变换阈值法：
[0220]
1)对已知噪声特性的噪声信号采用线性小波阈值法，运用经验公式来确定阈值的大小，采用缺省的阈值确定模型，其阈值由以下公式得出：
[0221][0222]
(3-43)式中，m为信号的长度，采用小波包变换，其阈值由以下公式得出：
[0223][0224][0225]
(3-43)和(3-44)式中，ck为小波包分解系数排序后第一大的系数，n为系数的总数，δ为信号噪声强度，a为经验系数。
[0226]
将处理的信号看做相似于未知回归函数的估计式，极值估计在给定的函数里集中实现最大均方误差最小化。
[0227]
2)对未知噪声特性的噪声信号采用软阈值估计法确定阈值的大小：通过极大极小
准则法是先确定一个中间固定阈值，由它产生一个最小均方误差的极值(minimaxi)，计算方法如下式：
[0228][0229]
将处理的信号看作相似于未知回归函数的估计式，极值估计在给定的函数里集中实现最大均方误差最小化；
[0230]
3)在较低尺度量级上保留有用信号，在最大尺度量级上消除噪声信号，计算公式如下：
[0231][0232]
(3-46)式中，n为预设噪声功率，j为所取的尺度量级取常数2，a为最大极值点幅度；
[0233]
对每一级尺度量级设定一个与之最佳匹配的阈值进行降噪，根据降噪后各级尺度上保留的模极大值点进行信号重构。
[0234]
对本发明的方法，我们进一步通过变压器故障模拟及实验进行验证。
[0235]
为了还原变压器发生故障的真实场景，在实验室中搭建变压器试验，模拟变压器中可能发生的故障声音。在变压器内放置机械故障和放电故障的模型，模拟不同类型的变压器故障。
[0236]
1)机械故障
[0237]
当金属小部件掉入变压器中时，金属部件与变压器绕组在电场作用下相互撞击产生异响。将金属部件放在油箱内的不同位置，给油箱内线圈加50hz交流电，金属部件与线圈在电磁力的作用下相互碰撞发出“嗡嗡”声响。模拟金属部件在油箱内三个不同位置撞击发出的声音：
[0238]
a)金属小部件与油箱内线圈底部摩擦产生的声音；
[0239]
b)金属小部件与夹件摩擦产生的声音；
[0240]
c)金属小部件与压板摩擦产生的声音。
[0241]
2)放电故障
[0242]
变压器绝缘结构复杂，根据经验，变压器内部常见放电类型有以下几种:绕组端部油通道放电；绝缘挡板和油的间隙发生放电；油纸绝缘中的局部放电；绝缘纸和导线连接处的间隙放电；绝缘纸的沿面放电；匝间绝缘击穿；线圈间的放电等
[0243]
分析变压器内部中可能出现的放电类型，设计3种的放电模型，分别为平板电极放电，电晕放电和沿面放电模型。
[0244]
3)故障声音采集
[0245]
声音传感器是声音故障检测过程中的重要设备，性能差的麦克风会丢失声音的细节，导致声音信号发生畸变，降低声音识别的准确率。选择传感器需要参考以下性能:
[0246]
1)在可听声范围内有着良好的频率响应特性。频率响应反映了声压相位与声音频率之间的关系。频响曲线越平直，代表声音失真越小，传感器的性能越高。
[0247]
2)较高的信噪比。信噪比即传感器中信号与噪声的比例。信噪比越高，代表声音信
号中掺杂的噪声比例越小，二次回放声音的音质越好，声音识别的准确率越高。国际电工委员会规定。信噪比大于90db的合并式放大器性能较好。
[0248]
3)较高的灵敏度。较高的灵敏度可以采集更加细微的声音。
[0249]
4)性价比高。
[0250]
由于麦克风具有操作简单和使用方便等优点，选择麦克风作为声音采集装置。电容式麦克风的工作原理是通过金属薄膜接收声波，使电容器产生波纹输出电流，通过信号放大采集到声音信号。由于电容式麦克风的振动膜与动态线圈式麦克风相比较为轻薄，因而它可以更准确地跟踪声波的变化，更详细、准确地再现声音。电容式麦克风在所有类型的麦克风中均具有最佳的瞬态响应和最宽的频率响应范围，采集的声音细节丰富，并且比动态线圈麦克风具有更高的输出和更低的噪声。电容式麦克风具有指向性高、灵敏度高等优点。因此，选择了电容式麦克风作为声音采集设备。
[0251]
为了全面研究变压器的声音信号特征，本项目选择不同变电站的不同电压等级的七个变压器采集声音，绘制时长为0.12秒的时域图，如图5所示。其中横坐标是声音信号经麦克风转化得到的电平信号幅值，单位为mv，代表声音的响度。从时域图中我们可以看出变压器波形随时间变化的状况。不同型号电压等级变压器的时域图有很大差别，但是仅凭借时域图很难分辨出变压器是否发生故障。为了方便对比变压器间的差异，将变压器的噪声波形进行傅里叶变换，分析其频域特征。
[0252]
图6为变压器正常运行的频域波形图。从图中可以看出变压器的频域分布主要在1000hz以下。为了方便观察变压器正常运行声音频域图的细节，仅分析变压器1000hz以下声音的频域图，如图7所示。
[0253]
图8是变压器内部可能发生的机械故障声音与放电故障声音的频域图。图(a)、(b)、(c)是金属部件调入变压器内不同位置发出的机械故障声音频域图。图(d)、(e)、(f)变压器内可能发生的三种放电声音频域图。从图中可以看出，图8(a)金属部件与油箱内线圈底部摩擦的声音与图6变压器正常运行声音的频域波形类似，声音频率集中在1000hz以下，是变压器故障识别的难点。电晕放电的声音响度低，在各频率范围内都有声音能力分布。
[0254]
验证fastica算法分离变压器本体噪声和故障异常声音的效果。图9是使用fastica算法将变压器本体噪声与机械故障声音分离的时域图。麦克风采集声音的采样率为48khz。分别截取is的变压器本体噪声与机械故障声音，绘制声音的时域图，如图9(a)，横坐标是源信号的采样点数，纵坐标是源信号的幅值。s}是变压器本体噪声，sz是金属部件与油箱内线圈底部摩擦的声音。观测信号xi,x:是源信号si,s}的混合声音，如图9(b)所示。故障信号己经被淹没在变压器本体噪声里，难以被识别。图(c)是使用fastica算法分离观测信号xi,x:后得到的预测源信号isi,isao对比预测源信号isi,isz与源信号s},s2，己经成功的从变压器声音里提取出故障信号来了。
[0255]
图10是验证fastica算法分离变压器本体噪声和放电声音效果的时域图。s1是变压器本体噪声，s2是平板电极放电的声音。对比图10(a)、(c)，fastica算法可以成功的将放电声音与变压器声音分离。
[0256]
为了进一步比较fastica算法的分离效果，将采用fastica算法提取出的放电声音、机械故障声音、变压器本体噪声的频域波形与原声音的频域波形对比，如图11所示。通过对比发现，fastica算法分离的混合声音会改变声音频域波形的幅值，但频率波形的分布
几乎不会改变。在声音提取特征参量归一化后不会改变声音的能量分布特征，分离效果较好。
[0257]
将提取出来的故障声音进行小波包变换，提取声音的能量分布特征。声音信号的带宽为24khz，将声音分解为32份，每一个频段的频率范围为750hz计算变压器本体噪声和故障声音每个频段的能量，组成特征向量，绘制成图12所示的能量分布图。从图中可知变压器正常运行声音、金属部件与油箱内线圈底部摩擦的声音、金属部件与夹件摩擦的声音的能量都主要集中在第一频段，750hz频率范围内。放电声音的能量分布频率较广。平板电极放电和沿面放电声音在11频段以内，8250hz范围内有能量分布。电晕放电声音能量分布范围最广在25频段以内，18750hz范围内有能量分布。
[0258]
有的变压器放置在户外，周围存在很多噪声干扰，为防止故障识别系统将这些干扰噪声误判为变压器发生了故障，采集变压器周围常见噪声作为噪声干扰库。图13为干扰噪声能量分布图。比较图12,4-11可知，变压器正常运行声音、金属部件与油箱内线圈底部摩擦的声音、金属部件与夹件摩擦的声音、风声与脚步声这几种声音大部分能量都集中在第一频段，750hz以下，声音特征不明显可能会导致声音识别过程中发生误判。
[0259]
bp神经网络模型以声音的能量分布作为特征向量识别不同的声音。共识别8种声音:
[0260]
1、金属部件与油箱内线圈底部摩擦的声音；
[0261]
2、金属部件与夹件摩擦的声音；
[0262]
3、金属部件与压板摩擦的声音；
[0263]
4、平板电极放电声音；
[0264]
5、电晕放电声音；
[0265]
6、沿面放电声音；
[0266]
7、变压器本体噪声；
[0267]
8、干扰声音。
[0268]
其中，干扰声音库由6种声音组成:风声、脚步声、鸟叫声、汽车声、驱鸟器声、人声。每种声音的音频库包含450个样本，总样本数为3600个。音频库被划分为3部分，训练集、验证集和测试集的比例为70:15:15。使用训练集的样本训练神经网络模型，使用验证集的样本判断模型是否发生过拟合的现象。使用测试集的样本检验模型识别故障声音的效果。将bp神经网络模型识别不同声音的准确率绘制成混淆矩阵，如图14所示。横纵坐标轴序号与上文提到的八种声音序号对应，代表八种不同的声音。横轴代表声音信号实际类型，纵轴代表神经网络模型预测声音的类型。对角线上绿色区域代表神经网络识别正确的音频数。比如，第一种声音金属部件与油箱内线圈底部摩擦的声音共450个样本，全部被识别为第一种声音，识别正确率100％；第二种声音金属部件与夹件摩擦的声音有449个样本被识别为第二种声音，有一个样本被错误的识别为第四种平板电极放电声音，识别率为99.8％。模型整体的识别率为93.9％。
[0269]
分析混淆矩阵发现，干扰声音的识别率偏低，有145个音频被错误的识别为第一种金属部件与油箱内线圈底部摩擦的声音。由图12,4-11可知，干扰声音中的风声、脚步声与金属部件与油箱内线圈底部摩擦的声音能量分布十分类似，大部分能量都集中在第一频段，声音识别困难。
[0270]
针对这一问题，提出改进算法，将1500hz以下频率进一步细分，进行9层小波包分解，将分解得到的32个频段计算能量分布，输入bp神经网络模型进行模式识别。二次分解后每个频段的频率范围是46.875hz。
[0271]
图15是变压器故障声音和正常运行声音在1500hz以下频率范围内的能量分布图。图16是6种不同的干扰声音在1500hz以下的能量分布图。通过比较可知，变压器正常运行声音、金属部件与油箱内线圈底部摩擦的声音、金属部件与夹件摩擦的声音、风声与脚步声这几种声音在1500hz以下的频率范围内能量分布有很大差异，可以作为声音识别的特征向量。
[0272]
以声音1500hz以下能量分布向量作为输入，将新的网络模型识别不同声音的准确率绘制成如图17所示的混淆矩阵。由图可知，基于改进特征向量的神经网络故障诊断模型识别率较高，整体识别率在99.6％。其中对第四种声音平板电极放电的声音识别效果较差，有6个样本被错误的识别为金属部件与油箱内线圈底部摩擦的声音，有5个样本被错误的识别为电晕放电的声音，但识别率也达到了97.6％。
[0273]
从语音信号中提取梅尔对数频谱特征，然后将这些特征输入卷积神经网络模型进行训练。图18是变压器故障声音和正常运行声音时频谱图。图19是6种干扰噪声的时频谱图。对比图片发现变压器故障声音、正常运行声音以及干扰噪声的时频谱图差异性很大。因而采用具有时频特征的对数梅尔频谱作为声音特征。对数梅尔频谱就是线性时频谱通过梅尔滤波后取对数获得的，对数梅尔频谱更符合人耳感知声音的特性。
[0274]
图20是卷积神经网络模型的混淆矩阵，横坐标代表卷积神经网络模型预测声音的类型，纵坐标代表声音信号实际类型。其中:
[0275]
mi一一金属部件与油箱内线圈底部摩擦的声音；
[0276]
m2一一金属部件与夹件摩擦的声音；
[0277]
m3一一金属部件与压板摩擦的声音；
[0278]
pdl一一平板电极放电声音；
[0279]
pd2一一电晕放电声音；
[0280]
pd3一一沿面放电声音；
[0281]
t一一变压器本体噪声；
[0282]
background一一干扰噪声。
[0283]
基于卷积神经网络的声音识别方法对干扰噪声的识别率最低，只有87％。有10个样本被错误的识别为m3金属部件与压板摩擦的声音，有3个样本被错误的识别为pd2电晕放电的声音。m1金属部件与油箱内线圈底部摩擦的声音、m2金属部件与夹件摩擦的声音、pd2电晕放电声音、pd3沿面放电声音以及t变压器本体噪声是识别率都为100％。
[0284]
卷积神经网络模型的识别率低于基于改进小波包一bp神经网络模型。但是bp网络模型的特征向量只包含声音的频域信息，包含声音的特征少，需要针对识别的声音优化频率取值范围才有较高的识别率。而卷积神经网络模型的梅尔对数频谱包含更多的声音特征，对陌生声音的识别效果更好。如果只选择一种算法识别变压器的异常声音，当变压器附近有局放检测仪等其他检测装备，则可使用改进小波包一bp神经网络算法识别变压器的异常声音，该方法计算速度更快、识别率较高；若无其他辅助检测装置，仅凭借声音检测装置监控变压器的状况，则采用梅尔对数频谱一卷积神经网络算法，该方法的泛化性重好。
[0285]
实验结果表明，本发明方法可较好的辨别放电、机械故障和变压器本体噪声，可用于变电站内变压器的故障诊断。
[0286]
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。