張可 楊可軍 黃文禮 王成龍 季坤 朱太云 丁國成 甄超

摘?要：通過對大型電力變壓器（電抗器）聲紋信號采集、處理與特征分析，提出了一種基于聲紋識別技術(shù)的變壓器工況檢測方法及驗證系統(tǒng)，實現(xiàn)對變壓器工作狀態(tài)的判斷檢測。首先，通過聲紋采集傳感器實地采集獲取73組變壓器音頻，共約1800?min;其次，分別運用分段、分幀、加窗音頻預(yù)處理方法對所采集的變壓器聲紋進行去噪處理;再次，綜合運用能量特征、頻率特征、梅爾頻率倒譜系數(shù)、頻率壓縮方法提取變壓器聲紋特征并進行有效融合;最后，針對變壓器工況聲音由穩(wěn)定工作狀況發(fā)出的聲音與不穩(wěn)定的瞬時雜音加性疊加問題，提出一種基于余弦相似度算法實現(xiàn)聲紋疊加的分離檢測，同時建立一套變壓器工況檢測與驗證分析系統(tǒng)。

關(guān)鍵詞：聲紋識別;變壓器;工況檢測;驗證系統(tǒng)

中圖分類號：TM933??????文獻標識碼：A

Detection?Algorithm?and?Verification?System?of?Transformer

Working?Condition?Based?on?Voiceprint?Recognition

ZHANG?Ke1，YANG?Kejun1，HUANG?Wenli1?，?WANG?Chenglong1，

JI?Kun2，?ZHU?Taiyun3，?DING?Guocheng3，?ZHEN?Chao3

（1.Anhui?NARI?Jiyuan?Power?Grid?Technology?Co.，?Ltd.，?Hefei，Anhui?230088，?China;

2.State?Grid?Anhui?Electric?Power?Co.，?Ltd.，?Hefei，Anhui?230061，?China;

3.Electric?Power?Research?Institute?of?State?Grid?Anhui?Electric?Power?Co.，?Ltd.，?Hefei，Anhui?230088，?China）

Abstract：Through?the?acquisition，?processing?and?characteristic?analysis?of?voiceprint?signal?of?large?power?transformer?（reactor），?this?paper?proposes?a?detection?and?recognition?algorithm?model?and?system?of?transformer?working?condition?based?on?voiceprint?recognition?technology，?which?can?judge?and?detect?the?working?state?of?transformer.?Firstly，?73?groups?of?transformer?audio?including?1800?minutes?are?collected?by?voice?acquisition?sensor.?And?then?the?noise?of?the?collected?transformer?voiceprint?is?processed?by?segmenting，?framing?and?windowing?pretreatment?methods.?Secondly，?the?features?of?transformer?voiceprint?are?extracted?and?effectively?fused?by?using?energy?feature，?frequency?feature，?Mel?frequency?cepstrum?coefficient?and?frequency?compression?method.?Finally，?in?order?to?solve?the?problem?of?additive?superposition?of?sound?from?stable?working?condition?and?unstable?instantaneous?noise?of?transformer，?this?paper?proposes?a?separation?method?of?voice?print?superposition?based?on?cosine?similarity?algorithm，?and?establishes?transformer?working?condition?detection?and?verification?analysis?system.

Key?words：voiceprint?recognition;?transformer;?working?condition?detection;?verification?system

實踐表明，大型電力變壓器（電抗器）受內(nèi)部放電、過熱、繞組變形、機械部件松動及設(shè)備絕緣老化等潛伏性故障因素的影響，隨著時間積累會導致在運行過程中出現(xiàn)嚴重故障。傳統(tǒng)的人工判斷方法是通過用人耳聽取設(shè)備運行聲音來判斷故障類型與故障位置。此類方法具有一定的局限性、模糊性、主觀性并缺乏持久性，具體表現(xiàn)為不同技術(shù)人員對變壓器故障的判斷標準可能存在不一致，且一些細微的聲音信號無法判定，需要一定知識與經(jīng)驗的積累。由于電力變壓器（電抗器）潛伏性故障普遍存在于內(nèi)部，且難以通過人工方法進行快速、高效、可靠的檢測，因此有必要深入系統(tǒng)研究并建立電力變壓器（電抗器）噪聲的聲紋在線監(jiān)測方法、技術(shù)與測試系統(tǒng)，借助高靈敏度的傳感測量和現(xiàn)代語音識別技術(shù)，使得通過監(jiān)測聲紋信息判斷電力變壓器（電抗器）?的運行狀態(tài)成為一種可能。

長久以來，電力變壓器（電抗器）的聲紋信號被當作噪聲而忽略了其價值。電力變壓器（電抗器）?不同的故障類型影響著電力變壓器（電抗器）的振動狀態(tài)，進而會產(chǎn)生不同的聲波信號，因此應(yīng)用聲紋傳感器裝置可采集變壓器運行中的持續(xù)聲紋信號，通過對聲紋信號的分析與識別可實現(xiàn)對電力變壓器（電抗器）的工況檢測與診斷。另一方面，現(xiàn)有文獻研究的內(nèi)容往往集中在對電力變壓器（電抗器）振動和聲音信號本身特性的分析[1-4]，對于如何運用語音智能識別技術(shù)實現(xiàn)變壓器工況檢測及系統(tǒng)驗證的研究較少，尤其是電力變壓器（電抗器）的聲紋語料信息庫匱乏，同時缺乏系統(tǒng)性的試驗分析數(shù)據(jù)。因此，迫切需要開展相關(guān)技術(shù)研究，從而為基于人工智能的大型電力變壓器（電抗器）聲紋識別和故障主動預(yù)警技術(shù)研究與應(yīng)用提供理論依據(jù)。

為此，基于聲紋識別技術(shù)，提出一種變壓器工況檢測及驗證系統(tǒng)。通過實地記錄現(xiàn)場運行大型電力變壓器（電抗器）聲紋信號，建立聲紋信息語料樣本庫，并對電力變壓器（電抗器）聲紋語料庫所產(chǎn)生的聲紋信號進行分析，從中提取電力變壓器（電抗器）設(shè)備的運行聲紋特征，最后對不同工況進行判別，建立一套變壓器工況檢測與驗證分析系統(tǒng)。其體現(xiàn)在完成在線監(jiān)測的同時，能夠?qū)崿F(xiàn)非接觸式檢測，聲紋傳感器布置方式比較靈活，采集信號時不產(chǎn)生電磁信號，不會干擾設(shè)備的正常運行。

1?相關(guān)工作

所謂聲紋（Voiceprint），是用電聲學儀器顯示的攜帶言語信息的聲波頻譜。說話人識別又稱聲紋識別（Voiceprint?Recognition），即通過聲音來識別“誰在說話”，其目的是讓機器聽懂人類的語音。主要任務(wù)包括：語音信號處理、聲紋特征提取、聲紋建模、聲紋比對、判別決策等。它是一個涉及模式識別、信號處理、物理聲學、生理學、心理學、計算機科學和語言學等多個交叉學科的研究。其主要的理論依據(jù)是每一個聲音都具有獨有的特征，通過該特征將不同人的聲音進行有效的區(qū)分。國外相關(guān)機構(gòu)研究表明[5-6]，在某些特定的環(huán)境下聲紋可以用來作為有效的證據(jù)。隨著技術(shù)的發(fā)展，聲紋識別技術(shù)的研究逐步成為熱點之一，相關(guān)成果已經(jīng)被應(yīng)用到家電、工業(yè)、移動通信類產(chǎn)品中。

最早聲紋識別技術(shù)研究是由貝爾實驗室在1952年所建立的10位數(shù)字識別系統(tǒng)[5]。由于隱馬爾可夫模型（Hidden?Markov?Model，HMM）模型能夠很好地描述語音信號的短時平穩(wěn)特性[6]，基于HMM方法為代表的統(tǒng)計模型方法研究一直是語音識別的主流方法。隨后基于GMMHMM模型，Lee等人[7]提出的SPHINX系統(tǒng)，其中GMM（Gaussian?Mixture?Model）用來對語音的觀察概率進行建模，HMM則對語音的時序進行建模。

2006年Hinton等人[8]提出深度置信網(wǎng)絡(luò)（Deep?Belief?Network，DBN）解決了深度神經(jīng)網(wǎng)絡(luò)訓練過程中容易陷入局部最優(yōu)的問題，從此拉開深度學習在聲紋識別中的研究熱潮。隨后Mohamed等人[9]將DBN應(yīng)用在聲紋識別建模中，并且在TIMI語音識別數(shù)據(jù)庫中取得了較好的結(jié)果。2011年DNN（Deep?Neural?Network）?[10]在連續(xù)語音大樣本中識別上取得10年來最大突破。此后，相比傳統(tǒng)GMMHMM聲學模型，基于DNNHMM聲學模型[11-13]逐步成為研究熱點，并且在多種語言、多種任務(wù)的語音分析與識別結(jié)果上取得了大幅度提升。

隨著語音識別技術(shù)的快速發(fā)展，近年已有學者將聲紋識別技術(shù)運用到對電力設(shè)備進行故障檢測的研究中。依據(jù)變壓器鐵芯及繞組噪聲及振動機理，余長廳等人[14]建立110?kV變壓器振動噪聲測量系統(tǒng)，該系統(tǒng)可以初步實現(xiàn)聲紋噪聲源定位和振動信號特征分析。由于電力變壓器運行中的聲音信號包含大量變壓器運行狀態(tài)聲紋特征，劉云鵬等人[15]?提出一種基于50?Hz倍頻倒譜系數(shù)和門控循環(huán)單元的變壓器直流偏磁聲紋識別模型。由于變壓器在不同工況下的振動聲信號不同[16-17]，張重遠等人[18]提出了一種基于Mel時頻譜卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯聲紋識別模型，在對3種不同工況的聲信號識別率達到了99.71%。吳曉文等人[19]利用小波包分析方法結(jié)合譜減法語音增強技術(shù)濾除環(huán)境噪聲，提出了一種特高壓交流變電站可聽噪聲分離方法。王豐華等人[20]通過對變壓器聲紋信號梅爾頻率倒譜系數(shù)（Mel?Frequency?Cepstrum?Coefficient，MFCC）特征向量加權(quán)降維，同時應(yīng)用矢量量化（Vector?Quantization，VQ）算法提出一種變壓器聲紋識別模型，通過以10?kV?變壓器為對象進行空載試驗，取得了較好測試結(jié)果。

2?變壓器聲紋采集、預(yù)處理與特征提取

2.1?數(shù)據(jù)采集

目前對于適用于變壓器（電抗器）聲紋采集的設(shè)備相對較少，采用安徽南瑞繼遠電網(wǎng)技術(shù)有限公司自主設(shè)計的基于麥克風陣傳感器電力變壓器（電抗器）聲紋采集設(shè)備來進行聲紋語料采集，如圖1所示。主要優(yōu)勢：能夠充分利用聲音信號的時空特性，具有較強的抗干擾能力，對變壓器背景噪聲、聲源定位和跟蹤具有很好的適應(yīng)性。

2.2?變壓器聲紋數(shù)據(jù)預(yù)處理

首先，對采集的變壓器音頻分段操作。為了使輸入的變壓器音頻都包含統(tǒng)一時長的信息，需要對時長進行限制。通過需要對獲得的變壓器音頻數(shù)據(jù)進行分段切分。由于變壓器聲紋數(shù)據(jù)是一系列離散點，每個點對應(yīng)一個采樣點，故聲紋數(shù)據(jù)的總長度為：

其次，對已經(jīng)分段的變壓器音頻數(shù)據(jù)進行分幀處理。“幀”是聲音信號處理的最小單位，其具有足夠短的時長，也包含足夠多的聲音特征。一般認為聲音信號在長時間內(nèi)呈現(xiàn)多變性，在短時間內(nèi)呈現(xiàn)不變性。即在極短時間內(nèi)，可以將聲音的特征看成是固定不變的?；谶@種思想，對整個變壓器聲紋數(shù)據(jù)進行進一步切分。在語音信號處理中，一般將幀長設(shè)為50?ms，步長一般為1/2或1/3幀長。通過實驗分析，變壓器聲紋相對語音聲紋，其變化較少，因此，將變壓器聲紋幀長設(shè)為500?ms，步長設(shè)為1/2幀長，以減少數(shù)據(jù)處理的運算量。

最后，對分幀后變壓器音頻加窗處理。分幀在減少運算量的同時也會對聲音信號帶來不好的影響，其直接對音頻波形進行簡單切分（矩形窗），導致其在邊界出現(xiàn)銳利的高頻信號，其一般表現(xiàn)為在頻譜中高頻諧波分量增加，出現(xiàn)吉布斯效應(yīng)，對后續(xù)信號處理產(chǎn)生不利影響。為了減少這種影響，需要對分幀數(shù)據(jù)進行端點平滑的加窗處理，使用Hamming窗對幀進行加窗處理。Hamming窗的函數(shù)為：

2.3?變壓器聲紋特征提取

2.3.1?能量特征

圖2中顯示的是變壓器運行聲音數(shù)據(jù)的時域譜線，即時間與波形振幅對應(yīng)關(guān)系。在聲音信號分析中，瞬時波形的振幅對應(yīng)數(shù)據(jù)瞬時的能量，因此當振幅越大時，其能量越大。由圖2可知，該數(shù)據(jù)在起止處出現(xiàn)了兩次峰值，分析可知這兩處出現(xiàn)了較大的摩擦聲。該方法雖然能夠直觀地展現(xiàn)較大能量雜音出現(xiàn)位置，但是在其他時域中無法區(qū)分聲音異常，能量特征無法單獨檢測雜音位置，需要進一步使用其他方法分析。

2.3.2?頻率特征

為更深入分析變壓器聲音波形振動特征，一般認為任何一段聲音可以分解為一系列不同周期與幅度的三角函數(shù)（正弦函數(shù)、余弦函數(shù)）的疊加。使用一系列三角函數(shù)的頻率與幅度來表達這段聲音的特征，這種對應(yīng)關(guān)系與時間無關(guān)，而與頻率有關(guān)，故與時域譜對應(yīng)稱為頻域。時域向頻域的變化使用傅立葉變換（Fourier?Transform）實現(xiàn)。傅立葉變換的公式為：

其中f（t）為時域周期函數(shù)，F(xiàn)（ω）為其傅立葉變換后得到的頻域函數(shù)。圖2所示的時域波形經(jīng)過傅立葉變換得到如圖3所示的頻域波形。

2.3.3?梅爾系數(shù)

梅爾頻率是模擬人耳聽覺特性，其在低頻范圍內(nèi)增長速度很快，但在高頻范圍內(nèi)，增長速度很慢。頻率與梅爾頻率的對應(yīng)關(guān)系如下公式：

梅爾頻率轉(zhuǎn)換與特征提取，一般是使用梅爾濾波器組實現(xiàn)，其一般包含一串按照梅爾頻率轉(zhuǎn)換關(guān)系設(shè)置的三角濾波器，每個濾波器在梅爾頻率中擁有相同的帶寬fmelband=mel（fh）-mel（fl）N+2，其中fh與fl為頻率范圍的最高頻與最低頻。

在4000?Hz內(nèi)使用24個梅爾濾波器進行實驗，500?ms為幀長的梅爾頻率系數(shù)如圖4。之后經(jīng)過離散余弦變換（DCT）得到MFCC：

2.3.4?頻率壓縮

雖然梅爾頻率系數(shù)有降維優(yōu)勢，且高頻壓縮效果非常出色，但依然存在著低頻分辨率不足的問題，即在低頻中其分辨率即使已經(jīng)與變壓器工作頻率對應(yīng)，也無法分辨非正常工作頻率的信號，這將導致雖然其能夠較正確地判斷當前變壓器的工作特征，但是無法準確判斷是否存在非正常工作頻率的噪聲，因此需要進一步增加低頻分辨率基于梅爾頻率“分辨率從高到低變化”的思想，使用類似的頻率壓縮策略，可分為以下三步：

Step1：將聲音信息分為低頻、中頻、高頻三個頻段;

Step2：對三種頻段使用不同的頻率壓縮比例;

Step3：壓縮取值采取最大值策略，選取每個壓縮區(qū)間最大值作為壓縮結(jié)果。

3?變壓器聲紋相似度檢測算法

假設(shè)采集的變壓器工況聲音是由穩(wěn)定工作狀況發(fā)出的聲音與不穩(wěn)定的瞬時雜音加性疊加的，忽略可能存在的互相干擾。同時在變壓器聲紋實驗中進行如下假設(shè)：

假設(shè)1：一段音頻應(yīng)該在絕大部分時間是相似的，即不穩(wěn)定信號相比之下非常少，且與穩(wěn)定信號區(qū)別很大。

假設(shè)2：持續(xù)出現(xiàn)的雜音，當其出現(xiàn)頻率大于幀采樣頻率（實驗使用2?Hz，即500?ms/幀）時，可以認為是一種穩(wěn)定的信號。

假設(shè)3：不穩(wěn)定信號應(yīng)該是瞬時出現(xiàn)的信號，或者短時間持續(xù)出現(xiàn)的信號，或者間隔大的信號。

在假設(shè)1中，使用余弦相似度算法來計算音頻中每個特征向量的相似度。余弦相似度是一種通過計算兩個向量的夾角余弦值在評估相似度的算法，根據(jù)歐幾里得向量點積公式：

其中θ為向量A與B在空間中的夾角，可以得到向量A=[A1，A2，…，AN]與B=[B1，B2，…，BN]的相似度為：

為了將一段音頻分離成穩(wěn)定部分與不穩(wěn)定部分，提出相似度置換算法：

4?系統(tǒng)及實驗分析

在變壓器聲紋采集、處理、特征提取及分離檢測算法基礎(chǔ)上，構(gòu)建一個擁有用戶界面的變壓器工況檢測與驗證系統(tǒng)，其可以由用戶選擇輸入音頻，并根據(jù)情況設(shè)置各個分析部分的閾值，最終輸出該音頻的分析結(jié)果，系統(tǒng)界面如圖6所示。

在使用上述驗證系統(tǒng)基礎(chǔ)上，得到一個近似的穩(wěn)定向量組，根據(jù)之前的穩(wěn)定與不穩(wěn)定加性疊加假設(shè)，通過直接做差值計算，就可以獲得對應(yīng)的不穩(wěn)定向量組。通過對變壓器實驗結(jié)果分析，如圖7所展示變壓器運行不同時段音頻的音頻分離效果。

（a）原始變壓器音頻

（b）穩(wěn)定變壓器音頻

（c）不穩(wěn)定變壓器音頻

5?結(jié)?論

通過對73組變壓器1800?min音頻的分析，提出一種基于聲紋識別技術(shù)的變壓器工況相似度計算方法，初步搭建并實驗完成了變壓器聲紋檢測中的工況判斷流程，構(gòu)建研發(fā)可視化用戶操作系統(tǒng)，并提供了異常雜音分析與檢測功能。未來工作將主要集中在提高變壓器運行故障識別算法的精度與時效性，進一步完善變壓器工況檢測驗證系統(tǒng)的功能。目前盡管從理論上可以增加變壓器長期工況追蹤判斷功能，但是由于缺少同一變壓器的長期觀察數(shù)據(jù)，因此現(xiàn)有系統(tǒng)無法驗證其穩(wěn)定運行的可行性。下一步除了加大對同類型變壓器運行時不同的潛在故障類型語料數(shù)據(jù)樣本的采集與獲取力度外，還需加強不同類型變壓器運行聲紋數(shù)據(jù)語料庫建設(shè)，為基于聲紋識別技術(shù)在變壓器工況檢測的應(yīng)用提供大數(shù)據(jù)的樣本積累。

參考文獻

[1]?辛曉虎，李繼勝，紀海英，等.用于變壓器中局部放電定位的十字形超聲陣列傳感器研究[J].中國電機工程學報，2013，33（21）：154-162.

[2]?祝麗花，楊慶新，閆榮格，等.考慮磁致伸縮效應(yīng)電力變壓器振動噪聲的研究[J].電工技術(shù)學報，2013，28（4）：1-6.

[3]?莫娟，劉吉軒，蘇俊收，等.大型電力變壓器的噪聲預(yù)估研究[J].高壓電器，2014，50（6）：32-44.

[4]?王學磊，張黎，李慶民，等.電力變壓器有源降噪中次級聲源的參數(shù)優(yōu)化分析[J].高電壓技術(shù)，2012，38（11）：2815-2822.

[5]?DAVIS?K?H，?BIDDULPH?R，?BALASHEK?S.?Automatic?recognition?of?spoken?digits[J].?Journal?of?the?Acoustical?Society?of?America，?1952，?24（6）：?637.

[6]?RABINER?L?R.?A?tutorial?on?hidden?Markov?models?and?selected?applications?in?speech?recognition[J].?Readings?in?Speech?Recognition，?1990，77（2）：267-296.

[7]?LEE?K?F，?HON?H?W.?An?overview?of?the?SPHINX?speech?recognition?system[J].?IEEE?Transactions?on?Acoustics，?Speech，and??Signal?Processing?Speech，?1990，?38（1）：35-45.

[8]?HINTON?G?E，?OSINDERO?S，?TEH?Y?W.?A?fastlearning?algorithm?for?deep?belief?nets[J].?Neural?Computation，?2006，18（7）：1527-1554.

[9]?MOHAMED?A，?DAHL?G，?HINTON?G?E.?Deep?belief?networks?for?phone?recognition[C]//Nips?Workshop?on?Deep?Learning?for?Speech?Recognition?and?Related?Applications.?2009，1（9）：?39.

[10]YU?D，?DENG?L.?Deep?learning?and?its?applications?to?signal?and?information?processing[J].?IEEE?Signal?Processing?Magazine，?2011，28（1）：145-154.

[11]DAHL?G?E，?YU?D，?DENG?L，?et?al.?Contextdependent?pretrained?deep?neural?networks?for?large?vocabulary?speech?recognition[J].?IEEE?Transactions?on?Audio，?Speech?and?Language?Processing，?2012，20（1）：?30-42.

[12]CHINTON?G，?DENG?L，?YU?D，?et?al.?Deep?neural?networks?for?acoustic?modeling?in?speech?recognition：?the?shared?views?of?four?research?groups[J].?IEEE?Signal?Processing?Magazine，?2012，29（6）：?82-97.

[13]ABDELHAMID?O，?MOHAMED?A?R，?JIANG?H，?et?al.?Convolutional?neural?networks?for?speech?recognition[J].?IEEE/ACM?Transactions?on?Audio，Speech，and??Language?Processing，?2014，22（10）：?1533-1545.

[14]余長廳，黎大健，陳梁遠，等.基于聲紋及振動的變壓器故障診斷技術(shù)研究[J].高壓電器，2019，55（11）：248-254.

[15]劉云鵬，王博聞，岳浩天，等.基于50?Hz倍頻倒譜系數(shù)與門控循環(huán)單元的變壓器偏磁聲紋識別[J].中國電機工程學報，2020，40（14）：?4681-4694.

[16]吳曉文，周年光，彭繼文，等.電力變壓器噪聲特性與相關(guān)因素分析[J].電力科學與技術(shù)學報，2018，33（3）：81-85.

[17]陳青恒，馬宏彬，何金良.直流偏磁引起的500?kV電力變壓器振動和噪聲的現(xiàn)場測量與分析[J].高壓電器，2009，45（3）：93-96.

[18]張重遠，羅世豪，岳浩天，等.基于Mel時頻譜卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯聲紋模式識別方法[J].高電壓技術(shù)，2020，46（2）：413-423.

[19]吳曉文，周年光，裴春明，等.特高壓交流變電站可聽噪聲分離方法[J].高電壓技術(shù)，2016（8）：2625-2632.

[20]王豐華，王邵菁，陳頌，等.基于改進MFCC和VQ的變壓器聲紋識別模型[J].中國電機工程學報，2017，37（5）：1535-1543.