李 楠, 馬宏忠, 張玉良, 段大衛(wèi), 崔佳嘉, 何 萍

(1.河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 211100；2.國(guó)網(wǎng)南京供電公司,江蘇 南京 210008)

0 引 言

電力變壓器是電力系統(tǒng)的核心設(shè)備之一，其可靠運(yùn)行與電力系統(tǒng)的安全穩(wěn)定密切相關(guān)[1-2]。機(jī)械故障是變壓器主要故障類型，也是部分電氣故障、發(fā)熱等問(wèn)題的主要誘因，具有累計(jì)效應(yīng)，易造成絕緣老化加速、抗短路能力降低等隱患[3-4]。國(guó)家電網(wǎng)統(tǒng)計(jì)表明，由繞組故障引起的變壓器事故占變壓器總事故的69.8%[5-6]。因此，開(kāi)展變壓器繞組及鐵心機(jī)械狀態(tài)監(jiān)測(cè)與識(shí)別研究，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義。

目前，現(xiàn)有的變壓器機(jī)械故障診斷方法包括頻率響應(yīng)法[7]、低壓脈沖法[8]、短路電抗法[9]、油色譜分析法[10]以及振動(dòng)分析法[11]等。頻率響應(yīng)法、低壓脈沖法以及短路電抗法需要離線檢測(cè)并且一定程度地影響變壓器壽命。油色譜分析法可以實(shí)現(xiàn)在線監(jiān)測(cè)，但難以準(zhǔn)確地識(shí)別故障類型及確定程度。振動(dòng)分析法具有無(wú)電氣聯(lián)系、可以在線檢測(cè)等優(yōu)點(diǎn)，但對(duì)振動(dòng)傳感器安裝位置、安裝方式要求嚴(yán)苛，尤其是測(cè)點(diǎn)位置的改變極易造成測(cè)量結(jié)果相差較大，因此該方法難以得到推廣。

變壓器運(yùn)行時(shí)產(chǎn)生的聲紋信號(hào)包含大量反映設(shè)備內(nèi)部機(jī)械狀態(tài)的有效信息?；诼暭y的變壓器故障診斷方法具有非接觸、測(cè)量方便快捷以及可以在線監(jiān)測(cè)等優(yōu)點(diǎn)，且能夠有效解決振動(dòng)分析法中空間敏感度要求高的問(wèn)題，受到廣泛關(guān)注。文獻(xiàn)[12]提出了基于Mel頻率倒譜系數(shù)(MFCC)和矢量量化算法的變壓器聲紋識(shí)別模型，對(duì)不同鐵心壓緊狀態(tài)下的變壓器聲紋信號(hào)進(jìn)行識(shí)別。文獻(xiàn)[13]使用MFCC進(jìn)行特征提取，建立了基于快速增量式以及門控循環(huán)單元的變壓器機(jī)械故障聲紋識(shí)別模型。文獻(xiàn)[14]提取MFCC特征量，并建立兩級(jí)電氣故障聲紋識(shí)別算法，對(duì)4種不同工況進(jìn)行識(shí)別。MFCC利用人類聽(tīng)覺(jué)感知試驗(yàn)得到的Mel非線性譜，進(jìn)行聲紋特征提取，目前已成為主流的聲紋識(shí)別特征向量提取方法。然而，MFCC特征參數(shù)主要針對(duì)人對(duì)聲音的感知特性，考慮到變壓器聲紋信號(hào)與人聲之間存在較大差異，MFCC難以用于變壓器聲紋識(shí)別。因此，亟需一種切實(shí)有效的變壓器聲紋特征提取方法，以提高聲紋識(shí)別準(zhǔn)確率。

以深度神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法因其強(qiáng)大的數(shù)據(jù)處理與挖掘能力受到廣泛關(guān)注。文獻(xiàn)[15]利用卷積神經(jīng)網(wǎng)絡(luò)在圖像深度數(shù)據(jù)挖掘方面的優(yōu)勢(shì)，提出了基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵心聲紋識(shí)別模型，對(duì)3種不同工況下的聲紋信號(hào)進(jìn)行識(shí)別。文獻(xiàn)[16]利用深度神經(jīng)網(wǎng)絡(luò)中的門控循環(huán)單元強(qiáng)大的特征學(xué)習(xí)能力，提出一種改進(jìn)的MFCC和門控循環(huán)單元的變壓器偏磁聲紋識(shí)別方法。盡管上述方法證明了深度學(xué)習(xí)用于聲紋識(shí)別的有效性，但所提模型均存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、對(duì)樣本數(shù)量要求高、訓(xùn)練時(shí)間長(zhǎng)以及過(guò)擬合等問(wèn)題。

為了利用深度神經(jīng)網(wǎng)絡(luò)挖掘故障特征的優(yōu)勢(shì)，同時(shí)避免建立模型，深度森林應(yīng)運(yùn)而生。文獻(xiàn)[17]提出基于稀疏深度森林的調(diào)相機(jī)輕微定子匝間短路故障方法，取得了較高的診斷精度和效率。文獻(xiàn)[18]提出一種改進(jìn)的新型深度森林算法，有效解決了滾動(dòng)軸承剩余壽命預(yù)測(cè)精度差、運(yùn)算效率低等問(wèn)題。然而，目前深度森林還未應(yīng)用于變壓器機(jī)械狀態(tài)聲紋識(shí)別[19-21]。

為此，本文提出一種基于特征篩選和改進(jìn)深度森林的變壓器機(jī)械狀態(tài)聲紋識(shí)別方法。先利用自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)將聲音傳感器采集到的聲紋數(shù)據(jù)分解成多個(gè)本征模態(tài)函數(shù)(IMF)分量，并根據(jù)頻譜分析和皮爾遜相關(guān)系數(shù)進(jìn)行IMF分量?jī)?yōu)化選擇，篩選出有效的IMF分量。再利用各IMF分量在頻段上的分布情況劃分高、低頻段，依據(jù)高、低頻段IMF分量的差異性，提取高頻段IMF分量時(shí)頻能量和低頻段IMF分量幅值特征構(gòu)成特征向量。為平衡模型的級(jí)聯(lián)層數(shù)和精度，以提高運(yùn)算效率，對(duì)深度森林進(jìn)行改進(jìn)，并將特征向量輸入改進(jìn)后的深度森林模型，輸出10種機(jī)械松動(dòng)狀態(tài)的聲紋識(shí)別結(jié)果。最后，在現(xiàn)場(chǎng)實(shí)測(cè)的基礎(chǔ)上對(duì)所提方法進(jìn)行驗(yàn)證。

1 模態(tài)分解與篩選

1.1 模態(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)是一種自適應(yīng)時(shí)頻分析方法，通過(guò)多次迭代得到多個(gè)單IMF分量，但由于極值點(diǎn)的選擇問(wèn)題會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象。為解決極值點(diǎn)的選擇問(wèn)題，集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)引入高斯白噪聲，利用高斯白噪聲頻譜均勻分布特性，使信號(hào)自動(dòng)分布到合適的參考尺度上，有效抑制EMD的模態(tài)混疊現(xiàn)象，但存在計(jì)算速度慢和模態(tài)分解結(jié)果中存在多個(gè)無(wú)效低頻IMF分量等問(wèn)題。

CEEMDAN在EEMD方法基礎(chǔ)上，通過(guò)加入殘值、高斯白噪聲和多次疊加求平均以抵消噪聲等操作，進(jìn)一步減少模態(tài)混疊，提高了分解的完備性以及對(duì)噪聲干擾的魯棒性。具體算法原理如下所示。

1.1.1 第一階段模態(tài)分量

對(duì)于加入高斯白噪聲的原始信號(hào)：

X(i)=y(t)+k0ni(t)

(1)

式中：y(t)為原始信號(hào)；ni(t)為滿足N(0,1)分布的高斯白噪聲；k0為第一階段高斯白噪聲的幅值。

將帶噪原始信號(hào)EMD分解，并將分解得到的IMF1,i分量平均得到：

(2)

式中：N為分解后的模態(tài)分量個(gè)數(shù)。

1.1.2 第二階段模態(tài)分量

在第一階段模態(tài)分量的基礎(chǔ)上計(jì)算第一階段殘余分量：

x1(t)=X(t)-XIMF1

(3)

分解加入白噪聲的第一階段殘余分量：

r1(t)=x(t)+k1EMD1[ni(t)]

(4)

式中：EMDi[ni(t)]為分解信號(hào)得到的第i個(gè)分量；k1為第二階段高斯白噪聲幅值。

將帶噪第一階段殘余分量EMD分解，并將得到的IMF2,i分量平均得到：

(5)

1.1.3 第k階段模態(tài)分量

對(duì)于k取3，4，…，k，同樣重復(fù)上述步驟計(jì)算xk(t)和rk(t)，并通過(guò)EMD分解及平均操作，直到剩余信號(hào)不能被分解，得到第k階段模態(tài)分量為

(6)

1.2 模態(tài)篩選

1.2.1 頻譜分析

現(xiàn)有研究表明，變壓器聲紋信號(hào)分布于0～2 000 Hz的頻率范圍內(nèi)，且以50 Hz及其倍頻分量為主。本文試驗(yàn)中的聲紋信號(hào)主要由3種頻率成分構(gòu)成：(1) 頻點(diǎn)為0的直流分量，屬于傳感器測(cè)量所造成的直流偏移；(2) 0～50 Hz之間的頻率范圍，屬于測(cè)試環(huán)境中的背景噪聲；(3) 50 Hz及其倍頻分量，是變壓器本體產(chǎn)生的聲音成分。

1.2.2 皮爾遜相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)用以度量?jī)山M向量之間的關(guān)聯(lián)程度，本文選擇皮爾遜相關(guān)系數(shù)量化各個(gè)IMF分量與原始信號(hào)之間的關(guān)聯(lián)程度，進(jìn)而刻畫(huà)IMF分量中包含特征信息的豐富程度，其值在-1～1之間，且越接近1，表示兩者之間的相關(guān)性越強(qiáng)。皮爾遜相關(guān)系數(shù)ρXY計(jì)算公式如下所示：

(7)

式中：X={x1,x2,x3,…,xn};Y={y1,y2,y3,…,yn}。

2 特征提取

不同IMF分量在頻譜中表現(xiàn)出較大的差異性。為依據(jù)不同頻段IMF分量的特點(diǎn)，有針對(duì)性地提取故障特征，可以將IMF分量分為能量大多集中于500 Hz以下的低頻段IMF分量和500 Hz以上的高頻段IMF。低頻段IMF分量頻譜簡(jiǎn)單，其主頻集中于100 Hz、200 Hz以及300 Hz，且能量集中、幅值較大。高頻段IMF分量頻譜復(fù)雜，表現(xiàn)出非線性、非平穩(wěn)特征，且能量分散、幅值較小。本文針對(duì)高、低頻段IMF分量差異性提取不同特征，并進(jìn)行歸一化構(gòu)成故障特征量。

2.1 低頻段IMF分量幅值

低頻段IMF分量相對(duì)平穩(wěn)，頻譜簡(jiǎn)單且集中。針對(duì)此特點(diǎn)，本文提取低頻段中各50 Hz及其倍頻信號(hào)幅值之和作為低頻段IMF分量特征(簡(jiǎn)稱為L(zhǎng)FA)。其計(jì)算方法為先利用短時(shí)傅里葉變換，計(jì)算各50 Hz及其倍頻信號(hào)幅值對(duì)應(yīng)的幅值f(50×i)并將其疊加，計(jì)算式如下所示：

(8)

式中：i為整數(shù),i=1,2,3,…,10。

2.2 高頻段IMF分量時(shí)頻能量

高頻段IMF分量頻譜復(fù)雜，且表現(xiàn)出非線性、非平穩(wěn)的特征。小波能量熵針對(duì)高頻段IMF特征，融合小波變化和能量熵優(yōu)勢(shì)，能夠從時(shí)間和頻率兩方面監(jiān)測(cè)能量分布變化情況，因此，本文選擇小波能量熵(簡(jiǎn)稱為WEE)對(duì)高頻段IMF分量進(jìn)行特征提取，利用特征向量構(gòu)成識(shí)別參數(shù)，輸入識(shí)別模型，計(jì)算過(guò)程如下所示。

2.2.1 小波時(shí)頻分析

對(duì)聲音信號(hào)進(jìn)行分幀以及加窗處理后，對(duì)聲音信號(hào)進(jìn)行連續(xù)小波變換，先確定小波基與尺度，而后求出小波系數(shù)，其計(jì)算公式如下所示：

(9)

式中：x(t)為輸入聲音信號(hào)序列；ψ為母小波，采用復(fù)數(shù)小波Complex Morlet，其在時(shí)頻兩域具有很好的分辨率，適合處理非平穩(wěn)的聲音信號(hào)。

2.2.2 IMF分量能量計(jì)算

從小波系數(shù)序列中提取小波系數(shù)coefs(50×i)(n)，對(duì)于給定小波系數(shù)coefs(50×i)(n)：

coefs(50×i)(n)=[coefs(50×i)(1),coefs(50×i)(2),

coefs(50×i)(3),…,coefs(50×i)(N)]

(10)

定義時(shí)間序列數(shù)據(jù)平方和Ej，其為該時(shí)間序列數(shù)據(jù)能量：

(11)

2.2.3 總能量值計(jì)算E

總能量值E的計(jì)算式為

(12)

式中：A為CEEMDAN分解的IMF分量個(gè)數(shù)。

2.2.4 IMF能量熵計(jì)算

IMF能量熵計(jì)算式為

(13)

3 深度森林

深度森林主要包括多粒度掃描和級(jí)聯(lián)森林。多粒度掃描是通過(guò)掃描窗口遍歷以提高子樣本數(shù)量的方法。級(jí)聯(lián)森林采用級(jí)聯(lián)方式連接各層，且每一層均由隨機(jī)森林和完全隨機(jī)森林組成。本文對(duì)多粒度掃描和級(jí)聯(lián)森林進(jìn)行參數(shù)調(diào)整和模型改進(jìn)，提高了運(yùn)算效率和識(shí)別準(zhǔn)確率。

3.1 多粒度掃描

多粒度掃描利用滑動(dòng)掃描窗口遍歷樣本，提取時(shí)間序列數(shù)據(jù)空間位置信息。掃描窗口為L(zhǎng)維向量，掃描滑動(dòng)步長(zhǎng)為1，對(duì)于N維時(shí)間序列數(shù)據(jù)樣本，多粒度掃描后將獲得N-L+1個(gè)L維子樣本。利用隨機(jī)森林對(duì)子樣本進(jìn)行訓(xùn)練，產(chǎn)生N-L+1個(gè)K維概率特征向量，將上述N-L+1個(gè)概率特征向量利用張量壓縮拼接成K(N-L+1)維向量，作為后續(xù)級(jí)聯(lián)森林輸入特征。

3.2 級(jí)聯(lián)森林

級(jí)聯(lián)森林是一種借鑒決策樹(shù)混合堆疊思想改進(jìn)的多層級(jí)結(jié)構(gòu)，每一級(jí)聯(lián)層中包含隨機(jī)森林和完全隨機(jī)森林，其訓(xùn)練后生成的特征向量為類向量，生成的類向量和原始數(shù)據(jù)向量拼接構(gòu)成新的向量，作為下一層的輸入特征向量。當(dāng)訓(xùn)練達(dá)到較好效果或訓(xùn)練至最后一層時(shí)，對(duì)各層輸出的概率特征向量取平均值，則最大的類概率值所對(duì)應(yīng)標(biāo)簽為最終輸出結(jié)果。本文在原始模型的基礎(chǔ)上，增加X(jué)GBoost基學(xué)習(xí)器以調(diào)用GPU參與運(yùn)算，提高計(jì)算速度和效率。此外，增加邏輯回歸基學(xué)習(xí)器以降低數(shù)據(jù)資源存儲(chǔ)要求，大幅度提高級(jí)聯(lián)森林網(wǎng)絡(luò)模型的性能。

級(jí)聯(lián)森林是多層堆疊，隨著級(jí)聯(lián)層數(shù)增加，深度森林復(fù)雜度線性增加，但是隨著層級(jí)增加，訓(xùn)練準(zhǔn)確率提升逐漸變緩。為避免無(wú)效級(jí)聯(lián)，提高模型訓(xùn)練效率，引入神經(jīng)網(wǎng)絡(luò)中的識(shí)別準(zhǔn)確率和交叉熵?fù)p失值作為級(jí)聯(lián)結(jié)束判定指標(biāo)。在模型訓(xùn)練以及層級(jí)增加過(guò)程中，當(dāng)識(shí)別準(zhǔn)確率連續(xù)5次未提高或損失值連續(xù)5次未降低，則層級(jí)增加終止，避免無(wú)效的級(jí)聯(lián)層數(shù)增加，以提高模型運(yùn)算效率。

模型訓(xùn)練準(zhǔn)確率計(jì)算公式如下所示：

(14)

式中:TP為將正類預(yù)測(cè)為正類的數(shù)量；TN為將負(fù)類預(yù)測(cè)為負(fù)類的數(shù)量；FN為將正類預(yù)測(cè)為負(fù)類的數(shù)量；FP為將負(fù)類預(yù)測(cè)為正類的數(shù)量。

模型訓(xùn)練損失值計(jì)算公式如下所示：

(15)

式中:s為樣本個(gè)數(shù)；M為多分類類別數(shù)；yij為樣本標(biāo)簽，當(dāng)樣本i的真實(shí)預(yù)測(cè)類別標(biāo)簽為j時(shí)取1，否則取0；pij為觀測(cè)樣本，i屬于j的概率。

4 試驗(yàn)與分析

4.1 試驗(yàn)描述與頻譜分析

為驗(yàn)證本文方法的有效性，在句容變壓器廠搭建變壓器聲紋數(shù)據(jù)采集平臺(tái)，以一臺(tái)型號(hào)為S-13-M-200/10的10 kV油浸式配電變壓器為研究對(duì)象，通過(guò)試驗(yàn)?zāi)M其在不同工況下發(fā)生機(jī)械故障，并通過(guò)采集平臺(tái)采集聲紋信號(hào)。試驗(yàn)平臺(tái)包括電腦、DHDAS動(dòng)態(tài)信號(hào)采集儀、信號(hào)傳輸線、前置放大器HS14618以及電容式聲傳感器 HS14401等如圖2所示。本文設(shè)置采集儀的采樣頻率為50 kHz以提高試驗(yàn)精度，按照國(guó)標(biāo)GB/T 1094.10—2003規(guī)范，傳感器布置在變壓器四面，距離變壓器油箱30 cm，距離地面高度35 cm，利用龍門吊和扭力扳手設(shè)置不同類型的機(jī)械故障。

圖1 改進(jìn)深度森林模型

圖2 變壓器聲紋數(shù)據(jù)采集平臺(tái)

變壓器空載試驗(yàn)下，繞組中僅流過(guò)勵(lì)磁電流，不足以引起繞組的振動(dòng)，此時(shí)聲音信號(hào)主要來(lái)源于鐵心振動(dòng)。變壓器短路試驗(yàn)下，繞組振動(dòng)引起的聲音遠(yuǎn)大于鐵心振動(dòng)引起的聲音。本文開(kāi)展空載試驗(yàn)和短路試驗(yàn)，如圖3所示。為了盡可能采集到豐富的聲音信號(hào)，本文將4個(gè)相同型號(hào)的聲音傳感器均勻地放置在變壓器箱體的4個(gè)側(cè)面。 1號(hào)和3號(hào)傳感器對(duì)應(yīng)的箱體側(cè)面記為“左右側(cè)面”，2號(hào)和4號(hào)傳感器對(duì)應(yīng)的箱體側(cè)面記為“上下側(cè)面”，以研究變壓器鐵心、繞組的松動(dòng)機(jī)械故障，具體試驗(yàn)流程如下。

圖3 變壓器機(jī)械松動(dòng)故障試驗(yàn)

(1) 空載試驗(yàn)下的鐵心松動(dòng)故障。設(shè)置變壓器高壓側(cè)開(kāi)路，低壓側(cè)保持額定電壓，利用龍門吊吊心，并使用扭力扳手調(diào)整鐵心水平方向緊固螺絲的松緊程度，調(diào)整預(yù)緊力為0、0.25FN、0.5FN、0.75FN和FN，此處FN為額定預(yù)緊力，最后裝機(jī)靜置采集聲紋數(shù)據(jù)。

(2) 短路試驗(yàn)下的繞組松動(dòng)故障。設(shè)置變壓器低壓側(cè)短路，高壓側(cè)逐漸增加電壓至繞組中電流達(dá)到額定電流時(shí)停止，通過(guò)重復(fù)變壓器吊心，并利用扭力扳手調(diào)整變壓器繞組垂直方向上的緊固螺絲松緊程度，分別調(diào)整預(yù)緊力為0、0.25FN、0.5FN、0.75FN和FN，靜置測(cè)量變壓器聲紋數(shù)據(jù)。

試驗(yàn)采集并切片構(gòu)成11 000個(gè)樣本，對(duì)樣本進(jìn)行分類、附標(biāo)簽以及頻譜分析，將其分為鐵心松動(dòng)和繞組松動(dòng)2種松動(dòng)故障類型。每種松動(dòng)故障又被分為0、0.25FN、0.5FN、0.75FN和FN5種不同預(yù)緊力，對(duì)應(yīng)100%、75%、50%、25%以及正常5種松動(dòng)程度，并按照9…1劃分訓(xùn)練集與測(cè)試集，各類別標(biāo)簽及樣本個(gè)數(shù)如表1所示。

表1 樣本標(biāo)簽和樣本個(gè)數(shù)

如圖4所示，變壓器聲紋信號(hào)主頻為100 Hz，主要成分為50 Hz及其偶次倍頻分量，50 Hz奇次倍頻分量含量較少，且多集中于低頻段。變壓器鐵心及繞組松動(dòng)程度的變化，只改變特征頻點(diǎn)的幅值，未改變頻譜分布。此外，在低于50 Hz的頻段也存在少量分布，屬于測(cè)試環(huán)境中的背景噪聲。此外，2號(hào)測(cè)點(diǎn)頻譜穩(wěn)定性高且信號(hào)相對(duì)簡(jiǎn)單，以其為代表進(jìn)行分析處理。

圖4 聲紋信號(hào)頻譜分析

在不同預(yù)緊力作用下，聲紋信號(hào)頻譜變化各不相同，但未表現(xiàn)出明顯的規(guī)律性，且故障特征提取較困難。因此，迫切需要切實(shí)可行的故障特征提取方法。

4.2 變量篩選

為驗(yàn)證本文所提方法的有效性，對(duì)真實(shí)聲紋數(shù)據(jù)進(jìn)行分解，摒棄由于傳感器自身及測(cè)量所造成的直流偏移和外界環(huán)境噪聲干擾等無(wú)關(guān)分量，保留包含故障特征的IMF分量。如圖5所示，IMF1～I(xiàn)MF3為全頻段的均勻噪聲，且其幅值遠(yuǎn)低于其他IMF分量。IMF12～I(xiàn)MF13所包含的特征分量均為低于50 Hz的低頻段，其屬于測(cè)試環(huán)境中的背景噪聲。IMF14為傳感器及測(cè)量造成的直流偏移。因此，本文舍棄無(wú)關(guān)分量，保留IMF4～I(xiàn)MF11等包含故障特征的分量。

圖5 IMF分量頻譜分析

在去除背景噪聲分量的基礎(chǔ)上，通過(guò)皮爾遜相關(guān)系數(shù)刻畫(huà)原始信號(hào)與各IMF分量之間及各IMF分量之間的關(guān)聯(lián)程度，刻畫(huà)各IMF分量包含信息的豐富程度和獨(dú)立性。各IMF分量相關(guān)系數(shù)，如圖6所示。IMF4與原始信號(hào)之間的皮爾遜相關(guān)系數(shù)僅為0.008 4，相關(guān)程度較低。各IMF分量之間的相關(guān)系數(shù)均小于0.2，說(shuō)明各分量之間相對(duì)獨(dú)立。

圖6 IMF分量相關(guān)系數(shù)圖

4.3 特征量提取

變壓器聲紋信號(hào)經(jīng)過(guò)CEEMDAN分解后，對(duì)各IMF分量進(jìn)行頻譜分析和相關(guān)系數(shù)篩選，得到包含故障特征信息的IMF分量。針對(duì)不同IMF分量特點(diǎn)，利用短時(shí)傅里葉變換和小波時(shí)頻熵分別提取不同頻段的IMF分量特征，同時(shí)隨機(jī)選擇提取MFCC一幀進(jìn)行對(duì)比。以5種不同程度鐵心松動(dòng)故障為例，特征提取結(jié)果如圖7所示。MFCC對(duì)于不同程度鐵心松動(dòng)故障區(qū)分度較差，存在大量交疊，且特征維度遠(yuǎn)超其他特征。短時(shí)傅里葉變換幅值特征提取，針對(duì)簡(jiǎn)單平穩(wěn)的IMF8～I(xiàn)MF11具有良好的區(qū)分度，但對(duì)復(fù)雜非平穩(wěn)的IMF5～I(xiàn)MF7存在交疊現(xiàn)象，難以有效區(qū)分。小波能量熵針對(duì)復(fù)雜非平穩(wěn)的IMF5～I(xiàn)MF7具有較好的區(qū)分效果，但不適用于簡(jiǎn)單平穩(wěn)的IMF8～I(xiàn)MF11。本文針對(duì)不同分量特征，融合不同特征提取方法優(yōu)點(diǎn)，提出篩選特征方法,所提取的特征對(duì)有效的IMF5～I(xiàn)MF11均具有較高區(qū)分度。

圖7 特征值區(qū)分度折線圖

4.4 識(shí)別模型搭建與訓(xùn)練

為避免變電站其他變壓器聲紋信號(hào)對(duì)測(cè)試變壓器產(chǎn)生干擾，在識(shí)別模型前增加輔助判據(jù)。當(dāng)變壓器處于空載狀態(tài)且50 Hz頻點(diǎn)幅值均小于0.001 Pa，啟動(dòng)鐵心松動(dòng)程度識(shí)別程序。當(dāng)變壓器負(fù)載狀態(tài)下且50 Hz頻點(diǎn)幅值均小于0.001 5 Pa，啟動(dòng)繞組松動(dòng)程度識(shí)別程序。

本文針對(duì)10種類別、共計(jì)6 000組樣本數(shù)據(jù)，隨機(jī)提取80%樣本作為訓(xùn)練集、20%樣本作為測(cè)試集。在經(jīng)過(guò)CEEMDAN分解后，選取IMF5～I(xiàn)MF11的樣本熵和能量熵所構(gòu)成的特征向量，作為深度森林的輸入進(jìn)行分類識(shí)別。

本文對(duì)改進(jìn)深度森林中的3個(gè)重要超參數(shù)進(jìn)行優(yōu)化，包括學(xué)習(xí)率、基學(xué)習(xí)器中樹(shù)的數(shù)量以及k折交叉驗(yàn)證中的k值。其中k折交叉驗(yàn)證的k值分別取3，4，5，…，15，基學(xué)習(xí)器中樹(shù)的數(shù)量分別取100，200，300，…，1 000，學(xué)習(xí)率分別取0.1，0.01，0.001，0.000 1。為防止偶然性出現(xiàn)，每種超參數(shù)取值后進(jìn)行5次重復(fù)試驗(yàn)，將5次試驗(yàn)結(jié)果取平均值進(jìn)行對(duì)比，如圖8所示。本文設(shè)置k折交叉驗(yàn)證中的k值取12，基學(xué)習(xí)器中樹(shù)的數(shù)量取700，學(xué)習(xí)率為0.001。

圖8 識(shí)別模型超參數(shù)訓(xùn)練過(guò)程

按上文重新設(shè)置模型超參數(shù)，并導(dǎo)入樣本集對(duì)模型進(jìn)行重新訓(xùn)練，本文采用混淆矩陣來(lái)衡量模型對(duì)1 100個(gè)測(cè)試樣本的識(shí)別分類結(jié)果。如圖9所示，本文所提模型對(duì)繞組及鐵心不同松動(dòng)程度故障均能實(shí)現(xiàn)有效識(shí)別，平均識(shí)別率達(dá)98.7%。

圖9 識(shí)別結(jié)果混淆矩陣

4.5 模型優(yōu)越性驗(yàn)證

為驗(yàn)證本文所提特征篩選方法的有效性，本文對(duì)比MFCC、IMF1～I(xiàn)MF14中提取的倍頻幅值、IMF1～I(xiàn)MF14中提取小波能量熵、IMF5～I(xiàn)MF11中提取的幅值以及IMF5～I(xiàn)MF11中提取的小波能量熵5種特征值，分別記為MFCC、LFA1-14、WEE1-14、LFA5-11、WEE5-11。對(duì)1 100組測(cè)試樣本進(jìn)行測(cè)試，測(cè)試結(jié)果如圖10和表2所示。MFCC特征識(shí)別準(zhǔn)確率較低、訓(xùn)練時(shí)間較長(zhǎng)。對(duì)比IMF1～I(xiàn)MF14所提特征和IMF5～I(xiàn)MF11所提特征，IMF1～I(xiàn)MF14所提特征的識(shí)別準(zhǔn)確率均低于IMF5～I(xiàn)MF11所提特征的識(shí)別準(zhǔn)確率，IMF1～I(xiàn)MF14所提特征的訓(xùn)練時(shí)間均高于IMF5～I(xiàn)MF11所提特征的訓(xùn)練時(shí)間?？芍獰o(wú)效的IMF分量所提特征不僅降低識(shí)別準(zhǔn)確率且大幅度增加訓(xùn)練時(shí)間。本文所提篩選的特征識(shí)別準(zhǔn)確率較LFA1-14、LFA5-11、WEE1-14、WEE5-11以及MFCC 5種特征，至少提高了0.8%，且針對(duì)10類松動(dòng)故障均有明顯提升。

圖10 不同特征識(shí)別結(jié)果對(duì)比圖

表2 各故障特征訓(xùn)練時(shí)間和識(shí)別準(zhǔn)確率

為驗(yàn)證本文所提識(shí)別算法的優(yōu)越性，將常見(jiàn)的機(jī)器學(xué)習(xí)算法如決策樹(shù)(DT)、樸素貝葉斯(NB)、隨機(jī)森林(RF)、K近鄰(KNN)、支持向量機(jī)(SVM)以及RUSBoost等與本文所提的改進(jìn)深度森林模型進(jìn)行對(duì)比。對(duì)1 100組樣本進(jìn)行測(cè)試，測(cè)試結(jié)果如圖11所示。對(duì)比其他常見(jiàn)機(jī)器學(xué)習(xí)模型的平均識(shí)別準(zhǔn)確率以及單一故障識(shí)別準(zhǔn)確率，所提方法均有所提高。

圖11 傳統(tǒng)機(jī)器學(xué)習(xí)算法識(shí)別結(jié)果對(duì)比圖

為驗(yàn)證改進(jìn)深度森林算法比深度學(xué)習(xí)算法擁有更強(qiáng)的泛化能力，與深度學(xué)習(xí)算法中的一維卷積神經(jīng)網(wǎng)絡(luò)(ID-CNN)的訓(xùn)練過(guò)程和識(shí)別結(jié)果進(jìn)行對(duì)比，如圖12所示。CNN模型在訓(xùn)練過(guò)程中能夠快速收斂，訓(xùn)練集準(zhǔn)確率最終穩(wěn)定在100%。雖然改進(jìn)的深度森林算法識(shí)別準(zhǔn)確率存在一定程度的波動(dòng)性，但卷積神經(jīng)網(wǎng)絡(luò)測(cè)試集識(shí)別準(zhǔn)確率僅為62.1%，改進(jìn)深度森林測(cè)試集準(zhǔn)確率達(dá)到99.2%，可知改進(jìn)深度森林對(duì)變壓器機(jī)械狀態(tài)的識(shí)別具有更高的泛化能力。

圖12 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果對(duì)比圖

5 結(jié) 語(yǔ)

變壓器運(yùn)行過(guò)程中發(fā)出的聲音信號(hào)包含大量能夠反映設(shè)備內(nèi)部機(jī)械狀態(tài)的有效信息。本文搭建變壓器聲紋信號(hào)采集平臺(tái)，對(duì)采集到的聲紋信號(hào)進(jìn)行分析與處理，并對(duì)變壓器不同機(jī)械狀態(tài)的聲紋信號(hào)進(jìn)行識(shí)別。在后續(xù)的研究中，會(huì)對(duì)現(xiàn)場(chǎng)實(shí)際運(yùn)行的變壓器正常及故障數(shù)據(jù)進(jìn)行收集處理，以進(jìn)一步驗(yàn)證本文所提方法的有效性。本文得到如下結(jié)論。

(1) 利用CEEMDAN對(duì)聲紋信號(hào)進(jìn)行分解，通過(guò)頻譜分析和皮爾遜相關(guān)系數(shù)對(duì)IMF分量進(jìn)行篩選，有效剔除無(wú)效的IMF分量，保留了包含變壓器本體聲紋信號(hào)的IMF分量。

(2) 通過(guò)對(duì)不同IMF分量在高低頻段上表征出的差異性，提取高頻段IMF分量的時(shí)頻能量和低頻段IMF分量的幅值特性作為特征指標(biāo)，具有針對(duì)性的提取特征量，有效提高了特征向量的區(qū)分度，降低了特征向量的冗余，在一定程度上減少了識(shí)別模型復(fù)雜程度。

(3) 利用改進(jìn)的深度森林算法對(duì)變壓器機(jī)械狀態(tài)進(jìn)行識(shí)別，取得了較好的識(shí)別效果。