劉云鵬 來庭煜 劉嘉碩 魏曉光 裴少通

特高壓直流換流閥飽和電抗器振動(dòng)聲紋特性與松動(dòng)程度聲紋檢測(cè)方法

劉云鵬1來庭煜1劉嘉碩1魏曉光2裴少通1

（1. 河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)） 保定 071003 2. 先進(jìn)輸電技術(shù)國家重點(diǎn)實(shí)驗(yàn)室（全球能源互聯(lián)網(wǎng)研究院有限公司） 北京 102209）

飽和電抗器作為特高壓直流換流閥的核心裝備，運(yùn)行中產(chǎn)生的振動(dòng)聲音包含大量的信息，其狀態(tài)評(píng)估對(duì)換流閥的安全運(yùn)行具有重要意義。該文提出一種基于優(yōu)化S變換和改進(jìn)深度殘差收縮網(wǎng)絡(luò)的飽和電抗器鐵心松動(dòng)程度聲紋識(shí)別模型。首先開展了高頻脈沖激勵(lì)下的飽和電抗器振動(dòng)試驗(yàn)，并測(cè)量了不同鐵心松動(dòng)程度下的聲紋信號(hào)；其次在聲信號(hào)頻譜主值區(qū)間內(nèi)，根據(jù)能量聚集性優(yōu)化高斯窗參數(shù)來提高聲紋圖譜的時(shí)頻分辨率；然后對(duì)松動(dòng)后的聲紋特性進(jìn)行分析，發(fā)現(xiàn)高低頻比和低頻分量主頻占比兩個(gè)特征指標(biāo)僅能對(duì)松動(dòng)程度較高的狀態(tài)做出預(yù)警；最后采用五個(gè)不同方位測(cè)點(diǎn)的鐵心松動(dòng)數(shù)據(jù)代入基于自適應(yīng)參數(shù)修正線性單元的改進(jìn)深度殘差收縮網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，來消除聲紋圖中的冗余信息，并對(duì)不同松動(dòng)程度下的特征進(jìn)行獨(dú)立映射，從而增強(qiáng)共同特征的學(xué)習(xí)能力。研究結(jié)果表明，該文模型對(duì)電抗器不同鐵心松動(dòng)程度的平均識(shí)別準(zhǔn)確率達(dá)到95.93%，優(yōu)于傳統(tǒng)深度學(xué)習(xí)算法，可為飽和電抗器在線監(jiān)測(cè)提供重要依據(jù)。

飽和電抗器聲紋 優(yōu)化S變換 鐵心松動(dòng)試驗(yàn) 特征提取 改進(jìn)深度殘差收縮網(wǎng)絡(luò)

0 引言

特高壓直流輸電技術(shù)具有輸送距離長、運(yùn)行方式靈活、經(jīng)濟(jì)高效等諸多優(yōu)點(diǎn)，已成為新能源外送的重要手段，其中高壓直流換流閥的狀態(tài)直接影響到電網(wǎng)安全和能源送出消納能力[1-3]。飽和電抗器作為換流閥的核心部件，起到了抑制電流變化率、高頻電壓沖擊下分?jǐn)偣瓒央妷杭氨ＷC晶閘管正常開斷的作用[4]。但由于閥廳中設(shè)備種類繁多，導(dǎo)致飽和電抗器工況較為復(fù)雜。尤其在換流閥開通和關(guān)斷時(shí)，飽和電抗器承受高頻脈沖電壓，鐵心在磁不飽和與磁飽和狀態(tài)之間的轉(zhuǎn)換一般在數(shù)ms到數(shù)十ms的時(shí)間內(nèi)完成，加劇了寬頻機(jī)械振動(dòng)[5]。在機(jī)械應(yīng)力的長期循環(huán)疲勞持續(xù)作用下，易產(chǎn)生內(nèi)部微小缺陷，進(jìn)而出現(xiàn)機(jī)械結(jié)構(gòu)松動(dòng)、水管振動(dòng)磨損和加速老化失效等問題。因此，有必要研究飽和電抗器鐵心的振動(dòng)特性及故障識(shí)別方法，為設(shè)備狀態(tài)評(píng)估及換流閥高效運(yùn)維管理提供重要依據(jù)。

目前，針對(duì)飽和電抗器振動(dòng)特性的研究較少，文獻(xiàn)[6]測(cè)量了一對(duì)鐵心在不同單頻點(diǎn)激勵(lì)下的振動(dòng)噪聲，并采用加裝阻尼彈性體的方法進(jìn)行降噪。文獻(xiàn)[7]對(duì)飽和電抗器進(jìn)行電磁場(chǎng)及諧響應(yīng)仿真分析，計(jì)算了電磁力和振動(dòng)位移。上述研究主要集中于振動(dòng)幅值對(duì)比及降噪處理，且所加激勵(lì)與飽和電抗器實(shí)際電壓波形存在差異，并未對(duì)振動(dòng)特征進(jìn)行深入分析。在飽和電抗器機(jī)械結(jié)構(gòu)狀態(tài)評(píng)估方面，目前還處于半盲狀態(tài)，只能進(jìn)行停電檢修，難以實(shí)現(xiàn)早期故障識(shí)別和預(yù)測(cè)。飽和電抗器運(yùn)行中產(chǎn)生的振動(dòng)和聲音信號(hào)包含大量的信息，可反映其運(yùn)行狀態(tài)。振動(dòng)信號(hào)的采集多為接觸式測(cè)量，多對(duì)鐵心上均需安裝振動(dòng)傳感器，成本較高，且多層閥塔的飽和電抗器對(duì)地電壓等級(jí)不同導(dǎo)致絕緣塊厚度不同、布點(diǎn)偏移等因素都會(huì)對(duì)測(cè)量結(jié)果產(chǎn)生影響。而聲音信號(hào)監(jiān)測(cè)是非接觸式測(cè)量方法，測(cè)量范圍廣。在滿足最高電壓等級(jí)的安全凈距前提下，多層閥塔間飽和電抗器與聲傳感器的測(cè)量間距可以實(shí)現(xiàn)統(tǒng)一化，實(shí)現(xiàn)對(duì)閥廳內(nèi)多臺(tái)飽和電抗器的在線監(jiān)測(cè)要求。

目前，在電力設(shè)備聲紋監(jiān)測(cè)領(lǐng)域，已有一定研究，主要集中于變壓器故障聲信號(hào)診斷方面。文獻(xiàn)[8]提取了變壓器鐵心松動(dòng)噪聲信號(hào)的梅爾頻率倒譜系數(shù)（Mel Frequency Cestrum Coefficient, MFCC）特征向量，并采用矢量量化（Vector Quantization, VQ）算法獲得了較好的鐵心松動(dòng)故障識(shí)別效果。隨著深度學(xué)習(xí)在語音識(shí)別[9-10]、圖像識(shí)別[11-12]等方面的快速發(fā)展，已有學(xué)者將其應(yīng)用于變壓器聲信號(hào)識(shí)別中。文獻(xiàn)[13]對(duì)變壓器鐵心振動(dòng)聲紋數(shù)據(jù)進(jìn)行Mel時(shí)頻譜降維，并代入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，來判斷變壓器的運(yùn)行工況。文獻(xiàn)[14]利用盲源分離、幅值相位波動(dòng)性法去除掉變壓器本體信號(hào)中的干擾成分，并提取50 Hz倍頻倒譜系數(shù)，引入門控循環(huán)單元（Gate Recurrent Unit, GRU）網(wǎng)絡(luò)，建立變壓器直流偏磁聲紋識(shí)別模型。綜上所述，已有方法基于聲音信號(hào)對(duì)變壓器的狀態(tài)識(shí)別取得了一定成果，但若將其應(yīng)用于飽和電抗器中還存在一些問題：①變壓器激勵(lì)源多為正弦電壓或含少量諧波，振動(dòng)頻譜分布在0～2 kHz之間，而脈沖激勵(lì)下的飽和電抗器振動(dòng)聲信號(hào)頻譜分布較廣，可聽聲范圍內(nèi)均有體現(xiàn)，復(fù)雜程度更高；②聲紋信號(hào)特征提取方法多以短時(shí)傅里葉變換為基礎(chǔ)，難以同時(shí)體現(xiàn)高頻及低頻的特征[15-16]；③不同方位麥克風(fēng)收集到的鐵心振動(dòng)聲紋分量存在差異，缺少多方位聲信號(hào)的共性識(shí)別方法。

本文中，首先進(jìn)行飽和電抗器鐵心松動(dòng)試驗(yàn)，模擬晶閘管開通、關(guān)斷過程中產(chǎn)生的高頻脈沖電壓，并采集電信號(hào)及振動(dòng)聲紋信號(hào)；其次，采用基于能量聚集性公式的優(yōu)化S變換（Optimized S-Transform, OST）提取聲紋特征；然后，研究不同電壓等級(jí)及鐵心松動(dòng)程度下的聲紋頻譜分布，構(gòu)建五個(gè)特征指標(biāo)對(duì)松動(dòng)后的聲紋特性進(jìn)行分析；最后，將自適應(yīng)參數(shù)修正線性單元引入深度殘差收縮網(wǎng)絡(luò)，對(duì)五個(gè)測(cè)點(diǎn)聲信號(hào)的特征進(jìn)行獨(dú)立映射，建立飽和電抗器鐵心松動(dòng)程度多方位識(shí)別模型，并依據(jù)試驗(yàn)構(gòu)建的數(shù)據(jù)集驗(yàn)證本文模型的有效性。

1 飽和電抗器鐵心振動(dòng)機(jī)理

飽和電抗器正常運(yùn)行狀態(tài)下，鐵心扎帶具有較高的緊固力矩，加以制造工藝和鐵心疊壓方式的改進(jìn)，硅鋼片接縫處和疊片間漏磁產(chǎn)生的電磁力引起的振動(dòng)較小，因此可認(rèn)為鐵心振動(dòng)主要是由磁致伸縮效應(yīng)所引起的。下面分析磁致伸縮與所加激勵(lì)間的關(guān)系。飽和電抗器承受的高頻脈沖電壓可等效為多個(gè)正弦電壓之和，即

式中，U、分別為次諧波的電壓幅值和相位；為50Hz電壓角頻率；為總諧波次數(shù)。

外加磁場(chǎng)下，由磁致伸縮導(dǎo)致硅鋼片產(chǎn)生的微小形變[17]滿足

式中，D為硅鋼片形變伸縮量；為硅鋼片原始長度；s為硅鋼片飽和磁致伸縮率；c為矯頑力；為鐵心中的磁場(chǎng)強(qiáng)度。

對(duì)式（2）進(jìn)行積分求出硅鋼片形變伸縮量D，可得到飽和電抗器鐵心由硅鋼片磁致伸縮引起的振動(dòng)為

其中

由式（3）可知，飽和電抗器正常運(yùn)行時(shí)，承受的電壓中含有大量高次諧波，致使飽和電抗器鐵心振動(dòng)頻率在50 Hz的奇、偶次倍頻上均存在分量。此外，鐵心的非線性特征、固有頻率接近激勵(lì)頻率發(fā)生共振等影響因素，都會(huì)加劇鐵心振動(dòng)的復(fù)雜程度。

2 飽和電抗器聲紋時(shí)頻譜

構(gòu)建聲紋時(shí)頻譜圖是提取飽和電抗器鐵心振動(dòng)聲音信號(hào)特征的重要方法，特征提取效果會(huì)直接影響到之后鐵心松動(dòng)程度識(shí)別的結(jié)果。大功率晶閘管μs級(jí)導(dǎo)通關(guān)斷過程中產(chǎn)生的高次電壓、電流諧波使鐵心振動(dòng)聲紋頻譜變得復(fù)雜。本節(jié)利用能量聚集性公式優(yōu)化高斯窗參數(shù)，對(duì)聲信號(hào)進(jìn)行頻域加窗，來獲取更高的時(shí)頻分辨率。

2.1 傳統(tǒng)S變換

傳統(tǒng)S變換采用可變寬度的高斯窗函數(shù)，實(shí)現(xiàn)了多分辨率分析和相位更正，是短時(shí)傅里葉變換和小波變換的改進(jìn)。對(duì)于時(shí)域信號(hào)()，其S變換定義[18]為

寬度因子定義為

由式（8）可知，傳統(tǒng)高斯窗函數(shù)的時(shí)域窗寬與頻率成反比，即低頻段的頻率分辨率較高，在高頻段的頻率分辨率降低。飽和電抗器鐵心振動(dòng)聲音頻段分布較廣，若采用傳統(tǒng)S變換構(gòu)建聲紋時(shí)頻譜，隨著計(jì)算頻率的升高，窗函數(shù)寬度迅速下降。在提取高頻特征時(shí)可能會(huì)出現(xiàn)頻帶混疊、頻譜泄露等問題，難以保證整個(gè)頻帶內(nèi)都具有較高的時(shí)頻分辨率。

為了改善時(shí)頻分辨率，文獻(xiàn)[19]提出了廣義S變換，通過引入?yún)?shù)和分別調(diào)節(jié)高斯窗的幅度以及隨頻率變化的速度，廣義S變換的寬度因子變?yōu)?/p>

由式（9）可知，當(dāng)＞1或0＜＜1時(shí)，窗寬比正常情況下變寬，頻率分辨率提高。然而采用固定值和值實(shí)現(xiàn)較好的時(shí)頻分辨率是比較困難的，需要對(duì)其進(jìn)行調(diào)整。同時(shí)在時(shí)域中，調(diào)節(jié)因子變化區(qū)間難以確定。

2.2 優(yōu)化S變換

根據(jù)卷積定理，可推導(dǎo)出快速S變換的方程，將時(shí)域信號(hào)的傅里葉變換與高斯頻域窗函數(shù)相乘，并進(jìn)行快速傅里葉反變換，得到S變換的結(jié)果為

式中，a+1為相鄰頻點(diǎn)f+1主值區(qū)間的最小值；b為頻點(diǎn)f主值區(qū)間的最大值。

為了在主值區(qū)間內(nèi)選出較優(yōu)的值，本文提出了一種基于能量聚集性動(dòng)態(tài)調(diào)整高斯窗寬度的優(yōu)化S變換，通過改善各頻率處的時(shí)頻聚集性能，實(shí)現(xiàn)時(shí)頻分辨率的整體提升。在實(shí)際應(yīng)用中，離散S變換的能量聚集性計(jì)算公式為

由于受到海森堡測(cè)不準(zhǔn)原理制約，頻率分辨率與時(shí)間分辨率不能同時(shí)提高。飽和電抗器鐵心振動(dòng)的周期較平穩(wěn)，在提取聲信號(hào)時(shí)頻特征的過程中，可適當(dāng)降低時(shí)間分辨率來獲取更高的頻率分辨率。因此優(yōu)化問題的目標(biāo)設(shè)為能量聚集值ST()最小化。

在沒有引進(jìn)窗函數(shù)能量G時(shí)，求解時(shí)存在取到范圍的邊界的情況，使時(shí)-頻優(yōu)化問題失去意義。窗函數(shù)能量G與原函數(shù)變化趨勢(shì)相同，但存在變化率過高的問題。因此在能量聚集性計(jì)算公式中除以窗函數(shù)的對(duì)數(shù)，使在約束范圍內(nèi)部取到最優(yōu)值，時(shí)、頻分辨率達(dá)到較好的平衡，便于獲取更加精確的聲紋時(shí)頻譜圖。

2.3 飽和電抗器聲紋時(shí)頻譜圖構(gòu)建步驟

基于優(yōu)化S變換的聲紋時(shí)頻譜圖繪制主要包括離散傅里葉變換、頻點(diǎn)逐移加窗、傅里葉反變換等步驟。時(shí)域聲信號(hào)轉(zhuǎn)換為時(shí)頻譜圖的過程如圖1所示。

圖1中原始數(shù)據(jù)為時(shí)長為1 s的飽和電抗器鐵心振動(dòng)聲音信號(hào)。不同于短時(shí)傅里葉變換，處理聲信號(hào)時(shí)需要人為設(shè)定幀長、幀移等參數(shù)，優(yōu)化S變換可根據(jù)信號(hào)頻譜特性自適應(yīng)加窗，具體流程如下：

圖1 時(shí)域聲信號(hào)轉(zhuǎn)換為時(shí)頻譜圖過程

1）對(duì)采集到的振動(dòng)聲音信號(hào)進(jìn)行傅里葉變換，將時(shí)域信號(hào)轉(zhuǎn)換到頻域當(dāng)中。

2）針對(duì)每個(gè)頻點(diǎn)f，根據(jù)式（11）計(jì)算與其對(duì)應(yīng)的的取值范圍。

3）根據(jù)式（10）、式（12）計(jì)算頻點(diǎn)f的ST矩陣和能量聚集值ST，采用內(nèi)點(diǎn)法在步驟2）得到的范圍內(nèi)進(jìn)行尋優(yōu)，找出ST取最小值時(shí)的值及對(duì)應(yīng)的ST矩陣，重復(fù)計(jì)算所有頻率得到整個(gè)時(shí)頻矩陣為

4）計(jì)算二維復(fù)數(shù)矩陣的模值|ST(,)|來表征不同時(shí)刻的頻率含量。

根據(jù)實(shí)測(cè)聲音信號(hào)頻譜可知，飽和電抗器鐵心振動(dòng)聲音主要頻帶范圍為0～18 kHz，且頻率分布在50 Hz及其倍頻分量上。因此只計(jì)算50 Hz及其倍頻分量的OST矩陣，減少了計(jì)算時(shí)間，并去除了50 Hz倍頻外的干擾噪聲分量?，F(xiàn)場(chǎng)應(yīng)用中，采樣設(shè)備增益和擺放位置的不同導(dǎo)致所得到聲紋時(shí)頻特征矩陣的幅值存在差異。為了統(tǒng)一提取、分析多個(gè)測(cè)點(diǎn)的聲紋特征，采用計(jì)算OST矩陣中不同時(shí)刻的頻率占比的方法消除量綱，即

式中，為頻域采樣點(diǎn)總數(shù)。

3 飽和電抗器鐵心振動(dòng)聲紋試驗(yàn)

為了模擬飽和電抗器運(yùn)行時(shí)承受的寬頻電壓、電流波形，在全球能源互聯(lián)網(wǎng)研究院大功率電力電子實(shí)驗(yàn)室進(jìn)行飽和電抗器鐵心振動(dòng)試驗(yàn)，采集了電壓、電流和振動(dòng)聲音信號(hào)，并對(duì)不同電壓等級(jí)及鐵心松動(dòng)程度下的振動(dòng)聲紋特征進(jìn)行分析。

3.1 飽和電抗器振動(dòng)試驗(yàn)平臺(tái)

飽和電抗器振動(dòng)試驗(yàn)平臺(tái)如圖2所示。試驗(yàn)平臺(tái)的電壓源為高壓直流充電電源DC，電容柜s通過斷路器K1連接試驗(yàn)電壓源，電容柜低壓端通過接地電阻cs和斷路器Ks接地（Ks需要遠(yuǎn)程操控，當(dāng)平臺(tái)運(yùn)行時(shí)，Ks為斷開狀態(tài)；當(dāng)平臺(tái)停止運(yùn)行，電容s進(jìn)行放電時(shí)，Ks為閉合狀態(tài)）。試驗(yàn)平臺(tái)供能電源為220 V交流電，在對(duì)應(yīng)的設(shè)備柜中布置有隔離變壓器和串聯(lián)電抗器，對(duì)H橋中的IGBT組件進(jìn)行供能。接入電壓經(jīng)H橋整流后為飽和電抗器提供電壓激勵(lì)，通過接入等效雜散電容以調(diào)節(jié)飽和電抗器上的電壓峰值，用于模擬逆變側(cè)飽和電抗器持續(xù)運(yùn)行工況。所加激勵(lì)能夠模擬開通和關(guān)斷瞬間產(chǎn)生

的兩個(gè)脈沖電壓，且飽和電抗器上的電流近似為梯形，都與實(shí)際情況相符，能夠較好地模擬飽和電抗器的振動(dòng)特性。此類飽和電抗器已在哈鄭、錦蘇特高壓直流工程中應(yīng)用，其鐵心及固定螺栓螺桿均取繞組中點(diǎn)電位，外露金屬零件通過短接線連接，且外部套有絕緣護(hù)套，基本參數(shù)見表1。

表1 飽和電抗器參數(shù)

Tab.1 Parameters of saturable reactor

試驗(yàn)采用的聲、電信號(hào)測(cè)量系統(tǒng)主要由駐極電容式槍型指向麥克風(fēng)、錄機(jī)、高壓探頭、羅氏線圈、光纖隔離數(shù)據(jù)采集裝置組成。麥克風(fēng)具有較強(qiáng)的指向性，受其他噪聲源干擾較小。為了對(duì)比松動(dòng)鐵心正面和側(cè)面收集到的聲紋特征，本試驗(yàn)共布置五個(gè)麥克風(fēng)傳感器，測(cè)點(diǎn)分布如圖2b所示，測(cè)點(diǎn)1～測(cè)點(diǎn)5分別距飽和電抗器約0.4、0.6、0.5、0.5、0.5 m，距離地面高度約0.8 m。在模擬松動(dòng)故障時(shí)，對(duì)測(cè)點(diǎn)2正方向的鐵心進(jìn)行了松動(dòng)。錄機(jī)采樣頻率為48 kHz，音質(zhì)分辨率為24 bit。飽和電抗器安裝在高壓平臺(tái)上，端子對(duì)地最高電壓不超過3 kV，測(cè)量裝置與飽和電抗器水平距離不低于絕緣凈距。高壓探頭、羅氏線圈連接到光纖前端且相互隔離，光纖前端使用電池供電，距離地面高度約1.1 m，滿足與地電位間10 kV工頻電壓的絕緣要求。光纖前端連接到數(shù)據(jù)采集系統(tǒng)的接收設(shè)備，采樣頻率為1 MHz。接收設(shè)備連接至計(jì)算機(jī)實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)。

3.2 不同電壓等級(jí)下鐵心振動(dòng)聲紋特性

本試驗(yàn)所加電壓波形含兩個(gè)脈沖，分別模擬飽和電抗器實(shí)際運(yùn)行中單閥的開通與關(guān)斷過程。在這兩個(gè)過程中，電壓幅值和電壓變化率最大，使飽和電抗器鐵心充分磁化，產(chǎn)生的磁致伸縮效應(yīng)最強(qiáng)，能夠較好地反映鐵心實(shí)際振動(dòng)特性。調(diào)整前端充電電壓從500 V升高到2 500 V，每次升壓間隔為100 V，測(cè)量飽和電抗器電氣量及鐵心振動(dòng)聲紋信號(hào)。不同充電電壓等級(jí)下飽和電抗器電壓、電流波形對(duì)比如圖3所示。

圖3 飽和電抗器電壓、電流波形對(duì)比

由圖3可知，當(dāng)晶閘管開通時(shí)，飽和電抗器分擔(dān)較高電壓，抑制電流過快變化，鐵心磁通密度也逐漸增加達(dá)到飽和狀態(tài)；當(dāng)晶閘管完全開通后，電抗器分壓迅速下降，因此電壓呈現(xiàn)出一個(gè)近似尖峰的波形。充電電壓為500 V時(shí)，鐵心電壓在24ms內(nèi)從0 V上升至最高幅值333 V，但之后電壓波形并未出現(xiàn)陡降。隨著電壓幅值的升高，鐵心飽和速度加快。當(dāng)充電電壓升高至2 500 V時(shí)，鐵心電壓在15ms內(nèi)從0 V達(dá)到最高幅值1 593 V，分壓迅速降低，產(chǎn)生更強(qiáng)的振動(dòng)，與實(shí)際工作的波形更為相似。兩種電壓等級(jí)下飽和電抗器電流都近似為梯形，最大幅值分別為-335 A和-1 639 A，電流變化率升高了近4倍。

通過傅里葉變換，得到不同充電電壓下飽和電抗器電壓諧波分布如圖4所示。飽和電抗器電壓中含有大量諧波分量，奇次諧波和偶次諧波占比相當(dāng)，且受電壓幅值變化影響較小。以每2 kHz為一頻段對(duì)0～20 kHz的頻譜進(jìn)行劃分，共分為10段，分別計(jì)算不同頻段的占比。隨著電壓幅值的不斷升高，0～4 kHz所占比例逐漸降低。在充電電壓達(dá)到2 500 V時(shí)比例為34.5%，下降比例約為18%，但仍為諧波主要成分；4～20 kHz占比存在波動(dòng)，總體呈升高趨勢(shì)。其中，充電電壓500 V與600 V的諧波分量變化最為明顯。進(jìn)一步分析電壓波形發(fā)現(xiàn)，充電電壓為600 V時(shí)電壓波形已出現(xiàn)突降；繼續(xù)升壓，電壓諧波分量變化趨勢(shì)減緩。

圖4 不同充電電壓下飽和電抗器電壓諧波分布

為了研究飽和電抗器鐵心振動(dòng)聲音隨電壓升高產(chǎn)生的變化，將五個(gè)測(cè)點(diǎn)的時(shí)域聲信號(hào)幅值繪制成如圖5所示的箱線圖，上下邊緣為1.5倍的數(shù)據(jù)標(biāo)準(zhǔn)差。不同測(cè)點(diǎn)的聲音變化趨勢(shì)大致相同，在電壓為380 V時(shí)，所有測(cè)點(diǎn)的幅值在0.218 V以下，此時(shí)鐵心已處于飽和狀態(tài)，產(chǎn)生較大的振動(dòng)噪聲。隨著電壓升高，鐵心磁不飽和與磁飽和狀態(tài)轉(zhuǎn)換加快，產(chǎn)生的高頻分量使振動(dòng)噪聲顯著增加，其中測(cè)點(diǎn)5受電壓增長影響較大，聲信號(hào)幅值變化超過了3倍。但飽和電抗器鐵心振動(dòng)與電壓幅值二次方呈非線性關(guān)系，當(dāng)電壓幅值達(dá)到1 160 V后，聲信號(hào)幅值增長速度下降，逐漸趨于平緩。

圖5 飽和電抗器鐵心振動(dòng)聲信號(hào)幅值變化箱線圖

在完成不同電壓等級(jí)下飽和電抗器振動(dòng)聲紋試驗(yàn)后，進(jìn)一步分析測(cè)點(diǎn)1～5的數(shù)據(jù)，發(fā)現(xiàn)各測(cè)點(diǎn)下的電抗器振動(dòng)聲紋頻譜整體較為相似。因此本文僅選取飽和電抗器正面測(cè)點(diǎn)2的數(shù)據(jù)分析結(jié)果進(jìn)行展示。聲紋信號(hào)頻率在50 Hz～18 kHz范圍內(nèi)的50 Hz倍頻上均有體現(xiàn)，主要集中在50 Hz～8 kHz，后續(xù)進(jìn)行頻譜分析時(shí)均按此范圍采用第2.3節(jié)的占比時(shí)頻矩陣進(jìn)行計(jì)算。

飽和電抗器電壓中含有大量的奇、偶次諧波，使鐵心的磁化過程更快、飽和程度更高。產(chǎn)生的振動(dòng)頻率也不僅是電壓諧波的偶數(shù)倍，同時(shí)也包含了大量的奇數(shù)次諧波，且頻帶更寬，這也與理論分析的結(jié)果一致。升壓試驗(yàn)中不同電壓等級(jí)下振動(dòng)聲紋頻率占比瀑布圖如圖6所示，圖中只呈現(xiàn)了0～8 kHz的頻譜分布。從圖6中可以看出，電壓等級(jí)較低時(shí)，頻率主要集中在2 kHz以下的范圍內(nèi)；隨著電壓升高，低頻分量逐漸降低，高頻分量不斷增加，主頻段朝著高頻方向偏移。當(dāng)電壓幅值達(dá)到973 V時(shí)，5～7 kHz范圍內(nèi)的頻率占比已超過0～2 kHz的情況，繼續(xù)升高電壓，各頻段的變化趨勢(shì)放緩。

圖6 不同電壓等級(jí)下鐵心振動(dòng)聲紋頻率占比瀑布圖

3.3 不同鐵心松動(dòng)程度下振動(dòng)聲紋特性

為了探究不同壓緊力（松動(dòng)程度）下的鐵心振動(dòng)聲紋特性，本文進(jìn)行了飽和電抗器鐵心松動(dòng)試驗(yàn)。其中電源電壓為2 000 V（對(duì)應(yīng)飽和電抗器電壓 1 280 V），經(jīng)上文分析，此時(shí)鐵心已達(dá)到較高的飽和程度，與實(shí)際運(yùn)行工況相近。鐵心松動(dòng)程度設(shè)置為螺釘脫落、螺釘完全松動(dòng)、夾件緊固力矩為5～11 N?m（正常壓緊力）共九種情況。鐵心松動(dòng)故障實(shí)物如圖7所示。

圖7 鐵心松動(dòng)故障實(shí)物

以測(cè)點(diǎn)2為例，飽和電抗器鐵心處于正常壓緊力和螺釘脫落時(shí)的聲紋時(shí)域和頻域信號(hào)如圖8所示。

對(duì)比發(fā)現(xiàn)，鐵心振動(dòng)周期與電信號(hào)相同，均為0.02 s。松動(dòng)后，時(shí)、頻信號(hào)都存在一定程度的改變，其中頻域信號(hào)變化較為明顯，50～1 200 Hz低頻分量降低，1 250～18 000 Hz高頻分量升高，11 kHz后的微弱分量也得到了增強(qiáng)。因此本文通過對(duì)比不同的頻域特征值來分析鐵心松動(dòng)后的振動(dòng)聲紋特性。

基于反映變壓器機(jī)械結(jié)構(gòu)的頻域特征值[21]和飽和電抗器鐵心振動(dòng)聲紋頻譜特性，本文選擇頻譜復(fù)雜度1、主頻頻率2、奇偶次諧波比3、低頻分量主頻比重4、高低頻比5共五個(gè)特征指標(biāo)，并采用五個(gè)測(cè)點(diǎn)的數(shù)據(jù)進(jìn)行了分析和驗(yàn)證。以各頻率分量占比為基礎(chǔ)（見式（15）），五個(gè)特征指標(biāo)分別如式（16）～式（20）所示。

式中，R為50 Hz倍頻的比重；為50 Hz倍頻次數(shù)；為高低頻分界頻率所對(duì)應(yīng)的諧波次數(shù)，本文在計(jì)算時(shí)選取1 200 Hz為分界線，即=24。

不同松動(dòng)程度下的鐵心振動(dòng)聲紋頻域特征值變化如圖9所示。可以看出，不同特征值對(duì)鐵心松動(dòng)的靈敏度存在差異，且單個(gè)特征值在測(cè)點(diǎn)間的變化趨勢(shì)也不盡相同。下面依次對(duì)五個(gè)特征值反映頻譜變化的規(guī)律進(jìn)行分析。

1）頻譜復(fù)雜度。頻譜復(fù)雜度與鐵心松動(dòng)程度的相關(guān)性較弱，總體在7.15～7.6之間波動(dòng)，且無明顯的單調(diào)變化趨勢(shì)。由于飽和電抗器鐵心振動(dòng)聲紋的頻帶較寬，正常壓緊力下，頻率主要集中在8 kHz以內(nèi)；鐵心松動(dòng)后，頻率也主要在此范圍內(nèi)進(jìn)行增減，8～20 kHz范圍內(nèi)的新增分量相對(duì)較少，因此頻譜復(fù)雜度變化不明顯。

2）主頻頻率。鐵心松動(dòng)程度較低時(shí)，主頻頻率均在1 kHz以內(nèi)；隨著松動(dòng)程度增加，當(dāng)壓緊力達(dá)到5 N?m或螺釘完全松動(dòng)后，主頻頻率發(fā)生突變，偏移到5 kHz以上，其中測(cè)點(diǎn)2的主頻依舊未超過1 kHz。不同測(cè)點(diǎn)主頻突變的臨界點(diǎn)存在差異，且僅能反映鐵心松動(dòng)程度較高的情況，靈敏度較差。造成這種現(xiàn)象的主要原因?yàn)椋鸿F心松動(dòng)過程中，雖然低頻占比降低，高頻占比升高，但小幅度松動(dòng)引起的高低頻分量變化的差值還不足以使主頻發(fā)生偏移。

3）奇偶次諧波比。鐵心發(fā)生松動(dòng)時(shí)，奇偶次諧波比并無明顯變化規(guī)律，在0.8～1.05區(qū)間內(nèi)無規(guī)則波動(dòng)，且主要分布在1以下，表明偶次諧波含量略高于奇次諧波含量。

4）低頻分量主頻比重。正面測(cè)點(diǎn)1、2、4的低頻分量主頻比重總體呈下降趨勢(shì)，在鐵心松動(dòng)前期變化較緩，中后期出現(xiàn)陡降。側(cè)面測(cè)點(diǎn)3、5的曲線整體位于正面測(cè)點(diǎn)之上，松動(dòng)前期在小范圍內(nèi)發(fā)生變化，螺釘松動(dòng)后迅速下降。這也是由于側(cè)面測(cè)點(diǎn)處于離松動(dòng)鐵心較遠(yuǎn)的位置，收集到有效的聲音分量較小所導(dǎo)致的。結(jié)合不同測(cè)點(diǎn)的特性，設(shè)定低頻分量主頻比重閾值為0.033，可在一定程度下反映鐵心的松動(dòng)情況。

5）高低頻比。隨著鐵心夾件壓緊力的減小，高低頻比在11 N?m到5 N?m范圍內(nèi)逐步上升，期間存在微小幅度波動(dòng)；當(dāng)螺釘完全松動(dòng)時(shí)，由于5 N?m壓緊力與螺釘完全松動(dòng)之間相差的力矩較大，曲線出現(xiàn)陡增現(xiàn)象，且正面測(cè)點(diǎn)的增幅高于側(cè)面測(cè)點(diǎn)，其中測(cè)點(diǎn)4在螺釘脫落狀態(tài)下的高低頻比值約為正常情況下的2倍。不同測(cè)點(diǎn)的變化趨勢(shì)大致相同，可以表明鐵心松動(dòng)會(huì)導(dǎo)致高頻分量占比升高，但在數(shù)值上存在差異，僅通過設(shè)置固定閾值點(diǎn)，并不能很好地利用高低頻比這一特性來反映飽和電抗器鐵心松動(dòng)情況。

綜上所述，當(dāng)鐵心發(fā)生松動(dòng)時(shí)，頻譜復(fù)雜度和奇偶次諧波比的變化可信度較低；主頻頻率在松動(dòng)程度較高時(shí)產(chǎn)生劇烈變化，但不能在松動(dòng)初期進(jìn)行預(yù)警；飽和電抗器正面測(cè)點(diǎn)的低頻分量主頻比重和高低頻比可以較敏感地反映出鐵心的不同松動(dòng)狀態(tài)。但不同測(cè)點(diǎn)麥克風(fēng)接收到的松動(dòng)鐵心振動(dòng)聲音分量存在差異，最優(yōu)高低頻分界線難以人為確定，這些因素都會(huì)對(duì)閾值設(shè)定產(chǎn)生影響。因此，采用設(shè)定特征閾值的方法只能反映松動(dòng)程度較高時(shí)的狀態(tài)，為達(dá)到精確判斷飽和電抗器鐵心松動(dòng)程度的目標(biāo)，需要進(jìn)一步聯(lián)合分析不同測(cè)點(diǎn)的鐵心正常與松動(dòng)情況下的振動(dòng)聲紋特征。

4 飽和電抗器鐵心松動(dòng)程度識(shí)別

針對(duì)飽和電抗器鐵心振動(dòng)聲紋的復(fù)雜特性，本節(jié)提出一種端到端的模式識(shí)別方法。搭建基于自適應(yīng)參數(shù)修正線性單元（Adaptively Parametric Rectifier Linear units, APReLu）[22]的改進(jìn)深度殘差收縮網(wǎng)絡(luò)（Improved Deep Residual Shrinkage Networks, IDRSN），對(duì)不同測(cè)點(diǎn)的聲紋時(shí)頻譜圖進(jìn)行去噪，即消除冗余信息；并對(duì)不同鐵心松動(dòng)程度下的聲紋特征進(jìn)行獨(dú)立映射，提高測(cè)點(diǎn)間共同特征的學(xué)習(xí)能力；最后采用鐵心松動(dòng)數(shù)據(jù)集驗(yàn)證了該方法在深度特征提取方面的改進(jìn)性能。

4.1 改進(jìn)深度殘差收縮網(wǎng)絡(luò)

深度殘差收縮網(wǎng)絡(luò)[23]（Deep Residual Shrinkage Network, DRSN）是He Kaiming等提出的，是從一種深度殘差網(wǎng)絡(luò)[24]發(fā)展而來，最先應(yīng)用于機(jī)械故障的識(shí)別。本文提出一種改進(jìn)深度殘差收縮網(wǎng)絡(luò)用于飽和電抗器鐵心松動(dòng)程度識(shí)別，網(wǎng)絡(luò)主要由輸入層、卷積層、改進(jìn)殘差收縮單元（Improved Residual Shrinkage Building Unit, IRSBU）、批標(biāo)準(zhǔn)化層、自適應(yīng)參數(shù)修正線性單元、全局平均池化（Global Average Pooling, GAP）層和全連接（Full Connection, FC）層構(gòu)成。

麥克風(fēng)布置方位的變化會(huì)導(dǎo)致測(cè)量到的聲紋信號(hào)包含不同程度的松動(dòng)分量。傳統(tǒng)殘差收縮網(wǎng)絡(luò)通常采用ReLu激活函數(shù)對(duì)全部輸入信號(hào)進(jìn)行固定的非線性變換。這就可能導(dǎo)致將同一松動(dòng)狀態(tài)差異較大的信號(hào)投影到不同區(qū)域，或?qū)⒉煌蓜?dòng)狀態(tài)差異較小的信號(hào)投影到同一區(qū)域，對(duì)模型的訓(xùn)練產(chǎn)生消極影響。為了提高類內(nèi)相同特征、類間差異特征的學(xué)習(xí)能力，本文將APReLu嵌入到深度殘差收縮網(wǎng)絡(luò)中，通過深度學(xué)習(xí)自適應(yīng)獲取合適的權(quán)值，改善同類信號(hào)原始特征投影后的聚類效果。自適應(yīng)參數(shù)修正線性子網(wǎng)絡(luò)如圖10所示，其本質(zhì)是對(duì)每個(gè)輸入信號(hào)進(jìn)行不同的非線性變換，即激活函數(shù)中的斜率是動(dòng)態(tài)變化的。

特征圖輸入子網(wǎng)絡(luò)后，經(jīng)過ReLu和min(,0)函數(shù)的輸出分別反映正、負(fù)特征，融合了全局信息；采用GAP層計(jì)算圖像平均值可提高特征提取的抗干擾性。對(duì)生成的兩個(gè)一維向量進(jìn)行級(jí)聯(lián)，采用BN層加速權(quán)值學(xué)習(xí)過程。ReLu函數(shù)和Sigmoid函數(shù)可對(duì)特征進(jìn)行兩次非線性變換，提高差異化程度且輸出數(shù)值在0～1之間，使權(quán)值系數(shù)不會(huì)過于敏感，避免對(duì)特征映射產(chǎn)生負(fù)面影響。最后采用PReLu函數(shù)進(jìn)行計(jì)算，得到特征映射結(jié)果。

殘差收縮單元采用軟閾值函數(shù)去噪，根據(jù)通道間閾值是否共享，分為閾值獨(dú)立型和閾值共享型兩種結(jié)構(gòu)。本文以抑制噪聲效果更優(yōu)的閾值獨(dú)立型結(jié)構(gòu)[23]為基礎(chǔ)單元框架，采用APReLu激活函數(shù)代替ReLu激活函數(shù)，建立改進(jìn)殘差收縮單元，如圖11所示。其中、、分別為特征圖的寬度、高度和通道數(shù)，和分別為卷積核個(gè)數(shù)和全連接層神經(jīng)元個(gè)數(shù)。

圖10 自適應(yīng)參數(shù)修正線性子網(wǎng)絡(luò)

圖11 基于APReLu的改進(jìn)殘差收縮單元

特征圖輸入子網(wǎng)絡(luò)后，各通道均進(jìn)行軟閾值化。以通道為例，其獨(dú)立縮放參數(shù)及軟閾值表達(dá)式分別為

4.2 數(shù)據(jù)集構(gòu)建及網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

鐵心的振動(dòng)聲音可以反映鐵心的機(jī)械模態(tài)。為了驗(yàn)證改進(jìn)深度殘差收縮網(wǎng)絡(luò)的有效性，本文根據(jù)鐵心松動(dòng)程度對(duì)五個(gè)測(cè)點(diǎn)的聲紋數(shù)據(jù)進(jìn)行了分類，共分為正常情況（11 N·m）、輕微松動(dòng)（8～10 N·m）、嚴(yán)重松動(dòng)（5～7 N·m）、完全松動(dòng)和螺釘脫落五類，并隨機(jī)打亂其排列順序，防止產(chǎn)生過擬合現(xiàn)象。數(shù)據(jù)集樣本分布見表2。

表2 數(shù)據(jù)集樣本分布

Tab.2 Sample distribution of data sets

為了減少輸入網(wǎng)絡(luò)的數(shù)據(jù)量，采用第2.3節(jié)中的計(jì)算方法獲取鐵心振動(dòng)聲紋時(shí)頻譜圖，并將其等比縮放至128×128×3（寬度×高度×通道數(shù)）維，作為神經(jīng)網(wǎng)絡(luò)的輸入。本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)由1個(gè)卷積層（Conv1）、4個(gè)IRSBU單元（IRSBU1～4）、1個(gè)BN層、1個(gè)APReLu層、1個(gè)GAP層和1個(gè)FC層組成。訓(xùn)練目標(biāo)為多分類交叉熵?fù)p失函數(shù)，卷積層中padding設(shè)置的值為SAME，批處理batch_size大小為32，迭代次數(shù)為100次，IDRSN模型的具體參數(shù)設(shè)置見表3。其中，參數(shù)“3,3,2,8”表示IRSBU單元中卷積核大小為3×3，步長為2，通道數(shù)為8，依此類推。FC層使用softmax函數(shù)及L2正則化標(biāo)準(zhǔn)，正則化系數(shù)為0.000 1。

4.3 網(wǎng)絡(luò)優(yōu)化器選擇與識(shí)別結(jié)果

神經(jīng)網(wǎng)絡(luò)輸入特征眾多且結(jié)構(gòu)復(fù)雜，所包含的子網(wǎng)絡(luò)中存在多個(gè)自適應(yīng)參數(shù)學(xué)習(xí)過程。不同的優(yōu)化算法可能訓(xùn)練出不同的閾值參數(shù)，導(dǎo)致特征提取情況存在差異，對(duì)網(wǎng)絡(luò)的準(zhǔn)確率和訓(xùn)練速度產(chǎn)生影響，因此需選擇合適的優(yōu)化器來進(jìn)行參數(shù)的學(xué)習(xí)。針對(duì)本文構(gòu)建的聲紋數(shù)據(jù)集和網(wǎng)絡(luò)結(jié)構(gòu)，選用SGD、Adam與AdaGrad優(yōu)化器對(duì)模型進(jìn)行訓(xùn)練，測(cè)試集的準(zhǔn)確率與損失誤差如圖12所示，其他超參數(shù)保持一致。

表3 IDRSN模型的參數(shù)設(shè)置

Tab.3 Parameter settings of IDRSN model

圖12 不同優(yōu)化器的訓(xùn)練誤差和測(cè)試集準(zhǔn)確率對(duì)比

如圖12所示，Adam優(yōu)化器在迭代20次左右已經(jīng)收斂，最終對(duì)五類松動(dòng)程度下的飽和電抗器鐵心振動(dòng)聲紋信號(hào)識(shí)別準(zhǔn)確率達(dá)到了95.93%，其收斂速度、準(zhǔn)確率、穩(wěn)定度均高于AdaGrad和SGD優(yōu)化器，因此本文選擇Adam作為優(yōu)化器進(jìn)行訓(xùn)練。為清晰展示改進(jìn)深度殘差收縮網(wǎng)絡(luò)的特征提取能力，采用t-分布式隨機(jī)鄰域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）算法對(duì)最終全連接層的輸出向量進(jìn)行降維可視化處理，二維空間特征聚類結(jié)果如圖13所示。

根據(jù)聚類結(jié)果可以看出，不同松動(dòng)程度下的鐵心振動(dòng)聲紋特征各自成群，且各種群間的距離較遠(yuǎn)，整體分界明顯。但輕微松動(dòng)和嚴(yán)重松動(dòng)間存在少許混雜，其他松動(dòng)程度間的區(qū)分度較高，相較于正常壓緊力情況，沒有出現(xiàn)漏判。采用多方位測(cè)點(diǎn)的數(shù)據(jù)進(jìn)行測(cè)試，針對(duì)不同階段的松動(dòng)故障均可做出預(yù)警，證明了算法具有較強(qiáng)的識(shí)別能力。

圖13 本文方法所提取特征的聚類結(jié)果

4.4 不同模型識(shí)別效果對(duì)比

為了比較不同組合模型對(duì)鐵心松動(dòng)程度的識(shí)別能力，將本文模型與ResNet50、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）等經(jīng)典圖像分類網(wǎng)絡(luò)及支持向量機(jī)（Support Vector Machine, SVM）、K近鄰（k-Nearest Neighbor, kNN）等傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比。輸入層圖像維度、批處理大小等超參數(shù)與4.2節(jié)設(shè)置相同。在特征提取方面，基于IDRSN模型，對(duì)比優(yōu)化S變換與短時(shí)傅里葉變換（Short-Time Fourier Transform, STFT）的時(shí)頻特征提取效果，短時(shí)傅里葉變換的幀長為0.1 s，幀移為0.02 s。采用4.2節(jié)所構(gòu)建的數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果見表4。

表4 不同模型超參數(shù)設(shè)置及識(shí)別效果對(duì)比

Tab.4 Comparison of hyperparameter settings and recognition effects of different models

由表4可以看出，SVM與kNN算法對(duì)高維特征的學(xué)習(xí)能力較差，準(zhǔn)確率在50%左右，其判斷結(jié)果對(duì)五分類松動(dòng)故障問題沒有參考價(jià)值。CNN網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，計(jì)算速度較快，但準(zhǔn)確率有待提高。采用時(shí)頻特征提取結(jié)合深層次神經(jīng)網(wǎng)絡(luò)的方法準(zhǔn)確率均達(dá)到了90 %以上，相較于短時(shí)傅里葉變換，優(yōu)化S變換模型的準(zhǔn)確率提高了5.56%，特征提取能力更強(qiáng)。為進(jìn)一步展示分類情況，列舉四種模型測(cè)試集的混淆矩陣如圖14所示。

圖14 松動(dòng)程度識(shí)別混淆矩陣

由圖14可以看出，誤分類主要集中在輕微松動(dòng)和嚴(yán)重松動(dòng)之間，OST+IDRSN模型準(zhǔn)確率最高，在松動(dòng)前期的混淆度低于其他三種模型。若轉(zhuǎn)換為二分類問題，即只考慮正常和松動(dòng)情況，其余三種模型均存在少量的誤判或漏判情況。相較于特征值診斷方法，本文模型對(duì)不同階段的松動(dòng)故障均可做出預(yù)警，對(duì)輕微松動(dòng)（8～10 N·m）狀態(tài)的識(shí)別準(zhǔn)確率為91.8 %，對(duì)嚴(yán)重松動(dòng)（5～7 N·m）狀態(tài)的識(shí)別準(zhǔn)確率為97.3 %，能夠較早發(fā)現(xiàn)鐵心松動(dòng)故障，避免故障的進(jìn)一步發(fā)展。對(duì)比結(jié)果表明，本文模型在飽和電抗器鐵心松動(dòng)程度識(shí)別中具有良好的應(yīng)用效果。

5 結(jié)論

為提高飽和電抗器鐵心松動(dòng)程度識(shí)別的準(zhǔn)確性，本文首先通過開展飽和電抗器鐵心松動(dòng)試驗(yàn)來構(gòu)建聲紋數(shù)據(jù)集，再將其代入優(yōu)化S變換結(jié)合改進(jìn)深度殘差收縮網(wǎng)絡(luò)的模型進(jìn)行訓(xùn)練，得到主要結(jié)論如下：

1）在高頻脈沖激勵(lì)下，飽和電抗器鐵心在極短時(shí)間內(nèi)達(dá)到飽和，振動(dòng)聲紋頻譜中含有大量高次諧波，且50 Hz奇、偶倍頻占比相當(dāng)。鐵心夾件松動(dòng)后，50～1 200 Hz分量占比降低，1 250～18 000 Hz分量占比升高。

2）提出了采用優(yōu)化S變換繪制聲紋時(shí)頻譜圖的方法。通過利用能量聚集性公式調(diào)節(jié)頻域窗參數(shù)，解決了頻帶混疊、頻譜泄露等問題，獲取了更高的時(shí)頻分辨率。與短時(shí)傅里葉變換時(shí)頻譜作為輸入層的方法進(jìn)行對(duì)比，該方法準(zhǔn)確率提高了5.56%。

3）搭建了基于自適應(yīng)參數(shù)修正線性單元的改進(jìn)深度殘差收縮網(wǎng)絡(luò)。通過特征獨(dú)立映射實(shí)現(xiàn)對(duì)不同方位收集的聲紋信號(hào)的統(tǒng)一識(shí)別，松動(dòng)程度識(shí)別準(zhǔn)確率達(dá)到了95.93%，相比于其他傳統(tǒng)模型擁有更高的識(shí)別精度。本文方法主要針對(duì)于飽和電抗器鐵心松動(dòng)故障的診斷，實(shí)際運(yùn)行中還會(huì)存在鐵心絕緣漆老化導(dǎo)致發(fā)熱增大、母排螺釘松動(dòng)等其他故障，其振動(dòng)聲紋特性有待后續(xù)進(jìn)行試驗(yàn)研究。

[1] 辛保安, 郭銘群, 王紹武, 等. 適應(yīng)大規(guī)模新能源友好送出的直流輸電技術(shù)與工程實(shí)踐[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(22): 1-8. Xin Baoan, Guo Mingqun, Wang Shaowu, et al. Friendly HVDC transmission technologies for large-scale renewable energy and their engineering practice[J]. Automation of Electric Power Systems, 2021, 45(22): 1-8.

[2] 許漢平, 楊煒晨, 張東寅, 等. 考慮換相失敗相互影響的多饋入高壓直流系統(tǒng)換相失敗判斷方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(8): 1776-1786. Xu Hanping, Yang Weichen, Zhang Dongyin, et al. Commutation failure judgment method for multi-infeed HVDC systems considering the interaction of commutation failures[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1776-1786.

[3] 孟沛彧, 王志冰, 遲永寧, 等. 適應(yīng)多能源基地遠(yuǎn)距離輸送電能的混合四端直流輸電系統(tǒng)控制策略研究[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊2): 523-534. Meng Peiyu, Wang Zhibing, Chi Yongning, et al. Control strategy of hybrid four-terminal HVDC transmission system dedicated for long-distance power delivery from multiple energy bases[J]. Transactions of China Electrotechnical Society, 2020, 35(S2): 523-534.

[4] 趙畹君. 高壓直流輸電工程技術(shù)[M]. 北京: 中國電力出版社, 2004.

[5] 紀(jì)鋒, 曹均正, 陳鵬, 等. 高壓直流輸電系統(tǒng)逆變側(cè)閥飽和電抗器電氣應(yīng)力研究[J]. 高電壓技術(shù), 2014, 40(8): 2579-2585. Ji Feng, Cao Junzheng, Chen Peng, et al. Research of electrical stress on saturable reactor in inverter valve of high voltage direct current transmission system[J]. High Voltage Engineering, 2014, 40(8): 2579-2585.

[6] 張鵬寧, 李琳, 紀(jì)鋒, 等. HVDC陽極飽和電抗器阻尼彈性體降振降噪試驗(yàn)研究[J]. 電網(wǎng)技術(shù), 2017, 41(12): 3839-3845. Zhang Pengning, Li Lin, Ji Feng, et al. Test study on reduction of vibration and noise to damping elastomer in HVDC anode saturable reactor[J]. Power System Technology, 2017, 41(12): 3839-3845.

[7] 陶敏, 姚舒, 董妍波, 等. 特高壓換流閥用飽和電抗器的振動(dòng)研究與優(yōu)化方案[J]. 高壓電器, 2019, 55(12): 200-204. Tao Min, Yao Shu, Dong Yanbo, et al. Vibration research and optimization on UHVDC converter valve saturable reactor[J]. High Voltage Apparatus, 2019, 55(12): 200-204.

[8] 王豐華, 王邵菁, 陳頌, 等. 基于改進(jìn)MFCC和VQ的變壓器聲紋識(shí)別模型[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(5): 1535-1543. Wang Fenghua, Wang Shaojing, Chen Song, et al. Voiceprint recognition model of power transformers based on improved MFCC and VQ[J]. Proceedings of the CSEE, 2017, 37(5): 1535-1543.

[9] Yi Lu, Mak M W. Adversarial data augmentation network for speech emotion recognition[C]//2019 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), Lanzhou, China, 2019: 529-534.

[10] Qian Yanmin, He Tianxing, Deng Wei, et al. Automatic model redundancy reduction for fast back-propagation for deep neural networks in speech recognition[C]//2015 International Joint Conference on Neural Networks (IJCNN), Killarney, Ireland, 2015: 1-6.

[11] 王卓, 王玉靜, 王慶巖, 等. 基于協(xié)同深度學(xué)習(xí)的二階段絕緣子故障檢測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(17): 3594-3604. Wang Zhuo, Wang Yujing, Wang Qingyan, et al. Two stage insulator fault detection method based on collaborative deep learning[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3594-3604.

[12] 謝慶, 楊天馳, 裴少通, 等. 基于多尺度協(xié)作模型的電氣設(shè)備紅外圖像超分辨率故障辨識(shí)方法[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(21): 4608-4616. Xie Qing, Yang Tianchi, Pei Shaotong, et al. Super-resolution identification method of electrical equipment fault based on multi-scale cooperation model[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4608-4616.

[13] 張重遠(yuǎn), 羅世豪, 岳浩天, 等. 基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯聲紋模式識(shí)別方法[J]. 高電壓技術(shù), 2020, 46(2): 413-423. Zhang Zhongyuan, Luo Shihao, Yue Haotian, et al. Pattern recognition of acoustic signals of transformer core based on Mel-spectrum and CNN[J]. High Voltage Engineering, 2020, 46(2): 413-423.

[14] 劉云鵬, 王博聞, 岳浩天, 等. 基于50Hz倍頻倒譜系數(shù)與門控循環(huán)單元的變壓器偏磁聲紋識(shí)別[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(14): 4681-4694, 4746. Liu Yunpeng, Wang Bowen, Yue Haotian, et al. Identification of transformer bias voiceprint based on 50Hz frequency multiplication cepstrum coefficients and gated recurrent unit[J]. Proceedings of the CSEE, 2020, 40(14): 4681-4694, 4746.

[15] 黃南天, 徐殿國, 劉曉勝. 基于S變換與SVM的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(10): 23-30. Huang Nantian, Xu Dianguo, Liu Xiaosheng. Identification of power quality complex disturbances based on S-transform and SVM[J]. Transactions of China Electrotechnical Society, 2011, 26(10): 23-30.

[16] Tang Qiu, Qiu Wei, Zhou Yicong. Classification of complex power quality disturbances using optimized S-transform and kernel SVM[J]. IEEE Transactions on Industrial Electronics, 2020, 67(11): 9715-9723.

[17] 朱葉葉, 汲勝昌, 張凡, 等. 電力變壓器振動(dòng)產(chǎn)生機(jī)理及影響因素研究[J]. 西安交通大學(xué)學(xué)報(bào), 2015, 49(6): 115-125. Zhu Yeye, Ji Shengchang, Zhang Fan, et al. Vibration mechanism and influence factors in power transformers[J]. Journal of Xi'an Jiaotong University, 2015, 49(6): 115-125.

[18] Stockwell R G, Mansinha L, Lowe R P. Localization of the complex spectrum: the S transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.

[19] 劉宇舜, 周文俊, 李鵬飛, 等. 基于廣義S變換模時(shí)頻矩陣的局部放電特高頻信號(hào)去噪方法[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(9): 211-220. Liu Yushun, Zhou Wenjun, Li Pengfei, et al. Partial discharge ultrahigh frequency signal denoising method based on generalized S-transform modular time-frequency matrix[J]. Transactions of China Electrotechnical Society, 2017, 32(9): 211-220.

[20] 李盼, 婁釗瑜, 馬康, 等. 一種自適應(yīng)S變換在電能質(zhì)量特征提取中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào), 2021, 41(22): 7660-7668. Li Pan, Lou Zhaoyu, Ma Kang, et al. Application of adaptive S-transform in power quality feature extraction[J]. Proceedings of the CSEE, 2021, 41(22): 7660-7668.

[21] 劉云鵬, 王博聞, 周旭東, 等. 基于162臺(tái)超、特高壓變壓器的聲紋特征預(yù)警閾值劃定研究[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 48(5): 45-53. Liu Yunpeng, Wang Bowen, Zhou Xudong, et al. Threshold delineation research for early warning of voiceprint eigenvalues based on 162 sets of EHV and UHV transformers[J]. Journal of North China Electric Power University (Natural Science Edition), 2021, 48(5): 45-53.

[22] Zhao Minghang, Zhong Shisheng, Fu Xuyun, et al. Deep residual networks with adaptively parametric rectifier linear units for fault diagnosis[J]. IEEE Transactions on Industrial Electronics, 2021, 68(3): 2587-2597.

[23] Zhao Minghang, Zhong Shisheng, Fu Xuyun, et al. Deep residual shrinkage networks for fault diagnosis[J]. IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690.

[24] He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 2016: 770-778.

Vibration Voiceprint Characteristics and Looseness Detection Method of UHVDC Converter Valve Saturable Reactor

Liu Yunpeng1Lai Tingyu1Liu Jiashuo1Wei Xiaoguang2Pei Shaotong1

（1. Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense North China Electric Power University Baoding 071003 China 2. State Key Laboratory of Advanced Power Transmission Technology Global Energy Interconnection Research Institute Co. Ltd Beijing 102209 China）

As the key equipment in converter valves, the saturable reactor is used to protect the normal opening and closing of the thyristor. However, in the process of microsecond conduction of the thyristor, the high harmonics will produce high frequency mechanical vibration and thermal shock vibration on the saturable reactor, increasing the probability of the fault of the saturable reactor. Therefore, it is of great significance to evaluate its status. Recently, some methods were proposed to monitor the state of the saturable reactor, but most of them can only monitor the abnormal temperature rise of the core, and cannot identify the mechanical failure of the core. This paper presents a voiceprint identification model of saturable reactor core looseness based on optimized S-transform (OST) and improved deep residual shrinkage network (IDRSN). The saturable reactor vibration sound is used to identify the core looseness accurately.

Firstly, the vibration test of saturable reactor at high frequency pulse excitation was carried out, and the voiceprint signals in different core looseness were measured. Secondly, in the principal value range of acoustic signal spectrum, the Gaussian window parameters were optimized by using the energy concentration formula to improve the time-frequency resolution of voiceprint spectrum. Thirdly, the voiceprint characteristics after loosening were analyzed, it was found that two characteristic indexes of high-low frequency ratio and dominant frequency ratio in low-frequency component can only give early warning to the state with high degree of loosening. Finally, the core loosening data of five different azimuth measuring points were brought into improved deep residual shrinkage network based on adaptively parametric rectifier linear unit for training, to eliminate the redundant information in the voiceprint spectrum and map the features in different degrees of looseness independently, so as to enhance the learning ability of common features.

The results of saturable reactor vibration voiceprint test show that the vibration period of saturable reactor under high-frequency pulse excitation is the same as the electrical signal, which is 0.02 s. After the core is loosened, the frequency spectrum complexity and odd even subharmonic ratio do not change significantly, and the basic frequency changes greatly when the looseness is high, but it cannot give early warning in case of slight looseness. The proportion of dominant frequency of low frequency component and the ratio of high frequency to low frequency can sensitively reflect different loose states of iron core, but the threshold is difficult to set. The basic frequency proportion of low frequency component and the ratio of high frequency to low frequency can reflect different core loosening degrees sensitively, but the threshold is difficult to set. The recognition results of test data show that the convergence time of the proposed model is 262.13 s, and the average recognition accuracy of core looseness is 95.93 %, realizing the unified recognition of five different measuring points. Compared with short time Fourier transform (STFT), the accuracy of OST is improved by 5.56 %. The comparison between IDRSN and other neural networks such as residual network50 and deep residual shrink network shows that the calculation accuracy of IDRSN is improved by 2.82 % and 4.67 % respectively, and there is no false or missing judgment.

The results show that: (1) Saturable reactor vibration voiceprint spectrum contains a large number of high order harmonics, and the ratio of 50 Hz odd and even frequency multiplication is equal. After the core clamp is loosened, the proportion of 50～1 200 Hz component decreases, and the proportion of 1 250～18 000 Hz component increases. (2) The optimized S-transform method is proposed, which solves the problems of frequency band aliasing and spectrum leakage by adjusting the frequency domain window parameters with energy concentration. Compared with STFT, it has higher time-frequency resolution. (3) An improved deep residual shrinkage network based on adaptive parameter modified linear unit is built. The uniform recognition of voiceprint signals collected in different directions is realized by independent feature mapping, which has higher recognition accuracy compared with other traditional models.

Saturable reactor voiceprint, optimized S-transform, core loosening test, feature extraction, improved deep residual shrinkage network

先進(jìn)輸電技術(shù)國家重點(diǎn)實(shí)驗(yàn)室開放基金（GEIRI-SKL-2020-003）和北京市自然科學(xué)基金（3212039）資助項(xiàng)目。

2021-12-21

2022-02-21

10.19595/j.cnki.1000-6753.tces.212059

TM474

劉云鵬 男，1976年生，教授，博士生導(dǎo)師，研究方向?yàn)殡姎庠O(shè)備在線監(jiān)測(cè)及故障診斷。E-mail：liuyunpeng@ncepu.edu.cn

來庭煜 男，1998年生，碩士研究生，研究方向?yàn)殡姎庠O(shè)備在線監(jiān)測(cè)及故障診斷。E-mail：laitingyu@ncepu.edu.cn（通信作者）

（編輯 李冰）