劉云鵬， 韓 帥， 廖思卓， 楊 寧， 高 飛， 王博聞

(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))，河北 保定 071003；2.中國電力科學(xué)研究院有限公司，北京 100192)

0 引 言

高壓斷路器作為一種重要的輸變電設(shè)備,其操動機(jī)構(gòu)能否正確動作,直接關(guān)系到系統(tǒng)的安全運(yùn)行。根據(jù)統(tǒng)計表明,高壓斷路器的操動機(jī)構(gòu)機(jī)械故障占全部故障的70%～80%[1]。開展高壓斷路器操動機(jī)構(gòu)機(jī)械狀態(tài)評估與故障診斷技術(shù)具有重要意義[2]。

目前,對于斷路器機(jī)械故障診斷的研究通常以振動或聲紋信號為基礎(chǔ),配合人工神經(jīng)網(wǎng)絡(luò)、動態(tài)時間規(guī)整和支持向量機(jī)等算法進(jìn)行模式識別[3]。振動信號檢測方面:文獻(xiàn)[4]基于斷路器故障時振動信號的發(fā)生時間產(chǎn)生變化的特點(diǎn),將振動信號的時間參數(shù)作為故障特征,采用FCM識別斷路器的故障類型;文獻(xiàn)[5]研究了單類支持向量機(jī)在斷路器診斷中的應(yīng)用,將正常狀態(tài)下斷路器振動信號作為訓(xùn)練樣本,利用高斯核的支持向量機(jī)進(jìn)行訓(xùn)練,以此來判斷斷路器是否發(fā)生故障;聲紋信號檢測方面:文獻(xiàn)[6]利用小波包處理斷路器聲紋樣本,用RVM對故障信號進(jìn)行診斷,最終診斷結(jié)果具有較高的準(zhǔn)確率;文獻(xiàn)[7]以EEMD-關(guān)聯(lián)維數(shù)作為特征向量,采取BP神經(jīng)網(wǎng)絡(luò)處理該向量,將識別率進(jìn)一步提升。而隨著深度學(xué)習(xí)技術(shù)的發(fā)展,相關(guān)方法已在語音識別、說話人識別等領(lǐng)域進(jìn)行了廣泛應(yīng)用,在斷路器故障識別方面也有部分應(yīng)用報道,文獻(xiàn)[8]使用小波時頻圖與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合對斷路器故障進(jìn)行了故障識別,但其所識別的故障皆為較為嚴(yán)重的故障,時域與頻域信號差異極為顯著,而初期的輕微故障未有提及,文獻(xiàn)[9]使用的LSTM-CNN斷路器故障識別模型在正常與某單一故障分類問題上具有極高準(zhǔn)確率,但涉及到更貼近實(shí)際應(yīng)用的多分類場景時則準(zhǔn)確率有所下滑。高壓斷路器實(shí)際應(yīng)用中的各類常見故障(拒動故障、誤動故障、卡澀故障和斷裂故障等)大多與其操動機(jī)構(gòu)密切相關(guān),而此類故障往往是由潛伏性機(jī)械故障(油緩沖器漏油、彈簧疲勞、傳動銷磨損等)逐步發(fā)展累積形成的,潛伏性故障早期特征不夠顯著,如不及時發(fā)現(xiàn)處理易發(fā)展成嚴(yán)重故障造成更嚴(yán)重的經(jīng)濟(jì)損失,當(dāng)前針對潛伏性故障的研究主要關(guān)注于過熱和放電[10],而機(jī)械類潛伏性故障研究較少,因此需要對其特征提取與早期識別開展進(jìn)一步研究。

斷路器機(jī)械類故障識別主要圍繞動作時的振動或聲紋信號進(jìn)行分析與處理,振動與聲紋是機(jī)械波在不同介質(zhì)中的不同表現(xiàn)形式,但在實(shí)際使用過程中,振動傳感需要在斷路器上進(jìn)行打孔部署,且部署位置不同對監(jiān)測結(jié)果具有極強(qiáng)的影響[11],而聲紋傳感器則無需與斷路器本體直接接觸,且測點(diǎn)位置少量偏離對聲信號的響應(yīng)差異較小,在現(xiàn)場應(yīng)用時更為便捷。綜上,本文將以更符合現(xiàn)場應(yīng)用場景的斷路器的潛伏性機(jī)械故障聲紋為對象,進(jìn)行診斷方法研究。

高壓斷路器型號較多,本文主要圍繞LW30-252型SF6高壓斷路器展開研究,通過搭建斷路器試驗(yàn)平臺,采集斷路器在不同潛伏性故障運(yùn)行狀態(tài)下的聲紋信號,并利用一種混合倒譜計算方法與卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對不同故障狀態(tài)下高壓斷路器開合閘聲音信號進(jìn)行區(qū)分。首先通過現(xiàn)場采集的方式形成了聲信號樣本庫;然后,分別采用梅爾倒譜系數(shù)(Mel Frequency Cepstral Coefficient, MFCC)、伽馬通濾波倒譜系數(shù)(Gammatone Filter Cepstral Coefficient, GFCC),冪律歸一化倒譜系數(shù)(Power-Normalized Cepstral Coefficient, PNCC)對原始信號進(jìn)行降維與初步特征提取;最后,引入卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)作為分類器,與MFCC、GFCC、PNCC三重特征形成的混合倒譜(Mixed- Cepstral Coefficient)共同構(gòu)成6種運(yùn)行狀態(tài)的分類模型,并通過數(shù)據(jù)集驗(yàn)證模型的有效性。

1 MCC-CNN故障聲信號識別方法

斷路器聲信號識別整體流程如圖1所示,首先將由傳聲器采集的斷路器動作聲信號轉(zhuǎn)化為具有時域頻域兩個維度的時頻譜圖,然后通過計算MFCCs、GFCCs與PNCCs等3種倒譜對原始時頻譜進(jìn)行特征提取和降維,最后使用卷積神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障類型識別。整個流程可大致分為聲信號的采集、預(yù)處理與模式識別三部分,其中聲音信號的預(yù)處理方法最為重要,其主要作用是對斷路器原始時域信號進(jìn)行特征提取和數(shù)據(jù)壓縮,從而減少后續(xù)識別模型的運(yùn)算量并提升識別效果。

圖1 斷路器聲信號辨識流程

1.1 斷路器動作聲信號時頻譜計算

斷路器聲信號的時域信號為一維的脈沖信號,其特征性信息不夠明顯,可使用短時離散傅里葉變換的方式將其轉(zhuǎn)化為二維時頻譜,有利于提高深度學(xué)習(xí)模型的識別速度與識別準(zhǔn)確率。短時傅里葉變換過程中需要進(jìn)行分幀、加窗以及離散傅里葉變換。其中,窗函數(shù)通?？蛇x擇漢明窗,以減少傅里葉變換造成的頻譜泄漏,長度為N的漢明窗w(n)公式如下:

(1)

將離散后的時域幀進(jìn)行短時離散傅里葉變換即得到時頻譜矩陣:

(2)

其中,k為頻點(diǎn)序號,x(n)為原始離散時域信號。

1.2 混合倒譜特征計算

斷路器潛伏性故障一般特征不明顯,因此在進(jìn)行斷路器聲紋診斷時,要在保證聲信號辨識速度的前提下提取其聲紋特征,從而提高識別準(zhǔn)確率。而在語音識別領(lǐng)域廣泛使用的倒譜系數(shù)計算方法能夠?qū)颖具M(jìn)行數(shù)據(jù)壓縮的同時保留合閘關(guān)鍵聲紋信息,從而實(shí)現(xiàn)斷路器聲信號的壓縮與特征提取,有助于改善后續(xù)銜接的卷積神經(jīng)網(wǎng)絡(luò)等分類器的診斷速度與診斷準(zhǔn)確率。

各種倒譜系數(shù)都具備信號降維與特征提取功能,然而不同倒譜系數(shù)都具有各自優(yōu)勢和局限性,因此許多研究[12,13]將多種倒譜進(jìn)行混合使用,以獲得更好的特征提取效果。在各類倒譜系數(shù)中,MFCC的構(gòu)建基礎(chǔ)是聽覺模型,GFCC的構(gòu)建基礎(chǔ)是耳膜模型,而PNCC在噪聲背景下的聲音特征提取方面更具優(yōu)勢,以上倒譜在語音識別領(lǐng)域都已經(jīng)得到了一定程度的應(yīng)用[14],因此本研究選取MFCC、GFCC[15]、PNCC[16]作為基礎(chǔ)倒譜特征,構(gòu)成倒譜特征矩陣,用于后續(xù)的特征融合和聲信號識別,計算流程如圖2所示。

圖2 聲信號倒譜特征矩陣計算流程圖

(1)MFCC計算

MFCC是基于人耳聽覺感知特性的一種倒譜參數(shù),在頻域人耳聽到的聲音高低與頻率不成線性關(guān)系,而在Mel域,人耳感知與Mel頻率是成正比的。其關(guān)系可以用下式表達(dá):

Mel(f)=2 595 lg(1+f/700)

(3)

梅爾頻率倒譜系數(shù)的計算是以幀為單位進(jìn)行的,以下為梅爾頻率倒譜系數(shù)的具體計算步驟:

首先按式(1)計算得到每幀頻譜X(k),k為頻點(diǎn)序號,對每幀X(k)取模后平方得到功率譜。將功率譜通過頻域?yàn)槿切蔚腗el尺度濾波器組得到新的參數(shù)R(k),如式(4)所示,濾波器組頻率下限為fmin,上限為fmax,G為Mel濾波器數(shù)量。

R(k)=X(k)Hp(k)

(4)

其中,Mel濾波組Hp(k)由濾波器編號p、Mel濾波器數(shù)量G以及濾波器中心頻率f(p)決定,計算公式如下:

(5)

然后將R(k)取自然對數(shù):

(6)

接著通過離散余弦變換(DCT)得到W維MFCC,在斷路器識別任務(wù)中,W可設(shè)為G:

(7)

最后需要進(jìn)行均值歸一化。經(jīng)上述步驟便可得到G維的MFCC。

(2)GFCC計算

GFCC的提取過程與MFCC提取過程幾乎相同,兩者區(qū)別在于功率譜通過的濾波器組是由G個不同尺度參數(shù)和形狀參數(shù)的伽馬濾波器組成的Gammatone濾波器組,而非Mel尺度濾波器。濾波器組頻率上下限同樣為fmax與fmin,后續(xù)計算步驟也相同。

(3)PNCC計算

PNCC的提取過程的前兩個步驟與GFCC相同,當(dāng)功率譜通過Gammatone濾波器后得到P[m,l],其中,m表示幀數(shù),l表示信道編號。其中,M為平滑窗口的大小,一般將每一幀與前后兩幀做平滑處理,此時M=1計算中時平均功率:

(8)

(9)

l1=max(l-p,1)

(10)

l2=min(l+p,N)

(11)

其中,N表示信道數(shù)量,p一般設(shè)4。

(12)

利用平均功率估計值μ[m]可對T[m,l]進(jìn)行平均功率歸一化:

(13)

(14)

其中,λμ為遺忘系數(shù),一般設(shè)置為0.999。k為系數(shù),可設(shè)置為任意常數(shù)。

為了更加接近人耳聽覺神經(jīng)的壓縮感知特性,不同于MFCC所采用對數(shù)非線性,PNCC采用冪律非線性壓縮:

V[m,l]=U[m,l]1/15

(15)

最終進(jìn)行離散余弦變換和均值歸一化即可得到PNCC。

分別完成MFCC、GFCC、PNCC計算后,將三者合并為一個[Z×G×3]的倒譜特征矩陣,其中Z為時域分量,取決于原始時頻譜的時間幀數(shù);G為頻域分量,等于各倒譜系數(shù)的計算時的濾波器數(shù)量,數(shù)量越多信息越豐富,而數(shù)據(jù)量也隨之增大,一般設(shè)定區(qū)間為40到48[12,13],本文中設(shè)置為40。

1.3 卷積神經(jīng)網(wǎng)絡(luò)計算

由于倒譜特征矩陣是由多個同尺寸二維圖譜疊加而成的三維圖譜,因此可引入在圖像識別領(lǐng)域具有代表性的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)可作為聲信號倒譜特征矩陣的分類器。在圖像識別領(lǐng)域,CNN通常將彩色圖像拆分為紅綠藍(lán)(RGB)三個顏色層作為網(wǎng)絡(luò)的輸入層,從而對不同色彩變化的特征進(jìn)行學(xué)習(xí)感知。相似地,本研究將聲信號的三種倒譜構(gòu)成的倒譜特征矩陣作為輸入層,構(gòu)建混合倒譜系數(shù)-卷積神經(jīng)網(wǎng)絡(luò)(Mixed Cepstral Coefficient-Convolutional Neural Network,MCC-CNN)識別模型,從而進(jìn)行聲音分類識別。相較于人工設(shè)計的倒譜混合方法,通過深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制對三種倒譜進(jìn)行融合能夠使混合倒譜的融合方式具有自適應(yīng)性。

斷路器合閘聲紋數(shù)據(jù)已經(jīng)進(jìn)行降維壓縮,因此通過一個類VGG[17]的輕量化CNN網(wǎng)絡(luò)即可實(shí)現(xiàn)分類,如圖3所示。其中網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的輸入層按照輸入樣本的尺寸進(jìn)行設(shè)置,而卷積核、池化核尺寸及相應(yīng)的移動步長選用應(yīng)用較為廣泛的參數(shù),最終經(jīng)過結(jié)構(gòu)參數(shù)調(diào)試,確定了包含3個卷積-池化層與4個全連接層的整體網(wǎng)絡(luò)結(jié)構(gòu)。在網(wǎng)絡(luò)中,加入了批規(guī)范化與概率為0.5的Dropout操作,以防止過擬合與梯度消失[18],詳細(xì)結(jié)構(gòu)參數(shù)如表1所示。

表1 CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

圖3 類VGG的輕量化CNN網(wǎng)絡(luò)結(jié)構(gòu)

在確定網(wǎng)絡(luò)參數(shù)后需要使用了反向傳播算法對CNN進(jìn)行卷積核W與偏置值b的參數(shù)訓(xùn)練。

首先,設(shè)定各層的W與b為隨機(jī)數(shù)值,作為初始值。

然后,開始迭代訓(xùn)練。以一組數(shù)量為m為樣本批次為例,設(shè)定樣本編號為i,層編號為l。將CNN輸入層的數(shù)值分為全連接層、卷積層、池化層和輸出層四種情況進(jìn)行前向傳播計算,公式分別如下:

ai,l=σ(zi,l)=σ(Wlai,l-1+bl)

(16)

ai,l=σ(zi,l)=σ(Wl*ai,l-1+bl)

(17)

ai,l=pool(ai,l-1)

(18)

ai,L=softmax(zi,L)=softmax(Wl*ai,L-1+bL)(19)

其中,ai,l與zi,l分別為第i個樣本在第l層的輸出結(jié)果和卷積結(jié)果,σ為激活函數(shù),pool為池化函數(shù),softmax為歸一化指數(shù)函數(shù)。當(dāng)前向傳播計算至輸出層后,通過損失函數(shù)計算輸出層的損失值δ,并開始反向傳播計算各層損失值,按層的類型分為全連接層、卷積層和池化層三種情況進(jìn)行前向傳播計算,公式分別如下:

δi,l=(Wl+1)Tδi,l+1⊙σ′(zi,l)

(20)

δi,l=δi,l+1*rot(Wl+1)⊙σ′(zi,l)

(21)

δi,l=upsample(δi,l+1)⊙σ′(zi,l)

(22)

其中,δi,l為第i個樣本在第l層的損失值。rot為翻轉(zhuǎn)函數(shù),可將卷積核上下、左右各翻轉(zhuǎn)一次。upsample為上采樣函數(shù)。跟據(jù)δi,l計算結(jié)果即可更新第l層的Wl、bl,更新公式為:

(23)

(24)

α=η/m

(25)

其中,η為學(xué)習(xí)率。

最終,不斷更新的Wl、bl的變化值都小于停止迭代閾值,則跳出更新循環(huán)。

2 潛伏性機(jī)械故障模擬及數(shù)據(jù)采集

高壓斷路器主要部件包括儲能單元、傳動單元和控制單元三大部分,LW30-252型SF6高壓斷路器及其內(nèi)部的CT26型彈簧操動機(jī)構(gòu)實(shí)物圖如圖4所示,CT26型彈簧操動機(jī)構(gòu)結(jié)構(gòu)示意圖如圖5所示,其結(jié)構(gòu)緊湊、集成度高,但在使用過程中也面臨機(jī)械故障等共性困擾[19]。因此,本文基于CT26彈簧操動機(jī)構(gòu)的結(jié)構(gòu)原理,圍繞油緩沖器漏油、合閘彈簧疲勞、傳動軸銷磨損、主軸卡澀、地腳螺栓松動5種典型高壓斷路器潛伏性機(jī)械故障展開人為故障設(shè)置與模擬實(shí)驗(yàn),為后續(xù)的聲紋分類實(shí)例構(gòu)建數(shù)據(jù)集。

圖4 LW30-252型SF6高壓斷路器及操動機(jī)構(gòu)

圖5 CT26彈簧操動機(jī)構(gòu)結(jié)構(gòu)圖

2.1 高壓斷路器試驗(yàn)平臺及故障設(shè)置

(1)油緩沖器漏油故障

油緩沖器是穩(wěn)定CT26型彈簧操動機(jī)構(gòu)的重要部件,當(dāng)分合閘動作成功后,能夠迅速削弱彈簧盈余的勢能與整個機(jī)構(gòu)的動能,避免多余能量沖擊本體,造成機(jī)構(gòu)損傷。而緩沖器漏油則會導(dǎo)致其吸收能量的能力下降,若不能早期發(fā)現(xiàn)將間接引發(fā)誘發(fā)機(jī)械故障,使整個機(jī)構(gòu)使用壽命大幅下降。故障設(shè)置時,將緩沖器內(nèi)270 mL的緩沖油倒出30 mL,從而削弱其緩沖能力,模擬油液初期泄漏時的狀態(tài),如圖6所示。

圖6 油緩沖器漏油故障模擬設(shè)置

(2)彈簧疲勞故障

合閘彈簧是CT26型彈簧操動機(jī)構(gòu)合閘動作的核心部件,當(dāng)斷路器進(jìn)行合閘動作前,合閘彈簧將電機(jī)輸入的能量存為彈性勢能,當(dāng)合閘彈簧經(jīng)過反復(fù)壓縮和釋放,其存儲彈性勢能的能力將下降,疲勞程度嚴(yán)重時將導(dǎo)致合閘失敗,為了模擬合閘彈簧疲勞故障,將預(yù)壓縮量減少30毫米,減小其彈性勢能上限,如圖7所示。

圖7 合閘彈簧疲勞故障模擬設(shè)置

(3)傳動軸銷磨損故障

傳動銷是拐臂與斷路器拉桿間的重要連接原件,能夠起到動能傳遞與機(jī)械固定的作用。若傳動軸銷出現(xiàn)磨損將導(dǎo)致其連接穩(wěn)定性下降,將出現(xiàn)傳動過程晃動現(xiàn)象,影響合閘動作,嚴(yán)重時將導(dǎo)致拉桿等部位損壞,可人為將傳動軸銷磨細(xì),模仿其磨損狀態(tài),故障設(shè)置時,通過打磨將傳動軸銷直徑由16 mm削減至15 mm,擴(kuò)大了其晃動空間,從而模擬傳動軸銷輕度磨損故障,如圖8所示。

圖8 傳動軸銷磨損故障模擬設(shè)置

(4)主軸卡澀故障

主軸傳遞彈簧彈性勢能的重要組件,由于要傳遞的沖量極大,因此其機(jī)械強(qiáng)度與整體運(yùn)轉(zhuǎn)流暢度都對分合閘動作具有重要影響。主軸運(yùn)動通道的軌跡上若出現(xiàn)卡澀情況,將影響整體設(shè)備使用壽命,嚴(yán)重時會導(dǎo)致分合閘動作失敗。故障設(shè)置時,將相扣的A31.5型碟簧組成阻力工裝,對彈簧筒內(nèi)壁應(yīng)力進(jìn)而造成形變,從而模擬主軸輕度卡澀故障,如圖9所示。

(5)地腳螺栓松動故障

地腳螺栓主要用于將斷路器整體固定在地基上,起到穩(wěn)定斷路器的作用。但在多次斷路器沖擊下,地腳螺栓可能會被振至松動狀態(tài),為斷路器傾倒等嚴(yán)重事故埋下安全隱患。在保證斷路器整體不發(fā)生傾倒的前提下,將斷路器8個地腳螺栓中的3個用扳手?jǐn)Q松,從而模擬地腳螺栓輕度松動故障,如圖10所示。

2.2 聲音信號采集及數(shù)據(jù)集構(gòu)建

由于斷路器的合閘聲信號較強(qiáng),本文將以合閘信號為例,進(jìn)行樣本數(shù)據(jù)庫構(gòu)建與后續(xù)算例驗(yàn)證。LW30-252型SF6高壓斷路器在合閘時聲音為120 dB的寬頻信號,因此相應(yīng)的聲學(xué)傳感器應(yīng)選擇動態(tài)響應(yīng)廣、頻帶范圍較寬的傳聲器。而采集場景四周較為空曠可近似為自由場,綜上本文使用14423L自由場聲音傳感器進(jìn)行聲信號采集,其關(guān)鍵參數(shù)如表2所示。另外,為確保記錄的信號完整性,相應(yīng)數(shù)字信號采集卡采樣頻率為200 kHz。

表2 聲音傳感器技術(shù)參數(shù)

為了豐富高壓斷路器聲紋特征庫,從而提高聲紋識別模型的泛化能力,課題組制作了位置可調(diào)的聲音支架,可根據(jù)需要自動調(diào)節(jié)三個傳感器的上下、左右、前后三維位置,每個方向最遠(yuǎn)距離為340毫米。通過處于不同空間位置的三個聲音傳感器,可采集到更豐富的聲音信息。

采集時用三腳架支撐三維立體聲音支架,與操動機(jī)構(gòu)中心高度平齊,在機(jī)構(gòu)的正前方,距離機(jī)構(gòu)外殼前后距離為75厘米、高度為150厘米的位置,三個傳感器分別在三維立體支架的最高最前、最左、最右的位置,現(xiàn)場布置情況如圖11所示。

圖11 聲音采集現(xiàn)場圖

在實(shí)驗(yàn)室條件下施加工頻電壓進(jìn)行斷路器的聲信號采集。高壓斷路器機(jī)械信號經(jīng)三路聲音傳感器對故障信息進(jìn)行采集,每一次合閘分別產(chǎn)生3組信號樣本。按2.1節(jié)方式分別完成5種故障布置后,對斷路器進(jìn)行分合閘操作與聲音信號采集工作。

以正常狀態(tài)的合閘聲紋為例,3個位置采集得到信號波形及包絡(luò)線如圖12所示,包絡(luò)線平滑數(shù)值為100。3通道包絡(luò)線的互相關(guān)性如表3所示,3個通道聲信號兩兩間的皮爾斯相關(guān)性系數(shù)平均可達(dá)到0.893 2,說明不同位置對聲紋信號的影響較小,整體基本一致又稍有差異。因此,3個通道數(shù)據(jù)共同用于模型訓(xùn)練,有助于提升識別模型的泛化性。

表3 聲信號包絡(luò)線相關(guān)系數(shù)

圖12 聲音采集裝置不同位置波形對比

為保證深度學(xué)習(xí)的有效性,每種故障狀態(tài)下需要進(jìn)行200次合閘動作,每次合閘將得到來自3個傳感器的3個樣本,各故障分別累計600個樣本。在進(jìn)行模型訓(xùn)練時需要對樣本進(jìn)行數(shù)據(jù)集劃分:從3 600例合閘聲紋樣本中,各類樣本中隨機(jī)抽取500例,共同組成3 000例訓(xùn)練集,其余600例共同組成測試集,最終形成數(shù)據(jù)集樣本分布如表4所示。

表4 聲音數(shù)據(jù)集樣本分布

3 潛伏性機(jī)械故障聲紋識別

本節(jié)將以上文構(gòu)建的LW30-252高壓斷路器合閘聲紋數(shù)據(jù)集為基礎(chǔ),進(jìn)行數(shù)據(jù)預(yù)處理與識別模型訓(xùn)練。

3.1 數(shù)據(jù)預(yù)處理

在進(jìn)行模型訓(xùn)練與識別前,需要將數(shù)據(jù)集內(nèi)數(shù)據(jù)按1.1、1.2節(jié)的方法轉(zhuǎn)化為倒譜特征矩陣。

首先,對0.2 s的原始時域斷路器合閘聲信號分幀,計算幀長N設(shè)為1 024、鄰幀交疊長度設(shè)為128。由幀長、鄰幀交疊長度與樣本采樣點(diǎn)數(shù)可算得本文的聲原始時頻譜數(shù)據(jù)尺寸為[44×512]。斷路器不同狀態(tài)下的合閘聲信號時頻譜圖對比如圖13所示。由圖13中可以看到,5類潛伏性故障的時頻譜圖具有一定差異,但整體上較為相似,通過人工設(shè)計特征量難以區(qū)分,因此后續(xù)將引入深度神經(jīng)網(wǎng)絡(luò)模型作為分類器進(jìn)行故障識別。

圖13 不同狀態(tài)聲信號時頻譜圖對比

然后,根據(jù)合閘聲信號時頻譜分別計算MFCC、GFCC、PNCC三個特征值,構(gòu)成倒譜特征矩陣,計算時的fmin與fmax分別設(shè)為0 Hz與100 kHz。以正常狀態(tài)合閘聲信號為例,計算結(jié)果如圖14所示。經(jīng)過信號降維與特征提取后的倒譜特征矩陣中,矩陣時域分量Z為44,矩陣的頻域分量G設(shè)為40,聲信號的MFCC、GFCCs、PNCC倒譜特征層數(shù)為3,即尺寸變?yōu)閇44×40×3]。倒譜特征矩陣的計算在保留聲紋特征的基礎(chǔ)上進(jìn)行了數(shù)據(jù)壓縮,能夠提升了后續(xù)深度學(xué)習(xí)的運(yùn)算效率。

最終,將所有帶有標(biāo)簽的倒譜特征矩陣樣本按隨機(jī)順序輸入到CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3.2 參數(shù)優(yōu)化與識別模型結(jié)果

為了提高模型性能,研究對MCC-CNN識別模型進(jìn)行學(xué)習(xí)率η和批尺寸m進(jìn)行了優(yōu)化,整體訓(xùn)練過程按照1.3節(jié)中的方法進(jìn)行迭代。

MCC-CNN識別模型的訓(xùn)練集損失率如圖15所示。學(xué)習(xí)率設(shè)置過大將導(dǎo)致不收斂或收斂情況不穩(wěn)定,學(xué)習(xí)率設(shè)置過小則會導(dǎo)致訓(xùn)練速率過慢。由測試結(jié)果可知,當(dāng)學(xué)習(xí)率為0.001時,訓(xùn)練集損失率下降較為穩(wěn)定且訓(xùn)練速度較快。批尺寸不同對模型準(zhǔn)確率與訓(xùn)練時間都有一定影響?？傆?xùn)練時間、最終準(zhǔn)確率如表5所示,當(dāng)批尺寸為12與16時準(zhǔn)確率達(dá)到了100%,綜合考慮迭代速度后,認(rèn)為批尺寸為12時識別模型性能最優(yōu)。

圖15 不同學(xué)習(xí)率對MCC-CNN模型的損失率影響

通過對學(xué)習(xí)率優(yōu)化,得到最終的MCC-CNN識別模型,結(jié)果如圖16所示。MCC-CNN模型在迭代了20次之后,測試集識別準(zhǔn)確率即可穩(wěn)定在100%,迭代100次時損失率可達(dá)到10-6左右。

圖16 MCC-CNN模型識別準(zhǔn)確率與損失率

為進(jìn)一步對比本文方法的效果,對MCC-CNN、MFCC-CNN、GFCC-CNN、PNCC-CNN以及常規(guī)CNN模型的辨識成功率和運(yùn)算時間進(jìn)行了對比,結(jié)果如表6所示,可見MCC-CNN模型在識別成功率上表現(xiàn)最佳,證明了本文所提出MC-CNN聲識別模型的優(yōu)越性。

與直接使用時頻譜圖輸入CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識別的方法相比,MCC-CNN經(jīng)過了混合倒譜計算的預(yù)處理后,數(shù)據(jù)量計算量大幅下降,樣本的數(shù)據(jù)減少也意味著降低了深度神經(jīng)網(wǎng)絡(luò)的識別難度,因此能夠提升識別率和降低識別時間。與使用單獨(dú)某種倒譜系數(shù)預(yù)處理方法的方法相比,MCC-CNN使用更多類型的倒譜特征能夠適應(yīng)多種潛伏性機(jī)械故障聲信號,而且從結(jié)果上來看,訓(xùn)練得到的MCC-CNN計算速度沒有明顯劣于數(shù)據(jù)量更小的單一倒譜系數(shù)的方法,提高了準(zhǔn)確率的同時計算速度沒有明顯下降,這是由于Dropout操作剔除了許多冗余的神經(jīng)元連接,從而優(yōu)化了計算效率。

4 結(jié) 論

本文圍繞LW30-252型SF6高壓斷路器進(jìn)行了典型機(jī)械故障進(jìn)行聲紋識別方法研究,得到了以下結(jié)論:

(1)本文所采用的故障設(shè)置方法能夠模擬斷路器的不同潛伏性機(jī)械故障狀態(tài),在合閘動作的聲信號時頻譜圖中能夠體現(xiàn)聲信號微弱差異,能夠反映潛伏性故障出現(xiàn)時聲信號的早期特征,能夠?yàn)楹罄m(xù)MCC-CNN識別模型提供有效支撐。

(2)通過提取聲信號的各類倒譜信息并與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合,能夠通過斷路器合閘動作聲信號進(jìn)行潛伏性機(jī)械故障的狀態(tài)進(jìn)行識別,相較于直接將時頻譜輸入卷積神經(jīng)網(wǎng)絡(luò)的方法,本文方法的識別速度與識別準(zhǔn)確率都有一定提升。

(3)在潛伏性機(jī)械故障聲紋診斷中,混合倒譜方法相較于單種倒譜提取方法而言,在識別準(zhǔn)確率方面具有更強(qiáng)的優(yōu)勢,但計算速度會略有下降。