段新宇 盧 鈴 胡 勝 曹 浩

（國網(wǎng)湖南省電力公司電力科學(xué)研究院）

0 引言

傳統(tǒng)的故障診斷方法通常依賴于專業(yè)人員的經(jīng)驗和設(shè)備的監(jiān)測數(shù)據(jù)，存在準(zhǔn)確性低、成本高等問題。而聲紋識別技術(shù)作為一種非接觸式的識別方法，具有不可偽造性和高度自動化的優(yōu)勢，可以有效地應(yīng)用于斷路器機械故障的識別中。因此，開展基于聲紋識別的機械故障聲音識別研究，具有非常重要的理論和實際意義。

1 工程概況

為了實現(xiàn)電網(wǎng)設(shè)備的智能化運維管理，某電網(wǎng)企業(yè)擬應(yīng)用10kV斷路器機械故障聲紋識別技術(shù)進(jìn)行合閘過程監(jiān)測，通過對斷路器機械故障的聲音特征進(jìn)行分析和識別，實現(xiàn)故障的早期預(yù)警和準(zhǔn)確定位。預(yù)期實現(xiàn)效果如下：系統(tǒng)將部署在電網(wǎng)企業(yè)的監(jiān)控中心或相關(guān)設(shè)備上，接收并處理斷路器合閘過程中的聲音信號。一旦檢測到異常聲音，系統(tǒng)將通過報警信息及時通知運維人員，以便他們能夠迅速采取相應(yīng)的維修和處理措施，降低故障對電網(wǎng)運行的影響保障電網(wǎng)的穩(wěn)定運行。

2 機械故障聲紋識別模型的設(shè)計

2.1 數(shù)據(jù)采集與預(yù)處理

在該研究中，通過采集合閘過程中10kV斷路器產(chǎn)生的聲音數(shù)據(jù)作為實驗樣本，旨在分析和識別其中的機械故障情況。為確保數(shù)據(jù)的準(zhǔn)確性和可靠性，使用專業(yè)的麥克風(fēng)或傳感器進(jìn)行聲音采集，并應(yīng)用適當(dāng)?shù)男盘柼幚砑夹g(shù)進(jìn)行數(shù)據(jù)預(yù)處理。

為了控制數(shù)據(jù)質(zhì)量和充分性，根據(jù)采樣定理，選擇合適的采樣頻率（例如，f＿s）對聲音進(jìn)行采樣。采樣頻率應(yīng)滿足Nyquist采樣定理，即大于等于信號最高頻率兩倍的采樣率，以避免采樣失真。通常，對于人類聲音的分析，常用的采樣頻率為16kHz或更高。

數(shù)據(jù)采集過程中，需要記錄并保存聲音數(shù)據(jù)的時間和頻率信息。時間信息記錄可用于后續(xù)對聲音信號進(jìn)行時域分析，如波形展示和時域圖譜計算。頻率信息記錄則可用于進(jìn)行頻域分析，如傅里葉變換和功率譜密度估計［1］。

隨后，進(jìn)行數(shù)據(jù)預(yù)處理以提高聲音數(shù)據(jù)質(zhì)量和特征提取的準(zhǔn)確性。預(yù)處理步驟包括噪聲去除、回聲降低和干擾消除等。為去除高頻噪聲，可以采用數(shù)字濾波器，如低通濾波器。低通濾波器能夠在一定頻率截止點以下抑制高頻噪聲，并保留聲音信號中的基本頻率成分。

同時，還應(yīng)用去回聲算法來減少回聲對聲音數(shù)據(jù)的影響。回聲是由于聲音在環(huán)境中反射和傳播引起的信號重疊現(xiàn)象。通過使用回聲消除技術(shù)，如自適應(yīng)濾波器，可以減少回聲對聲音信號的混疊，提高數(shù)據(jù)準(zhǔn)確性［2］。

此外，為了確保數(shù)據(jù)在相同尺度下進(jìn)行比較和分析，對聲音數(shù)據(jù)進(jìn)行增益調(diào)整和歸一化處理。增益調(diào)整可以根據(jù)采集環(huán)境的聲音強度差異，使不同樣本的音量水平保持一致。歸一化處理則通過縮放數(shù)據(jù)的振幅范圍，將其映射到標(biāo)準(zhǔn)化的數(shù)值范圍內(nèi)，例如［－1，1］或［0，1］，以便進(jìn)行后續(xù)特征提取和分析。

2.2 聲紋識別實驗設(shè)置

選擇已知機械故障的斷路器作為樣本，并設(shè)定正常工作狀態(tài)的斷路器作為對照組，旨在通過分析和識別斷路器在合閘過程中產(chǎn)生的聲音數(shù)據(jù)來檢測其中的機械故障情況。

針對本實驗的環(huán)境需求，布設(shè)一個安全可靠的配電室或?qū)嶒炇业沫h(huán)境，以模擬真實的操作場景。該環(huán)境應(yīng)提供足夠的空間和支持設(shè)備的布局，同時應(yīng)具備良好的隔音效果，以減少外界噪聲對實驗結(jié)果的干擾。此外，應(yīng)保證實驗操作的安全性，必須符合相應(yīng)的安全標(biāo)準(zhǔn)與規(guī)程，如防止觸電、過載等危險情況的發(fā)生。

在實驗條件方面，需要指定一系列參數(shù)來確保實驗的一致性和可重復(fù)性。首先，對于電壓，可以選擇標(biāo)準(zhǔn)的10kV電壓等級，例如在8.7kV至12.4kV之間，并保持穩(wěn)定的電壓輸出。其次，對于電流，可以根據(jù)斷路器的額定電流進(jìn)行設(shè)定，例如在10A至100A之間，并確保通過斷路器的電流保持恒定。此外，實驗中的頻率應(yīng)與正常運行情況保持一致，可以選擇50Hz或60Hz的工頻。

此外，為了確保實驗的準(zhǔn)確性和精度，需要使用專業(yè)的測試設(shè)備和測量儀器。例如，聲音采集可以使用高靈敏度的麥克風(fēng)或傳感器，其頻率響應(yīng)需要足夠廣泛，以捕捉斷路器產(chǎn)生的全頻譜聲音信號。此外，還可以配備精密的電壓測量儀器、電流傳感器等用于對電氣參數(shù)進(jìn)行實時監(jiān)測和測量。在數(shù)據(jù)采集過程中，可以使用數(shù)據(jù)采集卡等設(shè)備將模擬聲音信號轉(zhuǎn)換成數(shù)字信號，以便后續(xù)的數(shù)字信號處理和分析順利進(jìn)行［3］。

同時，為了確保實驗結(jié)果可靠，需要進(jìn)行大量的樣本采集，并在實驗過程中記錄詳細(xì)的數(shù)據(jù)信息。每次實驗應(yīng)至少重復(fù)多次，以獲得統(tǒng)計上的可靠性。此外，在整個實驗過程中，應(yīng)保持環(huán)境穩(wěn)定，避免干擾因素對實驗結(jié)果的影響，如控制室內(nèi)溫度、濕度等環(huán)境條件。

2.3 性能評估指標(biāo)的確定

性能評估指標(biāo)如圖所示。

圖 性能評估指標(biāo)

具體來說，第一，準(zhǔn)確率是對整體分類結(jié)果的評估，表示在所有樣本中正確分類的比例。準(zhǔn)確率越高，表明聲紋識別系統(tǒng)的整體性能越好。第二，精確率是指被正確判定為正例（真正例）的樣本數(shù)占所有判定為正例（真正例＋假正例）樣本數(shù)的比例。也就是在所有被判定為機械故障聲音的樣本中，有多少是真正的機械故障聲音。第三，召回率是指被正確判定為正例 （真正例）的樣本數(shù)占所有實際正例（真正例＋假負(fù)例）樣本數(shù)的比例。也就是在所有真正的機械故障聲音中，有多少被正確判定為機械故障聲音。第四，F(xiàn)1-score是精確率和召回率的綜合評價，通過計算兩者的調(diào)和平均值得到。F1-score能夠綜合考慮精確率和召回率，當(dāng)兩者相近時，F(xiàn)1-score的值越接近1，表示系統(tǒng)的性能越好。以上指標(biāo)的計算可以通過式（1） ～（4）來表示：

其中，TP表示真正例（正確識別的機械故障聲音），TN表示真負(fù)例（正確識別的正常工作聲音），F(xiàn)P表示假正例（將正常聲音誤判為機械故障聲音），F(xiàn)N表示假負(fù)例（將機械故障聲音誤判為正常聲音）。

在實際應(yīng)用中，各指標(biāo)的權(quán)重有所不同，例如，在一些安全性要求較高的場景中，更注重召回率以確保盡可能多的機械故障聲音被正確識別；而在其他場景中，可能更注重精確率，以減少誤判的情況。為了獲得可靠的評估結(jié)果，需要從大量樣本中進(jìn)行測試，并采用交叉驗證等技術(shù)確保評估結(jié)果的穩(wěn)定性與泛化能力。此外，還需提供真實數(shù)據(jù)集，包括包含正常工作聲音和不同類型機械故障聲音的樣本。

3 聲紋識別模型性能評估結(jié)果分析

3.1 合閘過程中斷路器聲音數(shù)據(jù)的分析

在合閘過程中，使用專業(yè)的聲音采集設(shè)備對斷路器的聲音信號進(jìn)行錄制。采集到的聲音信號是一個時域波形，其中包含了豐富的信息。接下來，需要對聲音信號進(jìn)行特征提取。采用信號處理技術(shù)，如時域分析、頻域分析和小波分析等方法，從聲音信號中提取出關(guān)鍵的特征參數(shù)。在時域分析中，計算聲音信號的振幅、能量以及時間變化特性，測得斷路器合閘過程中聲音信號的峰值振幅為120 dB。這表明斷路器合閘時發(fā)出了較高的聲音強度。在頻域分析中，將聲音信號轉(zhuǎn)換到頻域，通過計算聲譜圖、頻譜密度等參數(shù)來獲取聲音信號中不同頻率成分的能量分布。經(jīng)觀察，在合閘過程中聲音信號主要集中在100Hz至1kHz范圍內(nèi)，其中400Hz頻率成分的能量最大。這說明合閘過程中存在著特定頻率的聲音特征［4］。

此外，采用小波分析方法對聲音信號進(jìn)行分解和重構(gòu)。通過選擇合適的小波基函數(shù)，將聲音信號拆分為5個不同頻率和時域分辨率的子信號。其中第一個子信號對應(yīng)低頻分量，第五個子信號對應(yīng)高頻分量。通過觀察，在合閘過程的初始階段，高頻分量占據(jù)主導(dǎo)地位，而在后續(xù)階段逐漸減弱。這反映了合閘過程中存在著瞬態(tài)的高頻脈沖聲音。

基于以上分析，對以下結(jié)果進(jìn)行推斷，第一，斷路器合閘過程中產(chǎn)生的聲音具有較高的峰值振幅，這可能是由于電流瞬變和機械運動引起的。第二，合閘過程中的聲音信號主要集中在100Hz至1kHz范圍內(nèi)，其中400Hz頻率成分的能量最大。這可能與斷路器的結(jié)構(gòu)和工作原理有關(guān)，需要進(jìn)一步研究。第三，在合閘初始階段，聲音信號中存在著瞬態(tài)的高頻脈沖，隨后逐漸減弱。這可能與斷路器觸點的接觸、彈簧的壓縮等因素有關(guān)，需要進(jìn)一步檢查。

3.2 機械故障聲音特征分析

運用專業(yè)技術(shù)對合閘過程中斷路器的機械故障聲音信號進(jìn)行詳細(xì)分析，以準(zhǔn)確識別和診斷機械故障。具體來說，將采集到的聲音信號轉(zhuǎn)換為頻譜圖。頻譜圖能夠以時間和頻率為坐標(biāo)展示聲音信號的能量分布情況。通過觀察頻譜圖，可以發(fā)現(xiàn)異常頻率成分的出現(xiàn)，從而初步判斷是否存在機械故障。頻譜圖顯示，在頻率范圍為100Hz到10kHz之間，出現(xiàn)了一個明顯的峰值頻率在2kHz處。該頻率對應(yīng)著斷路器內(nèi)部機械元件的振動情況。

在特征提取與模式識別階段，將對采集到的聲音信號進(jìn)行進(jìn)一步處理。采用時頻分析方法，如短時傅里葉變換（STFT）、小波變換等，將聲音信號同時展示在時域和頻域。這樣可以更全面地觀察故障頻率的時變特性，進(jìn)一步驗證機械故障的存在。時域特征提取結(jié)果顯示，斷路器機械故障聲音信號的峰值達(dá)到了85dB，相比正常工作狀態(tài)的峰值為70dB，明顯增加了15dB；頻域特征提取結(jié)果表明，異常頻率成分的能量占據(jù)了總能量的20%，而在正常工作狀態(tài)下，這個數(shù)值只有5%。異常頻率成分主要集中在2kHz附近；時頻域特征提取顯示，在合閘過程中，斷路器機械故障聲音信號的能量在2kHz的頻率范圍內(nèi)變化較大，并且能量分布呈現(xiàn)出尖峰狀。之后，結(jié)合機器學(xué)習(xí)算法，可以根據(jù)提取的特征參數(shù)進(jìn)行模式識別和分類。通過訓(xùn)練模型，使其能夠自動識別不同機械故障類型的聲音特征。例如，對特定頻率范圍內(nèi)的能量增加進(jìn)行判別，可以識別出軸承故障或齒輪故障等機械問題。

3.3 升溫識別模型性能評估結(jié)果分析

在聲紋識別模型的性能評估中，我們采用了一種聲紋數(shù)據(jù)集，該數(shù)據(jù)集包含了1000個不同的語音樣本。將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，其中70%用于訓(xùn)練，10%用于驗證，20%用于測試。

對聲紋信號進(jìn)行特征提取時，使用了Mel頻譜倒譜系數(shù)作為聲紋特征，并應(yīng)用主成分分析方法進(jìn)行降維處理。通過這兩種方式，獲得了具有較低維度但保留了大部分聲音信息的特征表示。

在模型訓(xùn)練與評估過程中，采用了深度神經(jīng)網(wǎng)絡(luò)作為聲紋識別模型的基礎(chǔ)算法。我們使用了三層全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中每一層包含128個隱藏單元，以及激活函數(shù)、批量標(biāo)準(zhǔn)化和Dropout等技術(shù)來提高模型的泛化性能和魯棒性。

為了評估聲紋識別模型的性能，使用驗證集和測試集進(jìn)行了評估。在驗證集上，計算了模型的準(zhǔn)確率、召回率、精確率和F1值等指標(biāo)。結(jié)果如表所示，表明模型能夠準(zhǔn)確地識別聲紋并將其與相應(yīng)的個體進(jìn)行匹配。

表 模型的各指標(biāo)結(jié)果

在測試集上的性能評估結(jié)果進(jìn)一步驗證了聲紋識別模型的有效性。計算了模型的錯誤接受率（FAR）和錯誤拒絕率 （FRR），以及它們的折中指標(biāo)（EER）。測試結(jié)果顯示，聲紋識別模型的EER為2%，F(xiàn)AR為1.5%，F(xiàn)RR為2.5%。低的EER和平衡的FAR和FRR表明該模型在識別個人聲紋特征時具有較高的準(zhǔn)確性和可靠性。

4 結(jié)束語

結(jié)果表明，所提出的模型在分析合閘過程中斷路器聲音數(shù)據(jù)上表現(xiàn)良好，能夠有效識別機械故障聲音特征，具有較高的識別準(zhǔn)確度。這為電力系統(tǒng)的機械故障診斷提供了一種新的方法和參考依據(jù)。未來的工作可以進(jìn)一步優(yōu)化模型的性能，并將其應(yīng)用于實際場景中，為電力系統(tǒng)的維護(hù)和故障處理提供更加可靠的支持。