Page 121 - 《应用声学》2021年第4期

第 40 卷 第 4 期 吴国鑫等： 声纹的变压器放电与机械故障诊断研究 605

其中，三角滤波器f(m)的频率响应定义为 经网络在图像分析领域具有很好的识别性。梅尔对
( )
N F m (f h )−F m (f l )
( ) 数频谱将声特征转化成了图像，因此利用卷积神经
−1
f(m)= F m F m (f l )+m , (6)
f s M + 1 网络对图像的识别能力对梅尔对数谱进行分析。卷
积神经网络主要由输入层、卷积层、池化层、全连接
式 (6) 中：f h 、f l 分别为滤波器 m 的上下限频率；f s
为采样频率；F m 为梅尔频率。 层和输出层组成。卷积运算的计算公式为
1.3 故障类型识别 S(i, j) = (I ∗ W)(i, j)
∑ ∑
文中采用 BP(Back propagation) 神经网络算 = I(m, n)W(i − m, j − n), (10)
法识别小波包提取的能量分布特征。BP 神经网络 m n
具有高度自学习和自适应的能力，常常被用于故障 式 (10) 中：I(i, j) 为输入的二维图像数据；W(m, n)
的模式识别，按照误差反向传播算法训练多层前馈 为二维卷积核。
神经网络 [24] ，由输入层、隐藏层和输出层组成。特
2 变压器故障模拟及实验
征向量的维数确定了 BP 神经网络输入层节点数，
变压器故障类型决定输出层节点数，隐藏层节点数 变压器等设备绝大部分时间都处于正常工作
一般根据经验公式确定，常见经验公式有以下3个：
状态，收集故障声数据是研究的难点。为此，在变压
√
m = n + l + α, (7) 器油箱中模拟变压器内部的放电和机械故障。采用

m = log n, (8) 110 kV变压器外壳的同种金属材料，制作与真实外
2
√ 壳厚度、尺寸相同，形状接近的油箱。在油箱内放
m = nl, (9)
置实际变压器的绕组与铁芯，模拟变压器内部的可
其中：m为隐含层节点数；n为输入层节点数；l 为输 能产生的故障，模拟故障位置与真实故障位置相同。
出层节点数；α 为 1∼10之间的常数。多次训练选择 传声器距离油箱 5 cm，录制油箱内传出的声音。模
准确率最高的节点数为隐藏层节点数。 拟故障处发出的声音经与实际故障相同的路径和
根据 3个经验公式可以确定隐藏节点数的选择 介质传播至传声器。图 3 是在油箱中模拟故障的图
范围在 5∼17 个节点。选择不同隐藏节点数代入神 片。为了验证模型的抗干扰能力，除了故障声还采
经网络模型，计算模型识别声音的准确率，结果如 集了实际变电站周围的声音组成干扰声音库，包含
图 2 所示。选择隐藏节点数为 9 时，准确率最高，为 风声、脚步声、鸟叫声、汽车声、驱鸟器声、人声。6种
93.9%。因而选择隐藏节点数为9个。 故障声、变压器本体噪声和干扰声各有 450 个样本，

100 总样本数为3600个。

96
93.9 93.8 93.7
92.8 92 92.6 93.3 93 92.9
92
គѿဋ/% 88 90.4 89.6

84 84.7 84.5

80
4 6 8 10 12 14 16 18
ᬥᘩᓬག஝

图 2 隐藏节点数与神经网络模型识别率关系
图 3 故障模拟实验图片
Fig. 2 The relationship between the number of
Fig. 3 Picture of fault simulation experiment
hidden abstracts and the recognition accuracy of
neural network models 2.1 放电故障
卷积神经网络无需复杂的特征提取和数据重 根据变压器内部常见放电类型，文中设计了 3
建，可以直接将图片作为网络的输入，这使得卷积神 种的放电模型，分别为平板电极放电模型、针板极放电