Page 124 - 《应用声学》2021年第4期

608 2021 年 7 月

与夹件的摩擦声能量主要集中分布在 750 Hz 以下， 模型识别故障的准确性。不同算法对不同声音的识
在 750∼8250 Hz 频率范围内有少量能量分布。金 别率如图9所示。
属小部件与压板的摩擦声能量分布范围较大，在
࠵ฉӊ ஈᤉ࠵ฉӊ ೏࠷ࠫ஝
750 Hz以下和5250∼7500 Hz范围内能量较高。
100
分析图 7 可知，机械故障声中金属部件与油箱
内线圈底部的摩擦声和金属部件与夹件的摩擦声 80
能量都集中在低频部分。而很多干扰声和变压器声
都是低频声，容易和机械故障声混淆，导致算法识别 គѿဋ/% 60
率下降。因而将机械声 1500 Hz 以下频段进行二次 40
分解作为声音的特征。图 8 为机械声在 1500 Hz 以
20
下频段能量分布图。机械声低频部分的能量分布差
异性较大，可以作为声音的特征。 0 1 2 3 4 5 6 7 8 ঴
ܦᮃዝی
50
1. ᧛࡛ᦊ͈ˁ෴ኸЯጳڔअᦊᄊ୕୻ܦ; 2. ᧛࡛ᦊ͈ˁ݃
͈ᄊ୕୻ܦ; 3. ᧛࡛ᦊ͈ˁԍ౜ᄊ୕୻ܦ; 4. ࣱ౜ႃౝஊ
40 ႃܦ; 5. ᧫౜ႃౝஊႃܦ; 6. ෹᭧ஊႃܦ; 7. ԫԍ٨వʹ
٪ܦ; 8. ࣰ੸ܦ
ᑟ᧚ᄈѬඋ/% 30 Fig. 9 Sound recognition rate of different algo-
图 9
不同算法对声音的识别率
20
rithms
10
由图 9 可知，小波包 -BP 神经网络算法的整体
0
0 10 20 30 40 识别率为 93.9%，其中很多干扰声和变压器本体噪
ᮠ඀
声被误判为金属部件与油箱内线圈底部的摩擦声，
(a) ᧛࡛ᦊ͈ˁ෴ኸЯጳڔअᦊᄊ୕୻ല
导致这两种声音识别率偏低。改进小波包算法对干
50 扰声和变压器本体噪声的识别率大幅提高，整体识
别率达到99.6%。基于梅尔对数频谱-卷积神经网络
40 的算法整体识别率为97.57%。由于该方法对干扰声
ᑟ᧚ᄈѬඋ/% 30 的识别率较低，导致算法整体识别率略低于改进小

波包 -BP神经网络算法。但是该方法无需针对识别
20
的声音的频率优化即有较高识别率，对未知声的识
10
别效果更好。如果变压器安装有其他故障检测设备
如局放检测仪，则选择计算量较小识别率较高的改
0
0 10 20 30 40
ᮠ඀ 进小波包 -BP 神经网络算法；如果仅采用声检测法
(b) ᧛࡛ᦊ͈ˁ͈݃ᄊ୕୻ല 检测变压器的运行状态，需选择泛化性好的梅尔对
数频谱 -卷积神经网络算法。目前故障声的积累较
图 8 机械故障声 1500 Hz 以下频段能量分布图
少，缺乏实际变压器测试结果。但已将声检测装置
Fig. 8 Energy distribution diagram of the fre-
quency band below 1500 Hz of mechanical failure 安装到变电站，一旦有故障发生即可将故障声添加
sound 到声音数据库中。算法将自动提取声音的特征，输
入到神经网络模型中更新故障诊断模型，提高算法
2.5 故障类型识别与诊断
的识别率。
采用声音的特征作为输入，训练神经网络模型。
声频库的声频按比例划分为 3 部分，训练集、验证 3 结论
集、测试集的比例为 70 : 15 : 15。训练集的声频被
用作训练网络模型；验证集声频用来验证网络模型 文中提出了基于可听声的变压器故障诊断方
是否发生过拟合；测试集的声频用于测试神经网络 法，可用于变压器放电和机械故障诊断。即通过