一种面向GIS设备的声信号故障诊断方法、系统及装置与流程

本技术涉及设备故障诊断，具体涉及一种面向gis设备的声信号故障诊断方法、系统及装置。

背景技术：

1、气体绝缘开关设备由断路器、隔离开关、接地开关、互感器、避雷器、母线等部件全部封闭在金属接地的外壳中组成，是电力系统中的关键设备。gis设备一旦发生故障，可能导致大范围停电事故，造成严重的经济损失和社会影响。其中，机械故障是gis设备的主要故障类型，如开关触头接触不良、壳体连接松动、导向件轻微弯曲等，都会产生异常振动和声信号。

2、传统的gis设备故障诊断方法主要依赖人工听音判断运行状态，该方法过度依赖运维人员的经验和主观判断，无法实现实时在线监测，检测效率和准确性均无法得到保障。近年来，基于振动传感器的接触式监测方法被提出，但由于gis设备结构复杂、高压带电，振动传感器只能安装在设备外壳表面，无法全面反映内部机械状态，且存在安全隐患。

3、基于声信号的非接触式诊断方法因其无需接触设备本体、安装便捷、可全面采集设备运行声音等优势，逐渐成为研究热点。然而，gis设备现场运行环境复杂，存在大量的环境噪声干扰，如相邻设备动作噪声、风噪、电磁噪声等，导致采集到的声信号信噪比低，故障特征被淹没在强背景噪声中，严重影响诊断准确性。现有基于声信号的故障诊断方法主要存在以下不足：一是缺乏有效的噪声滤除手段，或仅采用简单滤波导致故障特征信息丢失；二是特征提取方法单一，难以全面表征故障声信号的时频域多维度特性；三是故障诊断模型多为离线训练，无法利用新增数据持续优化性能。

技术实现思路

1、为了解决上述技术问题，本技术的目的在于提供一种面向gis设备的声信号故障诊断方法、系统及装置，所采用的技术方案具体如下：

2、第一方面，本技术实施例提供了一种面向gis设备的声信号故障诊断方法，包括以下步骤：

3、步骤s1，采集gis设备运行过程中的原始声信号，对所述原始声信号进行预处理，得到待分析的有效声信号片段；

4、步骤s2，对所述有效声信号片段执行多级滤噪增强处理，所述多级滤噪增强处理包括第一级自适应噪声分离和第二级时频域联合滤波，获得去噪增强后的目标声信号；

5、步骤s3，对所述去噪增强后的目标声信号进行多维特征提取，所述多维特征包括时域统计特征、频域谱特征和时频域能量分布特征，将各维度特征归一化后组成综合特征向量；

6、步骤s4，将所述综合特征向量输入第一级故障判别模型进行故障类型初步判定，获得初步诊断结果及其对应的置信度评分，其中，第一级故障判别模型采用支持向量机；

7、步骤s5，当所述置信度评分低于预设阈值时，将所述综合特征向量输入第二级精细诊断模型进行复核诊断，以第二级精细诊断模型的输出作为最终诊断结果；否则，以所述第一级故障判别模型的初步诊断结果作为最终诊断结果。

8、优选的，所述步骤s2中第一级自适应噪声分离的具体方式为：采用快速独立分量分析方法对所述有效声信号片段进行盲源分离，将混合信号分解为多个独立分量；计算每一个独立分量与预先建立的gis设备正常工况声纹模板之间的相关系数，将相关系数低于预设相关阈值的独立分量判定为环境噪声分量并予以剔除，将相关系数不低于预设相关阈值的独立分量保留作为初步去噪信号。

9、优选的，所述gis设备正常工况声纹模板的建立方式为：采集gis设备在已知正常工况下的多组声信号样本，对每一组样本提取其功率谱密度和mel频率倒谱系数，将多组样本提取的功率谱密度取平均值作为模板功率谱，将多组样本提取的mel频率倒谱系数取平均值作为模板倒谱系数，由所述模板功率谱和模板倒谱系数共同构成所述正常工况声纹模板。

10、优选的，所述步骤s2中第二级时频域联合滤波的具体方式为：对所述初步去噪信号执行小波包分解，获得多个频带子信号；对每一个频带子信号，计算其与所述正常工况声纹模板中对应频带的能量比值，当所述能量比值小于预设比值阈值时，将该频带子信号的系数乘以预设衰减系数进行衰减；衰减处理后进行小波包重构，得到所述去噪增强后的目标声信号。

11、优选的，所述步骤s3中时域统计特征包括有效声信号片段的均值、方差、峰值、偏度、峭度和峰值因子；所述频域谱特征包括对去噪增强后的目标声信号进行快速傅里叶变换后获得的频谱质心、频谱带宽、频谱滚降点和子带能量比；所述时频域能量分布特征包括对去噪增强后的目标声信号进行小波包分解后各频带子信号的能量占比和能量熵。

12、优选的，所述步骤s5中第二级精细诊断模型采用在线序列超限学习机构建，所述在线序列超限学习机具有增量学习能力，当新的故障样本数据到达时，以块增量方式更新网络输出权值，无需重新训练全部历史数据；所述第二级精细诊断模型的输入维度与所述综合特征向量的维度一致，输出维度等于故障类型总数加一，各输出维度分别对应正常工况和各故障类型的概率值。

13、优选的，所述以块增量方式更新网络输出权值具体方式为：将新到达的多个故障样本数据组成一个增量块，计算该增量块的隐层输出矩阵，利用递推最小二乘公式将当前输出权值矩阵更新为融合新旧样本信息后的新输出权值矩阵，其中，所述更新的过程仅涉及当前输出权值矩阵和新样本块的隐层输出矩阵的运算。

14、优选的，所述步骤s5中复核诊断的具体方式为：所述第二级精细诊断模型接收所述综合特征向量后，输出各故障类型的概率分布，取概率值最大的故障类型作为复核诊断结果；若复核诊断结果与所述第一级故障判别模型的初步诊断结果一致，则确认该诊断结果；若不一致，则输出诊断结果冲突的告警信息，并将所述综合特征向量标记为待标注样本，供运维人员复核确认后用于增量更新所述第二级精细诊断模型。

15、第二方面，本技术实施例还提供了一种面向gis设备的声信号故障诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述一种面向gis设备的声信号故障诊断方法的步骤。

16、第三方面，本技术实施例还提供了一种面向gis设备的声信号故障诊断装置，存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述一种面向gis设备的声信号故障诊断方法。

17、由以上可见，本技术提供的一种面向gis设备的声信号故障诊断方法、系统及装置，至少具有如下有益效果：

18、（一）构建了“盲源分离+模板匹配”与“时频域联合滤波”相结合的多级滤噪增强架构。 本发明针对gis设备现场环境噪声复杂、故障声信号与噪声频带重叠的实际问题，通过第一级自适应噪声分离将混合信号分解为独立分量并基于正常工况声纹模板识别剔除噪声分量，再通过第二级小波包分解在时频域进行频带选择性衰减，两级处理互为补充，有效解决了传统单一滤波方法难以分离同频带噪声的难题，显著提升了低信噪比条件下的信号质量。

19、（二）构建了时域、频域、时频域三维多角度特征表达体系。 本发明从三个维度提取四十七维综合特征：时域特征刻画信号的幅值分布统计特性，频域特征表征信号的频谱能量分布规律，时频域特征反映信号在不同频带上的能量分布形态。三类特征从不同角度反映设备声信号的物理特性，互相补充，能够全面表征各类机械故障的声学特征，避免了单一类型特征可能导致的诊断盲区。

20、（三）设计了支持向量机与在线序列超限学习机协同的双层级决策诊断机制。 第一级支持向量机分类器计算效率高、对小样本分类性能稳定，用于常规样本的快速初步判定；第二级在线序列超限学习机具有增量学习能力，仅在初步诊断置信度不足时启动复核，在保证诊断精度的同时兼顾了计算效率。更重要的是，在线序列超限学习机的增量学习机制使诊断模型能够利用新增确认样本持续优化，诊断准确率随运行数据积累不断提升。

21、（四）内置诊断结果冲突检测与人工复核触发机制，具备工程实用性。 当第一级和第二级诊断结果不一致时，系统自动告警并标记待复核样本，有效避免了单一模型的误判风险。同时，复核确认后的样本被用于增量更新第二级模型，形成“诊断-冲突检测-人工复核-模型更新”的闭环优化，使诊断系统的性能在运维过程中持续提升，具有高度的工程实用价值。