基于麦克风阵列的变压器故障声源定位方法及系统与流程

1.本发明涉及变压器技术领域，尤其涉及基于麦克风阵列的变压器故障声源定位方法及系统。


背景技术：

2.变压器作为电力系统中重要的电力设备之一，承担着系统内电压的变换、变电站电能的分配和传输等关键任务，对保证电力系统安全、可靠、优质、经济运行发挥着重要作用。
3.变压器的内部结构非常复杂，部件种类繁多，包括三相油浸变压器，由三相一、二次绕组、铁芯、油箱、底座、高压及低压套管、散热器(冷却器)、净油器、储油柜、气体继电器、安全气道、温度计和分接开关等相关组件和附件所构成，与此同时，变压器内部绕组和铁芯承担着电磁交换的重要功能，设备正常运行时，机身与固件、零件之间，以及零件本身等都有相应的特征，当某一部件出现异常，其结构振动模式、运行状况及其特征值都会随之而变，这些特征值的改变导致设备出现异响，变压器声音是由机械振动产生的结构波向传声介质辐射声能量造成，因此，声信号蕴含着大量有关机构振动和形变信息，是分析设备运行状态的一项重要指标。
4.目前采用的现场巡检操作方法是通过有经验的技术人员将人耳贴紧变压器箱体，仔细听取变压器内部的声信号来判断变压器运行状况，发现故障类型，甚至对故障进行粗略定位，这样的检测方法其可靠性、重复性、准确性都存在一定的问题，而且所需的人工成本也高，因此，本发明提供一种基于麦克风阵列的变压器故障声源定位方法及系统。


技术实现要素：

5.本发明的目的是克服现有技术中的缺点，提供一种基于麦克风阵列的变压器故障声源定位方法及系统。
6.本发明的目的是通过下述技术方案予以实现：
7.基于麦克风阵列的变压器故障声源定位方法，包括以下步骤：
8.s1、通过麦克风阵列获取测量面处的声信号x(t)；
9.s2、利用改进多尺度形态滤波器对声信号x(t)进行噪声抑制，得到滤波后的去噪信号去噪信号即纯净状态下的变压器设备辐射噪声信号：
10.s3、对去噪信号进行时域统计分析和频谱分析，并与健康声学数据库中的历史数据进行对比：
11.s4、提取异常去噪信号的频段，在故障声学数据库中进行搜索，输出与该频段对应的故障类型和故障位置，实现变压器设备故障判断和定位目的。
12.作为优选，所述的步骤s2中噪声抑制步骤包括：
13.s21、对声信号进行均值化处理，同时构建初始化多尺度元λg；
14.s22、计算声信号x(t)的局部极大值和极小值，确定结构元素的高度和长度集合；
15.s23、代入下式：
[0016][0017][0018]
得到y(n)组合滤波器集合，y(n)＝[y1(n) y2(n)]/2，其中，和θ分别表示膨胀和腐蚀运算；
[0019]
s24、利用人工鱼群算法对滤波器集合进行寻优，使用y(n)对声信号x(t)进行滤波处理，直到得到最终的去噪信号作为优选，所述的步骤s3中时域统计分析步骤包括：
[0020]
s311、对去噪信号直接进行统计学参量的计算，所述统计学参量包括峰值、均值、均方根值、波峰因子、峭度因子和自相关函数；
[0021]
s312、对比去噪信号和健康声学数据库中的历史数据的统计学参量，从时域角度判断去噪信号是否存在异常。
[0022]
作为优选，在步骤s321中，所述短时傅里叶变换中采用的分析窗函数为高斯窗函数、汉宁窗函数、汉明窗函数或者矩形窗函数中的一种。
[0023]
基于麦克风阵列的变压器故障声源定位系统，包括计算机硬件和云端ai分析诊断系统，所述计算机硬件包括信号采集模块、信号处理模块和特征提取模块，所述云端ai分析诊断系统包括故障诊断模型、健康声学数据库和故障声学数据库，所述计算机硬件和云端ai分析诊断系统之间通过无线通讯模块连接；
[0024]
信号采集模块，在变压器设备上布置麦克风阵列，通过麦克风阵列采集测量面处的声信号x(t)；
[0025]
信号处理模块，通过改进多尺度形态滤波器对声信号x(t)进行噪声抑制，获得目标信号，即变压器设备辐射噪声信号；
[0026]
特征提取模块，提取和分析去噪信号的时域和频域特征；
[0027]
故障诊断模型，对比去噪信号与健康声学数据库中的历史数据的时域和频域特征，结合故障声学数据库中“频段-故障类型-故障位置”的对应关系，实现变压器设备故障判断和定位目的；
[0028]
无线通讯模块，实现计算机硬件和云端ai分析诊断系统之间的信息传输。
[0029]
作为优选，所述健康声学数据库包括变压器设备在非故障状态下、各频率下的噪声信号的时域波形图和频谱图。
[0030]
作为优选，所述故障声学数据库包括变压器在故障状态下，故障噪声的“频段/幅值差-故障类型-故障位置-停机维修时间/剩余寿命时间”的对应关系，所述故障声学数据库中，故障案例的数据来源于常用故障案例诊断库，以及对变压器设备在实际异常诊断领域的案例输入。
[0031]
作为优选，所述云端ai分析诊断系统还包括检修预测模型，检修预测模型用于绘制异常去噪信号和健康声学数据库中的历史数据的幅值谱差值图，结合故障数据库中“幅值差-故障类型-故障位置-停机维修时间”的对应关系，获知变压器设备的停机维修时间或者剩余寿命时间。
[0032]
作为优选，所述故障诊断模型包括多层人工神经网络结构，且多层人工神经网络通过深度学习不断训练故障数据库的故障案例的数据的相关特征，所述多层人工神经网络为bp神经网络、径向基神经网络、自组织特征映射网络或者小波神经网络中的一种。
[0033]
本发明的有益效果是：
[0034]
1、本发明中，变压器结构、工艺参数、运行工况以及所处的工作环境等各种因素导致变压器设备故障复杂，传统的机理分析模型和基于特征工程的机器学习模型难以实现各种变压器故障的识别和诊断，因此，本发明在故障案例库的基础上，将深度学习应用到故障识别模型中，故障识别模型通过不断学习训练实际异常诊断领域的故障案例，使得多层人工神经网络能更容易地提取数据中的相关特征，构建能识别已知异常领域诊断的故障识别模型，本发明通过计算机硬件和云端ai分析诊断系统的结合，实现对变压器端到端的状态监测、健康管理和寿命预测，为变压器的维护管理提供最佳的解决方案。
[0035]
2、本发明中，变压器内部部件产生辐射噪声通常是线性混叠，声音信号能够远距离传播的特性使得变压器辐射噪声容易受到其他设备辐射声音以及周围环境噪声的干扰，其次，能够有效表征变压器设备故障的信号成分站整体声音信号的比重往往很小，某些情况下，甚至存在负信噪比的情况，因此，利用人工鱼群算法构建改进多尺度形态滤波器，对采集来的声信号x(t)进行背景降噪，消除背景噪声和外部干扰信号的对特征分析的精度影响，有利于识别早期微弱故障特征，既可以较为容易的进行维护维修，也可以为后续的工作争取宽裕的时间。
附图说明
[0036]
图1是本发明的一种结构示意图。
[0037]
图2是本发明的基于麦克风阵列的变压器故障声源定位方法的人工鱼群算法的寻优流程示意图。
具体实施方式
[0038]
下面结合附图和实施例对本发明进一步描述。
[0039]
实施例：
[0040]
请参阅图1和图2，本发明提供一种技术方案：基于麦克风阵列的变压器故障声源定位方法，包括以下步骤：
[0041]
s1、通过麦克风阵列获取测量面处的声信号x(t)；
[0042]
s2、利用改进多尺度形态滤波器对声信号x(t)进行噪声抑制，得到滤波后的去噪信号即纯净状态下的变压器设备辐射噪声信号，由于实际变压器设备所处的声场中往往不止存在一种干扰噪声，且声信号x(t)中的干扰噪声通常是随机的，因此，需要使用多尺度的不同结构元素构建形态滤波器，以避免较严重的滤波器输出统计偏移：
[0043]
噪声抑制步骤包括：s21、对声信号进行均值化处理，同时构建初始化多尺度元λg；
[0044]
s22、计算声信号x(t)的局部极大值和极小值，确定结构元素的高度和长度集合；
[0045]
s23、代入下式：
[0046][0047][0048]
得到y(n)组合滤波器集合，y(n)＝[y1(n) y2(n)]/2，其中，和θ分别表示膨胀和腐蚀运算；
[0049]
s24、利用人工鱼群算法对滤波器集合进行寻优，使用y(n)对声信号x(t)进行滤波处理，直到得到最终的去噪信号
[0050]
具体的，在人工鱼群算法寻优流程中，n-人工鱼群大小；{xi}-人工鱼个体的状态位置；yi＝f(xi)-第i条人工鱼当前所在位置的实物浓度；visual-人工鱼的感知距离；step-人工鱼移动的最大步长；delta-拥挤度；n-当前觅食行为次数；gen-迭代次数；maxgen-最大迭代次数；
[0051]
形态滤波的结构元素构成包括形状、幅值和尺寸多个方面，半圆形结构元素能够很好地滤除随机噪声，三角形结构元素对于脉冲噪声的滤波效果更好，为了避免目标寻优过早地进入局部收敛，故采用基于基于集群体智能思想的人工鱼群算法进行全局寻优，将经过均值化处理后的声信号x(t)中相邻峰值间隔的最大值和最小值通过极值寻优，确定结构元素的长度，随后，根据信号峰值的最大值和最小值确定高度范围，最后，将相应的结构元素尺寸分别代入半圆形和三角形结构公式，计算出对应的结构元素集合；
[0052]
首先，变压器内部部件产生辐射噪声通常是线性混叠，声音信号能够远距离传播的特性使得变压器辐射噪声容易受到其他设备辐射声音以及周围环境噪声的干扰，其次，能够有效表征变压器设备故障的信号成分站整体声音信号的比重往往很小，某些情况下，甚至存在负信噪比的情况，因此，利用人工鱼群算法构建改进多尺度形态滤波器，对采集来的声信号x(t)进行背景降噪，消除背景噪声和外部干扰信号的对特征分析的精度影响，有利于识别早期微弱故障特征，既可以较为容易的进行维护维修，也可以为后续的工作争取宽裕的时间；
[0053]
s3、对去噪信号进行时域统计分析和频谱分析，并与健康声学数据库中的历史数据进行对比：
[0054]
s31、时域统计分析步骤包括：s311、对去噪信号直接进行统计学参量的计算，统计学参量包括峰值、均值、均方根值、波峰因子、峭度因子和自相关函数：
[0055]
峰值：峰值反映的是振动波形的最大振幅，适用于表面剥离类故障，因为这一类故障出现时出现时，故障部件与故障点会发生强烈的撞击致使声音信号发生突变产生短时间内的大幅值信号，虽然峰值容易受到外界噪声干扰，但是本发明中，是对去噪信号进行时域判断，已去除外界噪声干扰；
[0056]
均值：对于声音信号，其平均值应为0，一般来说无需计算这个参量，但是此处是为证明信号采集工作正常而计算；
[0057]
均方根值(rms值)；均方根值也称之为有效值，是一个应用广泛的统计参量，这个参量表征的是变压器设备产生的去噪信号的能量大小，是判断变压器设备是否正常运行的一个重要指标，同时，也是在连续监测变压器设备声信号，记录变压器设备健康声学数据库中历史数据的重要指标，因为，变压器设备没有故障，运行正常时，声音较小，对应rms值也相对较小，随着故障逐步加剧，rms值也会随之增加，rms对于诊断磨损类故障的趋势分析很有效；
[0058]
波峰因子(crest factor)：波峰因子反映的是声音信号最大值与有效值之间的比值，这个比值越大说明声音信号中存在的短时间大幅值的瞬时振动越剧烈；
[0059]
峭度因子(kurtosis)：峭度因子反映的是波形偏离正态分布的程度，白噪声的峭度值为3；
[0060]
波峰因子和峭度值与变压器设备的去噪信号的大小无关，因此，用这两个参量来判断变压器设备故障，尤其是早期故障较为准确；
[0061]
自相关函数：信号的自相关函数反映信号自身取值在两个不同时刻的自相似性，若随机信号含有周期成分，则它的自相关函数中亦含有周期成分，且二者的周期成分相同，利用自相关函数可在复杂的去噪信号中发现隐藏的周期分量，确定变压器设备的故障，特别是早期故障，周期信号不明显，直接观察难以发现，自相关分析就显得尤为重要；
[0062]
s312、对比去噪信号和健康声学数据库中的历史数据的统计学参量，从时域角度判断去噪信号是否存在异常；
[0063]
s32、频谱分析步骤包括：s321、使用短时傅里叶变换将去噪信号转换到频域中，得到其在频域中的表现形式x(ω,t)，短时傅里叶变换的帧长设置为512，短时傅里叶变换中采用的分析窗函数为高斯窗函数、汉宁窗函数、汉明窗函数或者矩形窗函数中的一种，本发明中优选汉宁窗，窗长512，窗口移动长度64；
[0064]
s322、引入复数盲分离算法，使用复分量间kl距离进行相似度测量，对x(ω,t)进行逐段复数盲提取，得到各频段复值估计信号y(ω,t)；
[0065]
s323、对比复值估计信号和健康数据库中的历史数据的y(ω,t)，从频域角度判断去噪信号y(ω,t)是否存在异常；
[0066]
信号频谱是在频率域对去噪信号分布情况的描述，伴随着变压器设备故障的出现和发展，与健康声学数据库中的历史数据对比，发现去噪信号在相同的频域出现不同的频率成分，根据这些频率成分的组成和大小，可以对故障进行识别和评价；
[0067]
s4、提取异常去噪信号的频段，在故障声学数据库中进行搜索，输出与该频段对应的故障类型和故障位置，实现变压器设备故障判断和定位目的。
[0068]
请参阅图1，基于麦克风阵列的变压器故障声源定位系统，包括计算机硬件和云端ai分析诊断系统，计算机硬件包括信号采集模块、信号处理模块和特征提取模块，云端ai分析诊断系统包括故障诊断模型、健康声学数据库和故障声学数据库，计算机硬件和云端ai分析诊断系统之间通过无线通讯模块连接；
[0069]
信号采集模块，在变压器设备上布置麦克风阵列，通过麦克风阵列采集测量面处的声信号x(t)；
[0070]
信号处理模块，通过改进多尺度形态滤波器对声信号x(t)进行噪声抑制，获得目标信号，即变压器设备辐射噪声信号；
[0071]
特征提取模块，提取和分析去噪信号的时域和频域特征；
[0072]
故障诊断模型，对比去噪信号与健康声学数据库中的历史数据的时域和频域特征，结合故障声学数据库中“频段-故障类型-故障位置”的对应关系，实现变压器设备故障判断和定位目的；
[0073]
无线通讯模块，实现计算机硬件和云端ai分析诊断系统之间的信息传输；
[0074]
健康声学数据库包括变压器设备在非故障状态下，各频率下的噪声信号的时域波形图和频谱图；
[0075]
故障声学数据库包括变压器在故障状态下，故障噪声的“频段/幅值差-故障类型-故障位置-停机维修时间/剩余寿命时间”的对应关系，故障声学数据库中，故障案例的数据来源于常用故障案例诊断库，以及对变压器设备在实际异常诊断领域的案例输入，故障案例诊断库中包含变压器常见典型故障诊断，如变压器铁芯、绕组等关键部件的故障。
[0076]
具体的，云端ai分析诊断系统还包括检修预测模型，绘制异常去噪信号和健康声学数据库中的历史数据的幅值谱差值图，结合故障数据库中“幅值差-故障类型-故障位置-停机维修时间”的对应关系，获知变压器设备的停机维修时间或者剩余寿命时间。
[0077]
具体的，故障诊断模型包括多层人工神经网络结构，且多层人工神经网络通过深度学习不断训练故障数据库的故障案例的数据的相关特征，多层人工神经网络为bp神经网络、径向基神经网络、自组织特征映射网络或者小波神经网络中的一种，变压器结构、工艺参数、运行工况以及所处的工作环境等各种因素导致变压器设备故障复杂，传统的机理分析模型和基于特征工程的机器学习模型难以实现各种变压器故障的识别和诊断，因此，本发明在故障案例库的基础上，将深度学习应用到故障识别模型中，故障识别模型通过不断学习训练实际异常诊断领域的故障案例，使得多层人工神经网络能更容易地提取数据中的相关特征，构建能识别已知异常领域诊断的故障识别模型。
[0078]
本发明通过计算机硬件和云端ai分析诊断系统的结合，实现对变压器端到端的状
态监测、健康管理和寿命预测，为变压器的维护管理提供最佳的解决方案。
[0079]
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。