声纹的变压器放电与机械故障诊断研究

 声纹的变压器放电与机械故障诊断研究

汪铁宇

特变电工沈阳变压器集团有限公司  辽宁沈阳  110144

摘  要：放电和机械故障是变压器故障的常见类型，这些故障会产生异常声响，影响变压器的使用效果。本文阐述可听声的故障诊断原理，分析该方法下的变压器放电与机械故障诊断要点，在具体的故障诊断中，在盲源分离算法应用的基础上，通过二次小波包分解改进算法对低频部分的声音进行处理，以此来完成故障声音诊断，期望能准确发现变压器故障问题，为后期的故障处理提供参考，继而提升变压器的整体应用效果。

关键词：变压器；放电；机械故障；诊断

电力变压器在整个电力系统运作中发挥着重要作用，其能有效完成电能转换，提升电网电力传输的安全性。在长期使用过程中，受绝缘老化、部件松动等因素的影响，变压器会产生一定的故障，这些故障包含了放电和机械故障等诸多类型，并且有的故障还会产生异响，影响了变压器的使用效果，对此还需要重视变压器故障的有效诊断，为后期的故障检修和变压器高质量应用奠定良好基础。

一、可听声的故障诊断原理

作为现代工业生产中一种常见的机械故障诊断方式，可听声故障诊断方法在内燃机、轴承、齿轮等机械设备故障诊断中的应用较多，近年来，随着声纹识别技术的发展，可听声故障诊断在变压器状态检测中的应用逐渐广泛。结合声纹识别过程可知，可听声的故障诊断方法大致可分为三个部分，一是混合声采集与分离，二是声信号特征提取，三是故障类型识别。

一般当变压器发生故障时，变压器的故障声和运行声会混合在一起，这两种声音在声频带上有一定的重叠性，若只是去除噪声，则难以满足故障声的识别需要；在混合声采集与分离中，可听声故障诊断技术主要是通过盲源分离算法来实现两种声音分离的。在此过程中，可听声的频率高处于20Hz~20kHz，控制采样频率保持在40kHz以上，则1s的声信号数据点数就超过4×104，出于降低故障识别过程计算量考虑，在提取声信号特征后，对不同机械故障和放电故障的声音进行模拟，可知放电声（见图1）、机械故障声的频率成分分别处于15kHz和1kHz以内。而就变压器而言，其正常运行声音频率高保持在1kHz以下。在考虑这些声音频域特征的基础上，对声音的能力进行分析，并选择BP神经网作为分类器识别故障声，通过二次小波包分解算法的改进应用，可有效实现故障声音的有效分离。就声音低频部分二次小波包分解改进算法应用效果来看，其不仅能减小频带范围、提高算法识别率，而且能减少算法的内存，提升算法的识别效率，最终通过梅尔对数频谱－卷积神经网络方法对检验结果进行验证，可有效识别变压器设备故障声音，为后期的故障诊断提供参考[1]。

图1 放电模型

二、可听声的故障诊断技术要点

1、混合物采集与分离

当变压器放电与机械故障产生异常声响后，借助可提升传感器的使用，可有效地采集这些故障声音。要注意的是，变压器在实际运作中也会产生一定的噪音，此时这些噪音和设备的古故障噪音结合在了一起，需要对两者噪音进行有效分离。

采用独立分量分析算法可完成混合声的有效分离。就独立分量分析算法而言，其本质上是一种快速寻优的迭代算法，该算法在固定点迭代理论的支撑下，寻找一个最优方向，使得该方向的非高斯性最大，最终实现了算法下固定点的有效迭代和优化。结合实际可知，使用立分量分析算法，每一次都能估计出一个独立成分，在变压器噪音区分中，要有效分离出放电噪音、机械故障噪音等多个独立成分的噪音类型，还需要对实际的算法进行优化，本研究在盲源分离算法应用的基础上，通过二次小波包分解改进算法对低频部分的声音进行处理，有效地升了算法的计算效率，实现了噪音的有效分离。

2、声信号特征提取

通过盲源分离算法、二次小波包分解改进算法完成噪声分离后，还需要重视声信号特征的有效提升，这样能为后期变压器放电噪音和机械噪音的区分奠定良好基础。结合实际可知，声音的能量和普幅值存在正比关系，当故障声音类型不同时，其自身的频谱也有较大的差异。在声信号特征提取中，可选择声音在各频段的能量分布情况，并将其作为故障诊断的特征量，随后在小波包算法的支撑下，可实现声音在各个频段的能量分布情况的有效计算。

在信号特征提取过程中，需要考虑两个层面的因素，一是声能量的计算，二是构造特征向量的分析。其中在声能量计算中，需要计算多个频带信号的声能量，该环节中，除考虑原始信号外，还需要对原始信号离散点幅值、第N个频带能量等情况进行有效分析，并考虑第N个频带的采样点数。而在构造特征向量分析中，需要将以各频带的能量作为元素构造特征向量，实现单个样本归一化后特征向量的有效计算。

经分析可知，在通过5层的小波包分解后，不论是机械故障声音还是部分干扰声音，其能量都集中在前两个频段150Hz，这使得这些声音与变压器本体噪声容易法发生混淆。故而在实际的声信号特征提取中，可将机械故障声1500 Hz以下的频段再细分为32个频段，将其作为声特征向量进行重新识别。

3、故障类型识别

在准确提取声信号特征后，还需要结合这些特征信号进行声信号故障类型的有效区分。新时期，通过规范使用BP神经网络算法，可有效实现小波包提取的能量分布特征的识别。就BP神经网络本身而言，其不仅具有高度的自学习能力，而且整体的适应能力较强，故而在故障模式识别中的应用较多。在变压器放电异响和机械故障异响识别中，按照误差反向传播算法训练多层前馈神经网络，可为具体声信号特征下故障类型的识别提供参考。目前，多层前馈神经网络包含了输入层、隐藏层和输出层等多个单元，在BP神经网络输入层节点数确定中，工作人员需要系统考虑特征向量的维数，而在输出层节点数分析中，应重视变压器故障类型分析，最后通过隐含层节点数、为输入层节点数、输出层节点数之间的常数关系分析，确定隐藏节点的数量。

在不同生特征向量对应故障类型识别中，卷积神经网络的应用也较为普遍，该网络不需要进行需复杂的特征提取和数据重建，及通过网络输入图片，即可实现声特征向图像的转化，这是因为卷积神经网络在图像分析领域本身具有良好的识别性。对此在实际的故障类型识别中，人们还可通过卷积神经网络的图像识别能力对梅尔对数谱进行分析，准确判断变压器放电与机械故障类型，满足后期的故障检修需要。

结语

变压器放电与机械故障会严重地影响自身的使用效果，降低了电力网络的安全性。在新时期，可听声的故障诊断为变压器放电和机械故障诊断提供了参考，该方法下爱，工作人员可在盲源分离算法应用的基础上，通过二次小波包分解改进算法对低频部分的声音进行处理，以此来完成故障声音诊断，并结合故障声音的特征向量判断故障类型，提升了变压器放电与机械故障检修效率，确保了变压器应用的稳定性、安全性。

参考文献：

[1]吴国鑫,詹花茂,李敏.声纹的变压器放电与机械故障诊断研究[J].应用声学,2021,40(4):602-610.