基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè)備故障音檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè)備故障音檢測(cè)方法，屬于 電氣設(shè)備維護(hù)的技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 電氣設(shè)備發(fā)生故障不僅會(huì)對(duì)設(shè)備本身造成損壞，而且對(duì)整個(gè)電力系統(tǒng)的安全、穩(wěn) 定和經(jīng)濟(jì)運(yùn)行也會(huì)產(chǎn)生嚴(yán)重的破壞，因此，及時(shí)檢測(cè)出電氣設(shè)備是否發(fā)生故障是具有十分 重要意義的。電氣設(shè)備故障檢測(cè)經(jīng)歷了三個(gè)階段：停電實(shí)驗(yàn)階段、帶電測(cè)試階段和在線檢測(cè) 階段。傳統(tǒng)的定期檢測(cè)方法存在試驗(yàn)周期長(zhǎng)、試驗(yàn)電壓低、工作量大和有效性差等缺點(diǎn)，很 難滿(mǎn)足電力系統(tǒng)對(duì)可靠性的要求，特別是隨著電力工業(yè)向著大機(jī)組、大容量與高電壓的迅 速發(fā)展，這些缺點(diǎn)變得尤為明顯。因此，以狀態(tài)檢測(cè)為基準(zhǔn)的在線監(jiān)測(cè)手段已引起了有關(guān)管 理、科研、運(yùn)營(yíng)和工程技術(shù)人員的重視，同時(shí)實(shí)時(shí)在線監(jiān)測(cè)和降低監(jiān)測(cè)系統(tǒng)的成本也是電力 系統(tǒng)發(fā)展的必然趨勢(shì)。
[0003] 以往的電力設(shè)備故障音診斷方法一般要通過(guò)接觸式傳感器檢測(cè)來(lái)實(shí)現(xiàn)，然而，輸 變電站中的高電壓和強(qiáng)電磁場(chǎng)等復(fù)雜環(huán)境可能會(huì)對(duì)傳感器產(chǎn)生一定的影響，從而降低檢測(cè) 效果。此外，非接觸式傳感器的安裝和維護(hù)十分不便，一旦傳感器發(fā)生問(wèn)題，還可能帶來(lái)意 想不到的后果。因此，非接觸式檢測(cè)方法是未來(lái)研宄的必然趨勢(shì)。
[0004] 電氣設(shè)備工作狀態(tài)的正常與否能夠通過(guò)其工作時(shí)的聲音信號(hào)反映出來(lái)，而聲音信 號(hào)可以通過(guò)非接觸式的麥克風(fēng)陣列采集得到，所以將聲音信號(hào)分析應(yīng)用于電氣設(shè)備故障診 斷中，能夠在不影響電氣設(shè)備正常運(yùn)行的情況下，準(zhǔn)確反映其運(yùn)行狀態(tài)，可應(yīng)用于變壓器、 斷路器和互感器等電氣設(shè)備。
[0005] 中國(guó)專(zhuān)利文獻(xiàn)CN104064186A公開(kāi)了一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢 測(cè)方法，包括步驟：采用麥克風(fēng)陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)；采用基于負(fù)熵最大的 獨(dú)立分量分析法Fast-ICA算法針對(duì)采用麥克風(fēng)陣列采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信 號(hào)；提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過(guò)模式匹配算法識(shí) 別聲音信號(hào)，將待測(cè)試聲音模板與所有的參考樣本模板匹配后，匹配距離最小的參考樣本 模板是電氣設(shè)備工作音識(shí)別的結(jié)果：如匹配距離最小的參考樣本模板為正常音，則與之匹 配的電氣設(shè)備工作音為正常音；如匹配距離最小的參考樣本模板為故障音，則與之匹配的 電氣設(shè)備工作音為故障音。但是該專(zhuān)利存在如下缺陷：輸變電站的復(fù)雜環(huán)境中往往存在著 高斯噪聲的干擾，該專(zhuān)利不能很好的處理源信號(hào)中可能殘留的高斯背景噪聲。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明公開(kāi)了基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè) 備故障音檢測(cè)方法；
[0007] 本發(fā)明的技術(shù)方案為：
[0008] 基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè)備故障音檢測(cè)方法，具體步驟包括：
[0009] (1)采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)；
[0010] (2)采用基于聯(lián)合近似對(duì)角化盲源分離算法針對(duì)步驟（1)采用麥克風(fēng)陣列采集的 聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)；
[0011] (3)提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過(guò)模式匹 配算法識(shí)別聲音信號(hào)，將待測(cè)試聲音模板與所有的參考樣本模板進(jìn)行匹配后，匹配距離最 小的參考樣本模板就是電氣設(shè)備工作音識(shí)別的結(jié)果：如果匹配距離最小的參考樣本模板為 正常音，則與之相匹配的電氣設(shè)備工作音為正常音；如果匹配距離最小的參考樣本模板為 故障音，則與之相匹配的電氣設(shè)備工作音為故障音。
[0012] 根據(jù)本發(fā)明優(yōu)選的，步驟（1)中，采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行 的聲音信號(hào)，具體是指：
[0013] 采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)記為：x(t) = [xjt)， x2 (t),.......,xn(t)]，n為正整數(shù)，其中，
[0014] Xi(t) =anSi
[0015] X2(t) - &2iS1+&22S2
[0016] .
[0017] . ( i )
[0018] .
[0019]xn(t) =a^Si+a^s^-+anmsm
[0020] 式（i)中，Sl，s2，…，sm為獨(dú)立信號(hào)源發(fā)出的聲音信號(hào)，aij(i= 1，2,…，n;j= 1，2,…，m)是實(shí)系數(shù)，n=m。
[0021] 根據(jù)本發(fā)明優(yōu)選的，步驟（2)中，采用基于聯(lián)合近似對(duì)角化盲源分離算法針對(duì)步 驟（1)采用麥克風(fēng)陣列采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)，具體步驟包括：
[0022] a、對(duì)采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)進(jìn)行中心化處 理，得到的去均值后的觀測(cè)矢量itf)，通過(guò)式（ii)求得：
【主權(quán)項(xiàng)】
1. 基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè)備故障音檢測(cè)方法，其特征在于，具體 步驟包括： (1) 采用麥克風(fēng)陣列，即MIC陣列采集電力設(shè)備運(yùn)行的聲音信號(hào)； (2) 采用基于聯(lián)合近似對(duì)角化盲源分離算法針對(duì)步驟（1)采用麥克風(fēng)陣列采集的聲音 信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)； (3) 提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過(guò)模式匹配算 法識(shí)別聲音信號(hào)，將待測(cè)試聲音模板與所有的參考樣本模板進(jìn)行匹配后，匹配距離最小的 參考樣本模板就是電力設(shè)備工作音識(shí)別的結(jié)果：如果匹配距離最小的參考樣本模板為正常 音，則與之相匹配的電力設(shè)備工作音為正常音；如果匹配距離最小的參考樣本模板為故障 音，則與之相匹配的電力設(shè)備工作音為故障音。
2. 根據(jù)權(quán)利要求1所述電力設(shè)備故障音檢測(cè)方法，其特征在于，步驟（1)中，采用麥克 風(fēng)陣列，即MIC陣列采集電力設(shè)備運(yùn)行的聲音信號(hào)，具體是指： 采用麥克風(fēng)陣列，即MIC陣列采集電力設(shè)備運(yùn)行的聲音信號(hào)記為：x(t) = [xjt)，x2(t)，.......，xn(t) ]，n為正整數(shù)，其中， Xj(t) =anSi x2(t)-a21s1+a22S2 參 參 參 xn(t) =anls1+an2s2+---+anmsm 式⑴中，Sl，s2，…，sm為獨(dú)立信號(hào)源發(fā)出的聲音信號(hào)，aij(i= 1，2，…，n;j= 1， 2，…，m)是實(shí)系數(shù)，n=m。
3. 根據(jù)權(quán)利要求1所述電力設(shè)備故障音檢測(cè)方法，其特征在于，步驟（2)中，采用基于 聯(lián)合近似對(duì)角化盲源分離算法針對(duì)步驟（1)采用麥克風(fēng)陣列采集的聲音信號(hào)分離各個(gè)獨(dú) 立聲源信號(hào)，具體步驟包括： a、對(duì)采用麥克風(fēng)陣列，即MIC陣列采集電力設(shè)備運(yùn)行的聲音信號(hào)進(jìn)行中心化處理，得 到的去均值后的觀測(cè)矢量通過(guò)式（ii)求得： ，
(ii) 對(duì)中心化處理后得到的聲音信號(hào)進(jìn)行白化處理，白化處理是將去均值后的觀測(cè)矢 量義〇進(jìn)行線性變換Q得到處理后的觀測(cè)信號(hào)z(t)，通過(guò)式（iii)求得：
(iii) 式（iii)中，z(t)中各分量互不相關(guān)，且具有單位方差，白化處理采用的是主分量分析PCA方法，通過(guò)式（iv)求得： (iv) 式（iv)中，E是協(xié)方差矩陣C= 的n個(gè)最大特征值組成的對(duì)角陣；F是協(xié)方 差矩陣C= (7_X|的n個(gè)相應(yīng)的特征矢量組成的矩陣； b、 計(jì)算觀測(cè)信號(hào)z(t)的四階累積量矩陣，步驟a得到處理后的觀測(cè)信號(hào)：z(t)= [zjt)，z2(t)，…，zn(t)]，任取其中四個(gè)觀測(cè)信號(hào)：zp，Zq，zx，zy(l<p，q，x，y<n)，通過(guò) 式（v)定義四階累積量： cum(zp, zq, zx, zy) =E[zp zq zxzy]-E[zp zq]E[zxzy]-E[zp zx]E[zq zy]-E[zp zy]E[zq zj(v) 求得所有的四階累積量，得到n2個(gè)四階累積量，設(shè)n2個(gè)四階累積量為- ， w= ["V"/:.…，w,,:]，通過(guò)式（Vi)建立四階累積量矩陣的第p，q元素[Cz⑷]:
(vi) 式（vi)中，axy為矩陣A的第x，y元素，且A為nXn陣，矩陣A的第p，q個(gè)元素為1， 矩陣A的其余元素均為零； 對(duì)每個(gè)miGm求四階累積量矩陣，得到n2個(gè)四階累積量矩陣，設(shè)其為 并令M= 通過(guò)式（vii)將以M為權(quán)重矩陣構(gòu)成的累積量矩陣分解 為： CZ(M。）=人M。 (vii) 式（vii)中，A是CZ(M。）的特征值； c、 對(duì)四階累積量矩陣組M進(jìn)行聯(lián)合近似對(duì)角化處理，確定酉矩陣U，得到源信號(hào)的估 計(jì)，由式（vii)得到，CZ(M。）是對(duì)稱(chēng)陣，且CZ(M。）=XM。，正交分離矩陣U使四階累積量矩陣 CZ(M。）對(duì)角化，如式（viii)所示： Cz (M0) =UTC(M0)U=Diag[k4 (sj),k4 (s2), ???,k4 (sm) ] (viii) 式（viii)中，DiaglXh)，k4(s2)，…，k4(sm)]為正交分離矩陣U使四階累積量矩陣CZ(M。）對(duì)角化計(jì)算函數(shù)，屬于現(xiàn)有函數(shù)； 求正交分離矩陣U，正交分離矩陣U同時(shí)對(duì)所有的四階累積量矩陣CZ(M。）進(jìn)行聯(lián)合對(duì) 角化，計(jì)算過(guò)程如式（ix)所示：
(ix) 式（ix)中，非對(duì)角分量0ff(O的定義為(?$ = 1>;7|2,所述A代表一個(gè)矩陣，a i*j 是矩陣A的每一個(gè)元素，minC(U)為對(duì)所有的四階累積量矩陣CZ(M。）進(jìn)行聯(lián)合對(duì)角化的計(jì) 算結(jié)果； 采用Givens旋轉(zhuǎn)完成對(duì)算法的優(yōu)化，得到酉矩陣U; 源信號(hào)y(t)通過(guò)式（x)估計(jì)得到：y(t) =UT ?Q?x(t) (x) 〇
4.根據(jù)權(quán)利要求1所述電力設(shè)備故障音檢測(cè)方法，其特征在于，所述的步驟（3)具體步 驟為： d、 對(duì)步驟（2)中分離出的源信號(hào)y(t)進(jìn)行預(yù)加重、分幀和加窗操作； e、 對(duì)步驟d處理后的每幀聲音信號(hào)進(jìn)行FFT變換，即快速傅里葉變換，獲得其頻譜，再 取模的平方作為離散功率譜S(k); f、 計(jì)算S(k)通過(guò)帶通濾波器組后所得的功率值，得到V個(gè)參數(shù)Pv，v= 0，l，……V-1 ; 接著計(jì)算Pv的自然對(duì)數(shù)，得到Lv，v= 0,1，......V-1 ;最后計(jì)算Lv的DCT離散余弦變換， 獲得Dv，v= 0，l，……V-1 ;去掉0。，取01，02，?，01;作為1^(1：的參數(shù)； g、 所述模式匹配算法為動(dòng)態(tài)時(shí)間規(guī)整DTW算法進(jìn)行聲音識(shí)別的具體步驟為： 設(shè)步驟d的聲音信號(hào)分了p幀矢量，S卩{T(1)，T(2)，…，T(n)，…，T(p)}，T(n)是第n 幀的語(yǔ)音特征矢量，1彡n彡p，參考樣本有q幀矢量，S卩{R(1)，R(2)，…，R(m)，…，R(q)}，R(m)為第m幀的語(yǔ)音特征矢量，1 q，則動(dòng)態(tài)時(shí)間規(guī)整DTW算法利用時(shí)間規(guī)整函數(shù)j =w(i)完成待測(cè)試矢量與參考模板矢量時(shí)間軸的映射，且這個(gè)規(guī)整函數(shù)w滿(mǎn)足下式（xi):
(xi) 在式（^)中，(1[1(1)，1?(?(1))]是待測(cè)試矢量1(1)和參考模板矢量1?(」）之間的距離 測(cè)度；T(i)表示T中第i幀的語(yǔ)音特征矢量；R(w(i))表示R中第j幀語(yǔ)音特征矢量；D則 待測(cè)試矢量與參考樣本矢量之間的最小距離； 利用DTW將待測(cè)試聲音模板與所有參考樣本模板進(jìn)行匹配后，匹配距離最小的參考樣 本模板就是電力設(shè)備工作音識(shí)別的結(jié)果。
【專(zhuān)利摘要】基于聯(lián)合近似對(duì)角化盲源分離算法的電力設(shè)備故障音檢測(cè)方法，具體步驟包括：(1)采用麥克風(fēng)陣列；(2)采用基于聯(lián)合近似對(duì)角化盲源分離算法針對(duì)步驟(1)采用麥克風(fēng)陣列采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)；(3)提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過(guò)模式匹配算法識(shí)別聲音信號(hào)，將待測(cè)試聲音模板與所有的參考樣本模板進(jìn)行匹配后，匹配距離最小的參考樣本模板就是電力設(shè)備工作音識(shí)別的結(jié)果。本發(fā)明增強(qiáng)非高斯源信號(hào)的特點(diǎn)，可估計(jì)出比快速獨(dú)立分量分析FastICA算法更清晰的源信號(hào)，分離的信號(hào)與源信號(hào)的相似系數(shù)均在0.9以上，對(duì)分離信號(hào)進(jìn)行音頻測(cè)聽(tīng)，JADE算法分離的信號(hào)清晰可辨。
【IPC分類(lèi)】G01H17-00
【公開(kāi)號(hào)】CN104614069
【申請(qǐng)?zhí)枴緾N201510087552
【發(fā)明人】田嵐, 張康榮, 王博睿, 王海果
【申請(qǐng)人】山東大學(xué)
【公開(kāi)日】2015年5月13日
【申請(qǐng)日】2015年2月25日