基于閥廳智能巡檢機器人的設備聲音故障識別算法

趙殿全，李金龍，謝蓓敏

（國網吉林省電力有限公司檢修公司，吉林 長春 130000）

基于閥廳智能巡檢機器人的設備聲音故障識別算法

趙殿全，李金龍，謝蓓敏

（國網吉林省電力有限公司檢修公司，吉林 長春 130000）

提出了一種閥廳中設備聲音故障識別算法，實現了在閥廳智能巡檢機器人下對設備的智能檢測和狀態識別。首先，使用機器人攜帶的拾音器采集待檢測設備的聲音信號。其次，使用小波分解將信號由時域轉化為頻域，獲取信號的第五層細節系數作為新聲音信號。最終，提取新聲音信號的質心、方差、能量和熵作為特征向量，使用BP神經網絡來識別聲音信號判斷設備的運行狀態。實驗結果顯示，該算法能實現設備故障診斷功能，算法簡單、準確率高的特點。

閥廳巡檢機器人；聲音識別；小波分解；BP神經網絡

電力系統的安全運行關系著供電和用電安全，系統運行時一旦發生故障，不但會影響系統的正常運行，還會造成設備損壞和威脅人身安全等不良后果。閥廳是直流輸電過程中放置電力設備的封閉建筑，其內部有換流閥塔、套管、冷卻裝置等設備。閥廳內設備的可靠性和及時發現并檢修存在潛在隱患的設備是確保換流站系統正常運行重要條件和手段。傳統檢修方式主要依靠人工巡檢和固定位置實時監視。然而，閥廳內的電磁環境較為復雜，人工巡檢方式存在著勞動強度大、工作效率低、檢測質量分散、手段單一、及時性無法保證等不足[1]。尤其當大量設備需要監測診斷或者需要連續不斷地監測，龐大的數據采集、分析和比較帶來的工作量是十分巨大的。

為了保證閥廳內設備的正常運行，實時檢測至關重要[2-3]。而采用計算機進行監測和診斷分析時可節省大量的人力和物力，并能保證數據的客觀性和準確性。因此，研究一種智能化、自動化的檢測方法保證閥廳的安全運行具有重要意義。

1　閥廳軌道機器人

為解決目前人工檢測方式存在的問題，某公司研制了一種適用于閥廳復雜環境的智能巡檢機器人，如圖1所示。該機器人通過豎直軌道安裝在閥廳壁面上，能夠沿軌道運動，可方便靈活地對閥廳內設備進行大角度、多方位的檢測。機器人攜帶著圖像采集、聲音采集等多種采集設備，采集的數據傳輸到后臺后，通過模式識別算法分析可準確對設備狀態進行自動識別，給出設備的運行狀態，設備出現異常時可報警警示站內工作人員。

在閥廳中，通過聲音分析電容器、電抗器等設備的運行狀態是一種非接觸式的檢測方式。同時，也是實現無人值守、自動化和智能化的重要體現之一。通常情況下，聲學故障診斷技術中的非接觸式測量具有設備簡單、信號方便獲取、無需在設備上粘貼傳感器、不影響設備正常工作和在線監測等特點。

文中研究了設備聲音特征提取方法，提取了DB6小波分解后獲取第五層細節系數作為新聲音信號，提取新聲音信號的質心、方差、能量以及熵統計特征，采用BP神經網絡進行判斷識別。

2　小波分解

小波分解是一種信號的時間-尺度分析方法，其具有多分辨分析的特點，是一種窗口大小固定不變但形狀可改變，時間窗與頻率窗均可改變的時頻局部化分析方法[4-5]。

圖1　閥廳軌道機器人外形示意圖

2.1能量

在時域中，聲音信號的幅度分析可作為聲音信號的特征。幅度分析主要包括幅度和能量。而聲音的時域特性中的平均幅度與小波系數的平均幅度可相互對應，因此可使用小波系數來定義聲音的小波域能量[6]。小波域能量（energy）的定義如下

其中，N為分幀后的幀數。根據式（1）即可得到分幀后的小波能量。

2.2質心

經過小波分解，時域信號變為頻域信號。在頻域中定義質心（Centroid）為頻域信號能量的中心[6]。由于聲音信號具有短時性，質心在不同時間區間內是不同的，因此質心可作為刻畫聲音信號具有非平穩性的一種量度，公式如下

式中，x（i）表示任意頻帶中第i幀，即提取任意頻帶的小波系數后所分幀的長度。

2.3方差

方差（Variance）是在概率論和統計方差衡量隨機變量或一組數據是離散程度的度量。方差刻畫了隨機變量的取值對于其數學期望的離散程度（方差和標準差越大，其離散程度越大。否則反之）。若X的取值比較集中，則方差S較小，若X的取值比較分散，則方差S較大。因此，S是刻畫X取值分散程度的一個量，其是衡量取值分散程度的一個尺度。方差是期望值和實際值之差平方的平均值，而標準差是方差算術平方根，方差公式如下

2.4熵

熵表示信號所提供的平均信息量和信源的平均不確定性，它能提供關于信號潛在動態過程中的有用信息。信號熵反映了信號概率分布的情況，信號經過小波變換后生成小波系數矩陣，該矩陣可看做概率分布，根據信息熵的定義得到的熵可反映該矩陣的稀疏情況。由信息熵的定義可知，信號的概率分布越混亂無序熵越大[7]。聲音信號熵的計算步驟：

Step1：對聲音信號做DB6小波分解，提取小波系數作為新的聲音信號；

Step2：根據式（1）計算新的聲音信號能量，從而得到能量分布序列{e1，e2，…，ei}，其中，i為幀數；

Step3：計算總能量E；

Step4：根據式（4）計算頻帶中每幀能量在總能量存在的概率，得到概率分布序列{p1，p2，…，pi}；

Step5：根據式（5）計算對應的信號熵。

3　BP神經網絡

BP（Back Propagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一[8]。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。其的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hidden layer）和輸出層（output layer）。圖2為BP神經網絡結構圖。

激活函數的選擇是構建神經網絡過程中的重要環節，常用的激活函數主要有以下5種：線性函數（Liner Function）、斜面函數（Ramp Function）、閾值函數 （Threshold Function）、S形函數（Sigmoid Function）和雙極S形函數。其中，前3個激活函數是線性函數，后兩個為的非線性激活函數。由于S形函數與雙極S形函數都是可導的，因此適合用在BP神經網絡中。文中選擇S形函數作為神經網絡的激活函數。

圖2　BP神經網絡結構圖

此外，參數設置對神經網絡性能也有較大影響。比如：隱含層節點個數、學習率的選擇等。隱含層節點的個數對于識別率的影響雖然不大，但節點個數過多會增加運算量，使得訓練較慢。學習率影響著網絡收斂的速度，以及網絡能否收斂。學習率設置偏小可保證網絡收斂，但收斂較慢。相反，學習率設置偏大則有可能使網絡訓練不收斂，影響識別效果。

4　實驗結果及其分析

實驗中，將采集到的設備聲音樣本組建成為樣本數據庫作為本文實驗中實驗數據。將采集的信號使用db6小波基進行10層分解，統計分析分解得到的數據尋找樣本的特征向量。通過多樣本測試發現，正常信號和異常信號在第五層細節系數有較大的區別，正常信號比較平穩，數據變化較小，大部分數據在零值附近變化，而異常信號的第五層細節系數數據變化較大，偏離零值較遠。圖3、圖4為樣本正常信號和異常信號小波分解系列圖。

圖3　正常信號小波分解結果系列圖

圖4　異常信號小波分解結果系列圖

文中使用數字信號處理的處理流程，預處理（分幀、加窗）后進行小波分解，提取信號的第五層細節系數，以得到的第五層細節系數為研究對象計算聲音信號的質心、方差、能量和信息熵組作為信號特征向量。文中隨機選取樣本庫中100個正常聲音樣本和100個異常聲音樣本組建樣本訓練庫，分別提取小波分解得到的第五層細節系數的質心、方差、能量和信息熵，將得到的特征向量送入設置好的BP神經網絡。設定輸出值1位正常樣本信號，0位異常樣本信號。圖5為測試時出錯樣本，從圖中可以看到，信號的第五層細節系數較為分散與異常信號的第五層細節系數相近，造成了結果錯誤。表1為訓練樣本庫和測試樣本的識別結果數據統計。

圖6和圖7為MFCC特征參數分析聲音樣本產生的特征示意圖。通過實驗對比發現小波處理由于它的多分辨率的性質使得特征參數分布更稀疏計算量也大幅減少，而MFCC特征參數數據量大且特征之間的可區分性較差，如圖6和圖7所示。

圖5　識別錯誤示例

表1　測試數據統計

圖6　正常信號示例1

圖7　正常信號示例2

5　結束語

文中通過小波分解，將聲音信號由時域轉化到頻域中在頻域中將第五層細節系數作為新聲音信號，提取新聲音信號的質心、方差、能量和熵作為特征向量，實現了閥廳內設備聲音的識別。實驗結果表明，本文提出的算法建模比較簡單，準確率高，提高了工作人員的工作效率和作業人員的安全性。該算法的實施，推進了變電站無人值守進程，實現了變電站自動化和智能化管理。

[1]魯守銀，錢慶林，張斌，等.變電站設備巡檢機器人的研制[J].電力系統自動化，2006，30（13）:94-98.

[2]馬為民，聶定珍，萬保權，等.高壓直流換流站閥廳屏蔽效能的研究[J].高電壓技術，2008，34（11）:2400-2407.

[3]田冀煥，周遠翔，郭紹偉，等.直流換流站閥廳內三維電場的分布式并行計算[J].高電壓技術，2010，36（5）:1205-1210.

[4]（美）Rafael C.Gonzalez，（美）Richard E.Woods.數字圖像處理[M].3版.阮秋琦，阮宇智，譯.北京:電子工業出版社，2011.

[5]Karam，J.R.，W.J.Phillips，W.Robertson，&M.M. Artimy，New Wavelet Packet Modeal for Automatic Speech Recognition System.Canadian Conference on Electical and Computer Egineering.Toronto，Ont，2001：511-514.

[6]鄭繼明，魏國華，吳渝.有效的基于內容的音頻特征提取方法[J].計算機工程與應用，2009，45（12）:131-133，137.

[7]侯宏花，桂志國.小波熵在心電高頻噪聲處理和R波檢測中應用[J].計算機工程與應用，2010，46（9）:116-118.

[8]劉榮華，徐學洲.基于模糊模式和BP算法的手寫數字識別[J].電子科技，2006（3）:60-63.

A fault identification algorithm for the equipment of based on valve hall intelligent inspection robot

ZHAO Dian-quan，LI Jin-long，XIE Bei-min
（State Grid Jilin Electric Power Co.Maintenance Company，Changchun 130000，China）

An algorithm of sound equipment fault identification based on valve hall intelligent inspection robot is put forward in this paper，which realizes intelligent detection and pattern recognition.Firstly，robot was collected the device sound signal. Secondly，the signal is transformed into frequency domain by wavelet decomposition，and the fifth layer detail coefficient of signal is used as the new sound signal.Finally，the centroid，variance，energy and entropy of the new sound signal was extracted as feature vector，and BP neural network was used to decided the equipment running status.Experimental results show that this method can realize the fault diagnosis function，high accuracy and simple.

valve hall inspection robot；voice recognition；wavelet decomposition；BP neural network

TN99

A

1674－6236（2016）21-0063-03

2015-10-30稿件編號：201510236

趙殿全（1961—），男，吉林懷德人，高級工程師。研究方向：超高壓機器人巡視、診斷、檢修技術。