聲紋檢測(cè)技術(shù)在變壓器故障診斷中的應(yīng)用及展望*

張 航，張廣東，劉 康，楊 瑞，高立超

(國(guó)網(wǎng)甘肅省電力公司電力科學(xué)研究院，甘肅蘭州 730050)

0 引 言

變壓器在電力系統(tǒng)中的作用舉足輕重，承載著穩(wěn)壓、電壓電流變換等多種功能，其在多物理量耦合的復(fù)雜運(yùn)行工況下中將不可避免地產(chǎn)生各類型故障，嚴(yán)重威脅著電網(wǎng)的安全運(yùn)行。 對(duì)變壓器狀態(tài)進(jìn)行全面預(yù)測(cè)分析并評(píng)估設(shè)備健康水平，是提升故障診斷準(zhǔn)確率以及合理安排差異化檢修策略的必要保障，是優(yōu)質(zhì)電力供應(yīng)的必要基礎(chǔ)。

近年來(lái)，基于人工智能的聲紋識(shí)別技術(shù)[1]在電力設(shè)備狀態(tài)檢測(cè)中得到了廣泛的應(yīng)用。 變壓器在正常或異常運(yùn)行時(shí)，會(huì)產(chǎn)生持續(xù)性的非平穩(wěn)噪聲，該聲信號(hào)中蘊(yùn)含的狀態(tài)信息可直接作為識(shí)別變壓器異常工況的特征參量。 同時(shí)，用來(lái)采集聲信號(hào)的錄音設(shè)備小巧且不與本體產(chǎn)生直接接觸，可避免與設(shè)備產(chǎn)生電磁耦合，還具有可實(shí)時(shí)檢測(cè)傳輸?shù)葍?yōu)勢(shì)[2]。 因此，開展基于聲紋檢測(cè)技術(shù)的電力設(shè)備狀態(tài)識(shí)別具有重要的研究意義。 筆者從聲紋檢測(cè)技術(shù)的原理出發(fā)，根據(jù)其提取特征量的不同，總結(jié)了不同場(chǎng)景下的應(yīng)用情況，并提出了目前面臨的困難及未來(lái)的發(fā)展方向，為該技術(shù)在電力領(lǐng)域深度應(yīng)用提供技術(shù)參考。

1 聲紋識(shí)別技術(shù)特征

聲音是我們?cè)谏钪蝎@取信息的主要途徑之一，我們所接觸的聲信號(hào)中既包含人類語(yǔ)言也包含環(huán)境聲音，而聲紋是對(duì)上述原始聲數(shù)據(jù)進(jìn)行特征提取并轉(zhuǎn)化為可標(biāo)識(shí)、可分辨、可提取語(yǔ)音模型的總稱，對(duì)聲信號(hào)中關(guān)鍵信息的正確甄別是我們做出決策的重要前提。 同理，作為電力在傳輸、變換中最重要的設(shè)備，變壓器在其運(yùn)行過(guò)程中發(fā)出的聲響也可作為狀態(tài)評(píng)估的數(shù)據(jù)來(lái)源。

聲紋技術(shù)的實(shí)施路線可分為信號(hào)收集、信號(hào)處理、信號(hào)特征提取三大階段。 信號(hào)收集多采用非接觸式的傳聲器作為聲傳感器，選擇傳感器時(shí)需考慮抗干擾性能、靈敏性及較寬的工作頻帶等技術(shù)參數(shù)[3]。信號(hào)處理簡(jiǎn)言之就是消除信號(hào)中的奇異點(diǎn)，濾除信號(hào)中不穩(wěn)定的干擾信息的過(guò)程，常用的方法有傳統(tǒng)閾值法[4]、小波法、小波分層閾值消噪法[5]等。 信號(hào)特征提取是聲紋技術(shù)的核心，是指通過(guò)FFT 頻譜分析法、小波包算法[6]、希爾伯特黃變換[7]等方法得到信號(hào)的頻譜、功率譜、能量譜，進(jìn)而區(qū)別出不同聲信號(hào)中蘊(yùn)含的內(nèi)在信息的過(guò)程。

2 聲紋識(shí)別技術(shù)在變壓器部件松動(dòng)檢測(cè)應(yīng)用

當(dāng)電力變壓器內(nèi)部組件松動(dòng)、老化或產(chǎn)生形變時(shí)，產(chǎn)生的振動(dòng)信號(hào)或聲信號(hào)會(huì)隨之發(fā)生變化，信號(hào)中蘊(yùn)含的信息可作為識(shí)別狀態(tài)的特征參量[8]。 已有文獻(xiàn)針對(duì)繞組和鐵芯故障引起的持續(xù)性機(jī)械振動(dòng)聲波信號(hào)進(jìn)行甄別進(jìn)而判斷變壓器運(yùn)行狀態(tài)。

文獻(xiàn)[9]針對(duì)電纜繞組變壓器，建立了能夠計(jì)算軸向振動(dòng)的分析模型，研究了各匝線圈在瞬態(tài)短路力作用下的振動(dòng)、波動(dòng)特點(diǎn)，同時(shí)也分析了撐條根數(shù)等對(duì)振動(dòng)特性的影響。 文獻(xiàn)[10-11]分別對(duì)變壓器聲紋信號(hào)進(jìn)行Hilbert-Huang 變換與小波包分解，得出變壓器正常以及常見異常工況下的功率譜圖，可為故障識(shí)別分析提供依據(jù)。 文獻(xiàn)[12]將復(fù)Morlet 小波變換與短路沖擊試驗(yàn)結(jié)合起來(lái)，通過(guò)計(jì)算得出試驗(yàn)中響應(yīng)聲信號(hào)的半頻能量占比，能量大小的差異能夠反映變壓器繞組不同的運(yùn)行狀態(tài)。 文獻(xiàn)[13]發(fā)現(xiàn)隨著變壓器投運(yùn)時(shí)間增長(zhǎng)、負(fù)載率上升和電壓等級(jí)提高，聲信號(hào)中的頻譜分布和小波分解能量均隨之變化。 文獻(xiàn)[14]在實(shí)驗(yàn)室條件下模擬了不同程度鐵芯松動(dòng)的情況，提取聲紋特征并分析其變化趨勢(shì)，結(jié)果表明壓緊力的變化直接影響噪聲的圖譜特征，當(dāng)擰緊力小于10 N·m 時(shí)發(fā)生突變。 文獻(xiàn)[15]提出一種基于壓縮觀測(cè)與判別字典學(xué)習(xí)的變壓器聲紋識(shí)別方法，首先采用稀疏隨機(jī)矩陣預(yù)處理目標(biāo)數(shù)據(jù)，隨后對(duì)目標(biāo)函數(shù)的約束項(xiàng)系數(shù)進(jìn)行優(yōu)選，可較為準(zhǔn)確地識(shí)別變壓器正常運(yùn)行、鐵芯松動(dòng)、繞組松動(dòng)等不同工作狀態(tài)。 文獻(xiàn)[16]使用Mel 時(shí)頻譜對(duì)變壓器聲信號(hào)數(shù)據(jù)進(jìn)行降維，然后結(jié)合卷積神經(jīng)網(wǎng)絡(luò)建立了變壓器鐵芯聲紋識(shí)別模型，可精確識(shí)別不同類型激勵(lì)下鐵芯的聲信號(hào)。文獻(xiàn)[17]基于從人耳聽覺特性出發(fā)的Mel 倒譜系數(shù)提取了變壓器聲音信號(hào)的特征向量，綜合基于F 比的加權(quán)處理和主成分分析法對(duì)其進(jìn)行了優(yōu)化，最后應(yīng)用矢量量化模型識(shí)別了變壓器鐵芯不同程度的松動(dòng)狀態(tài)。 文獻(xiàn)[18]在鐵芯夾件松動(dòng)影響噪聲信號(hào)頻域特征的基礎(chǔ)上，構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，利用Mel 法處理后得出鐵芯聲紋輸入樣本，進(jìn)行鐵芯夾件松動(dòng)故障識(shí)別。 文獻(xiàn)[19]使用頻譜分析方法、小波算法、Hilbert-Huang 變換等特征信號(hào)提取技術(shù)對(duì)實(shí)際采集到的正常運(yùn)行的變壓器和實(shí)驗(yàn)室模擬變壓器放電故障得到的聲信號(hào)進(jìn)行頻譜特征分析，結(jié)果顯示變壓器在正常運(yùn)行時(shí)，會(huì)產(chǎn)生集中在100 Hz 和200 Hz的聲信號(hào)，而實(shí)驗(yàn)室模擬放電試驗(yàn)測(cè)試得到放電聲信號(hào)頻率主要集中在250 Hz 和部分極少量的50 Hz 奇數(shù)倍頻。 文獻(xiàn)[20]提出一種綜合振動(dòng)和聲紋的聯(lián)合檢測(cè)方法，通過(guò)對(duì)本體各測(cè)點(diǎn)提供的信號(hào)和噪聲形成的聲紋綜合分析，結(jié)合傅里葉變換，根據(jù)頻譜結(jié)果判斷出該升高座電流互感器鐵心可能飽和或緊固出現(xiàn)異常。

3 聲紋識(shí)別技術(shù)在變壓器內(nèi)部放電故障檢測(cè)中的應(yīng)用

與此同時(shí)，也有部分研究將聲紋識(shí)別技術(shù)應(yīng)用于變壓器內(nèi)部放電性故障診斷中，但相對(duì)比較匱乏。 當(dāng)變壓器內(nèi)部發(fā)生放電時(shí)，聲波信號(hào)主要是由變壓器油內(nèi)的氣泡規(guī)律性地變化產(chǎn)生，并不斷向四周擴(kuò)散能量[21-22]，通過(guò)分析不同放電情況下的聲信號(hào)特征，并與正常運(yùn)行時(shí)作對(duì)比，就可以辨別出變壓器內(nèi)部是否存在異常放電、放電的類型以及放電的嚴(yán)重程度，結(jié)合脈沖電流法則可對(duì)故障源進(jìn)行準(zhǔn)確定位。 文獻(xiàn)[23]基于CEEMDAN 算法，對(duì)收集到的配電變壓器異常放電聲紋信號(hào)進(jìn)行減噪處理，并結(jié)合SVDD 算法實(shí)現(xiàn)放電故障類型識(shí)別，提供了一種能高效濾除現(xiàn)場(chǎng)聲信號(hào)中夾雜的無(wú)用干擾信息的方法，并能判別典型放電故障。 文獻(xiàn)[24]采集了正常運(yùn)行及實(shí)驗(yàn)室條件下三種常見火花放電故障的變壓器聲紋信號(hào)，并利用傅里葉、小波包變換對(duì)兩類信號(hào)進(jìn)行分析，結(jié)果表明，實(shí)驗(yàn)室條件下三種異常工況對(duì)應(yīng)的放電特征有明顯差異，并給出運(yùn)用小波變換得到的不同特征頻率區(qū)間，進(jìn)而進(jìn)行放電模式鑒別的方法。 文獻(xiàn)[25]采用M-robust算法辨識(shí)了變壓器內(nèi)部的電弧聲信號(hào)，相比于其他算法提高了抗干擾能力。 文獻(xiàn)[26]通過(guò)對(duì)變壓器可聽聲音信號(hào)與火花放電信號(hào)進(jìn)行時(shí)頻分析及區(qū)間能量提取，分離能夠反映設(shè)備真實(shí)狀態(tài)的特征信息，兩種狀態(tài)下頻譜特征有明顯的不同，但均沒有考慮設(shè)備本體的噪聲干擾。 文獻(xiàn)[27]采用盲源分離方法對(duì)4 種類型的局部放電模式信號(hào)進(jìn)行預(yù)處理并得到特征量，進(jìn)而得到訓(xùn)練樣本，然后結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，可較為準(zhǔn)確地識(shí)別不同類型的局部放電模式。 文獻(xiàn)[28]采用希爾伯特-黃變換及支持向量數(shù)據(jù)描述對(duì)變壓器可聞聲信號(hào)進(jìn)行內(nèi)部放電故障識(shí)別，基于實(shí)驗(yàn)室模擬工況及現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，有較為準(zhǔn)確的識(shí)別率。

4 聲紋識(shí)別技術(shù)在變壓器直流偏磁異常檢測(cè)中的應(yīng)用

高壓直流輸電系統(tǒng)運(yùn)行過(guò)程中，由于太陽(yáng)磁暴、單極-大地回線運(yùn)行、雙極不平衡大地回線運(yùn)行等，會(huì)引發(fā)變壓器嚴(yán)重的直流偏磁現(xiàn)象，隨之產(chǎn)生局部溫升過(guò)高、振動(dòng)噪聲加劇、勵(lì)磁電流波形畸變，因此可根據(jù)聲信息判斷變壓器直流偏磁狀態(tài)。 文獻(xiàn)[29]分析了在直流偏磁工況下，變壓器噪聲、語(yǔ)音樣本及振動(dòng)加速度的變化特征，針對(duì)上述因素討論了聲紋樣本特征值的提取。 文獻(xiàn)[30]區(qū)別了變壓器正常運(yùn)行和偏磁工況下聲信息的頻譜特征，并且基于Mel 時(shí)頻圖和卷積神經(jīng)網(wǎng)絡(luò)的MBCNN 二分類模型分析得出偏磁工況下噪聲頻譜頻率分量寬于正常運(yùn)行狀態(tài)。 文獻(xiàn)[31]提出一種基于50 Hz 倍頻倒譜系數(shù)和門控循環(huán)單元的直流偏磁聲學(xué)模型，針對(duì)直流偏磁聲紋數(shù)據(jù)庫(kù)，結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練識(shí)別。 文獻(xiàn)[32]發(fā)現(xiàn)變壓器噪聲信號(hào)主要來(lái)源于本體、風(fēng)扇及油箱，其基頻分布與變壓器容量有關(guān)，直流偏磁會(huì)帶來(lái)大量的高次諧波。 文獻(xiàn)[33]研究得出變壓器發(fā)出的噪聲與直流偏磁電流呈正相關(guān)關(guān)系，但有飽和值，并且在現(xiàn)場(chǎng)測(cè)量下，噪聲增量最大點(diǎn)處于變壓器有載調(diào)壓機(jī)構(gòu)附近。

5 聲紋識(shí)別技術(shù)在其他電力設(shè)備狀態(tài)檢測(cè)中的應(yīng)用

目前基于聲紋識(shí)別的電力設(shè)備狀態(tài)檢測(cè)研究多集中于變壓器狀態(tài)識(shí)別，僅有少量文獻(xiàn)對(duì)其他電力設(shè)備進(jìn)行探究。 如文獻(xiàn)[34]羅列出可用小波分析、包絡(luò)分析和突變起點(diǎn)提取法等算法來(lái)處理高壓開關(guān)發(fā)出的振動(dòng)信號(hào)提取指紋特征。 并提出可結(jié)合信號(hào)處理方法和人工智能算法挖掘振動(dòng)聲紋中可表征開關(guān)狀態(tài)的特征量，為高壓開關(guān)設(shè)備的狀態(tài)感知提供良好的數(shù)據(jù)支撐。 文獻(xiàn)[35]對(duì)干式鐵芯電抗器運(yùn)行中產(chǎn)生的異常聲響進(jìn)行分析，通過(guò)對(duì)不同頻率段的信號(hào)進(jìn)行篩查，排查出在某一特定頻段信號(hào)集中在設(shè)備地腳固定處發(fā)出，準(zhǔn)確定位缺陷處。 文獻(xiàn)[36]總結(jié)了聲學(xué)檢測(cè)技術(shù)在電廠設(shè)備狀態(tài)評(píng)價(jià)中的應(yīng)用場(chǎng)景，一是電廠鍋爐爐內(nèi)溫度場(chǎng)、動(dòng)力場(chǎng)、爐管泄漏聲學(xué)在線監(jiān)測(cè)；二是聲發(fā)射技術(shù)在電廠大型旋轉(zhuǎn)機(jī)械故障診斷、壓力容器及管道檢測(cè)中的應(yīng)用；三是兩相流動(dòng)介質(zhì)中流量、濃度、粒徑的聲學(xué)測(cè)量；四是電廠設(shè)備中松動(dòng)部件聲學(xué)監(jiān)測(cè)等。

6 基于聲紋識(shí)別技術(shù)的電力設(shè)備故障診斷展望

從上述文獻(xiàn)看出，國(guó)內(nèi)外在基于聲紋識(shí)別技術(shù)的電力設(shè)備故障診斷方面已有一定的研究基礎(chǔ)，從信號(hào)收集、信號(hào)處理、算法優(yōu)化到故障識(shí)別已有一套成形的理論。 但是該技術(shù)在變壓器及相關(guān)電力設(shè)備故障診斷與預(yù)警中的應(yīng)用仍然存在很多需要研究完善的問(wèn)題，主要有以下幾點(diǎn)。

(1) 缺乏大量的原始信號(hào)數(shù)據(jù)。 從文獻(xiàn)可以看出，很多故障信號(hào)均是由實(shí)驗(yàn)室環(huán)境模擬得出，與現(xiàn)場(chǎng)故障信號(hào)會(huì)存在一定差別，而且故障的類型較為單一，今后可與相關(guān)電力部門合作，充實(shí)設(shè)備故障種類與數(shù)據(jù)，補(bǔ)充完善公共數(shù)據(jù)集。

(2) 數(shù)據(jù)分析工具有待優(yōu)化。 從上述文獻(xiàn)可以看出，不論是識(shí)別什么類型的故障，聲音信號(hào)的時(shí)頻特征分析是技術(shù)核心。 如何降噪，如何壓縮數(shù)據(jù)集，如何提取特征量，如何提高運(yùn)算速度，尋求一種在各方面都具有優(yōu)勢(shì)的信號(hào)分析算法在未來(lái)是研究重點(diǎn)。

(3) 聲紋數(shù)據(jù)的采集位置未被確定。 目前對(duì)于聲源的采點(diǎn)沒有確定的選擇方案，需補(bǔ)充研究位置對(duì)識(shí)別結(jié)果的影響，可通過(guò)數(shù)理統(tǒng)計(jì)的方法，針對(duì)不同的電力設(shè)備，從特征值的準(zhǔn)確提取出發(fā)，研究原始信號(hào)的最優(yōu)采集方式。

(4) 特征量單一。 目前多采用頻譜、能量譜作為特征量，對(duì)于其他的聲學(xué)物理參數(shù)是否也可反映聲紋的特征信息鮮有提及，多維度參量一起參與識(shí)別能夠使故障診斷更加有效、準(zhǔn)確。

(5) 診斷系統(tǒng)智能化、在線化不足。 目前，聲紋診斷已有較為成熟的實(shí)驗(yàn)室應(yīng)用，后期應(yīng)以實(shí)際工程現(xiàn)場(chǎng)應(yīng)用為落腳點(diǎn)，開發(fā)可綜合數(shù)據(jù)收集、數(shù)據(jù)處理、故障識(shí)別、預(yù)防預(yù)警于一體的在線監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)電力設(shè)備實(shí)時(shí)、智能化故障研判是未來(lái)的發(fā)展方向。