淺談智能變電站聲紋監測技術的應用

摘要：通過分析珠海供電局智能變電站示范工程建設過程中對新技術的應用情況，淺談智能變電站聲紋技術發展的重要性。

關鍵詞：智能變電站;聲紋;小信號提取;多聲道降噪

中圖分類號：TM63? ? 文獻標志碼：A? ? 文章編號：1671-0797（2022）06-0012-05

DOI：10.19514/j.cnki.cn32-1628/tm.2022.06.004

0? ? 引言

珠海供電局于2018年開始進行智能變電站建設的探索，經過大量前期工作后，于2019年開始正式建設，2020年基本建成。智能變電站示范工程中的設備運維管理一直是科研攻關的重點，20世紀末，南方電網系統就開展了有關的研究探索;隨著神經網絡和機器學習技術的進步，近年來，深圳供電局的基于聲紋識別及變壓器振動信號的變電設備缺陷與故障診斷智能分析技術和圖譜庫研究以及南方電網科學研究院開展的基于聲學指紋大數據分析的斷路器機械故障診斷技術研究工作都在這方面做出了積極的探索。

故而，在珠海供電局針對聲紋技術的應用情況進行統計，以4個重點區域（主變壓器、電容器、高壓開關柜、GIS）的巡視工作可替代率來衡量目前智能變電站建設的實用性，結果如表1所示。

可見，智能變電站涵蓋的油、水、氣、電生產設備出現異常時常伴隨異響，如放電聲、不均勻的機械聲、管道漏氣聲、振動聲、母線異響等。如果利用機器聽覺、邊緣智能技術智能感知站內生產設備運行狀態，實現機器替代傳統人工巡檢排查，對站內重點生產設備狀態進行實時智能感知，則巡視替代率將平均提高8.25%，配合使用其他技術擴大監測的覆蓋范圍，巡視工作可替代率可以提升至100%。

1? ? 聲紋及聲紋識別

智能變電站中生產設備內部受到電、磁、機械等應力，將伴隨產生振動，形成的機械波通過介質傳遞至外殼，可由傳感器裝置捕捉音源信號，該信號含有大量的時頻域特征信息，宛如指紋。生產設備出現異常時，聲學指紋（簡稱“聲紋”）會發生改變，可作為診斷設備缺陷及故障的主要特征參量。聲紋具有穩定性、可測量性、唯一性等特點[1]，十分適合用于智能變電站監測工作。

聲紋識別是生物識別技術的一種，是通過提取設備聲音特征參數和聲紋特征，再把音源信號轉換成電信號，用計算機通過相關算法在數據庫中進行比對識別的技術[2]。近些年，不少國內外學者將聲紋識別融入了機械設備的異常檢測中，如山東大學的杜世斌[3]提出了一種基于音頻特征的電氣設備故障監測方案來實時監控電氣設備的運行情況，孫慶生等人[4]根據現場變電站內異常振動信號頻譜分析檢測到一處支撐B相電壓互感器的槽鋼松動的機械缺陷，中國科學院微電子研究所陳志全等人[5]提出了一種基于總體平均經驗模態分解的異常聲音特征提取方法等。

2? ? 技術設計思路及框架

變壓器是電力系統中典型的設備之一，其結構復雜且造價昂貴，變壓器的穩定運行可以提高供電的安全性、可靠性。不同廠家、不同型號的變壓器，其結構、大小等都不盡相同，且變壓器故障的聲音往往難以監測，還可能因其結構特點出現各種獨具個性的故障聲。規則庫固然可以存儲部分典型缺陷，但規則永遠落后于實際的生產技術演進。變壓器體積龐大且常年帶電，在其正常工作時，機械振動會發出聲音，且具有一定的規律性，變壓器內部一旦發生異常，將會引發許多特征量的改變，而聲波之間的差異可由頻率、節奏和聲音體現。現以變壓器作為主要監測對象，通過聲音采集傳感器對其運作中產生的聲音進行采集，獲取的音源信號具有良好的辨識性，再以機器聽覺、聲紋識別為主要技術手段，以我局研發的智能AI盒子作為識別載體，實現機器聽覺替代人工對生產設備狀態的實時智能感知，使電網設備的安全監察工作效率提升了60%。

2.1? ? 研究思路

針對設備的運行情況隨時在線進行預測評估，既體現了設備的個性化，也符合智能變電站的實際工作需要。因此，研發基于機器聽覺的設備狀態管理工具，可以為電力系統輔助決策提供數據支持，通過機器學習——AI自學習后能洞察潛在缺陷及隱患，縮短故障處理和應急搶修時間，為電力系統安全、穩定運行提供堅實的保障。

基于聲源信號的設備故障監測系統設計分為硬件電路和軟件算法部分。

硬件電路部分包括聲音傳感器、數據采集及降噪處理電路。該系統基于現場變壓器實際情況進行開發，因此考慮如何有效采集數據是技術關鍵。研發的智能AI盒子選用多個聲音傳感器構成傳感器陣列，研究待測設備的數量以及周圍環境后針對聲音特征研制了對應參數的MIC傳感器（同步采集6路音頻信號數據）。考慮到監測需要構建多個傳感器的陣列[6]，因此研制多通道數據采集系統進行聲音采集。傳感器電源模塊的干擾是設備固有噪聲的主要來源，通過在電源模塊電路中加入恒流芯片及去耦電容元件來穩定電源的輸出，從而減少電源噪聲對其他元器件的干擾。現場環境噪聲可以通過濾波器電路進行相應處理，利用其特定的頻率選擇特性讓輸出聲音信號中有效的特定范圍頻率的信號順利通過，同時對另一些不需要的噪聲加以阻隔和衰減。為此，在各通道收集并提取了有效聲音后（圖1），就需要去除聲源樣本里的不相干聲音，僅保留所需要的故障聲音信號，分析故障聲音信號并找出故障的種類，繼而將故障位置找出來。

MIC傳感器體積小且便攜，在站內實現聲源采集較為簡單。改變MIC傳感器陣列與待測設備的間距及角度，可在待測設備運作狀態下改善小信號提取效果及聲源定位系統定位性能。

軟件系統主要分為數據采集部分、預處理部分、聲學特征提取部分、特征向量識別部分、時延計算部分、聲源定位部分。聲音傳感器陣列采集的信號在程序中快速輸入軟件系統，經濾波后提取聲音信號的特征參數，將其傳輸給后臺，利用定位算法進一步分析。聲源定位算法將傳感器陣列接收到的聲音信號與陣列的空間排列相結合進行分析，從而得到聲源相對于傳感器坐標系原點的位置，根據故障聲源到達各傳感器的時間差來確定聲源相對于基準傳感器的位置，從而實現對機械故障的識別及定位，如圖2所示。當設備聲音數據輸入后臺系統后，通過廣義互相關算法在頻域內給予傳感陣列信號一定的加權函數，抑制受噪聲干擾部分以突出接收信號的相關部分，然后再反變換至時域得到廣義互相關函數進行聲音信號峰值監測，達到降噪的目的。

選用廣義互相關時延估計（Generalized Cross-Correlation，GCC）的聲源定位算法，不僅可實現角度定位，還可實現聲源坐標精確定位。基于平臺設計易于用戶操作的使用界面，包括監測系統基本參數設置、設備工況聲音信息顯示、故障聲源識別及定位結果顯示、記錄文件保存等模塊。采用全新的設備聲音穩態檢測技術，無須提前錄制大量的故障聲音樣本。首先直接安裝系統，然后通過對設備運行穩態的自學習建立穩態模型（不超過一周），通過對設備穩態特征的判別，預警設備健康狀況，同時通過與維修工單后臺對接，自動為存儲的音頻打故障標簽。故障聲音模型為自行訓練所得，所有過程無須人工干預。

采用基于機器聽覺的設備狀態管理工具，不僅可以有效提升智能變電站的巡視工作可替代率，為基層巡檢工作人員減負，還能通過深度學習嘗試探索變壓器運行的聲紋故障分析。

2.2? ? 模型框架的搭建

以變壓器的音源信號特征提取為研究目標，開發基于機器聽覺的設備狀態管理工具，實現設備監測與故障診斷。主要研究內容如下：

（1）基于傳感陣列的音源采集系統研制。針對待測設備的聲音特征研制MIC傳感器，明確待測設備的數量及周圍環境后設計相應的監測方案。在待測設備周圍以一定的幾何空間結構安裝多枚MIC傳感器構成傳感器陣列，實時采集變壓器設備的音源信號，最終統一傳輸至裝置，并初步實現智能AI盒子的無線應用組網，如圖3所示。

（2）面向多噪聲環境的音源信號降噪技術研究。傳感器陣列所采集的音源信號含有噪聲干擾，本項目擬研究多噪聲環境下音源信號降噪技術，為后續的研究診斷提供有效信號。

（3）基于音源信號的設備故障診斷與定位算法研究。待測設備周圍環境比較復雜，需要對多聲源進行定位研究。研究多音源信號定位算法，通過廣義互相關時延估計實現聲源的角度定位以及空間坐標精確定位。研究單一音源復雜狀態特征演變規律，編寫算法使機器能記錄待測設備運行音源信號特征，從而實現音源信號狀態對比分析，完成設備運行狀態健康診斷。

本項目以實際運行變壓器為研究對象，現場變壓器是半封閉狀態，聲音環境相對復雜，研究初步完成后將在全開放的環境下進行監測，后期將研究聲紋信號的專家智能分析系統，實現差異化運維。

2.3? ? 核心功能設計及相關算法概述

2.3.1? ? 數據分析

數據分析是智能AI盒子最核心的功能，均在服務器端實現，主要包括多通道麥克風陣列算法模塊、降噪處理模塊、小信號提取模塊、信號穩態自學習模塊、故障診斷與定位模塊。

（1）多通道麥克風陣列算法模塊：六路麥克風信號通過麥克風陣列算法AEC實現面對設備的一路有效麥克風信號的有效提取，其他五路麥克風信號均為噪聲信號，噪聲信號同樣會通過空氣或固體傳播到有效麥克風，疊加到設備有效信號中，通過AEC算法，可實現最低開銷的設備信號提取，同時保證設備有效信號的完整性。

（2）降噪處理模塊：經AEC算法處理后的音頻信號也會包含噪聲，主要是來自設備側的噪聲，因此還需要進行一定的降噪處理。

（3）小信號提取模塊：為保證信號的完整性，降噪處理模塊不會對噪聲進行強抑制，否則會讓有效信號失真。通過對設備安靜環境下聲音頻譜的自學習，智能AI盒子能對設備聲音頻譜進行自動建模，在噪聲環境下，通過頻譜模型實現設備聲音小信號的有效提取。

（4）信號穩態自學習模塊：待測設備大部分時間都是在無故障情況下運行，智能AI盒子通過對提取的有效設備音頻信號穩態特征的自學習，建模設備在不同工況下的穩態特性。

（5）故障診斷與定位模塊：通過對信號穩態特征的自學習與建模，實時監測設備音頻流，對于持續非穩態特征，系統發出預警，提示人工檢修。檢修完成后，后臺自動關聯工單信息，對于預警的音頻流數據自動打故障標簽，同時完成對故障音頻數據的建模，后續再出現同樣的故障則直接報警。全流程均自動學習完成，無須人工干預。

2.3.2? ? 算法邏輯

2.3.2.1? ? 面向多噪聲環境的音源采集降噪算法

傳統的噪聲抑制方法，只能作用于某些固定的穩態噪聲，通過尋找連續的背景音，預估噪聲的基線，然后將其過濾掉;而當動態噪聲和設備的運行聲音出現頻率重疊時，傳統方法就無法很好地抑制。深度神經網絡（DNN）則在這一領域表現出了強大的優勢。近幾年來，深度學習方法取得飛速發展，在設備聲音監測中的應用也越來越多，其中就包括了卷積神經網絡（CNN）等。

搭載前端降噪技術的采集系統，能夠保留還原出干凈的設備運行原聲，有效減少設備運行的聲音在運行環境下受到的雜音干擾。針對在運行環境下經常出現的混響及回響聲、刺耳的嘯叫聲等設備自噪聲，前端采集系統采用麥克風、揚聲器分離式設計，并內置業內領先的智能回音消除技術（AEC），能夠有效地消除現場環境中產生的回音，線性回聲消除ERL≥35 dB，總體回聲抑制能力≥60 dB。

2.3.2.2? ? 小信號提取算法

研究設備聲音處理技術在真實復雜環境下的魯棒性，針對在真實復雜場景下如何應對來自環境的差異和來自設備的差異這兩個關鍵問題展開研究，圍繞真實復雜場景下聲音信號模式分析與識別這一挑戰性問題，研究深度學習下的設備聲音結構化建模理論與方法。

基于機器聽覺的變壓器狀態管理工具的硬件可根據現場環境定制，其中MIC傳感器組成的傳感陣列以及邊緣采集終端負責實現對前端聲源信號的采集，并自組織聯網，開啟聯網服務，將實時采集的設備聲音數據上傳到后臺系統，由后臺算法利用信號提取技術處理后得到有效聲音數據，將設備聲音數據與庫中數據進行全方位、多維度對比，分析設備此時的運行狀態，輔以聲源定位算法建立完善的設備空間模型，快速判斷并定位出故障設備。管理員也可以在本地安裝配套的聲音信號分析軟件自行對數據進行分析，實現小信號提取。

2.3.2.3? ? 基于音源信號的設備故障診斷與定位算法

待測設備周圍環境往往比較復雜，當多臺待測設備同時工作時，首先需要對多聲源進行定位。利用多音源信號定位算法，通過廣義互相關時延估計實現聲源的角度定位及空間坐標精確定位。根據單一音源復雜狀態特征演變規律，編寫算法使機器能記錄待測設備運行音源信號特征，從而實現音源信號狀態對比分析，完成設備運行狀態健康診斷。

基于聲音檢測技術的重要性及傳統聲音檢測技術存在的問題，聲音檢測采用了行業首創的空間六麥克風陣列降噪技術，實現360°全方位空間降噪，不管噪聲是來源于上空還是底部或側方，均能良好地實現設備有效聲音的提取，不僅適用于室內設備檢測，同樣也適用于室外設備檢測。

3? ? 總結與展望

（1）設備更安全：通過聲紋采集系統收集聲源，針對不同的待測設備及應用場景進行傳感參數、傳輸特性、存儲方式等的設計實現，無須與電氣設備進行電氣連接即可判斷設備運行狀態是否正常，從而安全地進行設備狀態帶電監測。

（2）管理更精益：基于機器聽覺的設備狀態管理工具，預期可實現實時音頻的展現（展示各個通道采集到的音頻頻譜圖及聲紋特征）、音頻聲紋樣本的標記、數據庫的歸類整理。通過人工智能自學習方式，對收集的設備聲源（含異常或故障的聲紋）在時域和頻域上進行分析及相應信號處理，將特定聲紋與背景噪聲有效分離，并辨識出異常聲音，可為輔助決策提供數據支持。

（3）運檢更高效：傳統的巡檢方式，首先需要技術人員時刻在設備前監聽聲音，極大地耗費了人力、物力;其次，人耳是有特定的聽覺感知范圍的，人耳可聽到的聲音頻率僅為20～20 000 Hz，超出此范圍的聲音人耳無法監聽;最后，在雷雨等惡劣天氣條件下以及高壓環境中，人工巡檢存在較大安全隱患，得到的數據也無法準確及時地接入后臺數據分析系統。在待測設備旁安裝MIC傳感器采集聲音實時監測設備工作情況，不需要使設備停止運行，也不需要與設備接觸，信號采集方便，存儲的數據量相對較小，不會干擾變壓器的正常運轉。

綜上所述，人工巡檢方式存在巡檢時間過長、實際效果不好、不可控聲音的判斷等問題，而基于機器聽覺的設備狀態管理工具則不再受限于這些問題，直接降低了巡檢的人力成本，節約了運維時間，極大地提高了設備監測的強度和巡檢運維工作效率。在未來的工業化進程中，十分有必要大力推動無人監控模式的實現。

[參考文獻]

[1] 吳國鑫.變壓器故障聲紋檢測與診斷方法研究[D].北京：華北電力大學，2021.

[2] 肖科.基于深度學習的聲音識別分類系統[D].重慶：重慶三峽學院，2021.

[3] 杜世斌.基于音頻特征的電氣設備故障監測算法研究[D].濟南：山東大學，2014.

[4] SUN Q S，CAO T，HOU Y，et al.Detection and anal-

ysis based on the abnormal mechanical vibration signal of GIS[C]//2015 Fifth International Conference on Instrumentation and Measurement，Computer，Communication and Control（IMCCC），2015：131-134.

[5] 陳志全，楊駿，喬樹山.基于EEMD的異常聲音特征提取[J].計算機與數字工程，2016，44（10）：1875-1879.

[6] 劉志強.電力變壓器檢修常見問題與對策研究[J].科學技術創新，2018（33）：150-151.

收稿日期：2021-11-22

作者簡介：王嘯峰（1974—），男，江蘇常州人，自動控制工程碩士，變電檢修高級技師，電氣高級工程師，珠海供電局檢修二班技術員，主要從事變電一次設備檢修專業工作。