基于聲紋的GIS 斷路器機械故障診斷?

李 可，姚忠遠，王 梟，顧杰斐，宿 磊，薛志鋼

（1.江南大學江蘇省食品先進制造裝備技術重點實驗室 無錫，214122）（2.上海睿深電子科技有限公司 上海，201108）（3.江蘇省特種設備安全檢驗監督研究院無錫分院 無錫，214071）

引言

氣體絕緣開關設備具有可靠性高、維護方便等優點，被廣泛應用于高壓電力系統。斷路器作為GIS 的關鍵組成部分，對電力系統起到了保護和控制的作用［1］。據統計，斷路器機械故障是導致GIS故障主要原因［2］。通過有效方法準確診斷識別斷路器的機械故障，對保障電力的安全穩定輸送具有重大意義。

工程實際中一般通過接觸式傳感器采集斷路器的機械振動信號，然后使用各種算法對信號進行分析處理，以實現斷路器機械故障的診斷。Huang等［3］提出了一種基于經驗模態分解（empirical mode decomposition，簡稱EMD）和支持向量機（support vector machine，簡稱SVM）的高壓斷路器故障診斷方法，利用遺傳算法優化了SVM 的超參數，診斷精度優于傳統分類方法。Zhang 等［4］利用集成經驗模態分解將原始信號分解為多個本征模態函數（intrinsic mode functions，簡稱IMF），提取IMF 的能量熵作為SVM 的輸入，有效識別了斷路器的故障模式。Wan 等［5］提出了一種基于時序參數和模糊C 均值聚類（fuzzy C-means clustering，簡稱FCM）的故障診斷方法，利用雙閾值法提取振動事件的發生時間和結束時間作為特征向量，采用FCM 計算特征向量的聚類中心，實現了斷路器故障類型的準確分類。

斷路器在合分閘時產生的機械振動和聲音信號包含了大量設備狀態信息，而振動傳感器需要安裝在GIS 設備內部，造成機械振動信號的采集較為困難。此外，較小的位置偏移會引起測量結果產生較大變化，所以基于機械振動的故障診斷方法對加速度傳感器布點位置的要求也比較高［6］。基于聲信號的檢測方法具有非接觸式、帶電檢測的優點，適用于斷路器的機械故障診斷。陳朋永等［7］利用EMD 提取聲波信號等時間分段的能量熵作為特征向量，結合SVM 診斷出斷路器的不同狀態，有效解決了小樣本下斷路器故障診斷的問題。楊元威等［8］提出一種基于聲音信號的高壓斷路器機械故障識別方法，通過K-S 檢驗標記樣本幅值差異明顯的區間，提取區間內的少量信號特征識別出故障信號。

目前，聲學診斷方法大多應用于旋轉機械的故障診斷，基于聲信號的GIS 斷路器機械故障診斷方法的研究較少，且單一通道采集的信號數據極易受環境噪聲的影響。筆者提出了一種基于聲紋的GIS斷路器機械故障診斷方法。首先，利用多通道聲陣列采集信號，采用ICA 算法實現原始信號的盲源分離；其次，選取源信號中模糊熵最小的分量作為特征信號，并提取特征信號的MFE 生成斷路器的聲紋；最后，采用ELM 算法進行狀態識別。實驗結果表明，所提出的方法可以有效識別斷路器機械故障。

1 斷路器故障診斷方法

1.1 獨立成分分析

ICA 是一種將復雜混合信號解耦的盲源分離技術，其僅依靠觀測信號來恢復源信號［9］。將多通道聲傳感器陣列采集到的原始觀測信號記為X=（x1，x2，…，xn）T，源信號記為S=（s1，s2，…，sn）T，則ICA 模型可表示為

其中：A為混合矩陣。

通過解混矩陣W可得到對源信號S的估計Y=（y1，y2，…，yn）T，即

選取合適的解混矩陣W可實現獨立分量的分離。基于負熵的最大非高斯估計方法是一種魯棒性強、收斂速度快的ICA 算法。該方法通過度量分離結果的非高斯性來評估分量間的相互獨立性，其基本步驟［10］如下：

1）對原始信號X進行中心化和白化處理；

2）記l為待分離信號通道數，初始化迭代次數k=1；

3）隨機選擇初始向量wk，wk為解混矩陣W的一個向量；

5）對wk進行正交化和歸一化處理；

6）判斷wk的收斂性，若不收斂返回步驟4，否則進行下一步；

7）令k=k+1，若k≤l，返回步驟3，否則算法結束。

1.2 模糊熵與多尺度模糊熵

模糊熵是一種量化時間序列復雜度的方法，序列的復雜度越大則熵值越大，其具體計算過程參考文獻［12］。多尺度模糊熵是衡量時間序列在不同尺度下的模糊熵，具有抗噪和抗干擾的優點，能夠有效表征機械設備的故障特征［13］。MFE 的主要計算過程如下。

1）粗粒化時間序列y（i），1≤j≤N，將y（i）分成τ段，每段長度為N∕τ，即

其中：τ為時間尺度因子。

2）給定嵌入維度m、相似容限r和模糊函數梯度n，對每段粗粒化序列計算其模糊熵（FuzzyEn）

本研究先選取源信號中模糊熵最小的分量作為特征信號，然后計算特征信號的MFE 來生成斷路器的聲紋特征。

1.3 極限學習機

極限學習機是一種單隱層的前饋神經網絡算法，輸入層與隱藏層的節點參數隨機生成，且無須調整，具有訓練速度快、識別精度高的優勢。假設樣本（V，T）=｛（vi，ti）｝（i=1，2，…，N），其中vi為輸入樣本，ti為樣本標簽，N為樣本數，則ELM 的輸出為

其中：L為隱藏層節點數；βi為隱藏層第i個節點和輸出層的連接權重；P（x）為特征映射函數，通常采用Sigmoid 函數；ai為輸入層和隱藏層第i個節點的連接權重；bi為隱藏層第i個節點的偏差。

因此，網絡的輸出矩陣為

其中：H為隱藏層輸出矩陣。

輸出權重β可通過采用最小二乘法求解式（6）獲得［14］，即

其中：H?為H的廣義逆矩陣。

1.4 診斷流程

綜上所述，筆者提出的基于ICA-MFE-ELM 算法的斷路器機械故障診斷流程如下：

1）采用ICA 方法將斷路器聲信號進行盲源分離，得到多維源信號yi（i=1，2，…，n）；

2）計算所有yi的模糊熵，選擇其中熵最小的信號ym作為特征信號；

3）計算特征信號ym的MFE 作為斷路器的聲紋特征；

4）利用ELM 識別斷路器的機械故障。

2 實驗驗證與結果分析

2.1 實驗數據采集

實驗現場及設備如圖1 所示，實驗使用某型號110 kV 的GIS 設備。當GIS 斷路器開斷電路時，觸頭間會產生電弧，電弧高溫容易造成如圖2 所示的觸頭燒蝕，導致斷路器發生開關拒動等機械故障［15］。為了采集故障信息，實驗設計了觸頭正常和觸頭燒蝕2 種工況。

圖1 實驗現場及設備Fig.1 Experimental site and equipment

圖2 觸頭燒蝕Fig.2 Contact ablation

數據采集裝置為睿深電子科技的聲學成像設備soundCAM，該設備上搭載了由64 個聲學傳感器組成的聲陣列，傳感器的頻響范圍為20 Hz～24 kHz，最大可測聲壓級為120 dB。待測斷路器與聲陣列平行放置，測試距離為2 m。實驗時對斷路器聲信號進行同步采樣，采樣率為48 kHz。

實驗采集了斷路器從合閘前到分閘后共16 s 的聲音數據。為減少信號處理時間，截取了合分閘動作信號附近0.5 s 的數據作為原始信號。圖3 為原始聲音信號的波形圖，由圖可見，2 種狀態下的聲信號包含了大量的背景噪聲，很難直接進行區分。

圖3 原始聲音信號的波形圖Fig.3 Time waveform of original sound signals

2.2 特征信號選取

首先，采用ICA 算法對原始信號進行處理，輸入為32 通道的原始聲信號，輸出為32 組源信號；其次，選取源信號中模糊熵最小的分量作為特征信號。按照模糊熵的定義，計算前需要確定嵌入維度m、模糊函數梯度n和相似容差r等3 個參數。根據本研究聲音序列的特點，參考文獻［16］，信號長度N=10m～30m。本研究信號長度為24 414，故綜合考慮選取m=4，n=2 或3，r=0.15SD～0.25SD（SD 為信號數據的標準差）。由于選取較小參數可獲得數據中更多的細節信息，因此本研究取n=2，r=0.15SD。圖4 為所選取特征信號的波形圖。

圖4 特征信號的波形圖Fig.4 Time waveform of characteristic signals

隨機選取觸頭燒蝕和觸頭正常的聲信號樣本各30 組，用以比較ICA 處理前后信號的熵值變化。原始信號和特征信號的熵值分別如圖5，6 所示。對比圖5，6 可知，無法根據原始信號的熵值辨別斷路器的2 類狀態，而經過ICA 處理后不同狀態的特征信號熵值區分度明顯。然而，因為單一尺度的模糊熵易受噪聲干擾，難以全面反映斷路器信號的本質特征，故有必要從多尺度上提取其聲紋特征。

圖5 原始信號的熵值Fig.5 Entropy values of original signals

圖6 特征信號的熵值Fig.6 Entropy values of characteristic signals

2.3 聲紋特征提取

利用MFE 算法提取斷路器的聲紋特征，選取了10 種不同的尺度因子τ，計算特征信號的模糊熵值。不同狀態的多尺度模糊熵如圖7 所示。由圖可知：觸頭燒蝕的熵值隨著尺度增加而增加，表明該序列比較復雜，在多個尺度上包含重要的信息，隨后趨于平穩；觸頭正常的熵值先增加，當τ為6 時，熵值逐漸減小，表明觸頭正常的特征信號熵值在大尺度下不穩定。因此，取尺度因子τ分別為1，2，3，4 和5，提取特征信號的多尺度模糊熵作為斷路器的聲紋特征。實驗共采集了440 組數據，其中包括觸頭燒蝕220 組，觸頭正常220 組。觸頭燒蝕和正常的聲紋分別如表1，2 所示。

表1 觸頭燒蝕的聲紋Tab.1 Voiceprint of contact ablation

圖7 不同狀態的多尺度模糊熵Fig.7 MFE of different states

隨機挑選了2 種狀態各4 組特征信號的聲紋特征，不同狀態的聲紋比較如圖8 所示。由圖可以看出，隨著尺度因子的變化，不同狀態的MFE 差異明顯，利用多尺度模糊熵方法能夠有效提取斷路器的聲紋特征。

圖8 不同狀態的聲紋比較Fig.8 Comparison of voiceprints in different states

2.4 故障識別

采用ELM 算法識別斷路器觸頭的故障類型，每類狀態各220 個樣本。設定訓練集、驗證集和測試集的比例為3∶1∶1。當隱藏層節點數L=10 時，訓練正確率可達99%以上，測試正確率達到97.6%。

為驗證所提方法的有效性，將本研究算法與其他基于聲音信號的故障診斷方法進行對比，對比算法如下。

1）利用奇異譜分析（singular spectrum analysis，簡稱SSA）對聲信號進行分解重構，去除噪聲分量，提取重構信號的時域和頻域特征，結合SVM 實現故障分類［17］。SVM 采用高斯核函數，通過交叉驗證確定最優的懲罰系數c=2.3 和核函數寬度g=24.25。

3）從聲音信號中提取梅爾頻率倒譜系數（Mel-frequency cepstrum coefficients，簡稱MFCC）作為特征向量，利用梯度提升決策樹（gradient boost decision tree，簡稱GBDT）進行故障分類［19］。樹的深度為3、個數為50。

4）將本研究所提方法中MFE 替換為多尺度排列熵（multi-scale permutation entropy，簡稱MPE），不同算法的診斷正確率如表3 所示。由表可知，所提出方法（ICA-MFE-ELM）的故診斷正確率明顯高于其他算法。MFE 通過引入模糊函數使得熵值連續平滑變化，當信號存在波動或基線漂移時，模糊熵具有一定的抗干擾能力。由于實驗信號屬于非平穩信號，因此模糊熵較排列熵能更好地提取信號的特征。

表3 不同算法的診斷正確率Tab.3 Diagnostic accuracy of different algorithms

3 結束語

提出了一種基于聲紋的GIS 斷路器機械故障診斷方法，能夠有效減少噪聲干擾并且提取故障特征。該方法采用ICA 分析聲陣列采集的GIS 斷路器信號獲得多維源信號，根據模糊熵原理選取特征信號，并計算其MFE 作為聲紋特征，最后利用ELM實現故障識別。實驗結果表明，本研究所提方法的故障診斷正確率在97%以上，較其他方法有明顯提高。