Page 109 - 无损检测2022年第十期
P. 109
彭 鹏,等:
基于声震一体的变电站监测装置设计
在提高分类能力的同时亦降低识别算法的运算复 进行快速傅里叶变换。
杂度,降低功耗。 ( 2 )选择其中两通道声信号计算各子频带的子
ELGORT 等 [ 7 ] 发现, 给每个节点配置分类器, 带幅度均方相关值( SMSC ), 对各子带幅度均方相
使声音和震动节点协同工作,就可以达到很高的分 关值进行降序排列, 筛选出超过设定阈值的 K 个子
类性能。文章从声音采集、 特征提取、 分类识别、 声 频带。
音定向和故障定位等一系列智能化监测识别技术入 ( 3 )针对选择的 K 个子频带, 利用 SMSC 计算
手, 采用基于幅频特性的声音特征提取法, 同时对声 各子频带的加权值。
音信号的频谱特征进行降维处理, 提取主要特征信 ( 4 )计算参与加权的子带相关矩阵, 并进行特
息, 并通过支持向量机算法对声音信号进行分类识 征值分解, 得出各子频带的流行矩阵和噪声子空间。
别, 从而判断出电力设备的运行状态和环境信息 [ 8-9 ] 。 ( 5 )计算 K 个子频带加权后的联合多信号分
装置故障分类识别算法流程如图5所示。 类空间谱。
( 6 )通过谱峰搜索得出声源目标的方位角。
同时, 为实现声音、 震动参量的联合感知, 提出
一种基于多类型传感器的融合感知算法, 以震动、 声
音参量的多种特征作为多通道的信号输入, 基于多
核线性组合的方法, 实现多通道目标特征级融合, 此
方法还可扩展至更多不同的传感器类型, 如温湿度
传感器等, 其算法流程如图 6 所示。
图 5 装置故障分类识别算法流程
该算法流程具体分为以下 7 个部分。
( 1 )对声信号数据进行滤波, 滤除采样过程中
图 6 基于多类型传感器的融合感知算法流程
产生的干扰数据, 减少对电力设备故障诊断的影响。
将不同类型传感器的数据送入各自对应的浅层
( 2 )对滤波后的声信号进行线性归一化处理,
卷积神经网络, 提取出对应的特征向量, 融合中心通
降低拾音器差异的影响。
过二次卷积神经网络完成特征向量的融合处理。该
( 3 )通过数据预加重增加声信号高频部分的能
结构的优点在于实现了可观的数据压缩, 降低了数
量, 提升声学模型的高频共振峰幅值。
据处理的要求, 从而能够有效地实时处理数据。
( 4 )对声信号进行分帧和加窗处理, 使信号具
有短时平稳特性。 2 测试和分析
( 5 )对信号进行短时傅里叶变换, 并提取特征
采用该装置分别在实验室和现场进行变压器设
参数。 备数据采集和分析, 主要测试了正常环境和异常环
( 6 )采用二维主成分分析( 2D-PCA ) 方法对声 境、 设备安装位置、 设备安装姿态、 工频干扰等对数
信号特征矩阵进行降维处理 [ 10-11 ] 。 据采集和识别的影响。
( 7 )采用高斯径向基核函数对声信号样本进行 该装置的震动传感器采用微加速度换能器, 声
分类处理。 阵列采用 MEMS 传声器, 均具有灵敏度高、 功耗低、
对于声源方位的定向和故障定位, 采用多子带 体积小等特点, 传感器参数如表 1 所示。
加权( ISM ) 算法 [ 12-16 ] , 同时剔除信号样本中的干扰 该装置在实验室进行模拟测试, 所采集的数据
信号, 确定声源方位, 迅速找到故障位置, 具体处理 片段如图 7 所示, 在信号采集工具系统中可以看出
流程如下。 该装置能够清晰地分辨出四路声音信号和震动信号
( 1 )针对声阵列的所有 4 阵元接收的时域信号 的采样值。故障识别算法可基于此样本值对特征信
1
7
2022 年 第 44 卷 第 10 期
无损检测
