基于阀厅智能巡检机器人的设备声音故障识别算法

赵殿全，李金龙，谢蓓敏

（国网吉林省电力有限公司检修公司，吉林 长春 130000）

基于阀厅智能巡检机器人的设备声音故障识别算法

赵殿全，李金龙，谢蓓敏

（国网吉林省电力有限公司检修公司，吉林 长春 130000）

提出了一种阀厅中设备声音故障识别算法，实现了在阀厅智能巡检机器人下对设备的智能检测和状态识别。首先，使用机器人携带的拾音器采集待检测设备的声音信号。其次，使用小波分解将信号由时域转化为频域，获取信号的第五层细节系数作为新声音信号。最终，提取新声音信号的质心、方差、能量和熵作为特征向量，使用BP神经网络来识别声音信号判断设备的运行状态。实验结果显示，该算法能实现设备故障诊断功能，算法简单、准确率高的特点。

阀厅巡检机器人；声音识别；小波分解；BP神经网络

电力系统的安全运行关系着供电和用电安全，系统运行时一旦发生故障，不但会影响系统的正常运行，还会造成设备损坏和威胁人身安全等不良后果。阀厅是直流输电过程中放置电力设备的封闭建筑，其内部有换流阀塔、套管、冷却装置等设备。阀厅内设备的可靠性和及时发现并检修存在潜在隐患的设备是确保换流站系统正常运行重要条件和手段。传统检修方式主要依靠人工巡检和固定位置实时监视。然而，阀厅内的电磁环境较为复杂，人工巡检方式存在着劳动强度大、工作效率低、检测质量分散、手段单一、及时性无法保证等不足[1]。尤其当大量设备需要监测诊断或者需要连续不断地监测，庞大的数据采集、分析和比较带来的工作量是十分巨大的。

为了保证阀厅内设备的正常运行，实时检测至关重要[2-3]。而采用计算机进行监测和诊断分析时可节省大量的人力和物力，并能保证数据的客观性和准确性。因此，研究一种智能化、自动化的检测方法保证阀厅的安全运行具有重要意义。

1　阀厅轨道机器人

为解决目前人工检测方式存在的问题，某公司研制了一种适用于阀厅复杂环境的智能巡检机器人，如图1所示。该机器人通过竖直轨道安装在阀厅壁面上，能够沿轨道运动，可方便灵活地对阀厅内设备进行大角度、多方位的检测。机器人携带着图像采集、声音采集等多种采集设备，采集的数据传输到后台后，通过模式识别算法分析可准确对设备状态进行自动识别，给出设备的运行状态，设备出现异常时可报警警示站内工作人员。

在阀厅中，通过声音分析电容器、电抗器等设备的运行状态是一种非接触式的检测方式。同时，也是实现无人值守、自动化和智能化的重要体现之一。通常情况下，声学故障诊断技术中的非接触式测量具有设备简单、信号方便获取、无需在设备上粘贴传感器、不影响设备正常工作和在线监测等特点。

文中研究了设备声音特征提取方法，提取了DB6小波分解后获取第五层细节系数作为新声音信号，提取新声音信号的质心、方差、能量以及熵统计特征，采用BP神经网络进行判断识别。

2　小波分解

小波分解是一种信号的时间-尺度分析方法，其具有多分辨分析的特点，是一种窗口大小固定不变但形状可改变，时间窗与频率窗均可改变的时频局部化分析方法[4-5]。

图1　阀厅轨道机器人外形示意图

2.1能量

在时域中，声音信号的幅度分析可作为声音信号的特征。幅度分析主要包括幅度和能量。而声音的时域特性中的平均幅度与小波系数的平均幅度可相互对应，因此可使用小波系数来定义声音的小波域能量[6]。小波域能量（energy）的定义如下

其中，N为分帧后的帧数。根据式（1）即可得到分帧后的小波能量。

2.2质心

经过小波分解，时域信号变为频域信号。在频域中定义质心（Centroid）为频域信号能量的中心[6]。由于声音信号具有短时性，质心在不同时间区间内是不同的，因此质心可作为刻画声音信号具有非平稳性的一种量度，公式如下

式中，x（i）表示任意频带中第i帧，即提取任意频带的小波系数后所分帧的长度。

2.3方差

方差（Variance）是在概率论和统计方差衡量随机变量或一组数据是离散程度的度量。方差刻画了随机变量的取值对于其数学期望的离散程度（方差和标准差越大，其离散程度越大。否则反之）。若X的取值比较集中，则方差S较小，若X的取值比较分散，则方差S较大。因此，S是刻画X取值分散程度的一个量，其是衡量取值分散程度的一个尺度。方差是期望值和实际值之差平方的平均值，而标准差是方差算术平方根，方差公式如下

2.4熵

熵表示信号所提供的平均信息量和信源的平均不确定性，它能提供关于信号潜在动态过程中的有用信息。信号熵反映了信号概率分布的情况，信号经过小波变换后生成小波系数矩阵，该矩阵可看做概率分布，根据信息熵的定义得到的熵可反映该矩阵的稀疏情况。由信息熵的定义可知，信号的概率分布越混乱无序熵越大[7]。声音信号熵的计算步骤：

Step1：对声音信号做DB6小波分解，提取小波系数作为新的声音信号；

Step2：根据式（1）计算新的声音信号能量，从而得到能量分布序列{e1，e2，…，ei}，其中，i为帧数；

Step3：计算总能量E；

Step4：根据式（4）计算频带中每帧能量在总能量存在的概率，得到概率分布序列{p1，p2，…，pi}；

Step5：根据式（5）计算对应的信号熵。

3　BP神经网络

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一[8]。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。其的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden layer）和输出层（output layer）。图2为BP神经网络结构图。

激活函数的选择是构建神经网络过程中的重要环节，常用的激活函数主要有以下5种：线性函数（Liner Function）、斜面函数（Ramp Function）、阈值函数 （Threshold Function）、S形函数（Sigmoid Function）和双极S形函数。其中，前3个激活函数是线性函数，后两个为的非线性激活函数。由于S形函数与双极S形函数都是可导的，因此适合用在BP神经网络中。文中选择S形函数作为神经网络的激活函数。

图2　BP神经网络结构图

此外，参数设置对神经网络性能也有较大影响。比如：隐含层节点个数、学习率的选择等。隐含层节点的个数对于识别率的影响虽然不大，但节点个数过多会增加运算量，使得训练较慢。学习率影响着网络收敛的速度，以及网络能否收敛。学习率设置偏小可保证网络收敛，但收敛较慢。相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。

4　实验结果及其分析

实验中，将采集到的设备声音样本组建成为样本数据库作为本文实验中实验数据。将采集的信号使用db6小波基进行10层分解，统计分析分解得到的数据寻找样本的特征向量。通过多样本测试发现，正常信号和异常信号在第五层细节系数有较大的区别，正常信号比较平稳，数据变化较小，大部分数据在零值附近变化，而异常信号的第五层细节系数数据变化较大，偏离零值较远。图3、图4为样本正常信号和异常信号小波分解系列图。

图3　正常信号小波分解结果系列图

图4　异常信号小波分解结果系列图

文中使用数字信号处理的处理流程，预处理（分帧、加窗）后进行小波分解，提取信号的第五层细节系数，以得到的第五层细节系数为研究对象计算声音信号的质心、方差、能量和信息熵组作为信号特征向量。文中随机选取样本库中100个正常声音样本和100个异常声音样本组建样本训练库，分别提取小波分解得到的第五层细节系数的质心、方差、能量和信息熵，将得到的特征向量送入设置好的BP神经网络。设定输出值1位正常样本信号，0位异常样本信号。图5为测试时出错样本，从图中可以看到，信号的第五层细节系数较为分散与异常信号的第五层细节系数相近，造成了结果错误。表1为训练样本库和测试样本的识别结果数据统计。

图6和图7为MFCC特征参数分析声音样本产生的特征示意图。通过实验对比发现小波处理由于它的多分辨率的性质使得特征参数分布更稀疏计算量也大幅减少，而MFCC特征参数数据量大且特征之间的可区分性较差，如图6和图7所示。

图5　识别错误示例

表1　测试数据统计

图6　正常信号示例1

图7　正常信号示例2

5　结束语

文中通过小波分解，将声音信号由时域转化到频域中在频域中将第五层细节系数作为新声音信号，提取新声音信号的质心、方差、能量和熵作为特征向量，实现了阀厅内设备声音的识别。实验结果表明，本文提出的算法建模比较简单，准确率高，提高了工作人员的工作效率和作业人员的安全性。该算法的实施，推进了变电站无人值守进程，实现了变电站自动化和智能化管理。

[1]鲁守银，钱庆林，张斌，等.变电站设备巡检机器人的研制[J].电力系统自动化，2006，30（13）:94-98.

[2]马为民，聂定珍，万保权，等.高压直流换流站阀厅屏蔽效能的研究[J].高电压技术，2008，34（11）:2400-2407.

[3]田冀焕，周远翔，郭绍伟，等.直流换流站阀厅内三维电场的分布式并行计算[J].高电压技术，2010，36（5）:1205-1210.

[4]（美）Rafael C.Gonzalez，（美）Richard E.Woods.数字图像处理[M].3版.阮秋琦，阮宇智，译.北京:电子工业出版社，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]郑继明，魏国华，吴渝.有效的基于内容的音频特征提取方法[J].计算机工程与应用，2009，45（12）:131-133，137.

[7]侯宏花，桂志国.小波熵在心电高频噪声处理和R波检测中应用[J].计算机工程与应用，2010，46（9）:116-118.

[8]刘荣华，徐学洲.基于模糊模式和BP算法的手写数字识别[J].电子科技，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稿件编号：201510236

赵殿全（1961—），男，吉林怀德人，高级工程师。研究方向：超高压机器人巡视、诊断、检修技术。