基于声音谐波特征和人工配合的变电设备运行状态识别

杨超超 叶强 田亮

摘 要：提出了一种声音谐波特征和人工配合的变电设备运行状态识别方法。首先，利用变电站智能巡检机器人携带的拾音器采集设备声音。其次，利用数字信号处理及声音识别技术对设备声音进行分析，提取谐波作为样本特征，建立样本的特征库。最后，采用LBG算法获得声音样本的码本，并与样本声音进行对比。后台人工操作人员可根据对比情况做出设备运行状态的准确识别。实验结果显示，该算法可以有效的对变电设备的状态进行识别。

关键词：变电站巡检机器人;状态识别;谐波特征;LBG算法

DOI：10.16640/j.cnki.37-1222/t.2019.21.136

1 引言

电力设备贯穿于发电、输电和配电等电力生产的各个环节，一旦电力设备出现异常就会造成巨大的经济损失，甚至带来灾难性的后果[1]。长期以来，我国在变电站设备巡检中主要靠人工巡检作业方式。在雷雨、大风等恶劣天气下，人工巡检作业方式存在较大安全风险，并且检测到的数据也无法及时地传入管理信息系统。采用机器人技术进行变电站巡检，既具有人工巡检的灵活性、智能性，又能克服在恶劣天气下人工巡检作业方式不能巡检的缺陷。同时也是自动化、智能化和无人值守变电站巡检技术的发展方向[2，3]。

针对变电站中设备的运行状态检测，电力部门采取了多种方法，但是这些方法往往是接触式检测技术。然而，接触式检测方式有时会影响设备的正常运行。而有经验的工作人员可以通过设备发出的声音判别设备的运行状况，甚至还能通过异常声音得到故障的原因[1]，这种方式被称为非接触式检测方法。

变电站智能巡检机器人的投放使用，有力的推动了非接触式检测方法的应用。机器人可以携带摄像机和拾音器采集巡检过程中的设备图像和设备声音，利用模式识别技术即可对设备进行分析与识别。本文提出了一种声音谐波特征和人工配合的设备运行状态识别方法，实现了变电设备运行状态的自动化、智能化识别。

2 设备声音分析及特征提取

特征是区分不同物体的关键，变电设备在正常情况下发出的声音是稳定的、平稳的，运行状态改变时往往会出现比较尖锐的声音，并且声音也变的不平稳。

在语音识别中常用的特征有子带特征、MFCC、LPCC等特征[4]，此类特征多考虑以频带作为特征提取的单位，但是变电站设备运行声音的产生模型和语音不同。LPCC特征是基于线性预测分析得到的倒谱参数[5]，虽然线性预测LPC方法可以用于分析声音信号，但LPC方法是一种参数化模型的方法，对于变电站设备运行声音来说，频率分量存在较大波动，建模困难。因此，常用的语音识别类特征不宜用于设备声音识别。

傅里叶分析（DFT）不需要参数模型，是经典的信号分析方法[6]。因此，本文首先利用傅里叶分析方法对信号进行了频谱分析。在不同的变电站、不同的条件下采集了大量的设备声音样本，对这些样本进行了大量的统计和分析，发现变电设备声音具有很好的谐波特性。图2为变电站采集的设备声音频谱分析结果。

从图1可见设备声音谐波结构非常明显，频谱集中在工频（50Hz）倍数位置。为了分析变电设备谐波结构的稳定性，我们绘制了变电设备的语谱图，如图2所示。从语谱图上我们可以清楚地找到和各谐波对应的几条白线，这也说明了变电设备声音具有稳定的不随时间变化的谐波结构，因此声音信号的谐波特征可以作为识别信号的有效特征。

此外，通过大量的样本分析，发现设备声音的频谱基本位于1000Hz以下。并且样本质量好、噪声小、频谱更集中。考虑到设备异常时会出现大量的高次谐波，本文提取0Hz，50Hz，100Hz，…，1000Hz处的21个谐波分量的组建21维的特征矢量：{h0，h1，h2，…，h20}。

4 实验及结果分析

由于机器人采集的样本数量非常庞大，并且有很多样本在较长的时间内都是重复性的波形（因为大部分时间设备运行稳定）。因此，对样本进行了筛选，选取了有代表性的各种波形并剔除了包含刮风、下雨、说话声、风雨声、救护车声等各种背景噪声的样本，其中样本分别取了5500帧，每帧长度为1600点，并用汉宁窗对每帧数据进行加窗处理。

对这些样本进行离散傅里叶变换，得到了每一帧对应的21维谐波特征向量。在此基础上，利用LBG算法分别对设备样本进行了聚类，得到了训练码本code。识别时，先对样本进行加窗、分帧等预处理操作，计算每一帧的特征向量，然后利用训练得到的码本code进行识别。分别计算每一帧code码本之间的距离得到di1，di2，…，diJ，其中i为帧号，并计算得到距离的最小值：dimin，最后利用阈值进行状态识别，即3.2节描述的识别流程。由于变电站设备在运行中会出现负荷不同的运行状态，因此，需将识别结果传送到后台监控系统，操控室现场工作人员进行确认，如若结果正确，则及时进行维修。

实验结果显示，正常样本与码本code的偏差在[0，0.42]范围内。添加鸟叫、救护车、说话声等背景噪声时样本与码本code的偏差也小于0.42，如图5所示。而异常样本与码本code的偏差均大于2，由此可见正常状态与异常状态存在明显差异。在[0.5，1.9]之间选择阈值，可以实现99%的正确率。

5 结论

鉴于变电站设备运行的特殊性，本文基于变电站智能巡检机器人平台，提出了一种声音谐波特征和人工配合的变电站设备运行态识别方法。算法提取设备声音在[0Hz，1000Hz]范围内的21个谐波作为特征，建立了特征样本库，利用LBG算法訓练得到了声音的码本，利用码本间的欧式距离实现了变动设备运行状态的识别，正确率为99%。该算法的实施，实现了变电站的自动化和智能化巡检、更快地推进变电站无人值守的进程。

参考文献：

[1]蔡礼，朱建武，帅一.基于声学特征的变压器故障诊断方法应用需求分析[J].中国高新技术企业，2016（02）：49-50.

[2]通霏，伊列呼，张红旗等.智能巡检机器人应用技术研究[C].2014年中国电机工程学会年会，2014：1-3.

[3]宋晓明.变电站智能巡检机器人关键技术研究[D].长沙理工大学，2013：1-15.

[4]O.C.Ai，M.Hariharan，S.Yaacob，et al..Classification of speech dysfluencies with MFCC and LPCC features [J].Expert Systemswith Applications，2012，39（02）：2157-2165.

[5]S.Misra，T.K.Das，P.Saha，et al..Comparison of MFCC and LPCCfor a fixed phrase speaker verification system，time complexityand failure analysis[C].International Conference on Circuit，2015，9（02）：1-4.

[6]高宇，黄宜坚.基于分数阶傅里叶变换的振动信号分析[J].计量学报，2012，33（06）：532-535.

[7]许胜辉.非同步交流采样的测量与计算[J].电子与计算机技术，2011，10（01）：69-70.

[8]金涛，陈毅阳，段小华等.基于改进DFT的电力系统同步相量测量算法研究[J].电工技术学报，2017，32（17）：1-10.

[9]李杭生，陈丹.频谱分析中窗函数的研究[J].微计算机信息，2008，24（04）：272-273.

[10]M.Keshavarzbahaghighat，F.Sahba，E.Tehrani.Text-dependent Speaker Recognition by Combination of LBG VQ and DTW for PersianLanguage，International Journal of Computer Applications，2013，51（16）：23-27.

[11]梁彦霞，杨家玮，李烨.一种快速、有效的LBG初始码书生成算法[J].计算机科学，2011，38（08）：115-116.

作者簡介：杨超超（1988-），男，云南保山人，本科，助理工程师，研究方向：智能运行。