铁塔螺栓松动声纹识别技术研究

李文彬 冯砚厅 王 勇李晓康吕亚东

(1.国网河北能源技术服务有限公司,河北 石家庄 050021;2.国网河北省电力有限公司电力科学研究院,河北 石家庄 050051)

0 引言

输电铁塔是电力系统中电力输送的关键一环,这一环节的整体安全性关乎整个电网系统的安全稳定运行。从组成部件上来看,铁塔由各类大小不同、尺寸各异的金属塔材、各种规格尺寸的螺栓、起辅助功能的金具等组成。整个铁塔的完好性、金属部件的有效性、塔身整体的垂直角度等都是衡量其服役状态的重要指标。而线路长期受大风影响,时常舞动[1],载荷经导线与塔头结合部位金属部件传递,间接令塔身发生相应振动[2]。这种情况下,塔上各连接部位的螺栓也随之受到相应的应力影响,此时,螺栓承受额外载荷便会逐渐发生松动,甚至损坏、失效,严重影响铁塔结构的刚性强度,威胁铁塔安全,对此排查消除不及时,很可能造成电网事故。近几年,河北省南部电网倒塔事故偶有发生,给相关居民、企业带来了不便与损失[3]。故而,保障铁塔安全,需要对螺栓紧固程度、受力情况、是否松动进行检测,以便及时维护,预防事故发生。

输电线路杆塔、铁塔的日常运行维护,都是通过相关工作人员定期开展巡查检验,登塔爬杆,对各部位螺栓进行逐个检查。该检查方式直接、有效,但难度大、效率低、依赖人力。随着经济社会发展,电网线路里程高速增加,工作量也急剧增长[4],因此亟待开发一种便捷、高效的检测方法,提高输电线路巡检效率,保障电力输送安全稳定运行。

近年来,关于螺栓松动检测方面的研究偶有报道,但大都聚焦在建筑领域,如塔吊机械。国际上也有在风力荷载条件下铁塔振动特征分析的探索,却鲜有团队、机构开展输电铁塔螺栓松动研究。某些报道的检测方法装备仪器繁杂冗余、计算方法复杂,实际应用成本高,有较大不确定性,精确度一般。并且所配置的模拟实验平台无法适应铁塔周围实际环境,其实际检测效果还需深入求证[5]。

本文针对输电铁塔螺栓松动问题,利用声纹识别原理与方法,对相同规格螺栓在不同紧固状态下的声音振动信号差异特征进行分析对比,给出了螺栓状况的初步判断方法和根据,为将来深入探索铁塔螺栓松动识别提供借鉴。

1 铁塔螺栓松动声纹识别原理

1.1 铁塔螺栓松动研究概况

一般认为输电线路铁塔螺栓松动的主要原因是铁塔在风力载荷的作用下,各连接部件的相互错动导致螺纹副发生塑性变形,继而导致各连接节点的螺栓出现松动。内华达大学的Jiang Yanyao等借助有限元模拟了由于螺栓松动而降低2个螺栓板夹紧力的过程[6]。模拟试验表明,夹紧力的减小是由于螺栓和螺母螺纹配合面的轻微滑动引起的。因此认为,螺栓自发造成松动主要有两方面原因:一是所承受载荷的动态变化;二是螺纹啮合面发生细微滑动位移。之后,针对螺栓自松动,将螺栓在动态载荷作用下松脱过程分为2个阶段:初始松脱和后期加速松脱,初始松脱阶段是由螺栓自身材料形变引起,螺母此时无转动,但在后期加速松脱阶段,螺栓和螺母会逐渐旋转,加速螺栓松脱[7-10]。R.I.zadoks研究了横向振动条件下螺栓松动特性,建立了横向荷载作用下的两自由度螺栓连接动力学模型,并在静态和动态条件下对模型进行了试验,解释了引起螺栓松动的关键原因,深入阐释了松动全过程,为有效、准确测量螺栓是否发生松动提供了方法[11]。部分专家认为铁塔螺栓发生松动这一现象的根本在于外力引起的压力波在螺栓中不断反射,形成动态拉力和压力,这2种应力使得螺栓连接夹紧力发生减小,导致螺栓松动[12]。

1.2 声纹识别原理

声纹识别基本原理是在外部用力(力锤、激振器等)敲打,使物体产生低频高能声振波,在传播过程中,此种波会在物体表面多次反射,激发物体瞬态动力响应,然后在频谱上显示物体各频率成分。当物体本身状态发生变化时,频谱中相应的频率也随之变化,通过对比频率成分的变化情况,判断物体状态变化。声振波属于应力波的一种,一般由激振装置对物体进行声波激发,采用拾音器对声音信号采集录制后展开技术分析。本文应用此原理开展铁塔螺栓松动试验,进行相关模型、理论分析及系统搭建。

2 铁塔螺栓松动现场试验

2.1 现场测试

现场检测系统主要由激振器(橡胶锤)、高品质录音笔、拾音器构成。为达到产生一定强度振源的目的,采用的激振仪器使用橡胶锤,满足铁塔局部区域激振。其便捷易携带、操作简单,利于现场开展试验。

进行试验时对第一级塔材的螺栓进行人为松动2圈,在临近主材位置距离地面2 m 处布置拾音器,使用橡胶锤在拾音器下面0.5 m 位置的主材上进行锤击,使用高品质录音笔进行拾音器的声音录制,录制完成后将人为松动的螺栓进行紧固,重复上述实验过程,分别获得螺栓松动和螺栓紧固状态下的声音文件,开展下一步对比分析。

2.2 数据分析

声音信号有时域、频域2个观察面:时域分析以时间为坐标轴,其关键要点是信号数据发生的先后顺序;频域分析以频率为坐标轴,表示信号在振动过程中的频率结构。总之,信号不仅随时间改变,还伴随频率、相位等参数而变化,因此既要分析信号数据的先后顺序,还要分析信号的频率结构,并在频域中描述信号。动态信号从时域到频域的变换需要通过傅里叶级数和傅里叶变换来实现。傅里叶级数用于周期信号,傅里叶变换用于非周期信号。对铁塔螺栓松动与紧固状态下锤击声音文件分别进行时域分析(见图1)、频域分析(见图2)、时频分析(见图3)。

图1 螺栓松动与紧固时域分析

图2 螺栓松动与紧固频域分析

图3 螺栓松动与紧固时频分析

由以上声音文件时域、频域、时频图分析可知:输电铁塔螺栓松动与紧固状态对比下时域图中幅值峰值均在0.015 附近,二者区别不是很明显;二者在频域图与时频图中频率、时间、幅值均差异明显,主要原因为螺栓在松动与紧固不同状态下相当于角钢约束发生了变化,从而在橡胶锤锤击时,频率发生了改变,通过区分频率变化,可以实现螺栓松动声纹识别。

3 声纹识别模型及系统搭建

3.1 声纹识别流程

特征提取和模式识别,是声纹识别模型的两大主要构成。其中,提取特征对识别精度影响很大。本文在MFCC特征向量基础上,针对铁塔周围环境噪声特点,得出此铁塔螺栓松动声纹识别方法,识别流程如图4所示。

图4 声纹识别流程

识别过程执行步骤为:塔锤产生的声信号预处理、提取MFCC 特征向量、对特征向量进行加权优化、主成分分析(Principal Component Analysis,PCA)算法降维[13]、最后用VQ 算法建立铁塔螺栓松动声纹识别模型库,实现螺栓松动、紧固声纹有效识别。

3.2 信号预处理方法

在铁塔螺栓声纹识别中,由于锤击声信号在短期内稳定,因此信号预处理有助于提升特征向量提取准确性。预处理含分帧、加窗两步,两帧相互重合叠加一部分,有利于相邻两帧信号连续平滑过渡,此类信号分帧的数学关系表示为

式中:M为帧数;n为噪声信号长度;L为帧长;b为重叠率。

在声纹识别分析过程中,通常20～30 ms为一帧,若太短则特征向量代表性差;太长语音信号变化过大则有损特征向量准确性,两帧间重叠比例确定为30%。

信号预处理后需进行离散傅里叶变换,但直接变换会有较大失真。因此,本文对每一帧信号施加汉明窗后再变换,以提高两帧信号间连续性,减小傅里叶变换引发的失真。

3.3 MFCC特征向量提取方法

MFCC系数是基于Mel频率域的倒谱系数,其中Mel频率是根据人听觉感知特性变换的频率域,其转换公式为

式中:B为Mel频率;h为频率。

在计算MFCC特征向量中,要通过离散余弦变换、FFT 变换、Mel滤波、对数变换,将每一帧信号预处理后的特征向量组成新的特征向量组。

3.4 MFCC特征向量提取

研究显示,在上述计算得到的MFCC 特征向量中,各维分量对声纹识别贡献大小不一,大多数分量对声纹识别正向作用大,但一些分量作用较小,少数分量具有反向作用[14]。因此本文采用F比基础上的加权优化方法,用提高特征向量的F比提升声信号识别率。F比常被用于测验特征向量各维分量的有效性,F 比高即分量在同类信号间方差小,反之则方差较大。

3.5 MFCC特征向量的降维优化

在分析铁塔锤击声音信号过程中,MFCC 特征向量维数高低代表着能否全面提取噪声信号特征。然而,特征向量维度升高,时间会随之延长,计算复杂程度也升高。为保障准确性且节省计算时间,本文引入PCA 算法对识别过程产生的高维MFCC特征向量进行降维。PCA 基本思路是将原特征向量各维分量进行线性组合成新特征向量,使新特征向量各维分量互不相关且方差尽可能大。

3.6 声纹识别系统搭建

螺栓松动声纹识别系统结构见图5,系统主要包括声纹训练、声纹识别、结果输出三部分。

图5 声纹识别系统结构

声纹训练模块首先要预处理铁塔螺栓的锤击声音信号(包括松动、紧固两类信号),再提取MFCC特征参数,通过矢量量化方法压缩得到螺栓松动与紧固状态的码本,多次在人为螺栓松动与紧固状态下得到声音信号,重复该训练过程,最终形成码本库。在识别过程执行中,声信号预处理首先在声纹识别模块中进行,后提取MFCC 特征参数,再对比其与训练库码本的欧氏距离,若小于某阈值,则认定锤击信号特征与训练码本库中的一致,配对成功,反之配对不成功。结果显示模块会根据配对结果,给出不同显示,配对成功给出螺栓松动、螺栓紧固显示;配对不成功给出不能识别显示。

4 应用情况

使用声纹识别系统进行了铁塔螺栓人工松动与紧固状态检测试验,试验结果显示均能可靠识别出螺栓松动与紧固状态。

对试验基地铁塔A 腿主材第1节与第2节处人工松动螺栓2～4个,进行螺栓松动训练与螺栓紧固状态训练,松动与紧固状态分别训练3 次,MFCC特征松动与紧固识别临界值为4.0。对试验基地铁塔B腿螺栓进行人工松动与紧固状态进行识别,均能有效进行识别,螺栓松动识别界面见图6;螺栓紧固识别界面见图7,验证了该系统识别铁塔螺栓松动与紧固状态的可靠性。

图6 螺栓松动识别结果

图7 螺栓紧固识别结果

5 总结与展望

本文采用锤击铁塔主材的方式,使塔体产生低频高能量的声振波,引起铁塔的瞬态动力响应,利用声纹识别原理对螺栓不同紧固状态下的声音信号进行收集与分析。

(1)详细阐释了输电线路铁塔螺栓松动的主要原因和声纹识别的原理,并在此基础上开展了现场测试及信号数据收集分析工作,通过区分频率变化,实现了螺栓松动声纹识别;

(2)搭建了完整的锤击信号声纹识别模型及系统,分析了声纹识别流程、信号预处理、MFCC特征向量提取及降维优化,并使用该系统进行了MFCC特征向量提取与判定训练,试验结果显示均能可靠识别出螺栓松动与紧固状态;

(3)该系统只能识别样本库中具有的螺栓松动的声纹特征,具有一定局限性,尤其对于螺栓松动在铁塔中的定位有一定难度,随着具有螺栓松动声纹特征的样本库进一步丰富,基于声纹识别的铁塔螺栓松动检测技术将有广阔的应用前景。