声信号特征优化断路器机械故障诊断算法

张 叶，齐小刚

（1.晋中职业技术学院机电工程系，山西 晋中 030600；2.西安电子科技大学数学与统计学院，陕西 西安 710126）

1 引言

高压断路器是组成电力系统的关键部件，其可靠动作对系统运行安全起着控制与保护的双重作用，因此对电路系统的高压断路器进行不间断的故障监测及智能诊断具有重要意义[1−2]。而机械缺陷是影响断路器可靠动作的主要原因，现阶段对断路器机械故障进行监测主要采用基于振动信号的定期巡检和事后维护等方式，但由于断路器动作时间极短，冲击强烈，而振动传感器对安装位置与方式敏感，并由于接触式安装，使其还会受到低频本振和高频电磁干扰，导致振动信号检测的高复杂性和低精确度[3]。

声信号与断路器的振动信号为同源，声传感器对安装位置及方式要求较低，优势明显，结合断路器的开合闸声信号进行设备机械故障的实时监测逐渐成为新的诊断手段。文献[4]在故障声信号分段基础上，分析不同合闸阶段信号的时域幅值差异，以差异明显时间段信号作为特征通过K−S检测实现高压断路器故障诊断，但该方法易丢失信号的整体特征，且时域特征受噪声影响较大；文献[5]结合小波变换和盲源分离思想对故障声信号进行模式分解，并提取能量熵作为故障诊断特征，但算法的小波分解尺寸难以合理设置，导致识别精度提高不明显；文献[6]采用粒子群优化的VMD 方法对高压断路器的分合闸信号进行整体正交系数解析，提取Hilbert变换的时频谱特征，并定义相似度指标作为机械故障的判断依据，算法具有更高的准确性和效率[7]；文献[8]对机械故障的振动信号和声信号进行EEMD分解，并以分解后IMF分量的能量熵、功率谱熵等作为特征向量；文献[9]益于人耳听觉特性对声信号处理方面的发展，以断路器声信号的加权改进MFCC特征作为识别特征，并通过矢量量化算法进行声信号识别，模型取得较高的准确率。

已有算法通常以振动信号的处理为主信号，而机械故障的声信号作为一种新数据对振动信号进行识别率增强，这导致样本不足情况下模型的监测性能不高。为此，提出基于声特征优化提取的机械故障监测算法，算法以K−S显著性检测提取故障信号差异较大的信号区间并提取其GFCC特征，然后以特征加权SVM对高压断路器的机械故障进行诊断监测。四种模拟机械故障的声信号的实验测试，验证了算法的有效性。

2 机械故障声特征提取

2.1 声信号特征提取

根据合闸声信号的特点，正常声信号与故障声信号通常存在较大的幅度变化差异[10]，为此，为提高模型对故障声信号的处理和监测效率，在提取声信号特征前，先通过K−S检验[4]提取声信号中的异常区间，在后续提取信号特征时，仅针对异常区间，K−S检验，如图1所示。

图1 故障声信号特征提取过程Fig.1 Feature Extraction Process of Fault Acoustic Signal

式中：m、n－声信号样本数；N=m+n，Xi、Yj－样本的顺序统计量；DN大于预设的阈值或计算的显著性水平α小于阈值，表明两样本的经验分布存在较大差异。

2.2 故障特征提取

研究表明[9]，人耳对声音具备良好的辨识能力，这主要通过其基底膜对不同频率具有选择特性实现的，基底膜的声频谱选择特性可由一组中心频率与膜位置相对应的Gammatone滤波器组进行模拟，因此，GFCC特征可借鉴人耳的听觉感知特性对高压断路器机械故障声信号进行编码，提取各状态下开合闸声信号的特征细节，便于故障监测。

Gammatone滤波器组通过等效模拟人耳基底膜对声信号频谱特征的冲激响应特性实现信号的听觉感知滤波，其中心频率采用等距形式，t时刻滤波器i的响应函数为：

2.3 故障声信号监测

在实际基于声信号特征的高压断路器机械故障检测过程中，故障声信号样本通常仅占较小一部分比例，从而造成正负样本不均，影响检测效果[10]，为此，采用特征加权SVM有监督学习探索识别模型输入xi与输出yi间的映射关系，进而完成故障诊断监测，同时采用十折交叉验证方法对特征加权SVM的监测效果进行评估检验。

传统SVM通过映射函数将数据映射到高维特征空间中，实现高维线性可分，但实际应用中，映射函数难以确定，为此，引入惩罚系数C以在接受范围内允许某些样本错分，文中惩罚函数采用特征加权方法，通过特征加权，使得数量较好的故障样本获得更大的权重，特征加权SVM代价函数为：

式中：n+与n−—正负样本数。

3 实测数据验证分析

为验证模型的故障监测有效性，以某弹簧操动的户外110 kV断路器为研究对象，采集其现场不同噪声环境下的各种正常开合闸声信号，同时模拟了线圈局部放电、传动导杆卡涩、风机故障、铁芯间隙过大等常见机械故障，每种故障声信号各采集60组独立数据，采集时长1s。采用TDK公司的16路41352阵列声传感器，距断路器1m非接触安装，采样率为44.1kHz，实验环境为：CPU Intel®Core™i7−9750H@2.60 GHz，16G内存，Mat lab 2016a开发相关模型和算法。

3.1 特征提取实验

对声信号进行加窗分帧处理后，以显著水平α=0.1%对声信号进行K−S 检验，以提取异常帧信号，然后对异常分帧进行GFCC 特征提取，采用4 阶64 位Gammatone 滤波器组，带宽为22.05 kHz，为避免样本过多导致的模型收敛困难和样本过少造成的模型泛化能力弱问题，文中采用十字交叉法对模型进行验证，单个GFCC特征维数为31维，实验中取得的各种状态下断路器的GFCC特征，如图2所示。采用LDA算法对各特征向量进行凸显优化，LDA凸显后的结果，如图3所示。

图2 差异声信号区间内的GFCC分布Fig.2 GFCC Distribution Within the Difference Interval

从图2和图3实验结果可以看出，在K−S检测出的差异区间内，故障状态下的断路器声信号的GFCC特征与正常状态下的声信号存在较大差异，通过改进SVDD可以有效实现监测。

图3 GFCC特征向量的可分离性分布Fig.3 Separability Distribution of GFCC Eigenvectors

3.2 算法性能比较实验

为验证文中算法在监测故障声信号方面的有效性，将其与改进支持向量描述（ISVD）算法和互补集合经验模态分解（CEEMD）算法进行算法性能比较，实验过程中，CEEMD 算法提取前10阶IMF的归一化能量熵为特征。实验过程中，模型的优化参数设置为C+1=10.3396，C+2=35.6211，γ1=0.01和γ2=0.01，实验以准确率作为评价指标，多次实验结果的平均值，如表1所示。

表1 各算法的故障诊断准确率Tab.1 Fault Diagnosis Accuracy Rate of Each algorithm

从表1实验结果可以看出，CEEMD算法的监测准确率效率均值较低，主要因为其特征对于不同的故障状态的监测准确率存在较大的变化，稳定性较差，而文中算法与ISVD算法对于各模拟故障产生的声信号均有较好的监测准确率，从而得到最优的统计均值，而文中算法更优，主要因为GFCC特征通过模拟人耳听觉感知特性更好的对声信号进行频率分解，从而更加突出特征差异，配合加权SVM分类框架，更适于高压断路器故障声信号检测。

4 结论

为提高高压断路器机械故障的监测准确性并解决传统基于振动信号方法面临的接触安装局限、低频本振和高频干扰等问题，提出基于声特征优化提取的机械故障监测算法，算法以K−S显著性检测提取故障信号差异较大的信号区间并提取其LDA优化凸显的GFCC特征，然后以特征加权SVM对高压断路器的机械故障进行诊断监测。四种模拟机械故障的声信号的实验测试，验证了算法的有效性。但由于实际高压断路器工作环境较为恶劣，声信号易受到环境各种噪声的干扰，加之实验过程中缺乏真实的现场声信号数据，因此，算法对于断路器工况的适应性和环境噪声的抗干扰能力还需要进一步验证分析。