基于深度学习模型的电力变压器故障声音诊断方法研究

论文来源

DOI：10.16311/j.audioe.2020.01.020

论文目的

在变压器不停止工作的情况下，基于变压器的三种状态：正常、老化和放电下对变压器发出的声音信号进行声谱图转换和梅尔对数谱图的转换，输入到MobileNet中进行训练。采用梅尔对数谱图转换实现了高达99%的识别准确率。采用声谱图转换对放电缺陷检测识别率较高，但是对老化故障识别率不够理想。

论文内容

1. 对变压器声音的故障诊断的研究集中在数学模型建立、特征提取、和定性经验方法中；
2. 使用声音对变压器进行故障诊断实际上可以看作环境声识别问题；
3. MobileNet是一种基于流线型架构轻量级深度神经网络，可以在保证模型性能的前提下降低模型大小，同时提高模型速度，适合嵌入式设备的使用。

论文使用方法

1. 采集了变压器三种不同状态下的声音：正常运行时发出的声音，在用老化变压器发出的故障声音和模拟间歇性放点故障发出的声音；
2. 声音采集系统包括：电容传声器、声卡、计算机；
3. 声卡采样频率为：96kHz；本系统可以录制的声音频率为：20-48kHz；采用Adobe Audition，WAV格式；
4. 数据清洗工作通过Audition软件手动完成，信号分割采用python完成，形成帧移1s，帧长3s形成多个音频文件；
5. 采用声谱图和梅尔谱图进行处理；

声谱图分析

梅尔对数谱图分析

梅尔谱图是将低频信号进行精细显示，而高频进行粗略显示。

梅尔频率和线性频率的关系：

生成的梅尔对数谱图

训练方法

使用tensorflow中提供的MobileNet模型，进行迁移训练，主要使用变压器图谱数据集对FC层进行训练。

实验结果

---

个人总结

本文将变压器状态分为三类：正常，放电，老化状态，并采用声谱图和梅尔对数谱图两种方法将声音信号进行处理，之后将得到的声谱图输入到MobileNet预训练模型的FC层进行训练，最后在梅尔谱图下面得到了较好的效果。

本文虽然使用了CNN方法来对声音进行特征提取，这是值得肯定的一点。但是，在对变压器声音进行分类时，选定的类别数较少，这对实际的变压器环境的泛化程度较低（因为实际环境很复杂，有很多种类的变压器故障）。