基于变压器故障噪声监测诊断技术的音频特征

引言

变压器是电力系统中的重要设备,其运行稳定性直接影响供电质量,因此变压器运行状态监测及故障诊断已成为电网维护的一项重要工作。目前,传统的变压器监测一般需要使用接触式测量仪器进行巡检,人力成本高,效率低。基于此,本文提出了一种以音频分析为基础的新检测手段:根据变压器运行时声音的变化来反映变压器运行状态的变化,即在变压器发生故障时提取音频特征信息,使用经验模态分解(EMD)方法将信号分解成若干IMF特征分量并进行Hilbert变换,得到相应的Hilbert谱,最后通过科学算法和软件分析将异常运行时的音频特征量与正常运行时的特征量做对比分析,从而实现变压器故障诊断功能。在利用音频特征监测变压器状态时,对音频信号的处理是其核心步骤,主要包括音频特征的提取及故障特征的识别与判断。由于变压器型号种类多、结构复杂、工作环境多样,因此在实际采样过程中采集到的音频除了含有变压器自身固有机械振动产生的正常音频以外,还有许多环境噪声干扰混杂于其中,需要对采集的音频信号做降噪处理,从中分离并提取有效的音频特征。本文就如何分离并提取音频特征进行探讨分析。

1Hilbert-Huang变换简介

Hilbert-Huang变换是由黄锷等人提出的一种新的信号分析法。该分析方法是在经验模态分解(EMD)方法的基础上,结合Hilbert谱的概念和分析改进Hilbert谱之后得出的方法,被命名为Hilbert-HuangTransform(简称HHT),即希尔伯特黄变换。在实际工程中对于变电站设备故障噪声音频特征的提取,一般多采用梅尔频率倒谱系数(MFCC)方法。该方法是一种频域分析方法,它模拟了人耳非线性听觉特性,并且基于梅尔刻度对频带进行等距划分,使得间隔频带更加接近于人类的听觉,故其被广泛运用于各类声音信号的处理中。但这种提取方法在加性噪声的情况下稳定性和精度并不高,所以还需要进一步改进,目前采用较多的改进方案是将其与隐马尔可夫模型结合运用。

Hilbert-Huang变换是一种时域分析方法。首先利用经验模态分解(EMD)方法将一个混合信号分解成若干IMF分量,通过Hilbert变换得到各个IMF的Hilbert谱,将每个IMF分量的Hilbert谱分解成独立的子向量,最后汇总所有IMF的Hilbert谱,合成原始信号的Hilbert谱,从而达到分离混合信号的目的。同经典的傅里叶变换信号分析方法相比,EMD方法克服了用傅里叶变换方法提取信号频谱时必须要利用信号的全部时域信息这一缺点,具有良好的时频分辨率和自适应性,能够完美地重构原始信号。Hilbert-Huang变换适用于对非线性、非平稳信号的分析处理,具有完全自适应性,可以在时间和频率上同时达到很高的精度,可用于突变信号的分析。这种方法非常适用于变电站背景噪声强的混合音频处理,能够从复杂的背景噪声中分离出有效的音频信号。

2Hilbert-Huang变换的应用

2.1经验模态分解(EMD)

Hilbert-Huang变换首先要进行的就是通过EMD方法将信号分解,这个信号可以是平稳的、线性的,也可以是不平稳的、非线性的,EMD的主要作用是将信号分解成若干个IMF,每一个IMF必须满足两个条件:(l)信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个:(2)由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。其过程如下:

首先获得给定的信号s(t)的所有极点,用三次样条插值函数求出上下包络线,上下包络线的均值记为ml(t),s(t)与ml(t)的差记为hl(t),则:

由于通常情况下此时的hl(t)还不是一个IMF分量序列,这就需要对hl(t)重复上述操作,直到过零点的数目和极点的数目相等或仅相差一个,且各个瞬时平均值都等于零,从而得出第一个IMF分量cl。

然后用s(t)减去cl,得到残余信号ī(t),再用ī(t)重复上述操作,得到第二个IMF分量c2、第三个IMF分量c3……,最后得到第m个IMF分量cm和残余信号īm,īm满足给定的终止条件时结束(īm足够小或者是单调函数)。最终获得的表达式为:

2.2Hilbert谱和Hilbert边际谱

对于每一个分解出来的IMF分量,做Hilbert变换:

生成的解析信号为:

由此得到瞬时振幅和瞬时相位的函数:

进一步可求出瞬时频率:

将所有分量的Hilbert谱汇总,就得到了:

这个表达式省略了残余函数īm(l),它可能是一个单调函数,也可能是一个常数。Re表示取

实部,展开式称为Hilbert谱,记为:

由此对上式进行积分就可以进一步得到Hilbert边际谱:

3仿真实验

实验采用两组信号源,其中一组为多周期混合信号线性叠加的模拟信号函数:

另外一组为一段实地采样音频,为混合音频信号,该音频信号同时包含随机环境噪声以及具有固定周期和规律的特定信号,对两组信号分别进行Hilbert_Huang变换。

首先对模拟函数信号进行分解,分解结果如图1所示。其中,图1(a)为函数的原始信号,图1(b)为函数原始信号的频谱。

经过Hilbert_Huang变换后,通过EMD方法将函数信号分解,按频率由高到低排列得:IMF1为分解2×sin(2×π×40×l)得到的特征分量:IMF2为分解2×cos(2×π×20×l)得到的分量:IMF3为分解4×sin(2×π×5×l)得到的分量:IMF4为分解后的残余项。函数IMF分量如图2所示,图2(a)(b)(c)(d)为各IMF分量波形图,图2(e)(f)(g)(h)为IMF分量对应的频谱。

以IMF2特征分量为例,对函数信号进行Hilbert_Huang变换后,得到能够反映IMF2分量特征的物理量。IMF2的特征波形及其频谱、包络线、瞬时频率、调制信号和调制信号的频谱如图3所示。

在完成对多周期混合信号线性叠加模拟信号的分析之后,再对含有大量随机噪声的实地采样音频信号进行处理,根据原始信号绘制波形图及其对应的频谱,如图4所示。

图4混合音频原始信号

经过Hilbert-Huang变换的EMD分解后,混合音频被成功分解成15个IMF分量,其中前4个频率最高,所含信息量相对较大的4个IMF分量的波形图如图5(a)(b)(c)(d)所示,其对应的频谱如图5(e)(f)(g)(h)所示。

体现出来的优越性,使得这种方法在地震波分析、机械故障诊断、语音信号处理等多个领域被广泛使用。鉴于变压器种类繁多、结构复杂、故障引发噪声的原理各不相同,以及监测运行状况和诊断故障的操作过程繁琐复杂的实际情况,对变压器噪声采用新的音频分析手段,将检测到的音频信号通过Hilbert-Huang变换后,再结合其他优化算法进行故障特征分析,是一种有效的变压器故障诊断方案,具有很高的研究价值。