基于声场听觉感知的变压器故障诊断方法研究

邵宇鹰,王 枭,彭 鹏,袁国刚,郑申辉

(1. 国网上海市电力公司，上海 200122; 2. 上海睿深电子科技有限公司，上海 201108)

0 引 言

变压器作为电力系统中的核心设备之一，其运行稳定性直接影响整个电网系统的正常工作[1]。变压器故障诊断对于保证变压器可靠运行具有重要意义。

针对变压器故障诊断问题，国内外学者提出了很多检测方法。其中，油中溶解气体分析法(dissolves gas analysis，DGA)和振动信号分析法是两种比较成熟和有效的诊断方法。马叶芝等[2]选取5种油中气体作为故障特征量，用于变压器故障诊断，提高了变压器的诊断性能。张镱议等[3]从混合DGA特征量中优选出一组DGA新特征组合作为输入，对变压器进行故障诊断。虽然基于DGA的变压器故障诊断方法取得了很大的成果，但其诊断周期较长，不利于及时发现故障隐患。针对基于DGA诊断法的不足，很多学者探索采用振动分析的变压器状态诊断方法。颜秋容等[4]基于振动信号频段能量分布实现变压器故障诊断。魏晓莹等[5]提取变压器振动信号的二维特征对变压器铁芯故障进行诊断。研究结果表明振动信号能够准确、有效地表征变压器运行状态。虽然振动信号分析法有效地避免了基于DGA的变压器故障诊断方法的不足，但在信号检测方面，需要将传感器与变压器接触，给传感器的安装与维护带来一定不便。

变压器声信号故障诊断法是采集变压器实时工作下的声信号，并通过相关分析进行故障诊断的方法。声信号的采集不需要停运变压器，只需将声传感器布置在变压器周边即可。因此，基于变压器声信号故障诊断方法可以有效地克服传统检测方法的不足。变压器在正常与非正常状态下，所发出的声信号有很大差异。有经验的运行人员可以通过变压器发出的声音定性地判别变压器是否存在故障。基于人的感官经验对变压器运行状态分析，还未能达到定量和科学分析，而且运行人员也不可能长时间对变压器的声信号监听。不同的声信号会引起人耳听觉系统做出不同的响应，根据人耳听觉系统对不同变压器声信号的响应，则可定量实时监测变压器运行状况。因此，本文提出一种基于变压器声信号并考虑人耳传声特性的新型变压器故障诊断方法，并通过测试验证了方法的有效性。

1 样本采集及特征向量提取

1.1 样本采集

变压器噪声采集所用的测试系统整体组成如图1所示。参照标准GB/T 1094.10—2003，在变压器噪声的测量中，将传声器布置在离变压器1 m的轮廓线上[6]。图2展示了现场采集布置情况。测试时，传声器用于采集变压器工作时产生的噪声信号，并通过传输线将其传入到数据采集仪中。数据采集仪将噪声信号转化为相应的数字信号，并通过传输线将其传入到电脑中。电脑通过振动噪声测试软件LMS Test.Lab18.0对传入的数据进行预处理，并保存为软件Matlab可读文件，以便后续的分析和处理。

图1 变压器噪声测试系统布置图

图2 变压器噪声测试实验

电力变压器在运输、使用过程中出现的碰撞、挤压和外部短路故障等都有可能导致绕组松动变形，从而造成严重事故。所以，对变压器绕组松动状态进行监测，对电网系统的安全运行有着重要意义。本文通过控制绕组预紧力来模拟绕组不同程度的松动情况。在半消声室内，分别采集了某型10 kV干式变压器在低预紧力(20%，40%，60%)、正常预紧力(100%)和过预紧力(140%)条件下的噪声样本。具体采集情况如表1所示。

表1 变压器噪声样本

1.2 特征向量提取

1.2.1 人耳听觉系统感知机理

人耳听觉系统感知过程主要由人耳和大脑皮层的听觉中枢完成。人耳的结构主要由外耳、中耳和内耳3部分组成，负责声音信号的采集、传输和处理，因此，可认为人耳类似为一种实时频谱分析仪。听觉中枢负责人耳生理信号的分析和声音信号的主观判断。图3显示了人耳听觉系统的听觉感知过程。外耳由耳廓和外耳道组成，用于收集声音信号[7]。中耳包括鼓膜、听骨链和其他结构。鼓膜可以收集和放大来自外耳的声音信号。听骨链负责将鼓膜的振动信息传递到内耳。内耳主要由卵圆窗和耳蜗组成。卵圆窗负责接收来自中耳的振动信息。淋巴液引起的行波在耳蜗内迅速传播，引起基底膜的振动。基底膜上有许多与神经末梢相连的毛细胞。毛细胞将振动信号转换成电信号，通过神经纤维传递到听觉中枢。最后，产生对声音信号的听觉感知，进而形成主观意识判断。为了准确模拟人耳听觉系统的听觉感知过程，采用人耳集中参数模型模拟声音信号从外耳到内耳的传输过程，并提取内耳位移响应作为特征向量。用GA-SVM模型模拟了听觉中枢对人耳生理信号做出主观意识判断的过程。

图3 人耳听觉系统感知机理

1.2.2 人耳集中参数模型

针对人耳有限元模型的不足，利用Liu等[8]提出的人耳LPM模型，模拟了人耳对声音信号的感知过程。该模型以传输线结构的形式建立。首先，该模型假设刺激是以作用于横膈膜的力f(t)的形式传递，横膈膜固定在插入耳道的耦合器的一端。耦合器的另一端是鼓膜。然后，参照Matthews在1983年提出的模型建立中耳模型[9]。该模型忽略了与听骨链无关的其他动量，将锤骨、砧骨和鼓膜组合成一个系统。最后，根据流体力学方程，对一维基底膜的行波进行数值模拟。

1.2.3 SMVBMDR特征向量计算

人耳基底膜的功能类似于一个实时的频谱分析仪，对于来自外界声信号的响应可以通过24个滤波器组来模拟。每个滤波器对应的通带范围为1 Bark[10]。为了将其输入人耳模型中作为激励，首先，将噪声样本在临界频率带上分成24个子带噪声信号；然后，将每个子带噪声信号输入人耳模型中作为激励。考虑到变压器声信号在100 Hz及其倍频上分布较大的振动能量，在划分子带噪声信号时，在子带分割点上错开该频率，以保证子带信号分割的完整性。具体子带噪声信号划分标准如表2所示[11]。

表2 子带噪声划分标准

构建基于SMVBMDR的特征向量步骤为：

1）将M=175个变压器噪声样本在临界频率带上分成N=24个子带噪声，并计算所有子带噪声的线性声压级。

2）将每个子带噪声的线性声压级和中心频率输入人耳力学模型中，计算整段基底膜的位移幅值。图4展示了一个40%预紧力噪声样本的部分子带噪声(N=5～16)引起基底膜的位移yi,j(x)，x表示从基底膜底部到顶部方向。从图中可以看出，基底膜分别在相应特征频率处达到位移最大值，具有很好的频率识别性能。

图4 部分子带信号基底膜位移响应图

3）利用下式计算每个子带噪声信号的基底膜位移响应统计平均值(SMVBMDR)：

式中：SMVBMDRi,j——噪声样本i的第j个子带噪声信号的基底膜位移响应统计平均值，其中i为噪声样本编号，i=1,2,3 ,···,M，

j——子带噪声信号编号，j=1,2,3 ,···,N；

L——基底膜沿x方向长度。

这样便生成了每个变压器噪声样本24维的基于基底膜位移响应的特征向量，具体计算结果见表3。

表3 变压器噪声样本的SMVBMDR值

2 GA-SVM分类器构建

2.1 SVM模型

支持向量机(support vector machine，SVM)的变压器故障诊断模型是一类按监督学习方式对数据进行二元分类的广义线性分类器，主要用于解决二分类问题。由于SVM具有解决小样本分类问题精度高、结构简单和可重复性高等优点，在故障诊断方面得到了广泛的应用。故本文选择SVM算法用于识别变压器绕组松动状况。基于SVM的变压器故障识别是一种多分类问题，针对多分类问题，国内外研究者提出了多种解决方案，大致分为一对一分类方法和一对多分类方法[12]。其中一对一分类方法的思想是在任意两类样本之间设计一个SVM，因此，k类样本就需要设计k×(k−1)/2个SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。LIBSVM是台湾大学林智仁教授等基于一对一分类方法开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。本文基于LIBSVM软件包建立了用于变压器故障诊断的SVM多分类模型。在SVM模型中，不同的核函数可能产生不同的分类结果。RBF核函数可以逼近任何非线性函数，所以将其作为变压器故障诊断SVM模型的核函数，具体表达式为：

式中：K(u,v)——RBF核函数输出；

u和v——RBF核函数输入向量；

g——gamma参数。

2.2 GA参数寻优

研究表明，SVM的相关参数对分类精度有重要影响[13]。RBF核函数的参数包括惩罚系数c和用来设置核函数中的gamma参数g。常用的参数寻优方法是穷举法，该方法计算量很大，有时候很难找到最优参数[12]。遗传算法由于其强大的全局搜索能力，可以在很短的时间内达到全局最优。因此，本文使用GA算法优化SVM的参数。首先，对惩罚系数c和gamma参数g进行二进制编码并产生初始随机值。然后，对每个物种的染色体进行解码，得到c和g值，通过训练样本训练SVM分类模型，计算出样本的正确分类率。最后，根据正确分类率构造基因串的适应度函数，判断是否满足GA算法的停止准则。如果满足，停止计算，得到最佳参数。否则，将执行下一个基因操作，直至满足停止准则。具体优化过程如图5所示。

图5 GA优化SVM模型流程图

2.3 变压器故障识别应用

为了检验本文提出的GA-SVM变压器故障识别模型的有效性，选取70个变压器噪声样本作为训练样本，105个样本用于检验，具体如表1所示。设定群体规模为30，遗传代数为300，交叉概率为0.7，变异概率为0.05。训练前，所有特征向量数据按下式归一化处理：

式中：xi和——归一化处理前、后的值；

xmin和xmax——数据变化范围的最小值和最大值。

3 结果分析

图6为GA算法对变压器预紧力SVM故障诊断模型进行参数优化的适应度收敛曲线，得到的最优参数为c=2.406 4，g=3.788 1。其中平均适应度为所有个体在每一代中平均的适应度值，最大适应度曲线为群体中所有个体在每一代中的最大适应度值。从图中可以看出，适应度曲线在前30个进化周期内收敛较快，随后逐渐趋于平缓，最终通过250次进化后，收敛水平趋近一致，即实现了参数的优化。

图6 GA优化SVM的适应度曲线

图7为变压器训练样本分类结果图。由图可知，70组训练样本诊断正确识别率达到100%。图8展示了变压器测试样本分类结果。105组测试样本中只有2组样本(1组100%预紧力和1组140%预紧力)出现识别错误，诊断正确平均识别率达到98.1%。其中，20%预紧力，40%预紧力和60%预紧力正确识别率为100%，100%预紧力和140%预紧力正确识别率为96.7%。对于变压器绕组松动故障大都是由于变压器长期运行和振动导致绕组预紧力降低引起的。本文提出的变压器绕组状态监测方法对于低预紧力状态具有很高的识别精度，可以有效地应用于工程实践中以保证变压器运行的安全性和可靠性。

图7 训练样本分类结果

图8 测试样本分类结果

为了验证GA-SVM模型的普适性和稳定性，本文针对3种不同的训练样本和测试样本比例进行了模拟测试和10折交叉验证。具体结果如表4所示。由表可知，GA-SVM模型对不同训练样本和测试样本比例具有很高的精度，说明本文建立的GA-SVM模型针对变压器绕组松动故障诊断问题具有很好的普适性。模型在3种比例下预测准确度波动小于5%，同时，10折交叉验证结果具有很高的识别精度也证明了模型具有很好的稳定性。

表4 不同训练样本和测试样本比例模型分类结果

4 结束语

本文通过控制一台10 kV干式变压器预紧力来模拟变压器绕组松动故障，并提出了一种基于变压器声信号，并考虑人耳传声特性的新型变压器故障诊断方法。主要结论如下：

1）基于变压器声信号，并考虑人耳传声特性的新型变压器故障诊断方法具有传感器灵活、测试方法简便和故障识别率高的特点，为进一步监测变压器运行状态和故障诊断提供了新的思路，是变压器状态识别和故障诊断研究的新方向。

2）使用RBF作为核函数，并通过GA算法进行参数寻优建立的SVM变压器故障分类器具有高识别率的性能，可以有效地用于变压器实时监测和故障诊断。

3）使用完整人耳集中参数模型提取的听觉特征向量SMVBMDR可以定量精确地反映变压器故障类型，为变压器故障诊断特征向量提取方面提供了新的思路和参考。