基于音频识别的无人值守变电站设备在线监测(2)

　　2.1音频数据采集器
　　数据采集器是实现变电站设备无人值守音频监控的重要部件，它负责电气设备音频数据的处理和初步判断，内部结构如图4所示.
　　数据采集器对声音传感器采集声音信号的处理包括：信号放大、低通滤波、模数转换、声音压缩、信号初步判断、串行通信等处理过程.核心处理器为凌阳SPCE061A型音频处理机，该处理器集成了信号放大、模数转换、串行通信接口等部件，具有强大的声音处理能力，适合本项目音频信号的处理.SPCE061A型单片机IO端口的IOB7和IOB10可以从通用IO口设置为串行通信口（UART），为RS422通信提供了硬件条件.串行通信口的波特率从1500bps到51200bps（51.2Kbps）可调，通信速度能够满足状态监控的要求.为了实现多机通信，每个音频数据采集器均有自己的一个地址.通过单片机读取7个IO的二进制编码，实现采集器的地址编码，数据收集器根据这个地址编码轮询各数据采集器，实现与各监测点的多机通信.
　　为了减少上层服务器对音频数据的计算和处理，底层的数据采集器还需对采集的音频数据在本地进行简单的故障预判断，通过预判断提前发现所采集的音频是否属于故障音频.其基本原理是：首先对典型故障音频进行特征统计，并把统计结果保存在本地数据库中，然后把当前音频数据特征快速与故障音频特征进行比对.例如，当出现音频信号的幅度明显过高、过低、噪声信号过大等情况时，就能快速判断其属于故障音频.对于这些异常情况，数据采集器马上将判断结果通过RS485总线发送给数据收集器，再经数据收集器告知监控主机.
　　经数据采集器预判断不属于故障音频的数据，还需上传至监控主机作进一步分析.当数据采集器收到监控主机发出监听某个设备的要求时，立即将该设备的声音数据进行压缩和编码传输给数据收集器.数据收集器利用串口服务器，把RS485协议数据转换为TCP/IP协议的网络数据与监控主机进行通信，把音频数据传输到监控主机后完成进一步的判断处理.
　　2.2设备运行状态判别模块
　　设备运行状态判别模块是变电站音频监控系统的核心模块，基本判断过程如图5所示.监控主机对上传的音频数据进行频域变换、频谱分析，提取音频信号的MFCC（MelFrequencyCepstrumCoefficient，即Mel频率倒谱系数）特征参数[6]，然后把特征向量输入训练好的正弦基神经网络进行计算，判断出该音频数据表征的设备运行状态，同时监控主机根据判断结果做出相应控制和处理，保证设备安全运行.
　　2.2.1音频信号特征提取
　　有效提取语音特征是识别语音的关键.人的内耳基础膜对外来信号会产生调节作用，它实质上充当了一个滤波器组，具有在嘈杂的环境中以及各种变异情况下仍能正常地分辨出各种语音的功能，即使信噪比降低时它仍有较好的识别性能.Mel频率就是基于人耳听觉这一特性提出来的[7]，它与Hz频率成非线性对应关系；而且MFCC算法还模拟人耳滤波器功能设计了听觉前端滤波器组模型，这样计算的结果能很好地体现音频信号的主要信息，所以MFCC提取的音频参数广泛地应用于语音识别[8]、音频分类和检索领域[9].本项目也是通过提取电气设备声音的Mel频率倒谱特征参数作为判断识别的特征参数，Mel频率倒谱系数的参数提取步骤如下.
　　2.2.3音频特征识别器的训练
　　利用神经网络对音频数据进行自动分类，首先需要收集各种电气设备良好和故障状态下的音频数据进行训练.在变电站设备中采集m个音频信号的样本，经MFCC算法分别提取m个样本的特征参数，作为该状态的训练样本.每个特征参数是含有N个元素的向量，根据神经网络的模型及权值修正方法，设计了如下训练方法.
　　3实验与仿真
　　3.1实验设备介绍
　　无人值守变电站的音频监控系统已在河南省信阳供电公司220kV沙港集控中心和110kV工业城变电站试运行，且沙港集控中心离工业城变电站相距50km.系统设备包括：集控站主机1台、变电站主机2台、数据采集器8个，还有端子箱、配电箱、交换机、通讯电缆等.集控站主机设在信阳供电公司220kV沙港集控中心，其余主要设备安装在信阳供电公司110kV工业城变电站.到目前为止，音频监控系统性能稳定、运行良好，其安装现场如图7所示.
　　由图13可知，变压器音频信号的频率主要集中在50～500Hz，主要原因是变压器铁心振动产生的声音集中在5个频率范围.实验表明：不同运行状态下的音频信号，幅频图的频率峰值和幅度明显不同，所以有必要根据这个特点设置MFCC计算的初始条件，提取稳定可靠的音频信号特征作为识别的根据.
　　3.2.2变压器音频信号特征提取
　　利用Matlab计算主变压器音频数据的MFCC特征参数，结果如图14所示.
　　当变压器处于同一工作状态时，其声音具有持续稳定的不变性，而且不同时期获得同一状态的MFCC特征曲线具有相似性，如图15所示.
　　3.2.3正弦基神经网络识别分类
　　选取前面所述变压器5种状态下的音频数据各2000组共10000组（采样频率为8kHz）.首先从每种状态中随机抽取1500组共7500组进行神经网络训练，将每种状态剩下的500组特征向量作为测试数据，进行正弦基神经网络识别测试，得到变压器各种状态的正确识别率如表1所示.
　　4结论
　　监听电气设备运行时发出的声音信号能有效发现设备异常情况，及时采取措施隔离和消除故障，避免事态扩大.本文提出一种利用神经网络准确识别音频特征、判断设备故障类型的方法，从根本上改进了传统人工监听设备、判断故障的方法，提高了电气设备故障检测水平，丰富了无人值守变电站的设备在线监测和检修技术，在未来的智能电网建设中具有重要的应用价值.
　　参考文献

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

基于音频识别的无人值守变电站设备在线监测(2)