合閘過程監測下的10kV斷路器機械故障聲紋識別技術

段新宇 盧 鈴 胡 勝 曹 浩

（國網湖南省電力公司電力科學研究院）

0 引言

傳統的故障診斷方法通常依賴于專業人員的經驗和設備的監測數據，存在準確性低、成本高等問題。而聲紋識別技術作為一種非接觸式的識別方法，具有不可偽造性和高度自動化的優勢，可以有效地應用于斷路器機械故障的識別中。因此，開展基于聲紋識別的機械故障聲音識別研究，具有非常重要的理論和實際意義。

1 工程概況

為了實現電網設備的智能化運維管理，某電網企業擬應用10kV斷路器機械故障聲紋識別技術進行合閘過程監測，通過對斷路器機械故障的聲音特征進行分析和識別，實現故障的早期預警和準確定位。預期實現效果如下：系統將部署在電網企業的監控中心或相關設備上，接收并處理斷路器合閘過程中的聲音信號。一旦檢測到異常聲音，系統將通過報警信息及時通知運維人員，以便他們能夠迅速采取相應的維修和處理措施，降低故障對電網運行的影響保障電網的穩定運行。

2 機械故障聲紋識別模型的設計

2.1 數據采集與預處理

在該研究中，通過采集合閘過程中10kV斷路器產生的聲音數據作為實驗樣本，旨在分析和識別其中的機械故障情況。為確保數據的準確性和可靠性，使用專業的麥克風或傳感器進行聲音采集，并應用適當的信號處理技術進行數據預處理。

為了控制數據質量和充分性，根據采樣定理，選擇合適的采樣頻率（例如，f＿s）對聲音進行采樣。采樣頻率應滿足Nyquist采樣定理，即大于等于信號最高頻率兩倍的采樣率，以避免采樣失真。通常，對于人類聲音的分析，常用的采樣頻率為16kHz或更高。

數據采集過程中，需要記錄并保存聲音數據的時間和頻率信息。時間信息記錄可用于后續對聲音信號進行時域分析，如波形展示和時域圖譜計算。頻率信息記錄則可用于進行頻域分析，如傅里葉變換和功率譜密度估計［1］。

隨后，進行數據預處理以提高聲音數據質量和特征提取的準確性。預處理步驟包括噪聲去除、回聲降低和干擾消除等。為去除高頻噪聲，可以采用數字濾波器，如低通濾波器。低通濾波器能夠在一定頻率截止點以下抑制高頻噪聲，并保留聲音信號中的基本頻率成分。

同時，還應用去回聲算法來減少回聲對聲音數據的影響?；芈暿怯捎诼曇粼诃h境中反射和傳播引起的信號重疊現象。通過使用回聲消除技術，如自適應濾波器，可以減少回聲對聲音信號的混疊，提高數據準確性［2］。

此外，為了確保數據在相同尺度下進行比較和分析，對聲音數據進行增益調整和歸一化處理。增益調整可以根據采集環境的聲音強度差異，使不同樣本的音量水平保持一致。歸一化處理則通過縮放數據的振幅范圍，將其映射到標準化的數值范圍內，例如［－1，1］或［0，1］，以便進行后續特征提取和分析。

2.2 聲紋識別實驗設置

選擇已知機械故障的斷路器作為樣本，并設定正常工作狀態的斷路器作為對照組，旨在通過分析和識別斷路器在合閘過程中產生的聲音數據來檢測其中的機械故障情況。

針對本實驗的環境需求，布設一個安全可靠的配電室或實驗室的環境，以模擬真實的操作場景。該環境應提供足夠的空間和支持設備的布局，同時應具備良好的隔音效果，以減少外界噪聲對實驗結果的干擾。此外，應保證實驗操作的安全性，必須符合相應的安全標準與規程，如防止觸電、過載等危險情況的發生。

在實驗條件方面，需要指定一系列參數來確保實驗的一致性和可重復性。首先，對于電壓，可以選擇標準的10kV電壓等級，例如在8.7kV至12.4kV之間，并保持穩定的電壓輸出。其次，對于電流，可以根據斷路器的額定電流進行設定，例如在10A至100A之間，并確保通過斷路器的電流保持恒定。此外，實驗中的頻率應與正常運行情況保持一致，可以選擇50Hz或60Hz的工頻。

此外，為了確保實驗的準確性和精度，需要使用專業的測試設備和測量儀器。例如，聲音采集可以使用高靈敏度的麥克風或傳感器，其頻率響應需要足夠廣泛，以捕捉斷路器產生的全頻譜聲音信號。此外，還可以配備精密的電壓測量儀器、電流傳感器等用于對電氣參數進行實時監測和測量。在數據采集過程中，可以使用數據采集卡等設備將模擬聲音信號轉換成數字信號，以便后續的數字信號處理和分析順利進行［3］。

同時，為了確保實驗結果可靠，需要進行大量的樣本采集，并在實驗過程中記錄詳細的數據信息。每次實驗應至少重復多次，以獲得統計上的可靠性。此外，在整個實驗過程中，應保持環境穩定，避免干擾因素對實驗結果的影響，如控制室內溫度、濕度等環境條件。

2.3 性能評估指標的確定

性能評估指標如圖所示。

圖 性能評估指標

具體來說，第一，準確率是對整體分類結果的評估，表示在所有樣本中正確分類的比例。準確率越高，表明聲紋識別系統的整體性能越好。第二，精確率是指被正確判定為正例（真正例）的樣本數占所有判定為正例（真正例＋假正例）樣本數的比例。也就是在所有被判定為機械故障聲音的樣本中，有多少是真正的機械故障聲音。第三，召回率是指被正確判定為正例 （真正例）的樣本數占所有實際正例（真正例＋假負例）樣本數的比例。也就是在所有真正的機械故障聲音中，有多少被正確判定為機械故障聲音。第四，F1-score是精確率和召回率的綜合評價，通過計算兩者的調和平均值得到。F1-score能夠綜合考慮精確率和召回率，當兩者相近時，F1-score的值越接近1，表示系統的性能越好。以上指標的計算可以通過式（1） ～（4）來表示：

其中，TP表示真正例（正確識別的機械故障聲音），TN表示真負例（正確識別的正常工作聲音），FP表示假正例（將正常聲音誤判為機械故障聲音），FN表示假負例（將機械故障聲音誤判為正常聲音）。

在實際應用中，各指標的權重有所不同，例如，在一些安全性要求較高的場景中，更注重召回率以確保盡可能多的機械故障聲音被正確識別；而在其他場景中，可能更注重精確率，以減少誤判的情況。為了獲得可靠的評估結果，需要從大量樣本中進行測試，并采用交叉驗證等技術確保評估結果的穩定性與泛化能力。此外，還需提供真實數據集，包括包含正常工作聲音和不同類型機械故障聲音的樣本。

3 聲紋識別模型性能評估結果分析

3.1 合閘過程中斷路器聲音數據的分析

在合閘過程中，使用專業的聲音采集設備對斷路器的聲音信號進行錄制。采集到的聲音信號是一個時域波形，其中包含了豐富的信息。接下來，需要對聲音信號進行特征提取。采用信號處理技術，如時域分析、頻域分析和小波分析等方法，從聲音信號中提取出關鍵的特征參數。在時域分析中，計算聲音信號的振幅、能量以及時間變化特性，測得斷路器合閘過程中聲音信號的峰值振幅為120 dB。這表明斷路器合閘時發出了較高的聲音強度。在頻域分析中，將聲音信號轉換到頻域，通過計算聲譜圖、頻譜密度等參數來獲取聲音信號中不同頻率成分的能量分布。經觀察，在合閘過程中聲音信號主要集中在100Hz至1kHz范圍內，其中400Hz頻率成分的能量最大。這說明合閘過程中存在著特定頻率的聲音特征［4］。

此外，采用小波分析方法對聲音信號進行分解和重構。通過選擇合適的小波基函數，將聲音信號拆分為5個不同頻率和時域分辨率的子信號。其中第一個子信號對應低頻分量，第五個子信號對應高頻分量。通過觀察，在合閘過程的初始階段，高頻分量占據主導地位，而在后續階段逐漸減弱。這反映了合閘過程中存在著瞬態的高頻脈沖聲音。

基于以上分析，對以下結果進行推斷，第一，斷路器合閘過程中產生的聲音具有較高的峰值振幅，這可能是由于電流瞬變和機械運動引起的。第二，合閘過程中的聲音信號主要集中在100Hz至1kHz范圍內，其中400Hz頻率成分的能量最大。這可能與斷路器的結構和工作原理有關，需要進一步研究。第三，在合閘初始階段，聲音信號中存在著瞬態的高頻脈沖，隨后逐漸減弱。這可能與斷路器觸點的接觸、彈簧的壓縮等因素有關，需要進一步檢查。

3.2 機械故障聲音特征分析

運用專業技術對合閘過程中斷路器的機械故障聲音信號進行詳細分析，以準確識別和診斷機械故障。具體來說，將采集到的聲音信號轉換為頻譜圖。頻譜圖能夠以時間和頻率為坐標展示聲音信號的能量分布情況。通過觀察頻譜圖，可以發現異常頻率成分的出現，從而初步判斷是否存在機械故障。頻譜圖顯示，在頻率范圍為100Hz到10kHz之間，出現了一個明顯的峰值頻率在2kHz處。該頻率對應著斷路器內部機械元件的振動情況。

在特征提取與模式識別階段，將對采集到的聲音信號進行進一步處理。采用時頻分析方法，如短時傅里葉變換（STFT）、小波變換等，將聲音信號同時展示在時域和頻域。這樣可以更全面地觀察故障頻率的時變特性，進一步驗證機械故障的存在。時域特征提取結果顯示，斷路器機械故障聲音信號的峰值達到了85dB，相比正常工作狀態的峰值為70dB，明顯增加了15dB；頻域特征提取結果表明，異常頻率成分的能量占據了總能量的20%，而在正常工作狀態下，這個數值只有5%。異常頻率成分主要集中在2kHz附近；時頻域特征提取顯示，在合閘過程中，斷路器機械故障聲音信號的能量在2kHz的頻率范圍內變化較大，并且能量分布呈現出尖峰狀。之后，結合機器學習算法，可以根據提取的特征參數進行模式識別和分類。通過訓練模型，使其能夠自動識別不同機械故障類型的聲音特征。例如，對特定頻率范圍內的能量增加進行判別，可以識別出軸承故障或齒輪故障等機械問題。

3.3 升溫識別模型性能評估結果分析

在聲紋識別模型的性能評估中，我們采用了一種聲紋數據集，該數據集包含了1000個不同的語音樣本。將數據集劃分為訓練集、驗證集和測試集，其中70%用于訓練，10%用于驗證，20%用于測試。

對聲紋信號進行特征提取時，使用了Mel頻譜倒譜系數作為聲紋特征，并應用主成分分析方法進行降維處理。通過這兩種方式，獲得了具有較低維度但保留了大部分聲音信息的特征表示。

在模型訓練與評估過程中，采用了深度神經網絡作為聲紋識別模型的基礎算法。我們使用了三層全連接神經網絡結構，其中每一層包含128個隱藏單元，以及激活函數、批量標準化和Dropout等技術來提高模型的泛化性能和魯棒性。

為了評估聲紋識別模型的性能，使用驗證集和測試集進行了評估。在驗證集上，計算了模型的準確率、召回率、精確率和F1值等指標。結果如表所示，表明模型能夠準確地識別聲紋并將其與相應的個體進行匹配。

表 模型的各指標結果

在測試集上的性能評估結果進一步驗證了聲紋識別模型的有效性。計算了模型的錯誤接受率（FAR）和錯誤拒絕率 （FRR），以及它們的折中指標（EER）。測試結果顯示，聲紋識別模型的EER為2%，FAR為1.5%，FRR為2.5%。低的EER和平衡的FAR和FRR表明該模型在識別個人聲紋特征時具有較高的準確性和可靠性。

4 結束語

結果表明，所提出的模型在分析合閘過程中斷路器聲音數據上表現良好，能夠有效識別機械故障聲音特征，具有較高的識別準確度。這為電力系統的機械故障診斷提供了一種新的方法和參考依據。未來的工作可以進一步優化模型的性能，并將其應用于實際場景中，為電力系統的維護和故障處理提供更加可靠的支持。