✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
(1) 声纹信号采集与特征提取
电力变压器在运行过程中,铁芯磁致伸缩、绕组电磁力、冷却系统振动等物理过程产生声音信号,其频谱特征与幅值分布反映了变压器的运行状态。当变压器内部发生铁芯松动、绕组松动、局部放电、直流偏磁等故障时,声音信号的时频特性会发生显著变化,通过分析声纹特征可实现故障的非侵入式诊断。本研究采用MA231型传声器对型号为ODFS-400000/500的大型电力变压器进行声音信号采集,传声器布置在变压器本体周围多个方位,以捕捉不同部位的声学辐射特性。数据采集系统设置采样频率为四万四千一百赫兹,满足声学信号频率范围的采样定理要求,采集时长设定为每次测试六十秒,确保获取足够长度的稳态信号用于频谱分析。
变压器现场环境存在环境噪声干扰,包括周边设备运转噪声、风噪、交通噪声等,这些干扰成分会掩盖变压器本体声信号的故障特征,降低诊断准确性。本研究采用低通滤波器对采集信号进行去噪处理,根据变压器声音信号的频率分布特性,设计截止频率为五千赫兹的巴特沃斯低通滤波器,滤除高频噪声成分,保留变压器本体声信号的主要频段。滤波后的信号依次经过预加重、分帧、加窗处理,预加重通过一阶高通滤波器增强信号的高频成分,补偿声道传输过程中的高频衰减,分帧操作将连续信号划分为短时帧,帧长设置为二十五毫秒,帧移为十毫秒,以保证时频分析的分辨率与计算效率的平衡。加窗采用汉明窗函数,抑制分帧截断引起的频谱泄漏,改善频谱估计精度。
经预处理后的信号通过快速傅里叶变换转换至频域,再经梅尔滤波器组处理,梅尔滤波器模拟人耳对不同频率的感知特性,将线性频率尺度映射为梅尔尺度,对低频信号分辨率高,对高频信号分辨率低,符合声学特征提取的生理学基础。滤波器组输出的能量谱经对数运算与离散余弦变换,得到梅尔频率倒谱系数作为声纹特征向量。为增强特征的判别能力,进一步计算梅尔频谱图,将时间、频率、能量三维信息可视化为二维图像,梅尔频谱图直观展示了声音信号在时间与频率上的能量分布模式,不同故障类型在频谱图上呈现出独特的纹理特征。通过对比正常工况与故障工况的梅尔频谱图发现,铁芯松动故障导致低频段能量增强,绕组松动引起中频段的频谱变宽,局部放电产生高频脉冲特征,直流偏磁使基频及其谐波成分幅值显著上升,这些差异为后续的故障诊断模型提供了特征基础。
(2) 故障仿真验证与实测数据对比
为验证声纹诊断方法的有效性,本研究采用COMSOL多物理场仿真软件建立电力变压器的三维电磁-结构-声学耦合模型,仿真模型包含铁芯、绕组、油箱、冷却系统等主要部件,材料参数与几何尺寸依据实际变压器设计资料设定。正常工况下,施加额定电压与负载电流,求解电磁场分布,计算铁芯与绕组上的电磁力密度,将电磁力作为激励源加载至结构力学模块,分析铁芯与绕组的振动响应,再通过声学模块计算振动产生的声辐射场,提取变压器表面的声压级分布与频谱特性。在此基础上,分别模拟四种故障场景,铁芯松动故障通过降低铁芯夹紧力模拟,导致铁芯片间摩擦增大与振动幅度增强,绕组松动故障通过减小绕组预紧力实现,使绕组在电磁力作用下产生较大位移,局部放电故障在绕组间隙设置高场强区域,触发气隙击穿产生脉冲电流与声波,直流偏磁故障通过在励磁电流中叠加直流分量模拟,导致铁芯磁化曲线偏移与谐波含量增加。
仿真得到各故障模式下的声压时域波形与频谱数据,与正常工况对比,故障工况的声压幅值增大,频谱中特征频率成分发生变化,铁芯松动使一百赫兹基频幅值上升二成,绕组松动在三百至五百赫兹频段出现新的峰值,局部放电在高频段产生宽频噪声,直流偏磁导致偶次谐波成分显著增强。为验证仿真结果的真实性,在实际变压器上进行故障模拟试验,通过人为松动铁芯夹件、调整绕组压紧装置、注入直流偏磁等方式复现故障状态,采集对应的声音信号进行实测验证。实测数据与仿真数据的频谱特征对比显示,主要峰值频率位置与幅值变化趋势高度一致,验证了仿真模型的准确性,同时也证明了声纹信号对故障状态的敏感性,为基于声纹的故障诊断提供了数据支撑。
(3) 多尺度动态自适应残差网络诊断模型
传统故障诊断方法依赖人工提取特征与专家经验规则,特征设计过程繁琐且难以覆盖所有故障模式,诊断性能受限。本研究提出基于深度学习的自动特征学习与智能诊断方法,构建了多尺度动态自适应残差网络与证据推理规则融合的诊断模型。多尺度动态自适应残差网络通过多尺度卷积核并行提取梅尔频谱图的多层次特征,设计了多尺度动态自适应卷积层,该层包含三个并行卷积分支,卷积核尺寸分别为三乘三、五乘五、七乘七,分别捕捉细节纹理、中等尺度结构与全局模式特征,各分支的输出通过通道注意力机制进行自适应加权融合,注意力权重根据特征图的统计特性动态调整,突出对分类贡献大的特征通道,抑制冗余信息。
网络采用残差连接结构,通过跳跃连接将输入直接传递至输出,缓解深层网络的梯度消失问题,加速模型训练收敛。堆叠多个多尺度动态自适应卷积层与残差块,构建深层特征提取网络,最后通过全局平均池化与全连接层输出故障类别的概率分布。针对多传感器数据融合诊断需求,引入证据推理规则对不同位置传声器采集的诊断结果进行融合,证据推理规则区分了证据的可靠性与重要性,通过定义信度函数与折扣因子量化各传感器证据的质量,利用邓普斯特组合规则将多个独立证据合成,得到融合后的故障概率分布,该方法能够有效处理证据间的冲突与不确定性,提高诊断的鲁棒性。
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
