基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

被引：77

作者：

张重远 ^{[1
]}

罗世豪 ^{[1
]}

岳浩天 ^{[1
]}

王博闻 ^{[1
]}

刘云鹏 ^{[1
,2
]}

机构：

[1] 河北省输变电设备安全防御重点实验室(华北电力大学)

[2] 华北电力大学新能源电力系统国家重点实验室

来源：

高电压技术 | 2020年 / 46卷 / 02期

关键词：

变压器声纹; 状态监测; 铁芯; Mel时频谱; 深度学习; 卷积神经网络;

D O I：

10.13336/j.1003-6520.hve.20200131005

中图分类号：

TM40 [一般性问题];

学科分类号：

080801 ;

摘要：

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。

引用

页码：413 / 423

页数：11

共 17 条

[1] 基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法 [J].