浅谈智能变电站声纹监测技术的应用

引言

珠海供电局于2018年开始进行智能变电站建设的探索,经过大量前期工作后,于2019年开始正式建设,2020年基本建成。智能变电站示范工程中的设备运维管理一直是科研攻关的重点,20世纪末,南方电网系统就开展了有关的研究探索;随着神经网络和机器学习技术的进步,近年来,深圳供电局的基于声纹识别及变压器振动信号的变电设备缺陷与故障诊断智能分析技术和图谱库研究以及南方电网科学研究院开展的基于声学指纹大数据分析的断路器机械故障诊断技术研究工作都在这方面做出了积极的探索。

故而,在珠海供电局针对声纹技术的应用情况进行统计,以4个重点区域(主变压器、电容器、高压开关柜、GIS)的巡视工作可替代率来衡量目前智能变电站建设的实用性,结果如表1所示。

可见,智能变电站涵盖的油、水、气、电生产设备出现异常时常伴随异响,如放电声、不均匀的机械声、管道漏气声、振动声、母线异响等。如果利用机器听觉、边缘智能技术智能感知站内生产设备运行状态,实现机器替代传统人工巡检排查,对站内重点生产设备状态进行实时智能感知,则巡视替代率将平均提高8/25%,配合使用其他技术扩大监测的覆盖范围,巡视工作可替代率可以提升至100%。

1声纹及声纹识别

智能变电站中生产设备内部受到电、磁、机械等应力,将伴随产生振动,形成的机械波通过介质传递至外壳,可由传感器装置捕捉音源信号,该信号含有大量的时频域特征信息,宛如指纹。生产设备出现异常时,声学指纹(简称"声纹")会发生改变,可作为诊断设备缺陷及故障的主要特征参量。声纹具有稳定性、可测量性、唯一性等特点,十分适合用于智能变电站监测工作。

声纹识别是生物识别技术的一种,是通过提取设备声音特征参数和声纹特征,再把音源信号转换成电信号,用计算机通过相关算法在数据库中进行比对识别的技术。近些年,不少国内外学者将声纹识别融入了机械设备的异常检测中,如山东大学的杜世斌提出了一种基于音频特征的电气设备故障监测方案来实时监控电气设备的运行情况,孙庆生等人根据现场变电站内异常振动信号频谱分析检测到一处支撑B相电压互感器的槽钢松动的机械缺陷,中国科学院微电子研究所陈志全等人提出了一种基于总体平均经验模态分解的异常声音特征提取方法等。

2技术设计思路及框架

变压器是电力系统中典型的设备之一,其结构复杂且造价昂贵,变压器的稳定运行可以提高供电的安全性、可靠性。不同厂家、不同型号的变压器,其结构、大小等都不尽相同,且变压器故障的声音往往难以监测,还可能因其结构特点出现各种独具个性的故障声。规则库固然可以存储部分典型缺陷,但规则永远落后于实际的生产技术演进。变压器体积庞大且常年带电,在其正常工作时,机械振动会发出声音,且具有一定的规律性,变压器内部一旦发生异常,将会引发许多特征量的改变,而声波之间的差异可由频率、节奏和声音体现。现以变压器作为主要监测对象,通过声音采集传感器对其运作中产生的声音进行采集,获取的音源信号具有良好的辨识性,再以机器听觉、声纹识别为主要技术手段,以我局研发的智能AI盒子作为识别载体,实现机器听觉替代人工对生产设备状态的实时智能感知,使电网设备的安全监察工作效率提升了60%。

2.1研究思路

针对设备的运行情况随时在线进行预测评估,既体现了设备的个性化,也符合智能变电站的实际工作需要。因此,研发基于机器听觉的设备状态管理工具,可以为电力系统辅助决策提供数据支持,通过机器学习一AI自学习后能洞察潜在缺陷及隐患,缩短故障处理和应急抢修时间,为电力系统安全、稳定运行提供坚实的保障。

基于声源信号的设备故障监测系统设计分为硬件电路和软件算法部分。

硬件电路部分包括声音传感器、数据采集及降噪处理电路。该系统基于现场变压器实际情况进行开发,因此考虑如何有效采集数据是技术关键。研发的智能AI盒子选用多个声音传感器构成传感器阵列,研究待测设备的数量以及周围环境后针对声音特征研制了对应参数的MIC传感器(同步采集6路音频信号数据)。考虑到监测需要构建多个传感器的阵列,因此研制多通道数据采集系统进行声音采集。传感器电源模块的干扰是设备固有噪声的主要来源,通过在电源模块电路中加入恒流芯片及去耦电容元件来稳定电源的输出,从而减少电源噪声对其他元器件的干扰。现场环境噪声可以通过滤波器电路进行相应处理,利用其特定的频率选择特性让输出声音信号中有效的特定范围频率的信号顺利通过,同时对另一些不需要的噪声加以阻隔和衰减。为此,在各通道收集并提取了有效声音后(图1),就需要去除声源样本里的不相干声音,仅保留所需要的故障声音信号,分析故障声音信号并找出故障的种类,继而将故障位置找出来。

MIC传感器体积小且便携,在站内实现声源采集较为简单。改变MIC传感器阵列与待测设备的间距及角度,可在待测设备运作状态下改善小信号提取效果及声源定位系统定位性能。

软件系统主要分为数据采集部分、预处理部分、声学特征提取部分、特征向量识别部分、时延计算部分、声源定位部分。声音传感器阵列采集的信号在程序中快速输入软件系统,经滤波后提取声音信号的特征参数,将其传输给后台,利用定位算法进一步分析。声源定位算法将传感器阵列接收到的声音信号与阵列的空间排列相结合进行分析,从而得到声源相对于传感器坐标系原点的位置,根据故障声源到达各传感器的时间差来确定声源相对于基准传感器的位置,从而实现对机械故障的识别及定位,如图2所示。当设备声音数据输入后台系统后,通过广义互相关算法在频域内给予传感阵列信号一定的加权函数,抑制受噪声干扰部分以突出接收信号的相关部分,然后再反变换至时域得到广义互相关函数进行声音信号峰值监测,达到降噪的目的。

图2多元T字传感器识别及定位图

选用广义互相关时延估计(GeneralizedCross二Correlation,GCC)的声源定位算法,不仅可实现角度定位,还可实现声源坐标精确定位。基于平台设计易于用户操作的使用界面,包括监测系统基本参数设置、设备工况声音信息显示、故障声源识别及定位结果显示、记录文件保存等模块。采用全新的设备声音稳态检测技术,无须提前录制大量的故障声音样本。首先直接安装系统,然后通过对设备运行稳态的自学习建立稳态模型(不超过一周),通过对设备稳态特征的判别,预警设备健康状况,同时通过与维修工单后台对接,自动为存储的音频打故障标签。故障声音模型为自行训练所得,所有过程无须人工干预。

采用基于机器听觉的设备状态管理工具,不仅可以有效提升智能变电站的巡视工作可替代率,为基层巡检工作人员减负,还能通过深度学习尝试探索变压器运行的声纹故障分析。

2.2模型框架的搭建

以变压器的音源信号特征提取为研究目标,开发基于机器听觉的设备状态管理工具,实现设备监测与故障诊断。主要研究内容如下:

(1)基于传感阵列的音源采集系统研制。针对待测设备的声音特征研制MIC传感器,明确待测设备的数量及周围环境后设计相应的监测方案。在待测设备周围以一定的几何空间结构安装多枚MIC传感器构成传感器阵列,实时采集变压器设备的音源信号,最终统一传输至装置,并初步实现智能AI盒子的无线应用组网,如图3所示。

(2)面向多噪声环境的音源信号降噪技术研究。传感器阵列所采集的音源信号含有噪声干扰,本项目拟研究多噪声环境下音源信号降噪技术,为后续的研究诊断提供有效信号。

(3)基于音源信号的设备故障诊断与定位算法研究。待测设备周围环境比较复杂,需要对多声源进行定位研究。研究多音源信号定位算法,通过广义互相关时延估计实现声源的角度定位以及空间坐标精确定位。研究单一音源复杂状态特征演变规律,编写算法使机器能记录待测设备运行音源信号特征,从而实现音源信号状态对比分析,完成设备运行状态健康诊断。

图3智能AI盒子应用方案示意图

本项目以实际运行变压器为研究对象,现场变压器是半封闭状态,声音环境相对复杂,研究初步完成后将在全开放的环境下进行监测,后期将研究声纹信号的专家智能分析系统,实现差异化运维。

2.3核心功能设计及相关算法概述

2.3.1数据分析

数据分析是智能A1盒子最核心的功能,均在服务器端实现,主要包括多通道麦克风阵列算法模块、降噪处理模块、小信号提取模块、信号稳态自学习模块、故障诊断与定位模块。

(1)多通道麦克风阵列算法模块:六路麦克风信号通过麦克风阵列算法AEC实现面对设备的一路有效麦克风信号的有效提取,其他五路麦克风信号均为噪声信号,噪声信号同样会通过空气或固体传播到有效麦克风,叠加到设备有效信号中,通过AEC算法,可实现最低开销的设备信号提取,同时保证设备有效信号的完整性。

(2)降噪处理模块:经AEC算法处理后的音频信号也会包含噪声,主要是来自设备侧的噪声,因此还需要进行一定的降噪处理。

(3)小信号提取模块:为保证信号的完整性,降噪处理模块不会对噪声进行强抑制,否则会让有效信号失真。通过对设备安静环境下声音频谱的自学习,智能A1盒子能对设备声音频谱进行自动建模,在噪声环境下,通过频谱模型实现设备声音小信号的有效提取。

(4)信号稳态自学习模块:待测设备大部分时间都是在无故障情况下运行,智能A1盒子通过对提取的有效设备音频信号稳态特征的自学习,建模设备在不同工况下的稳态特性。

(5)故障诊断与定位模块:通过对信号稳态特征的自学习与建模,实时监测设备音频流,对于持续非稳态特征,系统发出预警,提示人工检修。检修完成后,后台自动关联工单信息,对于预警的音频流数据自动打故障标签,同时完成对故障音频数据的建模,后续再出现同样的故障则直接报警。全流程均自动学习完成,无须人工干预。

2.3.2算法逻辑

2.3.2.1面向多噪声环境的音源采集降噪算法

传统的噪声抑制方法,只能作用于某些固定的稳态噪声,通过寻找连续的背景音,预估噪声的基线,然后将其过滤掉:而当动态噪声和设备的运行声音出现频率重叠时,传统方法就无法很好地抑制。深度神经网络(DNN)则在这一领域表现出了强大的优势。近几年来,深度学习方法取得飞速发展,在设备声音监测中的应用也越来越多,其中就包括了卷积神经网络(CNN)等。

搭载前端降噪技术的采集系统,能够保留还原出干净的设备运行原声,有效减少设备运行的声音在运行环境下受到的杂音干扰。针对在运行环境下经常出现的混响及回响声、刺耳的啸叫声等设备自噪声,前端采集系统采用麦克风、扬声器分离式设计,并内置业内领先的智能回音消除技术(AEC),能够有效地消除现场环境中产生的回音,线性回声消除ERL≥35dB,总体回声抑制能力≥60dB。

2.3.2.2小信号提取算法

研究设备声音处理技术在真实复杂环境下的鲁棒性,针对在真实复杂场景下如何应对来自环境的差异和来自设备的差异这两个关键问题展开研究,围绕真实复杂场景下声音信号模式分析与识别这一挑战性问题,研究深度学习下的设备声音结构化建模理论与方法。

基于机器听觉的变压器状态管理工具的硬件可根据现场环境定制,其中M1C传感器组成的传感阵列以及边缘采集终端负责实现对前端声源信号的采集,并自组织联网,开启联网服务,将实时采集的设备声音数据上传到后台系统,由后台算法利用信号提取技术处理后得到有效声音数据,将设备声音数据与库中数据进行全方位、多维度对比,分析设备此时的运行状态,辅以声源定位算法建立完善的设备空间模型,快速判断并定位出故障设备。管理员也可以在本地安装配套的声音信号分析软件自行对数据进行分析,实现小信号提取。

2.3.2.3基于音源信号的设备故障诊断与定位算法

待测设备周围环境往往比较复杂,当多台待测设备同时工作时,首先需要对多声源进行定位。利用多音源信号定位算法,通过广义互相关时延估计实现声源的角度定位及空间坐标精确定位。根据单一音源复杂状态特征演变规律,编写算法使机器能记录待测设备运行音源信号特征,从而实现音源信号状态对比分析,完成设备运行状态健康诊断。

基于声音检测技术的重要性及传统声音检测技术存在的问题,声音检测采用了行业首创的空间六麦克风阵列降噪技术,实现360o全方位空间降噪,不管噪声是来源于上空还是底部或侧方,均能良好地实现设备有效声音的提取,不仅适用于室内设备检测,同样也适用于室外设备检测。

3总结与展望

(1)设备更安全:通过声纹采集系统收集声源,针对不同的待测设备及应用场景进行传感参数、传输特性、存储方式等的设计实现,无须与电气设备进行电气连接即可判断设备运行状态是否正常,从而安全地进行设备状态带电监测。

(2)管理更精益:基于机器听觉的设备状态管理工具,预期可实现实时音频的展现(展示各个通道采集到的音频频谱图及声纹特征)、音频声纹样本的标记、数据库的归类整理。通过人工智能自学习方式,对收集的设备声源(含异常或故障的声纹)在时域和频域上进行分析及相应信号处理,将特定声纹与背景噪声有效分离,并辨识出异常声音,可为辅助决策提供数据支持。

(3)运检更高效:传统的巡检方式,首先需要技术人员时刻在设备前监听声音,极大地耗费了人力、物力:其次,人耳是有特定的听觉感知范围的,人耳可听到的声音频率仅为20~20000Hz,超出此范围的声音人耳无法监听:最后,在雷雨等恶劣天气条件下以及高压环境中,人工巡检存在较大安全隐患,得到的数据也无法准确及时地接入后台数据分析系统。在待测设备旁安装M1C传感器采集声音实时监测设备工作情况,不需要使设备停止运行,也不需要与设备接触,信号采集方便,存储的数据量相对较小,不会干扰变压器的正常运转。

综上所述,人工巡检方式存在巡检时间过长、实际效果不好、不可控声音的判断等问题,而基于机器听觉的设备状态管理工具则不再受限于这些问题,直接降低了巡检的人力成本,节约了运维时间,极大地提高了设备监测的强度和巡检运维工作效率。在未来的工业化进程中,十分有必要大力推动无人监控模式的实现。