基于声纹识别的工业设备异常诊断与健康评估系统

前言

随着电力行业的快速发展，变电站高压设备的运行状态监测与故障诊断技术逐渐成为研究热点。传统的人工巡检方式不仅效率低下而且存在危及运维人员的人身安全和难以发现潜在的设备隐患。因此,研发一种能够实时监测准确识别高压设备异常声音的装置，具有重要的现实意义和应用价值[1]。

一、系统架构与核心方法

（一）多模态声纹信号预处理

工业声信号在复杂工况下存在非线性畸变与环境噪声耦合问题。经验模态分解将原始信号z(t)自适应分解为若干本征模态函数分量。

SURE 小波阈值对高频噪声分量进行滤除，低温导致的材料脆化效应通过调整IMF 分量相关性阈值ρth补偿。分帧法分离50Hz 倍频的变压器基频信号与电晕脉冲干扰，臭氧传感器以 0.1ppm 分辨率捕捉放电特征。图3 验证该方法在零下11℃环境中仍保持信噪比提升 47‰ 。

图1 不同去噪方法的效果比较

多维时频特征融合提取

声强级（dB）、高频能量比重 (%) 与奇偶谐波幅值比 (%) ）构成三维特征空间。熵权法根据特征离散度动态赋权。

梅尔频率倒谱系数通过分帧加窗处理增强频域敏感性，能量熵量化信号分布的混乱程度，谱峭度强化非平稳信号中的瞬态冲击成分。多维特征在20-100kHz 频段内形成互补，表1 指标体系为健康评估提供量化基础。（三）Attention-LSTM 诊断与健康评估模型

三层 L S T M 网络结构包含线性映射层以降低计算开销，注意力机制对隐藏状态加权融合 ，输出向量经正则化处理 提升异常分类鲁棒性。局放 PRPD 谱图与声纹特征同步输入，健康指数模型 实现剩余寿命预测。

二、实验验证与性能分析（一）工业设备声纹数据集构建

5kVA 输变电配电变压器在-11℃环境下建立测试数据集，输入电压为 20kV，输出电压为 400V[2]。MEMS型振动传感器在5Hz 到30kHz 频率范围内采集声音信号，35kV 到500kV 变电站各自生成1000 个异常样本，声纹分析服务器使用 INTEL XEON E2-2690 处理器（主频 2.9GHz）以及 128GB 内存，能够满足 20TB 声纹数据的存储要求。

图2 变压器频域分离数据

（二）异常诊断性能对比测试

把 Attention-LSTM 模型用在齿面磨损、断齿以及轴承损坏这三种异常状态识别上，得到 97.2%的准确率。比支持向量机 (87.4%) ）、卷积神经网络 (90.7% ）分别提高 9.8% 、 6.5% ，处理一个样本平均需要 82 毫秒，测试1000 个样本总共用时94.47 毫秒，比其他方法节省 53% 的时间。

图3 输变电设备异常振动声纹识别率

（三）健康评估精度验证

健康指数模型预测的均方根误差（RMSE）是 0.142，绝缘老化趋势曲线、实际测量数据的相关系数达到 0.96。局放传感器在20 到100kHz 频率范围内采集的 PRPD 谱图表明，早期绝缘缺陷发现率达到 92.3% ，剩余寿命预测模型在500 小时连续测试中，最大误差不超过 8%_o0

图4 变压器振动传播路径图

三、工程应用与结论

（一）工业场景部署方案

振动传感器阵列在设备机械连接部位安装，频率范围为5Hz 到30kHz。接触式安装方式保证信号传输完整，超声波局放传感器频率在20kHz 到100kHz 之间，安装间距不超过2 米，空气式传感器中心频率为40kHz，用于捕捉空间中的放电信号，在零下11℃环境下测试发现，MEMS 型传感器仍能保持60dB(V/(m/s))的峰值灵敏度[3]。材料脆化问题通过 SURE 阈值进行自适应补偿，声纹分析服务器配置 128GB 内存、20TB 存储空间，用Python平台实现声纹库的实时比对，防爆型臭氧传感器响应时间小于等于20 秒，当浓度超过 100ppm 时启动安全隔离措施，运维人员通过查看PRPD 谱图，可以远程确定故障位置。

（二）系统优势与工程价值

异常识别准确率达到 97.2% ，比传统方法提高 9.8%_0.0 。单个样本处理时间是82 毫秒，能够满足200 到800 转每分钟的转速要求，健康指数模型预测的均方根误差为0.142，在500 小时连续测试中，剩余寿命的最大偏差不超过 8% ，实际应用中减少67%的人工巡检次数，35 千伏到500 千伏变电站的早期绝缘缺陷发现率达到 92.3% 。多模态监测方式消除运维人员靠近带电设备风险，某500 千伏变电站每年减少42 小时故障停机时间，声学成像技术把局部放电信号变成可视化的PRPD 图谱，使故障定位效率提高3.6 倍，为预测性维护提供量化决策支持。

参考文献

[1]张琼华,李飚.变电站高压设备异常声音识别检测装置的研制及应用[J].云南电力技术,2024,52(04):56-59.

[2]张德文,张大宁,王磊,等.寒冷环境下输变电设备复杂异常振动声纹识别[J].自动化与仪器仪表,2024,(07):192-195.

[3]唐冬来,李擎宇,龚奕宇,等.基于多维时频特征的变压器故障声纹识别方法研究[J].自动化仪表,2023,44(11):11-14+19.