基于噪声频谱分析的故障预判技术

洪港,朱松,覃海景

广西电网有限责任公司来宾供电局 广西 546100

摘要：在变电一次设备检修工作中，如各类屏柜、变压器、开关、刀闸、组合电器等健康度评估为最关键一环，其健康度的好坏直接关系着设备的可靠运行，而目前该项工作的执行是在工作现场进行人工巡检，通过“望闻问切依”等方式依次开展各类带电设备的巡检，存在一定的弊端。本文中提出的通过对设备运行过程的噪声频谱分析进行分析结合人工智能算法对设备的故障进行预判，可以提高设备故障预判的准确率，解决故障预判时耗时长，容易漏测、误测的问题。

关键词：变电检修；频谱分析；故障预测

引言

在传统的故障诊断方法中，一般通过分析设备的电流、温度或其它信号量，结合经验参数判断设备的状态。其中，设备噪声信号的针对性强、与故障位置的关联性好，因此噪声信号逐步成为设备故障诊断方法研宄中常用的信号类型。传统的故障诊断方法主要是通过人工观测或者通过设备的参数判断其运行状态，在实时性和精确性上还有较大的提升空间。随着信号处理技术和机器学习方法研宄的深入，针对电力设备的故障诊断方法的准确度和鲁棒性已有显著提高，但在实际应用中仍存在诸多挑战：在工业生产环境中，受到环境噪声和其他噪声影响，采集到的设备噪声信号被干扰，设备故障特征模糊，导致故障分类精度降低，误检率、漏检率较高；在己知设备故障模式和故障样本数据不足的情况下，通过故障分类方法无法及时检测出未知类型异常故障状态。

1噪声信号处理的基本流程

从信号分类的角度看，噪声信号属于不确定信号，它是随机信号中的一种。工程中的随机信号一般均按各态历经的随机过程来进行处理。信号的分析方法有时域法、频域法等。通过采集到的设备运行的噪声信号为时域信号，但在时域内一般不易发现与设备故障相关的特征量。频域分析又称为谱分析，主要研究信号在频域内的各种特征量。对噪声信号的频谱分析不仅可以反映电力设备的运行情况，还可以将频谱图中的频率与设备故障类型建立起关联。

利用噪声信号的频谱图分析噪声的频率成分，并由此判断电力设备的故障，电力设备若出现运行异常，其运行过程中的状态参数将会发生变化，并通过噪声反应出来。

2噪声信号的提取

2.1故障信号的混合模型

在对电力设备进行故障预判时，常利用各种设备将状态信号记录下来加以分析和处理，以提取有用的信息对设备的运行故障进行辨识。噪声信号包含着丰富的设备状态信息，已成为故障预判中常用的检测物理量。然而在工业现场，可能存在多台设备同时运行，而每台设备中又存在多个子设备协同工作，此时利用传感器拾取的噪声信号往往包含了不同设备的噪声信息，或同一设备内部不同子设备的振动情况，工程测量中所得到的信号大部分是多种信号源的混合信号，对混合信号进行分析和归纳，可以将信号的混合方式大致分为三类：线性混合、卷积混合和非线性混合。其对应的数学模型如下：

（1）线性混合模型

线性混合模型定义为：

其中，为源信号矢量，且为m路源信号；为混合信号矢量，且为n路观测数据信号；A为线性混合矩阵，其元素表示信号的混合情况。

（2）卷积混合模型

卷积混合模型定义为：

其中，为混合信号矢量，且为n路观测数据信号；为混合信号矢量，且为m路源信号；为加性高斯白噪声，且，为n行m列的混合矩阵。

（3）非线性混合模型

非线性混合模型定义为：

其中，为混合信号矢量，且为n路观测数据信号；为混合信号矢量，且为n路源信号；为非线性混合函数，且；A为未知的n维方阵。

2.2故障信号的分离方法

实际测量中得到的信号大多数都是若干信号的混合信号，在进行故障预判分析之前需要将这种混合信号进行有效的分离，提取有用的信息。本文中主要采用的是主分量分析方法，将原始输入信号变换到另一空间，使得在该空间中的各故障信号相互独立，相互分离，并最大限度地保留原始信号的信息量，因此可以用来分离故障信号中的混合信号。

设有线性主分量分析

其中，是原始信号向量，为变换矩阵。通过正交变换之后，有

适当选择A，可使中除主对角线诸元（主分量的方差）外，其余元素全部为0。换言之，这时得到的各个主分量是互补相关的。

设该原始信号中所含故障为,各故障的相关性为,根据对故障知识的了解，有

设所获主分量为对于每一个，对应一个故障集，通过一定关系有

其中，对应于的关系，在这里为一线性关系；一集合，中间包含有一

些故障。由于之间互不相关，有

也就是，中含有不同的故障信息。换言之，同一故障信息不可能分布在不同的主分量中，这就实现了故障信息的分离。

通过主分量分析的方法，可以保证不同主分量含有不同的故障信息，而同一主分量可以含有完全故障信息。这样，就获得了基于主分量分析的有效故障信息分离方法。

3故障预判算法研究

3.1传统故障预判方法

传统的故障预判方法通常以设备部件结构为基础，通过故障特征经验公式计算得到故障特征频率，结合频率分析匹配出故障模式，或者通过信号处理、分解的相关方法，以处理得到的特性指标和分解得到的分量为基础，分析得到故障相关信息。一般情况下，通过传统故障预判方法可以识别出故障的类型，即发生故障的部件结构，但对于早期故障或噪声影响条件下的故障预判场景，其故障特征相对微弱，难以通过频率分析或分解方法清晰的反映出故障相关信息。同时，传统方法通常以识别故障类型为目的，对早期的微弱故障不敏感，而早期故障通常难以发觉且易发展成严重故障，因此，精确分辨设备的故障程度也是实际故障预测任务中算法所必须具备的能力。

3.2基于机器学习的故障预判算法

基于机器学习算法的故障预判方法主要包括对设备信号预处理、提取特征以及构建和训练故障分类器或检测器的过程。在实际的生产条件下，设备的工作环境中往往充斥着大量的环境噪声，对采集到的设备工作信号产生一定的干扰，从而影响对设备状态的识别和检测。除噪声干扰外，对于传统机器学习方法，识别精度主要取决于特征表达的质量和故障分类器的识别能力，区别度高的特征表达方法能有效的降低对故障分类器的要求，同样，识别能力较强的分类器和检测器能更精确的区分特征空间中的不同种类样本。因此，在故障预判问题中，高质量的特征表达算法和合适的故障分类器和检测器模型对提高识别精度至关重要。

结束语

电力设备在运行过程中，因为工频、高频谐振、设备运转、接触振动等因素存在，会发出不同类型、响度的噪声，虽然表现复杂，但是可通过频谱分析的原理结合故障预测分析算法，实现对设备故障的预判。在电力设备巡检过程中，设备的健康状态与安全生产息息相关，通过故障预判技术可以有效的监测设备状态，预防恶性事件的发生，因此基于噪声频谱分析的故障预判技术具有重要的应用价值。

参考文献

[1]李明璐,唐帆,尹艺玲.噪声信号的机械故障检测方法[J].西部皮革,2018,40(22):1.

[2]王正英.面向设备管理的机电设备状态监测与故障诊断技术研究[D].天津大学,2007.

[3]蒋沁宇.基于振声信号的设备故障诊断算法研究[D].山东大学.

[4]温广瑞，张西宁，屈梁生，奇异值分解技术在声音信息分离中的应用，西

安交通大学学报，1996,7：37～40.

[5]赵谊虹，张洪渊，史习智，一种有效的振动信号分离算法，噪声与振动控

制，2003，37(1)：13～16.

[6]陈春辉.在线振动监测与频谱分析相结合可提高设备故障预判[J].化工管理,2021(30):2.