基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

作     者：崔佳嘉 马宏忠 CUI Jia-jia;MA Hong-zhong

作者机构：河海大学能源与电气学院江苏南京211100 

出 版 物：《电机与控制学报》 (Electric Machines and Control)

年 卷 期：2022年第26卷第12期

页      面：150-160页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 

基　　金：国家自然科学基金(51577050) 江苏省电力有限公司重点科技项目(J2021053) 

主　　题：变压器 声纹 铁心松动 梅尔倒谱系数 局部线性嵌入算法 降维 三维卷积神经网络 

摘      要：为了准确提取变压器铁心松动故障时的声纹特征,提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理,提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进;最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验,采集铁心在不同松动程度下的声纹信号。计算结果表明,使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果,准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。