基于MFCC和CNN的变压器声学特征提取及故障识别

摘要：

在变压器故障诊断中,为解决使用传统分类器方法存在的泛化能力弱、识别率不高等问题,提出了一种基于梅尔频率倒谱系数(MFCC)和卷积神经网络(CNN)的变压器声学特征提取及故障识别方法.利用数字麦克风采集变压器在不同工作状态下的声音信号,经预处理后计算其MFCC特征作为静态特征,并进一步处理得到ΔMFCC特征以及ΔΔMFCC特征作为动态特征;引入卷积神经网络模型作为分类器,分别使用静态特征与三者的融合特征作为数据集进行了训练;对两个模型的训练结果进行了分析,并在其他配电室对系统进行了验证实验.实验结果表明,该方法能够有效地根据变压器工作声音识别变压器的正常工作状态、过载状态以及放电故障,且动态特征的引入能够在一定程度上提高模型的识别效果.

关键词：变压器、声音信号、故障诊断、梅尔频率倒谱系数、卷积神经网络、动态特征

分类号：TM407(变压器、变流器及电抗器)

资助基金：国网湖北省电力有限公司孝感供电公司科技项目B715K022005V

在线出版日期：2023-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：49-54