基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

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MF-CC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3 D-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8.51126 s.最终研究结果可为变压器的噪声治理提供依据.

关键词：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

所属期刊栏目：26

分类号：TH212;TH213.3(起重机械与运输机械)

资助基金：国家自然科学基金;江苏省电力有限公司重点科技项目

在线出版日期：2023-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：150-160