SF6高壓斷路器故障判斷的聲紋識别中，如何提高識别速度和識别準确率
高壓斷路器作為一種重要的輸變電裝置，其操動機構能否正确動作，直接關系到系統的安全運作，根據統計表明，高壓斷路器的操動機構機械故障占全部故障的70%~80%，開展高壓斷路器操動機構機械狀态評估與故障診斷技術具有重要意義。
目前，對于斷路器機械故障診斷的研究通常以振動或聲紋信号為基礎，配合人工神經網絡、動态時間規整和支援向量機等算法進行模式識别，振動信号檢測方面：基于斷路器故障時振動信号的發生時間産生變化的特點，将振動信号的時間參數作為故障特征，采用FCM識别斷路器的故障類型。
這次研究了單類支援向量機在斷路器診斷中的應用，将正常狀态下斷路器振動信号作為訓練樣本，利用高斯核的支援向量機進行訓練，以此來判斷斷路器是否發生故障。
通常在現實操作中MCC-CNN故障聲信号識别方法中。斷路器聲信号識别整體流程如圖1所示，首先将由傳聲器采集的斷路器動作聲信号轉化為具有時域頻域兩個次元的時頻譜圖。
然後通過計算MFCCs、GFCCs與PNCCs等3種倒譜對原始時頻譜進行特征提取和降維，最後使用卷積神經網絡作為分類器進行故障類型識别。
整個流程可大緻分為聲信号的采集、預處理與模式識别三部分，其中聲音信号的預處理方法最為重要，其主要作用是對斷路器原始時域信号進行特征提取和資料壓縮，進而減少後續識别模型的運算量并提升識别效果。
其中斷路器聲信号的時域信号為一維的脈沖信号，其特征性資訊不夠明顯，可使用短時離散傅裡葉變換的方式将其轉化為二維時頻譜，有利于提高深度學習模型的識别速度與識别準确率，短時傅裡葉變換過程中需要進行分幀、加窗以及離散傅裡葉變換。
而斷路器潛伏性故障一般特征不明顯，是以在進行斷路器聲紋診斷時，要在保證聲信号辨識速度的前提下提取其聲紋特征，進而提高識别準确率，而在語音識别領域廣泛使用的倒譜系數計算方法能夠對樣本進行資料壓縮的同時保留合閘關鍵聲紋資訊。
進而實作斷路器聲信号的壓縮與特征提取，有助于改善後續銜接的卷積神經網絡等分類器的診斷速度與診斷準确率。
在卷積神經網絡計算時，由于倒譜特征矩陣是由多個同尺寸二維圖譜疊加而成的三維圖譜，是以可引入在圖像識别領域具有代表性的卷積神經網絡(convolutionalneuralnetwork，CNN)可作為聲信号倒譜特征矩陣的分類器。
在圖像識别領域，CNN通常将彩色圖像拆分為紅綠藍(RGB)三個顔色層作為網絡的輸入層，進而對不同色彩變化的特征進行學習感覺，相似地，本研究将聲信号的三種倒譜構成的倒譜特征矩陣作為輸入層。
建構混合倒譜系數-卷積神經網絡(MixedCepstralCoefficient-ConvolutionalNeuralNetwork，MCC-CNN)識别模型，進而進行聲音分類識别。
相較于人工設計的倒譜混合方法，通過深度神經網絡的學習機制對三種倒譜進行融合能夠使混合倒譜的融合方式具有自适應性，斷路器合閘聲紋資料已經進行降維壓縮。
是以通過一個類VGG[17]的輕量化CNN網絡即可實作分類，如圖3所示。
其中網絡結構參數的輸入層按照輸入樣本的尺寸進行設定，而卷積核、池化核尺寸及相應的移動步長選用應用較為廣泛的參數，最終經過結構參數調試，确定了包含3個卷積-池化層與4個全連接配接層的整體網絡結構。
在網絡中，加入了批規範化與機率為0.5的Dropout操作，以防止過拟合與梯度消失，詳細結構參數如表1所示。
機械故障模拟及資料采集中，高壓斷路器主要部件包括儲能單元、傳動單元和控制單元三大部分，LW30-252型SF6高壓斷路器及其内部的CT26型彈簧操動機構實物圖如圖4所示。
CT26型彈簧操動機構結構示意圖如圖5所示，其結構緊湊、內建度高，但在使用過程中也面臨機械故障等共性困擾。
是以，基于CT26彈簧操動機構的結構原理，圍繞油緩沖器漏油、合閘彈簧疲勞、傳動軸銷磨損、主軸卡澀、地腳螺栓松動5種典型高壓斷路器潛伏性機械故障展開人為故障設定與模拟實驗，為後續的聲紋分類執行個體建構資料集。
研究所采用的故障設定方法能夠模拟斷路器的不同潛伏性機械故障狀态，在合閘動作的聲信号時頻譜圖中能夠展現聲信号微弱差異，能夠反映潛伏性故障出現時聲信号的早期特征，能夠為後續MCC-CNN識别模型提供有效支撐。
通過提取聲信号的各類倒譜資訊并與卷積神經網絡結合，能夠通過斷路器合閘動作聲信号進行潛伏性機械故障的狀态進行識别，相較于直接将時頻譜輸入卷積神經網絡的方法，這裡研究的方法識别速度與識别準确率都有一定提升。
在潛伏性機械故障聲紋診斷中，混合倒譜方法相較于單種倒譜提取方法而言，在識别準确率方面具有更強的優勢，但計算速度會略有下降。
