SF6高压断路器故障判断的声纹识别中，如何提高识别速度和识别准确率
高压断路器作为一种重要的输变电设备，其操动机构能否正确动作，直接关系到系统的安全运行，根据统计表明，高压断路器的操动机构机械故障占全部故障的70%~80%，开展高压断路器操动机构机械状态评估与故障诊断技术具有重要意义。
目前，对于断路器机械故障诊断的研究通常以振动或声纹信号为基础，配合人工神经网络、动态时间规整和支持向量机等算法进行模式识别，振动信号检测方面：基于断路器故障时振动信号的发生时间产生变化的特点，将振动信号的时间参数作为故障特征，采用FCM识别断路器的故障类型。
这次研究了单类支持向量机在断路器诊断中的应用，将正常状态下断路器振动信号作为训练样本，利用高斯核的支持向量机进行训练，以此来判断断路器是否发生故障。
通常在现实操作中MCC-CNN故障声信号识别方法中。断路器声信号识别整体流程如图1所示，首先将由传声器采集的断路器动作声信号转化为具有时域频域两个维度的时频谱图。
然后通过计算MFCCs、GFCCs与PNCCs等3种倒谱对原始时频谱进行特征提取和降维，最后使用卷积神经网络作为分类器进行故障类型识别。
整个流程可大致分为声信号的采集、预处理与模式识别三部分，其中声音信号的预处理方法最为重要，其主要作用是对断路器原始时域信号进行特征提取和数据压缩，从而减少后续识别模型的运算量并提升识别效果。
其中断路器声信号的时域信号为一维的脉冲信号，其特征性信息不够明显，可使用短时离散傅里叶变换的方式将其转化为二维时频谱，有利于提高深度学习模型的识别速度与识别准确率，短时傅里叶变换过程中需要进行分帧、加窗以及离散傅里叶变换。
而断路器潜伏性故障一般特征不明显，因此在进行断路器声纹诊断时，要在保证声信号辨识速度的前提下提取其声纹特征，从而提高识别准确率，而在语音识别领域广泛使用的倒谱系数计算方法能够对样本进行数据压缩的同时保留合闸关键声纹信息。
从而实现断路器声信号的压缩与特征提取，有助于改善后续衔接的卷积神经网络等分类器的诊断速度与诊断准确率。
在卷积神经网络计算时，由于倒谱特征矩阵是由多个同尺寸二维图谱叠加而成的三维图谱，因此可引入在图像识别领域具有代表性的卷积神经网络(convolutionalneuralnetwork，CNN)可作为声信号倒谱特征矩阵的分类器。
在图像识别领域，CNN通常将彩色图像拆分为红绿蓝(RGB)三个颜色层作为网络的输入层，从而对不同色彩变化的特征进行学习感知，相似地，本研究将声信号的三种倒谱构成的倒谱特征矩阵作为输入层。
构建混合倒谱系数-卷积神经网络(MixedCepstralCoefficient-ConvolutionalNeuralNetwork，MCC-CNN)识别模型，从而进行声音分类识别。
相较于人工设计的倒谱混合方法，通过深度神经网络的学习机制对三种倒谱进行融合能够使混合倒谱的融合方式具有自适应性，断路器合闸声纹数据已经进行降维压缩。
因此通过一个类VGG[17]的轻量化CNN网络即可实现分类，如图3所示。
其中网络结构参数的输入层按照输入样本的尺寸进行设置，而卷积核、池化核尺寸及相应的移动步长选用应用较为广泛的参数，最终经过结构参数调试，确定了包含3个卷积-池化层与4个全连接层的整体网络结构。
在网络中，加入了批规范化与概率为0.5的Dropout操作，以防止过拟合与梯度消失，详细结构参数如表1所示。
机械故障模拟及数据采集中，高压断路器主要部件包括储能单元、传动单元和控制单元三大部分，LW30-252型SF6高压断路器及其内部的CT26型弹簧操动机构实物图如图4所示。
CT26型弹簧操动机构结构示意图如图5所示，其结构紧凑、集成度高，但在使用过程中也面临机械故障等共性困扰。
因此，基于CT26弹簧操动机构的结构原理，围绕油缓冲器漏油、合闸弹簧疲劳、传动轴销磨损、主轴卡涩、地脚螺栓松动5种典型高压断路器潜伏性机械故障展开人为故障设置与模拟实验，为后续的声纹分类实例构建数据集。
研究所采用的故障设置方法能够模拟断路器的不同潜伏性机械故障状态，在合闸动作的声信号时频谱图中能够体现声信号微弱差异，能够反映潜伏性故障出现时声信号的早期特征，能够为后续MCC-CNN识别模型提供有效支撑。
通过提取声信号的各类倒谱信息并与卷积神经网络结合，能够通过断路器合闸动作声信号进行潜伏性机械故障的状态进行识别，相较于直接将时频谱输入卷积神经网络的方法，这里研究的方法识别速度与识别准确率都有一定提升。
在潜伏性机械故障声纹诊断中，混合倒谱方法相较于单种倒谱提取方法而言，在识别准确率方面具有更强的优势，但计算速度会略有下降。
