本发明涉及电气设备故障诊断技术领域，尤其涉及一种电气设备故障电弧的噪声诊断方法。
背景技术：
国内外将声学分析应用于故障电弧的物理特性、产生机理及探测方法始于20世纪80年代中期，经过90年代的快速发展，目前已在很多领域获得了成功的应用。在电气设备的运行状态诊断中，由于20hz～20khz人耳可听到频段的声波信号受外界干扰较大，运行现场工作人员采用传统的方法-凭感官初步判断电气设备是否发生故障时，不仅费时费力，且准确度主要取决于巡检人员的专业素养。因此，研究更准确、便捷的故障弧声识别方法，对构建在线电气设备故障智能诊断、辅助决策系统具有十分重要的意义。
技术实现要素：
本发明的目的在于提供一种电气设备故障电弧的噪声诊断方法，能够基于电弧声音检测准确识别电弧故障的发生，减少故障电弧产生的危害。
为实现上述目的，本发明采用的技术方案是：
一种电气设备故障电弧的噪声诊断方法，包括以下步骤：
a、弧声信号采集及预处理：采用音频传感器采集电气设备在运行中的弧声信号，并对弧声信号进行预加重处理、fir数字滤波和分帧，得到以帧为单位的弧声信号；
b、弧声信号异常区间检测：计算每帧弧声信号的短时能量和短时过零率，将前x帧弧声信号短时能量的平均值作为短时平均能量ampth，将前x帧弧声信号短时过零率的平均值作为短时平均过零率zcrth，依据短时平均能量ampth和短时平均过零率zcrth，采用双门限阈值判定法检测弧声信号异常区间；
c、异常区间特征向量提取：将0～fs/2的频段分为m个等长区间，其中fs为音频传感器的采样率，针对每个区间设计对应的fir滤波器，采用m个fir滤波器对弧声信号异常区间进行滤波，并计算各频域子带能量值，得到弧声信号异常区间能量分布，形成m维特征向量；d、基于向量机的故障诊断：采用已收集的电气设备故障弧声信号建立样本集数据，采用网格寻优法确定核函数的最优参数，利用样本集数据和核函数的最优参数建立初级线性核模型，采用测试集数据对初级线性核模型的识别率进行验证和统计，通过反复修改参数获得最佳线性核模型，利用最佳线性核模型对m维特征向量进行诊断，确认电气设备运行状态是否正常。
所述的步骤b中，采用双门限阈值判定法检测弧声信号异常区间包括以下步骤：b1、依据短时平均能量ampth确定短时能量阈值高门限amp1和短时能量阈值低门限amp2，依据短时平均过零率zcrth确定短时过零率阈值zcr2，并设定最大无声段长度maxsilence和最小语音段长度minlen；
b2、定义status为语音段状态，status＝0为静音状态，status＝1为可能开始状态，status＝2为语音状态，每帧弧声信号的status初始值均为0，定义count为语音段长度，count的初始值为0，定义silence为无声段长度，silence的初始值为0；
b3、将各帧弧声信号依次标记为a1，a2，a3，……，记各帧弧声信号的短时能量为amp1，amp2，amp3，……，各帧弧声信号的短时过零率为zcr1，zcr2，zcr3，……；
b4、取k＝k+1，其中k为迭代索引，k＝0，1，2，……；
b5、若ampk＞amp1，将该帧弧声信号的status标记为2，并将该帧弧声信号记为弧声信号异常区间的起始帧，更新count＝count+1，然后进入步骤b7，若ampk≤amp1，则进入步骤b6；
b6、若ampk＞amp2并且zcrk＞zcr2，将该帧弧声信号的status标记为1，并将该帧弧声信号记为弧声信号异常区间的起始帧，更新count＝count+1，然后进入步骤b7，若ampk≤amp2或者zcrk≤zcr2，则返回步骤b4；
b7、取k＝k+1，若ampk＞amp2并且zcrk＞zcr2，更新count＝count+1，初始化silence＝0，然后返回步骤b7，若ampk≤amp2或者zcrk≤zcr2，则进入步骤b8；
b8、更新silence＝silence+1，比较silence与maxsilence，若silence＜maxsilence，更新count＝count+1，然后返回步骤b7，若silence≥maxsilence，比较count与minlen，若count＞minlen，则将该帧弧声信号记为异常信号区间的结束帧，提取弧声信号异常区间，然后返回步骤b4，若count≤minlen，则返回步骤b4。
所述的步骤b中，每帧弧声信号的短时能量计算公式为：
式中ampi为第i帧弧声信号的短时能量，n为每帧弧声信号对应的点数，yi(n)为第i帧弧声信号中第n点对应的幅值；
每帧弧声信号的短时过零率计算公式为：
式中zcri是第i帧弧声信号的短时过零率，sign[yi(n)]为符号函数，且
所述的步骤a中，采用汉明窗对弧声信号进行分帧，每帧弧声信号的帧长为10ms～30ms，帧移为帧长的1/4～1/2。
本发明通过采集弧声信号并进行预处理，利用弧声信号的短时能量和短时过零率检测信号异常区间，进而提取信号异常区间的特征向量，最终基于支持向量机诊断电气设备运行状态是否正常，既避免了传统人工巡检带来不必要的浪费，又实现了对开闭所中电气设备运行状态的在线检测和实时预警，省时省力，大大降低了故障电弧产生的危害和几率，减少重大的经济和生命财产损失。
附图说明
图1为本发明的流程图；
图2为本发明采用双门限阈值判定法检测弧声信号异常区间的流程图。
具体实施方式
由于电气设备故障电弧在剧烈放电之前，一般会有相对较长的局部放电与辉光放电过程，此时电弧还不足以对电路造成严重损坏，因此是预警电弧的良好时机。局部放电会产生电弧声音，本发明利用对电弧声音的检测作为故障电弧检测和预警的依据，对于构建在线电气设备故障智能诊断、辅助决策系统具有十分重要的意义。
如图1所示，本发明所述的一种电气设备故障电弧的噪声诊断方法，包括以下步骤：
a、弧声信号采集及预处理：采用音频传感器采集电气设备在运行中的弧声信号，并对弧声信号进行预加重处理、fir数字滤波和分帧，得到以帧为单位的弧声信号。
本发明通过对弧声信号进行预加重处理，提升了弧声信号的高频部分，使信号的频率谱更加平滑，方便进行频谱和声道参数的相关操作。由于故障电弧噪声频率一般在5khz～8khz，本发明采用fir数字滤波滤除5k～8khz外的信号，有利于提高故障电弧噪声诊断的准确率。声音信号虽然具有时变性，但在一个短时间内，其基本特性保持相对稳定，可将其看作是一个准稳态过程，因此本发明通过分帧对弧声信号进行短时分析。本发明综合考虑主瓣和旁瓣的平衡，采用汉明窗对弧声信号进行分帧，使弧声信号成为连续的小段，其中每一段为一帧，每帧弧声信号的帧长为10ms～30ms，帧移为帧长的1/4～1/2。
b、弧声信号异常区间检测：计算每帧弧声信号的短时能量和短时过零率，将前x帧弧声信号短时能量的平均值作为短时平均能量ampth，将前x帧弧声信号短时过零率的平均值作为短时平均过零率zcrth，依据短时平均能量ampth和短时平均过零率zcrth，采用双门限阈值判定法检测弧声信号异常区间。
其中，每帧弧声信号的短时能量计算公式为：
式中ampi为第i帧弧声信号的短时能量，n为每帧弧声信号对应的点数，yi(n)为第i帧弧声信号中第n点对应的幅值。
每帧弧声信号的短时过零率计算公式为：
式中zcri是第i帧弧声信号的短时过零率，sign[yi(n)]为符号函数，且
x为前导无话段的帧数，根据语音信号的波形图可以估算前导无话段的时长，x值计算公式如下所示：
x＝fix((is*fs-wlen)/inc+1)；
式中is为前导无话段的时长，fs为音频传感器的采样率，wlen为每帧弧声信号的帧长，inc为每帧弧声信号的帧移，fix为将结果向零方向取整。
如图2所示，本发明采用双门限阈值判定法检测弧声信号异常区间，包括以下步骤：
b1、依据短时平均能量ampth确定短时能量阈值高门限amp1和短时能量阈值低门限amp2，依据短时平均过零率zcrth确定短时过零率阈值zcr2，例如，设定amp1＝4*ampth，amp1＝2*ampth，zcr2＝0.8*zcrth，式中系数均为经验值，并设定最大无声段长度maxsilence和最小语音段长度minlen；
b2、定义status为语音段状态，status＝0为静音状态，status＝1为可能开始状态，status＝2为语音状态，每帧弧声信号的status初始值均为0，定义count为语音段长度，count的初始值为0，定义silence为无声段长度，silence的初始值为0；
b3、将各帧弧声信号依次标记为a1，a2，a3，……，记各帧弧声信号的短时能量为amp1，amp2，amp3，……，各帧弧声信号的短时过零率为zcr1，zcr2，zcr3，……；
b4、取k＝k+1，其中k为迭代索引，k＝0，1，2，……；
b5、若ampk＞amp1，将该帧弧声信号的status标记为2，并将该帧弧声信号记为弧声信号异常区间的起始帧，更新count＝count+1，然后进入步骤b7，若ampk≤amp1，则进入步骤b6；
b6、若ampk＞amp2并且zcrk＞zcr2，将该帧弧声信号的status标记为1，并将该帧弧声信号记为弧声信号异常区间的起始帧，更新count＝count+1，然后进入步骤b7，若ampk≤amp2或者zcrk≤zcr2，则返回步骤b4；
b7、取k＝k+1，若ampk＞amp2并且zcrk＞zcr2，更新count＝count+1，初始化silence＝0，然后返回步骤b7，若ampk≤amp2或者zcrk≤zcr2，则进入步骤b8；
b8、更新silence＝silence+1，比较silence与maxsilence，若silence＜maxsilence，更新count＝count+1，然后返回步骤b7，若silence≥maxsilence，比较count与minlen，若count＞minlen，则将该帧弧声信号记为异常信号区间的结束帧，提取弧声信号异常区间，然后返回步骤b4，若count≤minlen，则返回步骤b4。
由于故障电弧声音属于异常声音，出现的频率比较低，因此音频传感器采集到的大部分是环境噪声帧。为了避免产生过多不必要的计算与存储，本发明首先利用短时能量或者短时能量与短时过零率的结合对异于环境噪声帧的弧声信号进行识别，找出异常信号帧在时域上的起点，并将起点作为故障电弧声音识别算法的触发标识，在识别故障电弧声音过程中，利用最大无声段长度判断异于环境噪声帧的弧声信号是否结束，若已结束，利用最小语音段长度判断该段信号是否属于异常信号区间，最终实现只对异常弧声信号进行电弧声音识别处理的目标，大大减少了计算量。
c、异常区间特征向量提取：将0～fs/2的频段分为m个等长区间，其中fs为音频传感器的采样率，针对每个区间设计对应的fir滤波器，采用m个fir滤波器对弧声信号异常区间进行滤波，并计算各频域子带能量值，得到弧声信号异常区间能量分布，形成m维特征向量。
d、基于向量机的故障诊断：采用已收集的电气设备故障弧声信号建立样本集数据，采用网格寻优法确定核函数的最优参数，利用样本集数据和核函数的最优参数建立初级线性核模型，采用测试集数据对初级线性核模型的识别率进行验证和统计，通过反复修改参数获得最佳线性核模型，利用最佳线性核模型对m维特征向量进行诊断，确认电气设备运行状态是否正常。
本发明通过长时间的收集电气设备故障音频数据的集合，采用基于支持向量机作为训练与决策的依据，建立线性核模型，对异常信号区间的特征向量进行诊断，有效提高了故障弧声识别的准确性和便捷性。