基于机载式声纹检测技术的输电杆塔螺栓松动检测方法与流程

本发明涉及输电杆塔故障诊断，具体涉及一种基于机载式声纹检测技术的输电杆塔螺栓松动检测方法。

背景技术：

1、近年来，覆冰舞动发生频率高、面积大，容易造成杆塔螺栓松动、脱落，金具、绝缘子、跳线损坏，导线断股、断线，塔材受损等，引发电气故障。就杆塔而言，输电杆塔广泛采用承压型螺栓连接，螺栓松脱是最常见的舞动受损形式。螺栓松脱是最终致使杆塔变形或倒塔的主要因素，塔材形变是杆塔结构整体稳定性受到破坏的直观体现。此外，输电杆塔在风荷载长期作用下，节点板上螺栓会产生振动并导致松动，造成节点的螺栓发生损伤。若不能及时发现，节点的损伤会继续发展直至在强风作用下导致输电塔倒塌。

2、目前，杆塔螺栓松脱检测主要是通过运维人员定期巡检的方式，还有部分学者提出了一些新的检测技术，包括基于声弹性信号检测、振动信号检测、压电阻抗检测等方法，现有方法存在以下问题：

3、(1)运维人员定期巡检的方式，攀爬铁塔，人工检查各连接件螺栓，该方法虽然有效，但工作量大、耗时长、成本高，效率低下。

4、(2)扭矩扳手法、声弹性信号检测、压电阻抗检测等技术主要依据螺栓应力、扭矩等状态量的监测实现螺栓松脱检测，目前都是针对单一螺栓进行松动检测，无法实现对多个螺栓松动情况的同时检测，检测范围存在局限性，而一基杆塔往往存在数千颗螺栓，若采用这些检测方法则需要安装大量的传感器，检测成本高，实现难度大。

5、(3)振动信号检测依据铁塔钢构振动过程中加速度采集判断杆塔螺栓松脱状态，因此往往需要攀爬铁塔安装加速度传感器。而许多高压输电杆塔地处偏僻的山上，交通不便；同时线路舞动过程中攀爬铁塔存在安全隐患，传感器安装不便，因此目前也难以开展大规模应用。

技术实现思路

1、本发明的目的在于解决上述现有技术的不足从而提供一种基于机载式声纹检测技术的输电杆塔螺栓松动检测方法。

2、一种基于机载式声纹检测技术的输电杆塔螺栓松动检测方法，包括以下步骤：

3、步骤一：对输电杆塔进行分区，并构建输电杆塔的分区识别模型；

4、步骤二：声纹时间信号采集

5、在输电线路舞动过程中，将集成有声纹时间信号采集系统的无人机分别靠近待检测输电杆塔的不同区域，采集得到输电杆塔振动过程中不同区域的声纹时间信号；

6、步骤三：对不同区域的声纹时间信号进行预处理；

7、步骤四：对预处理后不同区域的声纹时间信号进行特征提取，获得不同区域的声纹时间信号的特征向量；

8、步骤五：将不同区域的声纹时间信号的特征向量输入至不同的分区识别模型中，获得待检测输电杆塔不同区域螺栓松动状态。

9、输电杆塔分为塔头、横担、塔身及塔腿4个区域。

10、构建输电杆塔的分区识别模型，具体为：

11、(1)选取多座不同尺寸的同塔型输电杆塔作为试验对象，分别调整多个试验输电杆塔不同分区的螺栓松紧度，然后对试验输电杆塔开展不同风速作用下的输电线路舞动真型试验；

12、(2)在输电线路舞动真型试验中，将集成有声纹时间信号采集系统的无人机分别靠近多个试验输电杆塔的相同区域，采集不同螺栓松动状态下试验输电杆塔相同区域的声纹时间信号，预处理后，对试验输电杆塔相同区域的不同螺栓松动状态下的声纹时间信号进行特征提取，获得对应特征向量，得到训练样本集；

13、(3)采用支持向量机算法(svm)对训练样本集进行训练，得到相同区域的螺栓松动识别模型；

14、(4)重复步骤(2)～(3)，获取其他区域输电杆塔其他区域的螺栓松动识别模型。

15、螺栓松动识别模型输入为同区域的不同螺栓松动状态下的声纹时间信号对应的特征向量，输出为该区域的杆塔螺栓松动状态。

16、螺栓松紧度分别调整为所有螺栓完全紧固、小部分螺栓松动以及严重螺栓松动三种状态。

17、预处理包括：

18、对声纹时间信号进行分帧处理，将声纹时间信号整段音频切分成20ms至30ms一段的短音频，每个短音频称为一帧音频，两帧音频间重叠比例约为30％左右，分帧完成后，可将原始连续的声纹时间信号转化为离散的声纹时间序列；

19、对声纹时间序列进行加窗处理。

20、采用汉明窗来进行加窗操作，其在时域定义如下所示：

21、

22、特征提取包括：

23、对经过预处理后的声纹时间信号进行快速傅里叶变换(fft)变换，得到各帧音频的频谱；

24、取各帧音频频谱的平方，得到各帧音频的功率谱xm(k)2；

25、将得到的功率谱xm(k)2经过梅尔滤波器组滤波，再将每个滤波器范围内的能量单独求和，则会通过一帧音频得到相应数量的梅尔滤波器的输出，对梅尔滤波器的输出取对数，得到的log-mel谱特征即为所要提取的特征向量。

26、梅尔滤波器组通常包含大约20-40个三角滤波器组。

27、本发明采用声纹时间信号的特征识别实现螺栓松动检测。信号来源于舞动工况下杆塔自身振动传递的声纹时间信号，同时无人机可自由采集杆塔不同区域声纹时间信号，无需在塔上安装传感器，便捷、高效实现螺栓松动检测。

28、本发明识别模型的训练样本数据来源于线路真型舞动试验，选取多座不同尺寸的该塔型杆塔作为对象，分别调整塔头、横担、塔身及塔腿4个区域的螺栓松紧度，以塔头为例，分别调整为所有螺栓完全紧固、小部分螺栓松动以及严重螺栓松动三种状态，开展不同风速作用下的输电线路舞动真型试验。

29、本发明提出了log-mel特征向量作为声纹时间信号特征量，采用svm算法建立识别模型，可分区域判断出杆塔完全紧固、部分松动和严重松动三种状态。训练样本获取需开展舞动真型试验，获取难度大，样本量数据小，因此采用适用于小样本数据量的svm算法进行模型训练。

30、本发明将声纹时间信号采集模块置于无人机中，利用无人机靠近输电杆塔采集输电线路舞动过程中声纹时间信号，声纹具有非接触、易采集、特征稳定等特点，因而无需在塔上安装任何传感器，使用起来简单高效，同时适用于交通不便地区的杆塔检测；采用人工智能算法完成声纹时间信号的去噪、特征提取和模式识别等过程，实现输电杆塔螺栓松动状态的整体检测，减小螺栓松脱排查范围，加快故障抢修效率，将显著提升输电杆塔运维水平并提高整体经济效益。

31、与现有技术中的采用声波发生器向目标铁塔发射声波信号，采集所述目标铁塔各螺丝连接处的声纹信号，且所发射的声波信号需要依据温度、风速等实时铁塔信息自适应确定声波发生器的目标发射功率，相比，本发明直接采集舞动过程中杆塔自身振动产生的声纹信号，简单高效。

32、与现有技术中通过发射声波，采集螺丝连接处的声纹信号，再对信号进行分析和判断，也即每次检测对象为一颗螺栓，再检测其他螺栓时，又需要重新确定声波发生器功率等，发射信号、采集、分析重新来一遍，而一条线路往往有数百甚至数千基杆塔，每个杆塔有数千颗螺栓，因此该发明难以应用于实际线路运检，提早发现杆塔隐患。相比，本发明采用机载式声纹采集装置，将杆塔分为4个区域，分区域检测声纹信号，检测对象是一个区域，通过信号分析确定该区域是否存在螺栓松脱现象，检测高效，配合无人机能实现多基杆塔螺栓状态的快速诊断。

33、与现有技术中在线式监测设备可以以防爆箱形式安装在被测铁塔上，便携式监测设备可以以工程装备箱形式运输至铁塔底部，而且目标铁塔上还需安装有贴片式骨传导声纹在线传感器、温度传感器、风速传感器、声波发生器等，相比，本发明无需在杆塔上安装传感器，应用简单方便，同时巡检人员可远程操控无人机靠近杆塔即可，无需上塔安装或者在塔下操作。

34、本发明采用svm算法建立了不同螺栓松动状态下的声纹时间信号的特征向量与杆塔螺栓松动状态之间的对应关系，但目标文件只提到声学模型，并没有提到声学模型具体算法或如何建立的。

35、本发明采用机载式声纹检测技术针对杆塔螺栓状态分区域检测，避免了在杆塔上安装大量监测传感器，同时无人机很方便的实现线路巡检及不同位置信号采集(安装传感器就只能检测传感器所在位置)，可便捷、高效实现螺栓松动检测，减小螺栓松脱排查范围，加快故障抢修效率，将显著提升输电杆塔运维水平并提高整体经济效益。