前言：中文期刊網精心挑選了神經網絡預訓練方法范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡預訓練方法范文1
關鍵詞：音頻識別； 在線監測； 故障識別； 無人值守變電站
中圖分類號：TN912 文獻標識碼：A
隨著電網建設的發展和安全要求的提高，變電站建設正朝無人值守或少人值守的方向發展.目前，無人值守變電站主要傾向于向“五遙”方向發展（遙測、遙信、遙控、遙調、遙視）[1-2]，利用視頻監控系統，變電站中已逐步實現了“遙視”功能，但對于運行設備內部聲音的監測卻沒有得到重視，已開發的成套設備也非常少[3]，針對電力設備運行狀態的智能化音頻識別系統就更少了.
電力設備在運行過程中會發出各種聲音，從聲音變化強弱可以判別設備的運行狀態，甚至故障類別[4].例如，10 kV配電變壓器正常運行時，有較輕微均勻的“嗡嗡”聲，這是鐵心自振的正常現象.如果變壓器突然出現異常的聲音，原因是多方面的，可從以下幾個方面考慮：1）若聲音比平常聽起來沉重，說明此時變壓器過負荷；2）若聲音比平常尖銳，說明電源電壓過高；3）當變壓器內部鐵心結構松動時，便會出現亂而嘈雜的聲音；4）當變壓器出現爆裂聲時，表明線圈或鐵心絕緣有擊穿現象；5）當跌落式熔斷器觸頭接觸不好、分接開關觸頭接觸不良，以及其他外電路上有故障時，也會引起變壓器聲音的變化.為了判斷變壓器故障類型，變電站值班人員常用絕緣棒的一端放在變壓器的油箱上，另一端放在耳邊仔細聽聲音.該方法雖然操作簡單，但無法實現遠程的連續的在線檢測，與無人值班變電站的發展趨勢不相符；同時還要求檢測人員具有豐富的實際經驗，給判斷的準確性帶來了不穩定因素.
為了全面掌握變電站實時運行情況、及時發現故障設備[5]，并做出科學的決策和處理，有必要研究一種無人值守的設備音頻監控新方法，通過監測設備運行時的聲音信號，對設備運行狀態進行在線監測.并且注意與變電站現有監控系統相配合，從多方面掌握設備實際運行情況，優化變電站系統的管理，對提高設備的檢修效率、可靠性，延長設備使用壽命都有重要的現實意義.
1音頻監測原理與系統結構
1.1電氣設備音頻監測原理
無人值守變電站設備音頻檢測系統主要用于檢測變壓器、電容器、電抗器、GIS（氣體絕緣開關）等主設備運行時的聲音信號.如圖1所示，多路音頻信號經傳感器采集、濾波、放大、AD轉換，傳送至單片機數據處理器，經數據處理后，由現場總線把音頻數據傳至變電站監控主機（IPC）上，經音頻頻譜分析、提取到音頻特征參數，再用神經網絡識別該音頻特征，根據音頻特征向量輸出該設備所處的狀態和故障類型，并且監控主機根據判斷結果做出報警或采取其它措施進行故障處理.
1.2電氣設備音頻監控系統結構
變電站無人值守設備音頻監控系統結構如圖2所示，系統硬件由聲音信號采集模塊（由聲音傳感器、現場總線、數據收集器構成）、故障類型判別模塊（變電站主機）和人機交互模塊（集控站主機）和電源模塊組成.
首先，在變電站需要監測的電氣設備上安裝了多個聲音傳感器（如圖1所示）.每個數據采集器負責多路音頻數據的采集；然后數據收集器負責收集某個站點多個數據采集器的音頻數據，并上傳至站點監控主機.變電站監控主機根據設備故障狀況和設備優先順序，分時處理多路音頻數據.對音頻數據進行變換和頻譜分析、提取音頻數據的特征向量，然后把特征向量輸入訓練好的神經網絡進行識別，判斷發出該音頻數據的設備運行狀況和故障類型，并根據判斷結果采取警報或其它控制措施.
集控站主機位于變電站集控中心，通過以太網與各變電站主機進行遠程通信，是工作人員與各變電站音頻監控系統進行人機交互的平臺，可方便地對多個無人值守變電站點進行遠程的集中監管.集控站工作人員利用服務器保存的歷史記錄，不但可查詢任一指定站點的設備當前和過去的音頻數據，還可通過集控站的數據匯總分析，繪制出一段時間來某個電氣設備的波形和頻譜幅度變化曲線圖，方便工作人員綜合分析該設備的變化情況.另外，集控中心還可結合集控站其他非音頻監控系統的信息，對某個變電站設備狀態進行全面分析，更加準確地判斷它的運行狀態，確保設備安全穩定運行.集控主機主要功能如圖3所示.
2系統關鍵技術實現
2.1音頻數據采集器
數據采集器是實現變電站設備無人值守音頻監控的重要部件，它負責電氣設備音頻數據的處理和初步判斷，內部結構如圖4所示.
數據采集器對聲音傳感器采集聲音信號的處理包括：信號放大、低通濾波、模數轉換、聲音壓縮、信號初步判斷、串行通信等處理過程.核心處理器為凌陽SPCE061A型音頻處理機，該處理器集成了信號放大、模數轉換、串行通信接口等部件，具有強大的聲音處理能力，適合本項目音頻信號的處理.SPCE061A型單片機IO端口的IOB7和IOB10可以從通用IO口設置為串行通信口（UART），為RS422通信提供了硬件條件.串行通信口的波特率從1 500 bps到51 200 bps（51.2 Kbps）可調，通信速度能夠滿足狀態監控的要求.為了實現多機通信，每個音頻數據采集器均有自己的一個地址.通過單片機讀取7個IO的二進制編碼，實現采集器的地址編碼，數據收集器根據這個地址編碼輪詢各數據采集器，實現與各監測點的多機通信.
為了減少上層服務器對音頻數據的計算和處理，底層的數據采集器還需對采集的音頻數據在本地進行簡單的故障預判斷，通過預判斷提前發現所采集的音頻是否屬于故障音頻.其基本原理是：首先對典型故障音頻進行特征統計，并把統計結果保存在本地數據庫中，然后把當前音頻數據特征快速與故障音頻特征進行比對.例如，當出現音頻信號的幅度明顯過高、過低、噪聲信號過大等情況時，就能快速判斷其屬于故障音頻.對于這些異常情況，數據采集器馬上將判斷結果通過RS485總線發送給數據收集器，再經數據收集器告知監控主機.
經數據采集器預判斷不屬于故障音頻的數據，還需上傳至監控主機作進一步分析.當數據采集器收到監控主機發出監聽某個設備的要求時，立即將該設備的聲音數據進行壓縮和編碼傳輸給數據收集器.數據收集器利用串口服務器，把RS485協議數據轉換為TCP/IP協議的網絡數據與監控主機進行通信，把音頻數據傳輸到監控主機后完成進一步的判斷處理.
2.2設備運行狀態判別模塊
設備運行狀態判別模塊是變電站音頻監控系統的核心模塊，基本判斷過程如圖5所示.監控主機對上傳的音頻數據進行頻域變換、頻譜分析，提取音頻信號的MFCC（Mel Frequency Cepstrum Coefficient，即Mel頻率倒譜系數）特征參數[6]，然后把特征向量輸入訓練好的正弦基神經網絡進行計算，判斷出該音頻數據表征的設備運行狀態，同時監控主機根據判斷結果做出相應控制和處理，保證設備安全運行.
2.2.1音頻信號特征提取
有效提取語音特征是識別語音的關鍵.人的內耳基礎膜對外來信號會產生調節作用，它實質上充當了一個濾波器組，具有在嘈雜的環境中以及各種變異情況下仍能正常地分辨出各種語音的功能，即使信噪比降低時它仍有較好的識別性能.Mel頻率就是基于人耳聽覺這一特性提出來的[7]，它與Hz頻率成非線性對應關系；而且MFCC算法還模擬人耳濾波器功能設計了聽覺前端濾波器組模型，這樣計算的結果能很好地體現音頻信號的主要信息，所以MFCC提取的音頻參數廣泛地應用于語音識別[8]、音頻分類和檢索領域[9].本項目也是通過提取電氣設備聲音的Mel頻率倒譜特征參數作為判斷識別的特征參數，Mel頻率倒譜系數的參數提取步驟如下.
2.2.3音頻特征識別器的訓練
利用神經網絡對音頻數據進行自動分類，首先需要收集各種電氣設備良好和故障狀態下的音頻數據進行訓練.在變電站設備中采集m個音頻信號的樣本，經MFCC算法分別提取m個樣本的特征參數，作為該狀態的訓練樣本.每個特征參數是含有N個元素的向量，根據神經網絡的模型及權值修正方法，設計了如下訓練方法.
3實驗與仿真
3.1實驗設備介紹
無人值守變電站的音頻監控系統已在河南省信陽供電公司220 kV沙港集控中心和110 kV工業城變電站試運行，且沙港集控中心離工業城變電站相距50 km.系統設備包括：集控站主機1臺、變電站主機2臺、數據采集器8個，還有端子箱、配電箱、交換機、通訊電纜等.集控站主機設在信陽供電公司220 kV沙港集控中心，其余主要設備安裝在信陽供電公司110 kV工業城變電站.到目前為止，音頻監控系統性能穩定、運行良好，其安裝現場如圖7所示.
由圖13可知，變壓器音頻信號的頻率主要集中在50～500 Hz，主要原因是變壓器鐵心振動產生的聲音集中在5個頻率范圍.實驗表明：不同運行狀態下的音頻信號，幅頻圖的頻率峰值和幅度明顯不同，所以有必要根據這個特點設置MFCC計算的初始條件，提取穩定可靠的音頻信號特征作為識別的根據.
3.2.2變壓器音頻信號特征提取
利用Matlab計算主變壓器音頻數據的MFCC特征參數，結果如圖14所示.
當變壓器處于同一工作狀態時，其聲音具有持續穩定的不變性，而且不同時期獲得同一狀態的MFCC特征曲線具有相似性，如圖15所示.
3.2.3正弦基神經網絡識別分類
選取前面所述變壓器5種狀態下的音頻數據各2 000組共10 000組（采樣頻率為8 kHz）.首先從每種狀態中隨機抽取1 500組共7 500組進行神經網絡訓練，將每種狀態剩下的500組特征向量作為測試數據，進行正弦基神經網絡識別測試，得到變壓器各種狀態的正確識別率如表1所示.
4結論
監聽電氣設備運行時發出的聲音信號能有效發現設備異常情況，及時采取措施隔離和消除故障，避免事態擴大.本文提出一種利用神經網絡準確識別音頻特征、判斷設備故障類型的方法，從根本上改進了傳統人工監聽設備、判斷故障的方法，提高了電氣設備故障檢測水平，豐富了無人值守變電站的設備在線監測和檢修技術，在未來的智能電網建設中具有重要的應用價值.
參考文獻
[1]丁正勝.無人值班變電站遠程圖像監控系統應用[J].大眾用電，2009，3：24-25.
[2]孔英會.無人值守變電站監控視頻異常模式識別方法[J].華北電力大學學報：自然科學版，2011，38（6）： 11-16.
[3]徐林.變電站音頻實時監測系統初探[J].機電信息，2009（36）：155-156.
[4]楊新杰.配電變壓器異常現象的分析與判斷[J].北京電力高等?？茖W校學報，2011，12：2-3.
[5]蔡聲鎮.高壓變電站室內分布式SF6監測系統的研制[J].儀器儀表學報，2006，27（9）：1033-1036.
[6]陳勇.語音特征參數MFCC的提取及其應用[J]. 湖南農業大學學報：自然科學版，2009，35（1）：106-107.
[7]張小玫. 基于小波Mel倒譜系數的抗噪語音識別[J].中國電子科學研究院學報，2008，3（2）：187-189.
[8]郭春霞.基于MFCC的說話人識別系統[J]. 電子科技，2005（11）：53-56.
[9]江星華.基于LPCMCC的音頻數據檢索方法[J].計算機工程，2009，35（11）：246-248.
[10]薛峰.噪聲環境下MFCC特征提取[J].信號處理， 2010，26（1）：127-131.
[11]鄒阿金.正弦基函數神經網絡濾波器設計[J].長沙電力學院學報：自然科學版，2001，16（2）：16-18.
