前言：中文期刊网精心挑选了神经网络预训练方法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络预训练方法范文1
关键词：音频识别； 在线监测； 故障识别； 无人值守变电站
中图分类号：TN912 文献标识码：A
随着电网建设的发展和安全要求的提高，变电站建设正朝无人值守或少人值守的方向发展.目前，无人值守变电站主要倾向于向“五遥”方向发展（遥测、遥信、遥控、遥调、遥视）[1-2]，利用视频监控系统，变电站中已逐步实现了“遥视”功能，但对于运行设备内部声音的监测却没有得到重视，已开发的成套设备也非常少[3]，针对电力设备运行状态的智能化音频识别系统就更少了.
电力设备在运行过程中会发出各种声音，从声音变化强弱可以判别设备的运行状态，甚至故障类别[4].例如，10 kV配电变压器正常运行时，有较轻微均匀的“嗡嗡”声，这是铁心自振的正常现象.如果变压器突然出现异常的声音，原因是多方面的，可从以下几个方面考虑：1）若声音比平常听起来沉重，说明此时变压器过负荷；2）若声音比平常尖锐，说明电源电压过高；3）当变压器内部铁心结构松动时，便会出现乱而嘈杂的声音；4）当变压器出现爆裂声时，表明线圈或铁心绝缘有击穿现象；5）当跌落式熔断器触头接触不好、分接开关触头接触不良，以及其他外电路上有故障时，也会引起变压器声音的变化.为了判断变压器故障类型，变电站值班人员常用绝缘棒的一端放在变压器的油箱上，另一端放在耳边仔细听声音.该方法虽然操作简单，但无法实现远程的连续的在线检测，与无人值班变电站的发展趋势不相符；同时还要求检测人员具有丰富的实际经验，给判断的准确性带来了不稳定因素.
为了全面掌握变电站实时运行情况、及时发现故障设备[5]，并做出科学的决策和处理，有必要研究一种无人值守的设备音频监控新方法，通过监测设备运行时的声音信号，对设备运行状态进行在线监测.并且注意与变电站现有监控系统相配合，从多方面掌握设备实际运行情况，优化变电站系统的管理，对提高设备的检修效率、可靠性，延长设备使用寿命都有重要的现实意义.
1音频监测原理与系统结构
1.1电气设备音频监测原理
无人值守变电站设备音频检测系统主要用于检测变压器、电容器、电抗器、GIS（气体绝缘开关）等主设备运行时的声音信号.如图1所示，多路音频信号经传感器采集、滤波、放大、AD转换，传送至单片机数据处理器，经数据处理后，由现场总线把音频数据传至变电站监控主机（IPC）上，经音频频谱分析、提取到音频特征参数，再用神经网络识别该音频特征，根据音频特征向量输出该设备所处的状态和故障类型，并且监控主机根据判断结果做出报警或采取其它措施进行故障处理.
1.2电气设备音频监控系统结构
变电站无人值守设备音频监控系统结构如图2所示，系统硬件由声音信号采集模块（由声音传感器、现场总线、数据收集器构成）、故障类型判别模块（变电站主机）和人机交互模块（集控站主机）和电源模块组成.
首先，在变电站需要监测的电气设备上安装了多个声音传感器（如图1所示）.每个数据采集器负责多路音频数据的采集；然后数据收集器负责收集某个站点多个数据采集器的音频数据，并上传至站点监控主机.变电站监控主机根据设备故障状况和设备优先顺序，分时处理多路音频数据.对音频数据进行变换和频谱分析、提取音频数据的特征向量，然后把特征向量输入训练好的神经网络进行识别，判断发出该音频数据的设备运行状况和故障类型，并根据判断结果采取警报或其它控制措施.
集控站主机位于变电站集控中心，通过以太网与各变电站主机进行远程通信，是工作人员与各变电站音频监控系统进行人机交互的平台，可方便地对多个无人值守变电站点进行远程的集中监管.集控站工作人员利用服务器保存的历史记录，不但可查询任一指定站点的设备当前和过去的音频数据，还可通过集控站的数据汇总分析，绘制出一段时间来某个电气设备的波形和频谱幅度变化曲线图，方便工作人员综合分析该设备的变化情况.另外，集控中心还可结合集控站其他非音频监控系统的信息，对某个变电站设备状态进行全面分析，更加准确地判断它的运行状态，确保设备安全稳定运行.集控主机主要功能如图3所示.
2系统关键技术实现
2.1音频数据采集器
数据采集器是实现变电站设备无人值守音频监控的重要部件，它负责电气设备音频数据的处理和初步判断，内部结构如图4所示.
数据采集器对声音传感器采集声音信号的处理包括：信号放大、低通滤波、模数转换、声音压缩、信号初步判断、串行通信等处理过程.核心处理器为凌阳SPCE061A型音频处理机，该处理器集成了信号放大、模数转换、串行通信接口等部件，具有强大的声音处理能力，适合本项目音频信号的处理.SPCE061A型单片机IO端口的IOB7和IOB10可以从通用IO口设置为串行通信口（UART），为RS422通信提供了硬件条件.串行通信口的波特率从1 500 bps到51 200 bps（51.2 Kbps）可调，通信速度能够满足状态监控的要求.为了实现多机通信，每个音频数据采集器均有自己的一个地址.通过单片机读取7个IO的二进制编码，实现采集器的地址编码，数据收集器根据这个地址编码轮询各数据采集器，实现与各监测点的多机通信.
为了减少上层服务器对音频数据的计算和处理，底层的数据采集器还需对采集的音频数据在本地进行简单的故障预判断，通过预判断提前发现所采集的音频是否属于故障音频.其基本原理是：首先对典型故障音频进行特征统计，并把统计结果保存在本地数据库中，然后把当前音频数据特征快速与故障音频特征进行比对.例如，当出现音频信号的幅度明显过高、过低、噪声信号过大等情况时，就能快速判断其属于故障音频.对于这些异常情况，数据采集器马上将判断结果通过RS485总线发送给数据收集器，再经数据收集器告知监控主机.
经数据采集器预判断不属于故障音频的数据，还需上传至监控主机作进一步分析.当数据采集器收到监控主机发出监听某个设备的要求时，立即将该设备的声音数据进行压缩和编码传输给数据收集器.数据收集器利用串口服务器，把RS485协议数据转换为TCP/IP协议的网络数据与监控主机进行通信，把音频数据传输到监控主机后完成进一步的判断处理.
2.2设备运行状态判别模块
设备运行状态判别模块是变电站音频监控系统的核心模块，基本判断过程如图5所示.监控主机对上传的音频数据进行频域变换、频谱分析，提取音频信号的MFCC（Mel Frequency Cepstrum Coefficient，即Mel频率倒谱系数）特征参数[6]，然后把特征向量输入训练好的正弦基神经网络进行计算，判断出该音频数据表征的设备运行状态，同时监控主机根据判断结果做出相应控制和处理，保证设备安全运行.
2.2.1音频信号特征提取
有效提取语音特征是识别语音的关键.人的内耳基础膜对外来信号会产生调节作用，它实质上充当了一个滤波器组，具有在嘈杂的环境中以及各种变异情况下仍能正常地分辨出各种语音的功能，即使信噪比降低时它仍有较好的识别性能.Mel频率就是基于人耳听觉这一特性提出来的[7]，它与Hz频率成非线性对应关系；而且MFCC算法还模拟人耳滤波器功能设计了听觉前端滤波器组模型，这样计算的结果能很好地体现音频信号的主要信息，所以MFCC提取的音频参数广泛地应用于语音识别[8]、音频分类和检索领域[9].本项目也是通过提取电气设备声音的Mel频率倒谱特征参数作为判断识别的特征参数，Mel频率倒谱系数的参数提取步骤如下.
2.2.3音频特征识别器的训练
利用神经网络对音频数据进行自动分类，首先需要收集各种电气设备良好和故障状态下的音频数据进行训练.在变电站设备中采集m个音频信号的样本，经MFCC算法分别提取m个样本的特征参数，作为该状态的训练样本.每个特征参数是含有N个元素的向量，根据神经网络的模型及权值修正方法，设计了如下训练方法.
3实验与仿真
3.1实验设备介绍
无人值守变电站的音频监控系统已在河南省信阳供电公司220 kV沙港集控中心和110 kV工业城变电站试运行，且沙港集控中心离工业城变电站相距50 km.系统设备包括：集控站主机1台、变电站主机2台、数据采集器8个，还有端子箱、配电箱、交换机、通讯电缆等.集控站主机设在信阳供电公司220 kV沙港集控中心，其余主要设备安装在信阳供电公司110 kV工业城变电站.到目前为止，音频监控系统性能稳定、运行良好，其安装现场如图7所示.
由图13可知，变压器音频信号的频率主要集中在50～500 Hz，主要原因是变压器铁心振动产生的声音集中在5个频率范围.实验表明：不同运行状态下的音频信号，幅频图的频率峰值和幅度明显不同，所以有必要根据这个特点设置MFCC计算的初始条件，提取稳定可靠的音频信号特征作为识别的根据.
3.2.2变压器音频信号特征提取
利用Matlab计算主变压器音频数据的MFCC特征参数，结果如图14所示.
当变压器处于同一工作状态时，其声音具有持续稳定的不变性，而且不同时期获得同一状态的MFCC特征曲线具有相似性，如图15所示.
3.2.3正弦基神经网络识别分类
选取前面所述变压器5种状态下的音频数据各2 000组共10 000组（采样频率为8 kHz）.首先从每种状态中随机抽取1 500组共7 500组进行神经网络训练，将每种状态剩下的500组特征向量作为测试数据，进行正弦基神经网络识别测试，得到变压器各种状态的正确识别率如表1所示.
4结论
监听电气设备运行时发出的声音信号能有效发现设备异常情况，及时采取措施隔离和消除故障，避免事态扩大.本文提出一种利用神经网络准确识别音频特征、判断设备故障类型的方法，从根本上改进了传统人工监听设备、判断故障的方法，提高了电气设备故障检测水平，丰富了无人值守变电站的设备在线监测和检修技术，在未来的智能电网建设中具有重要的应用价值.
参考文献
[1]丁正胜.无人值班变电站远程图像监控系统应用[J].大众用电，2009，3：24-25.
[2]孔英会.无人值守变电站监控视频异常模式识别方法[J].华北电力大学学报：自然科学版，2011，38（6）： 11-16.
[3]徐林.变电站音频实时监测系统初探[J].机电信息，2009（36）：155-156.
[4]杨新杰.配电变压器异常现象的分析与判断[J].北京电力高等专科学校学报，2011，12：2-3.
[5]蔡声镇.高压变电站室内分布式SF6监测系统的研制[J].仪器仪表学报，2006，27（9）：1033-1036.
[6]陈勇.语音特征参数MFCC的提取及其应用[J]. 湖南农业大学学报：自然科学版，2009，35（1）：106-107.
[7]张小玫. 基于小波Mel倒谱系数的抗噪语音识别[J].中国电子科学研究院学报，2008，3（2）：187-189.
[8]郭春霞.基于MFCC的说话人识别系统[J]. 电子科技，2005（11）：53-56.
[9]江星华.基于LPCMCC的音频数据检索方法[J].计算机工程，2009，35（11）：246-248.
[10]薛峰.噪声环境下MFCC特征提取[J].信号处理， 2010，26（1）：127-131.
[11]邹阿金.正弦基函数神经网络滤波器设计[J].长沙电力学院学报：自然科学版，2001，16（2）：16-18.
