基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

作者：崔佳嘉^*; 马宏忠

来源：电机与控制学报, 2022, 26(12): 150-160.

DOI：10.15938/j.emc.2022.12.015

• 变压器
• 声纹
• 铁心松动
• 梅尔倒谱系数
• 局部线性嵌入算法
• 降维
• 三维卷积神经网络

为了准确提取变压器铁心松动故障时的声纹特征，提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理，提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进；最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验，采集铁心在不同松动程度下的声纹信号。计算结果表明，使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果，准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。

• 单位
  电气学院; 河海大学