文 献 综 述
- 课题研究背景与意义
自20世纪以来，我国进入了经济发展的高速时期。以华东及沿海地区为代表的经济中心每年需要消耗巨大的电力资源。与其相匹配的电网规模也在不断发展，具体表现在电力系统容量大，输送配电强度高等方面。随着人们对电力的依赖程度越来越高，保障电力系统安全稳定的运行是当今的重要任务之一。在大型电网中，电力站的配电变压器是极为重要的，它承担着变压、输送、分配等关键功能。变压器的安全隐患和故障是导致人们用电不便的重要因素。如果变压器出现故障，将会极大的影响人们生产生活的正常运作。因此，保障变压器的安全和稳定运转是一个极为重要的问题。
电力变压器在投入使用后，由于长时间不间断的工作，很容易出现绝缘体老化、接头短路和零件磨损。文献[1]、[2]列出了变压器常见的故障类型，常主要有电路故障、绕组故障和接头过热故障等。文献[3]列出现在比较常见的故障检测方式主要有：在线监测技术、气相色谱仪技术和红外光谱技术。在线监测技术主要以动态测试技术为基础，相关检测人员通过监测振动信号、声信号、温度信号等多种信号的强弱，从而根据监测结果判断出现该种状况的原因。气相色谱技术主要应用于分析混合气体中内部组成部分。红外光谱技术则需要检测人员利用红外气体分析仪和薄膜电容检测器进行定量分析。也有一些有经验的检测人员可以直接根据变压器发出的异常声音判断是否产生了故障。
如今，大部分的变压器故障监测都很大程度上依赖于检测人员，在变压器数量庞大的情况下，浪费了很多人力物力资源。尤其是在雷雨天等恶劣天气的时候，检测人员进行故障排查时有很大的安全隐患。所以我们有必要寻求一个快速、实时、安全可靠的变压器故障监测方法。但是，大多数情况下，采集变压器相关信号都需要将传感器与变压器相连接，这造成了传感器安装与维护的不方便。
文献[4]、[5]、[6]提出并证实了利用变压器可听声信号建立在线监测机制的可能性。声音信号是一种易于被采集到的信号。在变压器运行的过程中，会发出具有辨识性的声音，而当变压器产生故障时，所发出的声信号也会产生变化。我们可以通过采集这些声音信号并加以分析，建立出变压器故障诊断的方法。因为声音信号的采集并不需要接触设备，就使得接收声信号的传感器布局很灵活。除此之外，这种方法更加快速便捷，也节省了更多人力。
- 国内外研究现状
目前针对变压器的故障诊断方法主要依靠人的主观经验，大部分采用电气试验、油务化验、频率响应试验等周期性的离线检测方法。这些方法的弊端在于不能及时的发现潜在问题，且浪费大量资源。20世纪末，基于声音信号的变压器检测方法应运而生。文献[7]针对变压器故障类型判断及故障预警问题，从信号采集、信号消噪、特征量提取、故障诊断4个方面综述了基于可听声的变压器故障诊断技术研究的新进展；文献[8]提出了基于M-robust估计的故障检测算法；文献[9]提出基于小波分析与BP神经网络相结合的故障诊断方法识别异响的。
2.1 声音信号识别现状
文献[10]介绍了语音识别的常见方法，文献[11]对语音识别现状作了具体介绍。声音信号识别属于语音识别，而语音识别是模式识别的一个分支，如今已经广泛应用于微机技术、DSP、人工智能等领域。20世纪初，语音识别取得突破进展。基于动态规划的动态时间规整（Dynamic Time Warping，DTW）技术基本成熟，特别提出了矢量量化（Vector Quantization，VQ）和隐马尔可夫模型（Hidden Markov Model，HMM）理论。80年代，语音识别走向连续性、大词汇量的识别。在这一阶段，基于HMM/VQ、HMM/高斯混合模型、HMM/人工神经网络的语音建模方法开始广泛应用于大词汇量连续语音识别（Large Vocabulary Continuous Speech Recognition，LVCSR）系统 ，语音识别技术取得新突破。如今，语音识别走向实用化，更加关注自适应性。基于人工神经网络（Artificial Neural Network，ANN）是由大量处理单元互联组成的非线性、自适应信息处理系统。ANN识别将并行分布运算、学习算法以及模仿人的认知行为的能力充分运用到语音识别中。
2.2 声音信号识别算法研究现状
建立声音信号识别模型的算法重点主要集中在：数据预处理、特征提取、声音特征降维三个方面。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
