Gammatone GFCC与鲸鱼算法优化随机森林：干式变压器故障声音诊断新方法

本文主要探讨了一种新型的干式变压器机械故障声音诊断方法，该方法结合了Gammatone滤波器倒谱系数（GFCC）和鲸鱼算法优化的随机森林（WA-RF）。作者旨在利用人类听觉系统对声音的敏感性，提取变压器声音信号中的关键状态信息，以识别潜在的机械故障。 首先，文章介绍了Gammatone滤波器倒谱系数（GFCC），这是一种模仿人耳听觉特性的信号处理技术。在声音信号分析中，GFCC通过模拟人耳对不同频率的敏感性，将原始声音信号转化为更具生物启发性的特征表示。这种方法有助于捕捉声音信号中的关键频率成分，特别是在噪声环境中，可以有效增强信号的可辨识性。 接着，为了进一步提高故障识别的准确性和效率，作者引入了信息熵来提取GFCC特征中的主要信息。信息熵是一种衡量信息不确定性的指标，在这里用于判断哪些GFCC特征包含更多的故障状态信息，从而减少冗余特征，提升诊断模型的性能。 随后，文章提到了鲸鱼算法优化的随机森林（WA-RF）。随机森林是一种集成学习方法，由多个决策树组成，而鲸鱼算法则是一种自然启发式的优化算法，源自鲸鱼捕食行为。在这里，鲸鱼算法被用来优化随机森林中决策树的数量和选择的特征子集，以构建更精准的故障分类模型。这种优化可以防止过拟合，提高模型的泛化能力。 实验结果显示，基于GFCC主要特征参数和鲸鱼算法优化的随机森林模型在识别10kV干式变压器的正常与典型机械故障时，达到了95%以上的准确率，显示出了优秀的抗噪性能和鲁棒性。这表明该方法对于实际应用中的变压器故障诊断具有很大的潜力，能有效地提前预警，减少故障引起的损失。 此外，文中也指出了传统的变压器故障诊断方法，如依赖振动信号分析，虽然具有一定的优势，但在传感器安装和抗干扰性方面存在局限。因此，本文提出的声学诊断方法提供了一个更为灵活和有效的替代方案，有望在电力系统中得到广泛应用，提升变压器及其所在电力系统的安全性和可靠性。