CN104089699A - 一种变电站设备声音重建算法 - Google Patents

Abstract

本发明公开了一种变电站设备声音重建算法，包括步骤1:样本采集，声音采集装置采集设备发出的声音；步骤2:读取采集到的声音；步骤3:预处理操作，将采集到的声音信号进行分帧、加窗操作；步骤4:时频变换：使用时频变换工具傅里叶变换将声音信号从时间域转化到频率域，得到所检设备的声音频谱分布图。步骤5:工频倍数频谱特征提取；步骤6:频域去噪：将特征向量进行傅里叶逆变换将频率域中的特征向量转化为时间域的信号。步骤7:信号波形重建。本发明利用所得到的傅里叶谱特征向量，把其他频谱上的能量忽略，进行傅里叶逆变换返回时域，得到恢复的时域波形，发现和原设备波形的差别很小。

Description

一种变电站设备声音重建算法

技术领域

本发明具体公开了一种变电站设备声音重建算法。 

背景技术

变电系统是供电企业生产中输、变、配三大系统中的核心系统之一。随着电力系统自动化程度的提高，变电站逐渐趋于无人值守。虽然变电站主设备可以实现远程监控，即“四遥”(遥测、遥信、遥控、遥调)功能。但是“四遥”在一定程度上影响对事故判断的准确性并使事故快速处理的能力下降。目前变电站设备巡检主要有人工巡检和远程监视。 

变电站人工巡检就是变电站运行工人在现场进行设备巡视，对运行设备进行简单的感观定性判断，主要通过看、触、听等感官来实现。这与对设备的熟悉程度、业务水平、工作经验、态度、责任心和精神状态有很大关系。随着机器人技术的发展，将机器人技术与电力应用相结合，基于室外机器人移动平台，携带检测设备代替人工进行设备巡检成为了可能。并且，为了保证变电设备的安全运行，更快的推进变电站无人值守的发展，利用智能巡检机器人完成变电站设备的巡检，不但可以提高工作效率和质量、减员增效，还可以有效的保护工作人员的人身安全。 

在变电站中，主变变压器和高抗设备起着极其重要的作用，而目前对变压器和高抗设备的检测仍然靠人工来检测，这种方式的工作效率和质量极低，且变电设备声音的时间域信号通常是一种比较混乱的信号，尤其是在时间域上，采集得到的信号波形不具有明显的规律变化，时域虽然可以直观的观测到信号的形状，但是不能用有限的参数对信号进行准确的描述。

发明内容

为了解决现有技术存在的缺陷，本发明具体公开了一种变电站设备声音重建算法。 

本发明采用的技术方案如下： 

本发明中主要利用了变电站设备的工频特性，应用了傅里叶变换及其傅里叶的逆变换，在频率域中进行算法设计。使用变电站巡检机器人在变电站中采集各种各样的样本，组建样本数据库样本。读取样本数据，然后进行预处理操作(分帧、加窗)和傅里叶变换，将声音信号从时域转换到频率上。分析声音信号的傅里叶频谱分布，寻找能刻画频谱变化规律的特征。选取特征后，进行傅里叶逆变换得到时域信号重建波形文件，具体步骤如下： 

步骤1:样本采集，利用声音采集装置，采集设备发出的声音； 

步骤2:样本读取，读取采集到的声音； 

步骤3:预处理操作，将采集到的声音信号进行分帧、加窗操作； 

步骤4:时频变换：使用时频变换工具傅里叶变换将步骤(3)得到的声音信号从时间域转化到频率域，得到所检设备的声音频谱分布图； 

步骤5:工频倍数频谱特征提取；从步骤(4)得到的声音频谱分布图中提取工频倍数处的傅里叶频谱作为算法的特征参数； 

对时频变换得到的频谱分布图进行分析，得到在工频倍数处的傅里叶频谱幅值比其他频率处的频谱幅值大，并且该特征稳健性强不受噪声的影响，经过多样本分析发现，设备声音频谱满足在工频倍数上有较大幅值的性质。 

步骤6:频域去噪：将步骤(5)得到的特征参数进行傅里叶逆变换将频率域中的特征向量转化为时间域的信号； 

步骤7:信号波形重建，傅里叶逆变换得到的时域信号即为重建波形。 

所述的步骤3的详细过程如下： 

由于声音信号是一个短时平稳信号，所以在进行声音分析处理时需要先进行加窗分帧处理，分帧采用交叠分段的方法，这是为了使帧与帧之间平滑过渡，保持其连续性。设声音信号x的长度为N，分成每帧的长度为L，帧移为M，则信号x可以被分为的帧数num为： 

$\mathrm{num}=\frac{N-L}{M}+1---\left(1\right)$

在进行傅里叶变换时，为了减少频谱泄露现象要进行加窗处理，即对序列的边界点进行了平滑处理以使得以此序列进行周期拓展。在此选用的窗函数为汉明窗，公式如下： 

所述的步骤4的时频变换如下： 

设x(n)是一个长度为M的有限长序列，则定义x(n)的N点离散傅里叶变换(Discrete Fourier Transform，简称DFT)如式(3)所示： 

$X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{kn}},k=\mathrm{0,1},\·\·\·,N-1---\left(3\right)$

所述的步骤5:工频倍数频谱特征提取，提取工频(50Hz)倍数处的傅里叶频谱作为算法的特征参数；声音信号在工频倍数处信号的幅值较大，因此选择工频倍数处的频谱组建特征向量。工频的倍数即工频的自然数倍，即：50*m(Hz)，m为自然数。 

所述的步骤6:频域去噪，将提取的工频倍数傅里叶频谱经过傅里叶逆变换由频域转化为时域； 

X(k)的离散傅里叶逆变换(Inverse Discrete Fourier Transform，简称IDFT)如式(4)所示： 

$x\left(n\right)=\mathrm{IDFT}\left[X\left(k\right)\right]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left(k\right)W_N^{-\mathrm{kn}},n=\mathrm{0,1},\·\·\·,N-1---\left(4\right)$

式(3)和式(4)中，是W_N的-kn次方，N称为DFT变换区间长度，N≥M。 

在算法设计过程中，信号帧长选择需要注意。如果录音设备的采样频率为16KHz，采样位数为16位，那么选取帧长为1600点，这样由傅里叶分析理论可以得到频率分辨率为16K/1.6K＝10HZ，这样在频域的采样间隔就是10Hz，而且这个10Hz采样间隔刚好可以得到50，100，150，200，…，频率点上的频谱，实现频谱分析中的同步采样(即采样周期刚好是信号周期的整数倍，在同步采样条件下可以得到最准确的频谱分析结果，否则由于傅里叶分析的有限时窗截断造成频谱的频谱泄漏，会造成较大误差)。如果要求不是很高可以把采样频率降低为8KHz，这样选取的帧长就相应的改为800点，同样可以得到8K/8000＝10Hz的频率分辨率，实现同步采样。 

本发明的有益效果如下： 

声音识别重要的模块之一就是信号预处理。由于声音信号在时间域中的波形特征不明显，现有的预处理操作不但不能很好的滤除噪声，还将原有的声音信号的信息滤去。经过多次实验分析发现将声音信号从时间域转化到频率域时，声音信号的频谱具有了显著的规律。在频谱图中，频率50，100，150，200，250，……，处频谱幅值很大，而其他频率上的频谱幅值很小。这种特征分布恰恰在工频(50Hz)倍数上，即使声音信号中含有噪声，这种特征分布也依然存在。本发明利用基于工频倍数频谱的特征提取方法，即把其他频谱上的能量忽略，选择工频倍数处的傅里叶频谱作为特征向量，进行傅里叶逆变换返回时域，得到恢复的时域波形，发现和原设备波形的差别很小，并且把数据重新写入WAV文件，结果显示处理后的波形与原声能很好的符合。 

本发明实现了基于工频倍数的频域去噪算法，采用工频倍数的傅里叶频谱作为特征向量，利用傅里叶逆变换将特征向量由频率域转化到时间域，得到的时间域波形即为变电设备声音重建波形。通过实验验证了傅里叶频谱特征的有效性，用工频整数倍上的频谱作为特征向量能有效的表示设备声音。因此，成功恢复了原来的纯净声音，本发明的算法实现了频域去噪复原的功能，为在变电站中分析和识别设备声音打下了坚实的基础，为后续的设备检测提供了技术保障。 

附图说明

图1算法过程图； 

图2变压器原始信号； 

图3变压器加噪信号； 

图4高抗信号频谱图； 

图5高抗信号1000Hz内频谱图； 

图6原波形； 

图7重建波形； 

图8鸟叫声背景下的频谱图； 

图9重建波形； 

具体实施方式

1.基本算法 

傅里叶变换是一种分析信号的方法，在信号处理中，利用傅里叶变换将信号分解成幅值谱，其显示与频率对应的幅值大小。 

一般情况下，傅里叶变换指的是“连续傅里叶变换”(连续函数的傅里叶变换)。连续傅里叶变换将平方可积的函数f(t)表示成复指数函数的积分或级数形式： 

$F\left(\mathrm{\ω}\right)=\underset{-\∞}{\overset{\∞}{\∫}}f\left(t\right)e^{-\mathrm{i\ωt}}\mathrm{dt}---\left(5\right)$

这是将频率域的函数F(ω)表示为时间域的函数f(t)的积分形式。连续傅里叶变换的逆变换为： 

$f\left(t\right)=\frac{1}{2\mathrm{\π}}\underset{-\∞}{\overset{\∞}{\∫}}F\left(\mathrm{\ω}\right)e^{\mathrm{iwt}}\mathrm{d\ω}---\left(6\right)$

即将时间域的函数f(t)表示为频率域的函数F(ω)的积分。 

快速傅里叶变换(FFT)是离散傅里叶变换的快速算法，可以将一个时域信号变换到频域，因为有些信号在时域上是无法找到其特征的，但是如果变换到频域之后，其特征就显现出来。另外，FFT可以将一个信号的频谱提取出来；幅值谱反映了信号能量在频率域的分布。 

工频是电气质量的重要指标之一，是指工业上用的交流电频率，单位赫兹(Hz)。一般指市电的频率，在我国是50Hz。工作于这个频率交流电源的变压器就是工频变压器，工业生产、生活中常见的铁芯电源变压器就属于工频变压器。变电站中的变压器就是这种工频变压器。工频的倍数即工频的自然数倍，即：50*m(Hz)，m为自然数。 

2.算法流程 

本发明中主要应用了傅里叶变换及其傅里叶的逆变换，在频率域中进行算法设计。使用变电站巡检机器人在变电站中采集各种各样的样本，组建样本数据库样本。读取样本数据，然后进行预处理操作(分帧、加窗)进行傅里叶变换，将声音信号从时域转换到频域中，分析声音信号的傅里叶频谱分布，寻找能体现频谱变化规律的特征。提取工频倍数处的傅里叶频谱作为特征进行傅里叶逆变换，将频域又转化到时域中得到重建波形文件。处理过程图如图1所示。 

本发明算法基本步骤概括如下： 

步骤1:样本采集，在变电站巡检机器人上安装拾音器，机器人在进行巡检工作时可以达到待检测的设备处，采集设备发出的声音； 

步骤2:样本读取，读取采集到的声音； 

步骤3:预处理操作，将声音信号进行分帧、加窗操作； 

由于声音信号是一个短时平稳信号，所以在进行声音分析处理时需要先进行加窗分帧处理，分帧采用交叠分段的方法，这是为了使帧与帧之间平滑过渡，保持其连续性。设声音信号x的长度为N，分成每帧的长度为L，帧移为M，则信号x可以被分为的帧数num为： 

$\mathrm{num}=\frac{N-L}{M}+1---\left(1\right)$

在进行傅里叶变换时，为了减少频谱泄露现象要进行加窗处理，即对序列的边界点进行了平滑处理以使得以此序列进行周期拓展。在此选用的窗函数为汉明窗，公式如下： 

步骤4:时频变换：使用时频变换工具傅里叶变换将步骤(3)得到的声音信号从时间域转化到频率域，得到所检设备的声音频谱分布图。 

设x(n)是一个长度为M的有限长序列，则定义x(n)的N点离散傅里叶变换(Discrete Fourier Transform，简称DFT)如式(3)所示： 

$X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{kn}},k=\mathrm{0,1},\·\·\·,N-1---\left(3\right)$

步骤5:工频倍数频谱特征提取：经实验分析，从时频变换得到的频谱分布图可以看出，在工频倍数处的傅里叶频谱幅值比较大，而其他频率处的频谱幅值较小，并且该特征稳健性强不受噪声的影响。经过多样本分析发现，设备声音频谱满足在工频倍数上有较大幅值的性 质。因此，提取工频倍数处的傅里叶频谱作为算法的特征参数。工频的倍数即工频的自然数倍，即：50*m(Hz)，m为自然数。 

步骤6:频域去噪：将步骤(5)得到的特征向量进行傅里叶逆变换将频率域中的特征向量转化为时间域的信号。通过播放得到的声音信号和对应的波形图分析发现频域去噪算法有效的滤除了设备声音携带的噪声。 

X(k)的离散傅里叶逆变换(Inverse Discrete Fourier Transform，简称IDFT)如式(4)所示： 

$x\left(n\right)=\mathrm{IDFT}\left[X\left(k\right)\right]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left(k\right)W_N^{-\mathrm{kn}},n=\mathrm{0,1},\·\·\·,N-1---\left(4\right)$

步骤7:信号波形重建，傅里叶逆变换得到的时域信号即为重建波形； 

在算法设计过程中，如果录音设备的采样频率为16KHz，采样位数为16位，那么选取帧长为1600点，这样由傅里叶分析理论可以得到频率分辨率为16K/1.6K＝10HZ，这样在频域的采样间隔就是10Hz，而且这个10Hz采样间隔可以得到50，100，150，200，…，频率点上的频谱，实现频谱分析中的同步采样(即采样周期是信号周期的整数倍，在同步采样条件下可以得到最准确的频谱分析结果，否则由于傅里叶分析的有限时窗截断造成频谱的频谱泄漏，会造成较大误差)。如果要求不是很高可以把采样频率降低为8KHz，这样选取的帧长就相应的改为800点，同样可以得到8K/8000＝10Hz的频率分辨率，实现同步采样。 

3、实验及其结果分析 

实验中，使用不同的数据进行分析，统计数据的频率域特征。图2和图3是采集到的一段变压器声音的傅里叶频谱情况。图2是原始信号的时域波形和傅里叶频谱1000Hz以内的频谱图；图3是原始信号添加噪声后的情况。从图中可以看出，不管是原始信号还是噪声信号在工频整数倍上均有较大的频谱出现。添加的随机噪声只是在频率幅值小的影响较大，增加了信号的能量，但是没有改变在工频倍数处具有较大的频谱值的特性。 

对于高抗设备来说，在正常运行时声音波形比较纯净，经过大量的分析得到，高抗设备的频谱结构稳定，也是在工频的整数倍处出现，且基本在1000Hz以下频段。图4为某一段高抗声音频谱图，图5为1000Hz内的频谱情况，其中，横坐标单位为Hz，纵坐标为频率幅值(因为频谱的对称性，只需要关注4000以下部分即可，后半部分对称)。 

经过多组数据的分析，变压器和高抗设备的频谱特征均是在工频倍数处出现较大频谱响应，而其他的相应幅值较小。因此，选择在傅里叶变换下，工频倍数频谱来进行信号重建。具体试验如下，其展示了存在不同噪声的变电设备声音的重建对比。 

1)一般噪声条件下，原设备波形及傅里叶特征谱重构的设备波形对比如图6和图7所示， 其中，图6为原始信号的波形图，图7为添加一般噪声后，通过工频倍数的傅里叶频谱重建的波形图。仅仅从波形图中可以看出，两个信号极其相似，重建的声音文件得到了很好的效果。 

2)鸟叫声背景下，频谱上出现一些高频分量，说明鸟叫声频率较高，这与实际情况相符。平常听的鸟叫声是比较尖，就是频率高的原因。频谱图如图8所示。取1000Hz范围内的工频整数倍频谱进行重建，得到波形及对应的WAV文件，得到了很好的效果。重建波形如图9所示，同样的方法重建声音文件得到了很好的效果。 

经过多组实验(人工合成含有噪声的文件)分析发现，选取1000Hz范围内的工频整数倍频谱进行重建，得到波形及对应的WAV文件取得了很好的效果。 

尽管上述是对本发明进行的详细说明，但是本发明的内容不限于此，本技术领域技术人员可以根据本发明的原理进行各种形式上的修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。 

Claims (7)

1.一种变电站设备声音重建算法，其特征在于，包括以下步骤：

步骤1:样本采集，利用声音采集装置，采集设备发出的声音；

步骤2:样本读取，读取采集到的声音；

步骤3:预处理操作，将采集到的声音信号进行分帧、加窗操作；

步骤4:时频变换：使用时频变换工具傅里叶变换将步骤(3)得到的声音信号从时间域转化到频率域，得到所检设备的声音频谱分布图；

步骤5:工频倍数频谱特征提取；从步骤(4)得到的声音频谱分布图中提取工频倍数处的傅里叶频谱作为算法的特征参数；

步骤6:频域去噪：将步骤(5)得到的特征参数进行傅里叶逆变换将频率域中的特征向量转化为时间域的信号；

步骤7:信号波形重建，傅里叶逆变换得到的时域信号即为重建波形。

2.如权利要求1所述的变电站设备声音重建算法，其特征在于，步骤3所述的分帧采用的是使帧与帧之间平滑过渡，保持声音连续性的交叠分段的方法，具体如下：

设声音信号x的长度为N，分成每帧的长度为L，帧移为M，则信号x可以被分为的帧数num为：

$\mathrm{num}=\frac{N-L}{M}+1---\left(1\right).$

3.如权利要求1所述的变电站设备声音重建算法，其特征在于，步骤3所述的加窗处理，即对序列的边界点进行了平滑处理以使得以此序列进行周期拓展，选用的窗函数为汉明窗，公式如下：

4.如权利要求1所述的变电站设备声音重建算法，其特征在于，所述的步骤4中采用傅里叶变换将声音信号从时域转化到频域，采用的方法如下:

设x(n)是一个长度为M的有限长序列，则定义x(n)的N点离散傅里叶变换如式(3)所示：

$X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{kn}},k=\mathrm{0,1},\·\·\·,N-1---\left(3\right).$

5.如权利要求1所述的变电站设备声音重建算法，其特征在于，步骤5中所述的工频倍数频谱特征的提取过程如下：

对时频变换得到的频谱分布图进行分析，得到在工频倍数处的傅里叶频谱幅值比其他频率处的频谱幅值大，提取工频倍数处的傅里叶频谱作为算法的特征参数。

6.如权利要求1所述的变电站设备声音重建算法，其特征在于，步骤5中所述的工频倍数处的傅里叶谱是指工频数为：50*m(Hz)，其中m为自然数。

7.如权利要求1所述的变电站设备声音重建算法，其特征在于，所述的步骤6中离散傅里叶逆变换采用的公式如下：

$x\left(n\right)=\mathrm{IDFT}\left[X\left(k\right)\right]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left(k\right)W_N^{-\mathrm{kn}},n=\mathrm{0,1},\·\·\·,N-1---\left(4\right).$