CN112289341A - 变电站设备声音异常识别方法及系统 - Google Patents

变电站设备声音异常识别方法及系统 Download PDF

Info

Publication number
CN112289341A
CN112289341A CN202011212259.4A CN202011212259A CN112289341A CN 112289341 A CN112289341 A CN 112289341A CN 202011212259 A CN202011212259 A CN 202011212259A CN 112289341 A CN112289341 A CN 112289341A
Authority
CN
China
Prior art keywords
sound
voiceprint
equipment
substation
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011212259.4A
Other languages
English (en)
Inventor
杨国庆
李健
孙志周
张传友
邵光亭
王亚菲
邓燕
刘加科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Intelligent Technology Co Ltd
Original Assignee
State Grid Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Intelligent Technology Co Ltd filed Critical State Grid Intelligent Technology Co Ltd
Priority to CN202011212259.4A priority Critical patent/CN112289341A/zh
Publication of CN112289341A publication Critical patent/CN112289341A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/06—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being correlation coefficients
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种变电站设备声音异常识别方法及系统，包括：获取变电站目标设备的声音信息，并对所述声音信息进行预处理；对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；基于识别结果判断目标设备的运行状态。本发明通过多元的麦克风阵列进行数据的定向采集，采集到的声音比较纯净，而单个麦克风采集的声音信号是多方位声音信号的叠加，能够提高声音数据采集的准确率。

Description

变电站设备声音异常识别方法及系统
技术领域
本发明涉及变电站设备声音异常识别技术领域，尤其涉及一种变电站设备声音异常识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
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)，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，针对电力设备运行状态的智能化音频识别系统则更少。
电力设备在带电运行过程中，会产生可以表征设备本身状态的特有的声音及振动，并且这个声音是该设备独有的，该声音还可以通过电声学仪器所测量和分析，因此我们称该声音携带的表征电力设备运行状态的特性为声纹及振动。利用这一特性，将被检测设备的检测声纹信息进行异常检测可以预判设备的工作状况，实现在设备发生故障前提前预知和排除，避免因电力设备的突然故障导致的异常电网断电而引发的损失。
比如：现有技术公开了一种基于声纹识别的电力设备在线监测方法，采集预先设置的至少一个第一拾音器中的数据流和预先设置的至少一个第二拾音器中的数据流。确定存在所建立的第一拾音器包括数据流和对应数据流节点与所述至少一个第二拾音器包括数据流和对应数据流节点以及数据服务器原始数据连接关系是都匹配；输出匹配结果。
通过监测设备运行时的声音信号，能够实现对变电站设备运行状态的在线监测，但是，现有的识别方法普遍存在如下技术问题：
(1)室外环境复杂，设备声音定位精度不高，适应性差；
(2)系统复杂，计算量大，需要依赖于复杂的计算单元甚至GPU(Graphic ProcessUnit，视频处理单元)；
(3)待测音源的工作声音在频域上跨度很大，一般的声音采集设备无法采集到设备的真实声音。
发明内容
有鉴于此，本发明提出了一种变电站设备声音异常识别方法及系统，能够实现变电站内的设备声音定位和识别，并且能够提高定位精度和后续的识别正确率。
根据本发明实施例的第一个方面，提供了一种变电站设备声音异常识别方法，包括：
获取变电站目标设备的声音信息，并对所述声音信息进行预处理；
对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
基于识别结果判断目标设备的运行状态。
根据本发明实施例的第二个方面，提供了一种变电站设备声音异常识别系统，包括：
声音信息获取模块，用于获取变电站目标设备的声音信息，并对所述声音信息进行预处理；
声纹特征提取模块，用于对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
声纹识别模块，用于将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
设备状态判断模块，用于基于识别结果判断目标设备的运行状态。
根据本发明实施例的第三个方面，提供了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的变电站设备声音异常识别方法。
根据本发明实施例的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的变电站设备声音异常识别方法。
与现有技术相比，本发明的有益效果是：
(1)本发明提出了变电站设备声纹信息多元阵列采集技术，通过多元麦克风阵列进行声音信号的采集，解决了变电站声音采集定位精度差和频域跨度大的问题，实现了多元定向声音信号的采集，避免了室外环境噪声和人为噪声的干扰，能够实现噪声抑制和声源定位，提高了声音采集和识别的准确率。
(2)本发明提出了变电站设备定向声纹识别技术，构建了相关的识别模型，解决了系统计算量大、声音识别效率低的问题，将高斯混合模型－全局背景模型作为声纹识别模型，实现了少样本情况下的声纹信号准确提取，通过最大后验概率估计(MAP)算法对模型参数进行估计，避免了过拟合的发生；不必调整目标GMM的所有参数(权重、均值、方差)只需要对各个高斯成分的均值参数进行估计，就能实现最好的识别性能，提高了收敛效率提高了声纹识别的速度和准确率。
(3)本发明选取FBank特征、分贝、基频、短时能量、短时过零率和相关性系数作为声纹特征进行提取，有效的提取出较为纯净的设备声音，使得设备声音分析更具针对性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为根据本发明实施例中的变电站设备声音异常识别方法流程图；
图2为根据本发明实施例中的声音信号波形图；
图3为根据本发明实施例中的声音信号语谱图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
根据本发明实施例，提供了一种变电站设备声音异常识别方法的实施例，参照图1，包括以下过程：
S101：获取变电站目标设备的声音信息；
具体地，基于多元的麦克风阵列进行声音信息的采集，比如二元麦克风阵列、四元麦克风阵列等。为了保证声音信号的“高保真”，采样频率至少满足20～120KHz，图2给出了声音信号波形图。
本实施例中，进行声音信号采集的过程中，环境噪声和人声干扰通常不会掩盖正常的声音，但是会影响清晰度。
麦克风阵列通过波束形成抑制主瓣以外的声音干扰，能够实现对于噪声的抑制。
麦克风阵列采集指定方向的声音信号，能够减弱甚至滤除其他方向的无关信号。
由于远场交互的距离可大可小，声源发声的大小也不同，通过增益调节对声音进行放大或衰减处理，通过提升信噪比能够提高声音识别的准确性。
S102：对采集到的声音信息进行预处理；
具体地，对所述声音信息进行预处理，具体包括：
S1021：对采集到的声音信号进行谱减法去噪处理；
S1022：对去噪后的信号进行加窗、分帧操作；
S1023：通过傅里叶变换将分帧之后的时域信号转化为频域信号。
S103：对于预处理后的声音信息，进行声纹特征提取；其中，声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
本实施例将这些声纹特征建成一个多维度的特征向量，作为声音分析的声纹特征向量。
其中，分贝dB定义为两个数值的对数比率，这两个数值分别是测量值和参考值(也称为基准值)。
Figure BDA0002759206220000061
其中，W为测量值(采集的信号值)，W0为参考值。
某一声音时域信号为x，分帧后，第n帧信号为xn(m)，则xn(m)的短时能量用Mn表示，
为了减少敏感度，采用短时平均幅度函数，式中，N为帧长：
Figure BDA0002759206220000062
过零率定义为：
Figure BDA0002759206220000063
式中sgn[]为符号函数：
Figure BDA0002759206220000064
本实施例中，分贝、基频、短时能量、短时过零率和相关性系数均是定量的特征参数，能够判断设备环境噪声现场可能发生的变化。如，噪声分贝是否超标，设备的基频是否发生偏移等。
本实施例中，对于FBank特征的提取过程主要包括：
S1031：采集器传输过来的信号进行分帧之后仍是时域信号，为了提取FBank特征，本实施例使用快速傅里叶变换(FFT)将时域信号转换为频域信号，能够提高计算速度；
针对有限长离散信号x(n)，n＝0,1,…,N-1的傅里叶变换定义为：
Figure BDA0002759206220000071
通过傅里叶变换可以得到声音信号的语谱图，参照图3，该图能够反映波形的变化情况。
S1032：傅里叶变换后得到频域信号，即可计算频带范围内能量谱。
S1033：通过Mel滤波器组进行滤波，以得到符合人耳听觉习惯的声谱。
S1034：取上一步结果的自然对数，即对纵轴的放缩，放大低能量处的能量差异。
S104：将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
具体地，首先构建声纹识别模型，虽然高斯混合模型(GMM)作为一种通用的概率模型，对声音识别的效果很好，但是实际上，常会遇到样本声音比较短、或者样本比较少的情况，不能训练出比较好的GMM模型，导致识别率变低。而高斯混合模型－全局背景模型(GMM-UBM)能够有效地解决GMM由于训练数据不足导致的问题。
全局背景模型(UBM)即采用许多设备的声音，包括目标的声音一起训练而成的一个高阶GMM。即UBM模型就是一个大型的GMM模型，且UBM模型也可以利用最大期望算法(EM算法)来训练，只需要训练一次，在后面便可反复利用。GMM-UBM模型最重要的优势就是通过最大后验概率估计(MAP)算法对模型参数进行估计，避免了过拟合的发生。同时，不必调整目标GMM的所有参数(权重、均值、方差)只需要对各个高斯成分的均值参数进行估计，就能实现最好的识别性能。实验表明，待估计的参数虽然减少超过一半，但是目标数据模型也可的到良好训练，并且收敛速度更快。
由于变电站室外环境复杂，存在电磁放电声、风声等噪声，并且设备声音正负样本数量差别悬殊(正样本很多，负样本很少)，正样本变化多样。这些因素导致GMM模型的性能不好，而GMM-UBM可以克服样本较少的问题。因此，本实施例使用高斯混合模型－全局背景模型(GMM-UBM)作为模型分类器，能够充分适用变电站环境特点，使得分类结构更加准确。
将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果，识别结果包括：正常音和异常音。
S105：基于识别结果判断目标设备的运行状态。
若输出结果为正常音，则表明设备运行状态正常；若识别结果异常，则表明设备运行状态异常，需报警警示工作人员确认检修。
如果识别出目标设备存在异常，则进行报警提示，同时将故障数据存储至数据库。
实施例二
根据本发明实施例，提供了一种变电站设备声音异常识别系统的实施例，具体包括：
声音信息获取模块，用于获取变电站目标设备的声音信息，并对所述声音信息进行预处理；
声纹特征提取模块，用于对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
声纹识别模块，用于将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
设备状态判断模块，用于基于识别结果判断目标设备的运行状态。
需要说明的是，上述各模块的具体实现过程采用实施例一中公开的方法实现，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的变电站设备声音异常识别方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的变电站设备声音异常识别方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的变电站设备声音异常识别方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种变电站设备声音异常识别方法，其特征在于，包括：
获取变电站目标设备的声音信息，并对所述声音信息进行预处理；
对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
基于识别结果判断目标设备的运行状态。
2.如权利要求1所述的一种变电站设备声音异常识别方法，其特征在于，获取变电站目标设备的声音信息，具体包括：
采用多元麦克风阵列采集设定方向的声音信号。
3.如权利要求2所述的一种变电站设备声音异常识别方法，其特征在于，声音采集过程中，滤除环境噪声和人声干扰，对声音进行放大或衰减处理。
4.如权利要求1所述的一种变电站设备声音异常识别方法，其特征在于，对所述声音信息进行预处理，具体包括：
对采集到的声音信号进行谱减法去噪处理；
对去噪后的信号进行加窗、分帧操作；
通过傅里叶变换将分帧之后的时域信号转化为频域信号。
5.如权利要求4所述的一种变电站设备声音异常识别方法，其特征在于，提取FBank特征的过程包括：
傅里叶变换后得到频域信号，计算频带范围内能量谱；
通过Mel滤波器组进行滤波，得到符合人耳听觉习惯的声谱；
对滤波后得到的声谱求取其自然对数，得到FBank特征。
6.如权利要求1所述的一种变电站设备声音异常识别方法，其特征在于，将提取的声纹特征输入到训练好的声纹识别模型，所述声纹识别模型为高斯混合模型－全局背景模型。
7.如权利要求1所述的一种变电站设备声音异常识别方法，其特征在于，输出的识别结果包括：正常音和异常音；若识别结果为异常音，则说明设备运行状态异常，进行报警提示。
8.一种变电站设备声音异常识别系统，其特征在于，包括：
声音信息获取模块，用于获取变电站目标设备的声音信息，并对所述声音信息进行预处理；
声纹特征提取模块，用于对于预处理后的声音信息，进行声纹特征提取；其中，所述声纹特征至少包括FBank特征、分贝、基频、短时能量、短时过零率和相关性系数；
声纹识别模块，用于将提取的声纹特征输入到训练好的声纹识别模型，输出识别结果；
设备状态判断模块，用于基于识别结果判断目标设备的运行状态。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的变电站设备声音异常识别方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的变电站设备声音异常识别方法。
CN202011212259.4A 2020-11-03 2020-11-03 变电站设备声音异常识别方法及系统 Pending CN112289341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212259.4A CN112289341A (zh) 2020-11-03 2020-11-03 变电站设备声音异常识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212259.4A CN112289341A (zh) 2020-11-03 2020-11-03 变电站设备声音异常识别方法及系统

Publications (1)

Publication Number Publication Date
CN112289341A true CN112289341A (zh) 2021-01-29

Family

ID=74351292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212259.4A Pending CN112289341A (zh) 2020-11-03 2020-11-03 变电站设备声音异常识别方法及系统

Country Status (1)

Country Link
CN (1) CN112289341A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095258A (zh) * 2021-04-20 2021-07-09 深圳力维智联技术有限公司 定向信号提取方法、系统、装置及存储介质
CN113252165A (zh) * 2021-03-31 2021-08-13 国网河北省电力有限公司电力科学研究院 变电站噪声监测方法
CN113380258A (zh) * 2021-04-29 2021-09-10 国网浙江省电力有限公司嘉兴供电公司 一种变电站故障判定声纹识别方法
CN113553465A (zh) * 2021-06-15 2021-10-26 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
CN113613155A (zh) * 2021-07-24 2021-11-05 武汉左点科技有限公司 一种自适应环境的助听方法及装置
CN113670434A (zh) * 2021-06-21 2021-11-19 深圳供电局有限公司 变电站设备声音异常识别方法、装置和计算机设备
CN114112005A (zh) * 2021-10-28 2022-03-01 国网天津市电力公司 一种变电站设备异响在线监测器
CN114137410A (zh) * 2021-12-07 2022-03-04 国网湖南省电力有限公司检修公司 一种基于声纹检测技术的液压机构断路器故障识别方法
CN114821921A (zh) * 2022-04-02 2022-07-29 太原理工大学 用于火电厂重要辅助设备运行状态监测的智慧声纹识别平台
CN115085760A (zh) * 2022-08-19 2022-09-20 国网江苏省电力有限公司泰州供电分公司 一种基于扩频通信组网技术的电力声纹数据采集系统
CN115711669A (zh) * 2022-11-07 2023-02-24 石家庄宜中机电技术有限公司 一种井筒设备故障诊断方法、装置、终端及存储介质
CN115993503A (zh) * 2023-03-22 2023-04-21 广东电网有限责任公司东莞供电局 一种变压器的运行检测方法、装置、设备及存储介质
CN116935893A (zh) * 2023-09-13 2023-10-24 杭州艾力特数字科技有限公司 一种声音识别告警方法、系统、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106782505A (zh) * 2017-02-21 2017-05-31 南京工程学院 一种基于放电声音识别高压开关柜状态的方法
CN110335617A (zh) * 2019-05-24 2019-10-15 国网新疆电力有限公司乌鲁木齐供电公司 一种变电站中的噪音分析方法
US20200302949A1 (en) * 2019-03-18 2020-09-24 Electronics And Telecommunications Research Institute Method and apparatus for recognition of sound events based on convolutional neural network
CN111770427A (zh) * 2020-06-24 2020-10-13 杭州海康威视数字技术股份有限公司 麦克风阵列的检测方法、装置、设备以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106782505A (zh) * 2017-02-21 2017-05-31 南京工程学院 一种基于放电声音识别高压开关柜状态的方法
US20200302949A1 (en) * 2019-03-18 2020-09-24 Electronics And Telecommunications Research Institute Method and apparatus for recognition of sound events based on convolutional neural network
CN110335617A (zh) * 2019-05-24 2019-10-15 国网新疆电力有限公司乌鲁木齐供电公司 一种变电站中的噪音分析方法
CN111770427A (zh) * 2020-06-24 2020-10-13 杭州海康威视数字技术股份有限公司 麦克风阵列的检测方法、装置、设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨军磊: "《基于噪声的设备故障识别》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
王若平等: "《基于小波包FBank图谱与CNN的车内异响识别研究》", 《重庆理工大学学报(自然科学)》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252165B (zh) * 2021-03-31 2022-06-14 国网河北省电力有限公司电力科学研究院 变电站噪声监测方法
CN113252165A (zh) * 2021-03-31 2021-08-13 国网河北省电力有限公司电力科学研究院 变电站噪声监测方法
CN113095258A (zh) * 2021-04-20 2021-07-09 深圳力维智联技术有限公司 定向信号提取方法、系统、装置及存储介质
CN113380258A (zh) * 2021-04-29 2021-09-10 国网浙江省电力有限公司嘉兴供电公司 一种变电站故障判定声纹识别方法
CN113553465A (zh) * 2021-06-15 2021-10-26 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
CN113553465B (zh) * 2021-06-15 2023-12-19 深圳供电局有限公司 声音数据入库方法、装置、计算机设备和存储介质
CN113670434A (zh) * 2021-06-21 2021-11-19 深圳供电局有限公司 变电站设备声音异常识别方法、装置和计算机设备
CN113613155A (zh) * 2021-07-24 2021-11-05 武汉左点科技有限公司 一种自适应环境的助听方法及装置
CN113613155B (zh) * 2021-07-24 2024-04-26 武汉左点科技有限公司 一种自适应环境的助听方法及装置
CN114112005A (zh) * 2021-10-28 2022-03-01 国网天津市电力公司 一种变电站设备异响在线监测器
CN114137410A (zh) * 2021-12-07 2022-03-04 国网湖南省电力有限公司检修公司 一种基于声纹检测技术的液压机构断路器故障识别方法
CN114821921A (zh) * 2022-04-02 2022-07-29 太原理工大学 用于火电厂重要辅助设备运行状态监测的智慧声纹识别平台
CN115085760A (zh) * 2022-08-19 2022-09-20 国网江苏省电力有限公司泰州供电分公司 一种基于扩频通信组网技术的电力声纹数据采集系统
CN115711669A (zh) * 2022-11-07 2023-02-24 石家庄宜中机电技术有限公司 一种井筒设备故障诊断方法、装置、终端及存储介质
CN115993503A (zh) * 2023-03-22 2023-04-21 广东电网有限责任公司东莞供电局 一种变压器的运行检测方法、装置、设备及存储介质
CN115993503B (zh) * 2023-03-22 2023-06-06 广东电网有限责任公司东莞供电局 一种变压器的运行检测方法、装置、设备及存储介质
CN116935893A (zh) * 2023-09-13 2023-10-24 杭州艾力特数字科技有限公司 一种声音识别告警方法、系统、电子设备及介质

Similar Documents

Publication Publication Date Title
CN112289341A (zh) 变电站设备声音异常识别方法及系统
CN106486131B (zh) 一种语音去噪的方法及装置
KR101266894B1 (ko) 특성 추출을 사용하여 음성 향상을 위한 오디오 신호를 프로세싱하기 위한 장치 및 방법
CN109256138B (zh) 身份验证方法、终端设备及计算机可读存储介质
KR100636317B1 (ko) 분산 음성 인식 시스템 및 그 방법
CN110444202B (zh) 复合语音识别方法、装置、设备及计算机可读存储介质
JP2015097355A (ja) 収音装置及びその制御方法、プログラム
Nossier et al. Mapping and masking targets comparison using different deep learning based speech enhancement architectures
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
Maganti et al. Auditory processing-based features for improving speech recognition in adverse acoustic conditions
Agcaer et al. Optimization of amplitude modulation features for low-resource acoustic scene classification
CN111755025B (zh) 一种基于音频特征的状态检测方法、装置及设备
Chen et al. InQSS: a speech intelligibility assessment model using a multi-task learning network
US8756265B1 (en) Audio filter bank design
Liu et al. A computation efficient voice activity detector for low signal-to-noise ratio in hearing aids
CN115331678A (zh) 利用Mel频率倒谱系数的广义回归神经网络声信号识别方法
Thakur et al. Model-based unsupervised segmentation of birdcalls from field recordings
CN114550711A (zh) 基于时频注意力网络模型的电缆周边环境声音识别方法
Mehta et al. Robust front-end and back-end processing for feature extraction for Hindi speech recognition
Singh et al. A comparative study of recognition of speech using improved MFCC algorithms and Rasta filters
CN112562717A (zh) 啸叫检测方法、装置、存储介质、计算机设备
Ram et al. The Use of Deep Learning in Speech Enhancement.
Singh et al. A novel algorithm using MFCC and ERB gammatone filters in speech recognition
CN117690421B (zh) 降噪识别联合网络的语音识别方法、装置、设备及介质
Hepsiba et al. Computational intelligence for speech enhancement using deep neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129

RJ01 Rejection of invention patent application after publication