CN113257249A - 一种基于声纹识别的电力设备故障诊断方法、装置和设备 - Google Patents
一种基于声纹识别的电力设备故障诊断方法、装置和设备 Download PDFInfo
- Publication number
- CN113257249A CN113257249A CN202110438813.9A CN202110438813A CN113257249A CN 113257249 A CN113257249 A CN 113257249A CN 202110438813 A CN202110438813 A CN 202110438813A CN 113257249 A CN113257249 A CN 113257249A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- information data
- edge computing
- neural network
- effective frame
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000009432 framing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 7
- 239000007787 solid Substances 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于声纹识别的电力设备故障诊断方法、装置和设备,所述方法包括:根据声纹传感器,实时获取电力设备的第一声纹信息数据;通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到诊断识别的结果。本发明能够将声纹采集终端与智能化声纹采集平台进行结合,可实现更多复杂场景下的声纹识别,大幅度减少或完全取代巡检人员的工作,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础。
Description
技术领域
本发明涉及电力设备故障诊断技术领域,特别是涉及一种基于声纹识别的电力设备故障诊断方法、装置、设备和存储介质。
背景技术
目前,中低压配用电设备长期以来是电网运行控制和运维管理的薄弱环节,由于其点多面广、涉及环节多,以配电变压器为例,作为一种重要的电力设备,其与终端用户关系密切,且数目众多、分布范围广,一旦故障或计划停运,大多数用户将经历长时停电。据统计,配电变压器事故占整个配网事故的比例为90%,因此,配用电运行状态的实时监测,对供电可靠性有至关重要的影响。
现阶段,对于配用电运行状态的监测,一直缺乏高效的监控和巡检手段,大多数电力设备还是依靠巡检人员人工巡检,无法完全避免人员巡检带来的安全风险、数据造假或缺失风险。而且,定期巡检带来较大的运维成本和时间成本。
发明内容
本发明的目的是:提供一种基于声纹识别的电力设备故障诊断方法、装置、设备和存储介质,能够将声纹采集终端与智能化声纹采集平台进行结合,可实现更多复杂场景下的声纹识别,大幅度减少或完全取代巡检工的工作,减少人员巡检带来的安全风险、数据造假或缺失风险;为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础。
为了实现上述目的,本发明提供了一种基于声纹识别的电力设备故障诊断方法,包括:
根据声纹传感器,实时获取电力设备的第一声纹信息数据;
通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到诊断识别的结果。
进一步地,所述通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关,具体为:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
进一步地,所述将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,具体为:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
进一步地,所述通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,具体为:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数,
得到声纹特征向量表示为:
本发明还提供一种基于声纹识别的电力设备故障诊断装置,包括:获取模块、训练模块、预处理模块和诊断识别模块,其中,
所述获取模块,用于根据声纹传感器,实时获取电力设备的第一声纹信息数据;
所述训练模块,用于通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
所述预处理模块,用于将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
所述诊断识别模块,用于通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到识别的结果。
进一步地,所述训练模块,具体用于:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
进一步地,所述预处理模块,具体用于:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
进一步地,所述诊断识别模块,具体用于:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数,
得到声纹特征向量表示为:
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于声纹识别的电力设备故障诊断方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的基于声纹识别的电力设备故障诊断方法。
本发明实施例一种基于声纹识别的电力设备故障诊断方法、装置、终端设备和计算机可读存储介质与现有技术相比,其有益效果在于:
1、形成了基于电力设备声纹的采集硬件和分析处理软件平台,有助于实现更多复杂场景下的声纹识别,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础;
2、大幅度减少或完全取代巡检人员的工作,降低人员巡检带来的安全风险、数据造假或缺失风险;
3、提供一种从终端设备、通信通道、信息模型和高级应用上进行整合和集成的解决方案,在满足各类业务需求的情况下,解决各类终端、设备功能重复、冗余的问题,降低系统自身的复杂度和运维成本,提高其可用性。
4、分析平台具备AI智能诊断、大数据专家智能诊断等功能,其平台内部算法可进行改进和优化,具备迭代优化和在线更新模型的功能,可拓展性强。
附图说明
图1是本发明某一实施例提供的一种基于声纹识别的电力设备故障诊断方法的流程示意图;
图2是本发明某一实施例提供的声纹采集终端布置示意图;
图3是本发明某一实施例提供的一种基于声纹识别的电力设备故障诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明第一实施例:
如图1所示,本发明实施例的一种基于声纹识别的电力设备故障诊断方法,至少包括如下步骤:
S110、根据声纹传感器,实时获取电力设备的第一声纹信息数据;
具体地,通过在电力设备周围布置声纹采集传感器,声纹传感器将音频信息通过模拟信号线缆传输到声纹分析边缘计算网关内的采集器。采集器将声纹模拟信号转换为数字信号。通过内部数据线路接入声纹分析边缘计算网关的处理器。处理器将数字信号转换为声纹特征量,并处理按照通讯协议通过网线传输到综合网关,由智能网关上传到声纹AI分析云平台。
利用声纹AI分析平台,标记配电设备故障时间,根据故障时刻自动匹配对应时间段内的声纹样本数据,并将该样本数据标记为异常样本。
S120、通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
具体地,利用声纹AI分析云平台训练深度神经网络,并下载神经网络参数到边缘计算网关。训练过程如下:
S121:根据权重矩阵w、偏移量b、激活函数Relu、搭建深层神经网络N,计算交叉熵损失函数L。
S122:根据智能网关上传的配电设备运行声纹数据,利用训练算法对步骤S102确定对深层神经网络N进行模型训练,更新权重矩阵w和偏移量b,每次更新计算交叉熵损失函数L的函数值,直到获得最优解或达到设定的迭代次数。
S123:将步骤S122获得的权重矩阵w和偏移量b下载到边缘计算网关,更新边缘计算网关内的深层神经网络N1。
S130、将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
具体地,预处理过程具体如下:
利用预加重算法对采集的声纹信号的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
依据确定分帧间隔,将声纹样本切分为一组短时帧;
利用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
利用汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
S140、通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到诊断识别的结果。
具体地,所述提取过程如下:
S141:对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰。
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
S142:对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱。滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
S143:对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8。降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
S144:计算倒谱系数。第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数。
S145:得到声纹特征向量表示为:
S146、通过声纹分析边缘网关对声纹时频域特征进行模式识别,辨识设备正常运行状态、故障状态,以及潜在故障风险。
S147、通过声纹分析边缘网关,将声纹时频域特征、识别结果上传到声纹AI分析平台。
在本发明的某一个实施例中,所述通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关,具体为:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
在本发明的某一个实施例中,所述将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,具体为:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
在本发明的某一个实施例中,所述通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,具体为:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数;
得到声纹特征向量表示为:
本发明实施例一种基于声纹识别的电力设备故障诊断方法与现有技术相比,其有益效果在于:
1、形成了基于电力设备声纹的采集硬件和分析处理软件平台,有助于实现更多复杂场景下的声纹识别,为适应更多样的物联网设备和复杂的物联网环境提供坚实的基础;
2、大幅度减少或完全取代巡检人员的工作,降低人员巡检带来的安全风险、数据造假或缺失风险;
3、提供一种从终端设备、通信通道、信息模型和高级应用上进行整合和集成的解决方案,在满足各类业务需求的情况下,解决各类终端、设备功能重复、冗余的问题,降低系统自身的复杂度和运维成本,提高其可用性。
4、分析平台具备AI智能诊断、大数据专家智能诊断等功能,其平台内部算法可进行改进和优化,具备迭代优化和在线更新模型的功能,可拓展性强。
本发明第二实施例:
如图2所示,本发明还提供一种基于声纹识别的电力设备故障诊断装置200,包括:获取模块201、训练模块202、预处理模块203和诊断识别模块204,其中,
所述获取模块201,用于根据声纹传感器,实时获取电力设备的第一声纹信息数据;
所述训练模块202,用于通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
所述预处理模块203,用于将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
所述诊断识别模块204,用于通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到识别的结果。
在本发明的某一个实施例中,所述训练模块,具体用于:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
在本发明的某一个实施例中,所述预处理模块,具体用于:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
进一步地,所述诊断识别模块,具体用于:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行基于Mallat小波基的小波变换,可分为8个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数,
得到声纹特征向量表示为:
需要说明的是,所述的对归一化处理后的有效帧进行基于Mallat小波基的小波变换可包括,但不仅限于,基于Mallat小波基的小波变换,本领域技术人员可以理解,上述所述的小波变换方法仅仅是示例,并不构成对方法的限定,可以选择其他小波基进行小波变换,以完成本发明。
需要说明的是,所述的小波变换所得的子帧数目可选择,但不仅限于,8个,本领域技术人员可以理解,上述所述的子帧数目选择仅仅是示例,并不构成对方法的限定,可以选择其他数目的子帧,以完成本发明。
本发明第三实施例:
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于声纹识别的电力设备故障诊断方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明第四实施例:
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的基于声纹识别的电力设备故障诊断方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于声纹识别的电力设备故障诊断方法,其特征在于,包括:
根据声纹传感器,实时获取电力设备的第一声纹信息数据;
通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到诊断识别的结果。
2.根据权利要求1所述的基于声纹识别的电力设备故障诊断方法,其特征在于,所述通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关,具体为:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
3.根据权利要求1所述的基于声纹识别的电力设备故障诊断方法,其特征在于,所述将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,具体为:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
4.根据权利要求1所述的基于声纹识别的电力设备故障诊断方法,其特征在于,所述通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,具体为:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数,
得到声纹特征向量表示为:
5.一种基于声纹识别的电力设备故障诊断装置,其特征在于,包括:获取模块、训练模块、预处理模块和诊断识别模块,其中,
所述获取模块,用于根据声纹传感器,实时获取电力设备的第一声纹信息数据;
所述训练模块,用于通过预设的声纹分析平台对深度神经网络进行训练,并将训练后的所述神经网络的参数发送到边缘计算网关;
所述预处理模块,用于将所述声纹信息数据通过所述边缘计算网关进行预处理,获得第二声纹信息数据,其中,所述预处理包括:预加重、分帧、空白音剔除和有效帧平滑;
所述诊断识别模块,用于通过所述边缘计算网关提取所述第二声纹信息数据的时频域特征向量,并对所述时频域特征向量进行模式识别,得到识别的结果。
6.根据权利要求5所述的基于声纹识别的电力设备故障诊断装置,其特征在于,所述训练模块,具体用于:
根据权重矩阵、偏移量、激活函数和搭建深层神经网络,计算交叉熵损失函数。
根据智能网关上传的配电设备运行声纹信息数据,利用训练算法对所述深度神经网络进行模型训练,更新权重矩阵和偏移量,每次更新计算交叉熵损失函数的函数值,直到获得最优解或达到设定的迭代次数。
将更新后权重矩阵和偏移量发送到边缘计算网关,更新边缘计算网关内的深度神经网络。
7.根据权利要求5所述的基于声纹识别的电力设备故障诊断装置,其特征在于,所述预处理模块,具体用于:
根据预加重算法对获取的第一声纹信息数据的高频分量进行补偿,增加高频分量能量以补偿传输过程中的高频能量损耗;
根据确定分帧间隔,将第一声纹信息数据切分为一组短时帧;
采用空白音剔除算法,将能量小于空白音阈值的帧剔除,得到有效帧。
根据汉明窗对有效帧进行平滑操作,平滑的有效帧可表示为
fh(n)=f(n)m(n)n=1,2,3,...,N
式中,m(n)为汉明窗,N表示有效帧长度。
8.根据权利要求5所述的基于声纹识别的电力设备故障诊断装置,其特征在于,所述诊断识别模块,具体用于:
对经过预处理的有效帧进行归一化处理,使得有效帧的采集点满足正态分布N(0,1),消除音量差异带来的干扰,具体公式如下:
式中,f[n]为有效帧的第n个采样点,μ、σ分别为均值和标准差。
对归一化处理后的有效帧进行小波变换,提取至少一个子帧,分别代表了声纹信号在不同的小波子带上的时频谱,其中,滤波过程可表示为:
式中,h和g分别为低通和高通滤波器。
对噪音进行抑制降噪处理,标记D1~D7和A7为K1~K8,其中,降噪方法可表示为:
式中,Ni[s]为降噪后的子帧,Si为Wi的长度,λi为噪音阈值。
计算倒谱系数,第i个小波子带的对数功率谱定义为:
第i个小波子带的第l个倒谱系数定义为:
式中,S为第i个小波子带上提取到的倒谱系数个数,I为滤波器个数,
得到声纹特征向量表示为:
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于声纹识别的电力设备故障诊断方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于声纹识别的电力设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438813.9A CN113257249A (zh) | 2021-04-22 | 2021-04-22 | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438813.9A CN113257249A (zh) | 2021-04-22 | 2021-04-22 | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113257249A true CN113257249A (zh) | 2021-08-13 |
Family
ID=77221482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438813.9A Pending CN113257249A (zh) | 2021-04-22 | 2021-04-22 | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113257249A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067829A (zh) * | 2021-10-21 | 2022-02-18 | 佳源科技股份有限公司 | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 |
CN115424635A (zh) * | 2022-11-03 | 2022-12-02 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN116819325A (zh) * | 2023-06-07 | 2023-09-29 | 上海卓阳储能科技有限公司 | 一种基于声纹传感器的电芯故障诊断方法 |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247376A (zh) * | 2007-02-15 | 2008-08-20 | 北京三星通信技术研究有限公司 | 结合小波变换域去噪的ofdm信道估计方法 |
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN101944359A (zh) * | 2010-07-23 | 2011-01-12 | 杭州网豆数字技术有限公司 | 一种面向特定人群的语音识别方法 |
CN102298346A (zh) * | 2011-05-26 | 2011-12-28 | 江苏科技大学 | 一种智能轮椅语音驱动控制器及识别与控制方法 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
-
2021
- 2021-04-22 CN CN202110438813.9A patent/CN113257249A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247376A (zh) * | 2007-02-15 | 2008-08-20 | 北京三星通信技术研究有限公司 | 结合小波变换域去噪的ofdm信道估计方法 |
CN101876546A (zh) * | 2009-11-27 | 2010-11-03 | 北京航空航天大学 | 基于小波阈值去噪和far模型的mems陀螺数据处理方法 |
CN101944359A (zh) * | 2010-07-23 | 2011-01-12 | 杭州网豆数字技术有限公司 | 一种面向特定人群的语音识别方法 |
CN102298346A (zh) * | 2011-05-26 | 2011-12-28 | 江苏科技大学 | 一种智能轮椅语音驱动控制器及识别与控制方法 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
莫家庆等: "基于DWT和MFCC的振动信号特征参数提取方法", 《新疆大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067829A (zh) * | 2021-10-21 | 2022-02-18 | 佳源科技股份有限公司 | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 |
CN115424635A (zh) * | 2022-11-03 | 2022-12-02 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN115424635B (zh) * | 2022-11-03 | 2023-02-10 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN116819325A (zh) * | 2023-06-07 | 2023-09-29 | 上海卓阳储能科技有限公司 | 一种基于声纹传感器的电芯故障诊断方法 |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113257249A (zh) | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 | |
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
US11905926B2 (en) | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN106405339A (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN113270110A (zh) | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 | |
CN113092899B (zh) | 变压器电气故障识别方法、系统、终端以及可读存储介质 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN113805105A (zh) | 三相变压器检测方法和系统 | |
CN116092519A (zh) | 车辆故障检测方法及系统 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
CN115276223A (zh) | 一种电力实时数据安全监控系统及方法 | |
CN118070104A (zh) | 基于人工智能的消防设备故障排检方法及系统 | |
CN106839084A (zh) | 一种热量信息掌控的云控制太阳能供热系统 | |
CN118116391A (zh) | 一种基于鲁棒声纹反欺诈系统 | |
CN115577258A (zh) | 振动信号识别模型训练方法、电机故障检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |