CN113362856A - 一种应用于电力物联网的声音故障检测方法以及装置 - Google Patents
一种应用于电力物联网的声音故障检测方法以及装置 Download PDFInfo
- Publication number
- CN113362856A CN113362856A CN202110686898.2A CN202110686898A CN113362856A CN 113362856 A CN113362856 A CN 113362856A CN 202110686898 A CN202110686898 A CN 202110686898A CN 113362856 A CN113362856 A CN 113362856A
- Authority
- CN
- China
- Prior art keywords
- sound
- matrix
- fault
- signals
- sub
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000005236 sound signal Effects 0.000 claims abstract description 32
- 230000010365 information processing Effects 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000009432 framing Methods 0.000 claims abstract description 10
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000003750 conditioning effect Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process 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
- 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
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
- G10L19/0212—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders using orthogonal transformation
-
- 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
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
本发明提供了一种应用于电力物联网的声音故障检测方法以及装置，该装置可通过声音阵列传感器将采集声音信号并转化成模拟信号，并通过信息处理模块转化成数字信号；然后对该数字信号依次进行归一化处理、数据预加重处理、分帧、加窗处理；利用短时傅里叶变换，得到声音特征矩阵及特征参数；采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断是否为故障音，若为故障音则进行方位判断。本发明对声音采集、特征提取、分类识别、声音定向和故障定位智能化处理，帮助运行维护人员快速确定故障区段，提升工作效率，降低操作危险。
Description
技术领域
本发明涉及泛在电力物联网技术领域，特别是涉及一种基于声音阵列定向和识别的应用于电力物联网的声音故障检测方法及检测装置。
背景技术
电力行业是国民经济的基础能源产业，对国民经济各产业的健康发展提供支撑，同时对人民生活水平的提高具有重要意义，与国民经济发展息息相关。电力技术的迅猛发展，电网规模的不断扩大，对电力设备的可靠性提出了更高的要求。电力系统中任何一个环节出现运行失稳都会引起生产中断，造成巨大的经济损失，对人民生活和用电安全构成威胁。
电力设备(如电力变压器等)在运行过程中由于机械震动总会产生均匀的声音，这种正常运行下的声音具有一定的规律性。当设备发生某种故障后，由于运行状态的改变，其所发出的声音也会随之而改变。通过声源定位和音频特征识别可以判断出设备是否处于不正常运行状态，包括故障类型和严重程度。实际工作中，基本是通过人力去判断设备运行状态，需要运行人员经常靠近高压变电设备，危险性十分高，因此，研制基于声音阵列定向和识别的智能化电力故障检测装置显得极为紧迫和重要。
发明内容
本发明所要解决的技术问题是提供一种声音阵列定向和识别的电力系统故障检测方法和装置，能够为电力变压器等电力设备提供智能化的设备运行状态评估和故障分析服务。
为达到上述目的，本发明提供了一种应用于电力物联网的声音故障检测方法，包含以下步骤：
S1：通过声音阵列传感器将采集声音信号并转化成模拟信号；
S2：将该模拟信号进行滤波、放大处理并转化成数字信号；
S3：对该数字信号进行归一化处理；
S4：对该归一化处理后的数字信号进行数据预加重处理；
S5：对S4步骤中经过数据预加重处理的数字信号进行分帧和加窗处理；
S5：对S5步骤中分帧和加窗处理后的数字信号进行短时傅里叶变换，得到声音特征矩阵；
S6：采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则进行下一步；
S7：对故障音进行方位判断。
其中，所述S1步骤中的声音阵列传感器采用多个拾音器对同一声音信号进行采集获得相应数量的多个模拟信号。
进一步地，通过S2步骤对该些模拟信号进行模数转换成多个数字信号，通过S3步骤对该些数字进行归一化处理，筛选出信噪比最高的经归一化处理的数字信号。
进一步地，所述S6步骤采用二维主成分分析方法对该声音特征矩阵进行降维处理包含以下内容：
S61：将该声音特征矩阵各列所有行的元素减去相对应的该列的平均值所有元素的平均值得到一个新二维输入矩阵，公式如下
其中，A表示该声音特征矩阵，A′表示新二维输入矩阵，i,j分别代表矩阵的第i行和第j列，E(:)表示期望值，即E(A(:,j))表示A第j列的期望值，
表示A第j列的期望值；
S62：求该新二维输入矩阵A′的协方差矩阵，并计算新二维输入矩阵A′特征值和方差；
其中，Gt＝Var(A′)＝E[(A′-E(A′))T(A′-E(A′))]
上述，Gt为新二维输入矩阵A′的协方差矩阵，Var(A′)表示新二维输入矩阵A′的协方差矩阵，E(A′)表示A′的期望值；
S63：根据S62步骤中计算的特征值提取对应的特征向量，各个特征值对应的特征向量作为列向量按照对应的特征值从大到小降序排列构成影矩阵X；
S64：将新二维输入矩阵A′乘以投影矩阵X进行空间变换得到投影数据，即可得到声音特征矩阵A中的声音特征信息；
其中，Y＝A′X，Y是经过投影矩阵映射后的降维矩阵，空间变换可得到所述声音特征矩阵A中的声音特征信息。
进一步地，所述S7步骤对故障音进行方位判断包含以下步骤：
S71：对声阵列传感器采集的多个声音信号进行快速傅里叶变换得到对应的声音频域信号；
S72：选择其中任意两个声音频域信号计算各子频带的子带幅度均方相关值，对各子带幅度均方相关值进行降序排列，筛选出超过设定阈值的K个子频带；
其中，fi为第i个子频带的中心频率，J为划分子频带的数量，|γxy(fi)|2为均方相关值值；
S73：针对选择的K个子频带，利用SMSC计算各子频带的加权值ωi；
S74：计算参与加权的子带相关矩阵，并进行特征值分解，得出各子频带的流型矩阵和噪声子空间；
A(θ)＝[α(θ1),α(θ2)…,α(θJ)]
A(θ)表子频带的流型矩阵，其中，α(θi),i∈[1,J]为导向矢量，θ表示方位角；
S75：计算K个子频带加权后的联合MUSIC空间谱；
其中，α(f(i),θ)表示第i个子频带信号子空间的方向矢量，UN表示参与计算所有频带的噪声子空间；
S76：通过谱峰搜索得出声源目标的方位角。
本发明还提供了一种用于实现上述方法的应用于电力物联网的生硬故障检测装置，包含声阵列传感器、信息处理模块、电源接口模块、充电电池；
所述声阵列传感器用于采集声音信号生成模拟信号，并与信息处理模块通信连接将模拟信号传递至信息处理模块；
所述信息处理模块用于将所述模拟信号转换成数字信号，并依次进行故障识别算法、声音定向算法；
所述电源接口模块主要由充电电路和供电电路组成，电源接口模块通过充电电路与所述充电电池电连接向充电电池充电，及电源接口模块通过供电电路与所述声阵列传感器、所述信息处理模块电连接并向所述声阵列传感器、所述信息处理模块直接供电。
进一步地，所述信息处理模块主要由调理电路、主控制器、接口电路、存储器组成；
所述调理电路与所述声阵列传感器通信连接用于接收声阵列传感器传输来的模拟信号，并进行滤波、放大、模数转换处理，所述模拟信号经过所述调理电路转换成相应的数字信号；
所述数字信号存储于所述存储器中；
所述主控制器用于处理所述数字信号，对该数字信号依次进行故障识别算法、声音定向算法；
所述接口电路主要是将控制器的数字信号转换为RS232接口和RS485接口。
进一步地，所述声阵列传感器采集声音信号转化成模拟信号并传递至所述调理电路；
所述调理电路对该模拟信号进行滤波处理，并将该滤波处理后的该模拟信号转化成数字信号；
将该数字信号传递至所述主控制器进行归一化处理，并对该归一化处理后的数字信号依次进行数据预加重、分帧、加窗处理并进行短时傅里叶变换，得到声音特征矩阵及特征参数；
采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则对故障音进行方位判断。优选地，所述声阵列传感器主要由4个同向分布的拾音器组成。
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：
本发明从声音采集、特征提取、分类识别、声音定向和故障定位的一系列智能化处理着手，研制一种应用于电力物联网的故障检测方法和装置，有效替代维护人员周期巡检，帮助运行维护人员快速确定故障区段，提升工作效率，降低操作危险。
附图说明
图1为本发明的声音故障检测方法的流程图；
图2为本发明的声音故障检测方法的声源判断的流程图；
图3为本发明的声音故障检测装置的结构框图；
图4为本发明的声音故障检测装置中信息处理模块的结构框图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种应用于电力物联网的声音故障检测方法以及装置作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。
如图1所示，本实施例提供的一种应用于电力物联网的声音故障检测方法，包含以下步骤：
S1：通过声音阵列传感器采集声音信号并转化成模拟信号，声音阵列传感器采用多个拾音器对同一声音信号进行采集获得相应数量的多个模拟信号；
S2：对该些模拟信号进行滤波、放大处理并转化成相应的数字信号；
S3：对该些数字信号进行归一化处理，并筛选出信噪比最高的数字信号；
S4：对该筛选出的信噪比最高的数字信号进行数据预加重处理，其作用是增加声音高频部分的能量，提升声学模型的高频共振峰幅值；
S5：对S4步骤中经过数据预加重处理的数字信号进行分帧和加窗处理，使数字信号具有短时平稳特性；
S5：对S5步骤中分帧和加窗处理后的数字信号进行短时傅里叶变换，得到声音特征矩阵及特征参数；
S6：采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，采用高斯径向基核函数对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则进行下一步；其中二维主成分分析方法对该声音特征矩阵进行降维处理包含以下内容：
S61：将该声音特征矩阵各列的各元素减去相对应的该列的平均值，得到一个新二维输入矩阵，公式如下：
其中，A表示该声音特征矩阵，A′表示新二维输入矩阵，i,j分别代表矩阵的第i行和第j列，E(:)表示期望值，即E(A(:,j))表示声音特征矩阵A第j列的期望值，
表示声音特征矩A第j列的期望值；
S62：求该新二维输入矩阵A′的协方差矩阵，并计算其特征值和方差；
其中，Gt＝Var(A′)＝E[(A′-E(A′))T(A′-E(A′))]
上述，Gt为新二维输入矩阵A′的协方差矩阵，Var(A′)指的是新二维输入矩阵A′的协方差矩阵，E(A′)表示新二维输入矩阵A′的期望值；
S63：根据S62步骤中计算的特征值提取对应的特征向量，各个特征值对应的特征向量作为列向量按照对应的特征值从大到小降序排列构成投影矩阵X；
其中，Gt是一个大小为n行乘n列的矩阵，特征值数量为M个，对应的第k个特征值是Ak，对所有特征值取平均；
我们引入评价准则函数J(X)来对投影结果优良程度进行评价：
J(X)＝tr(Sx)＝XTGtX
上式中，Sx表示的是通过对投影数据计算所得到的协方差矩阵，tr(Sx)为协方差矩阵的Sx迹。
将上式中的X最大化，即计算协方差矩阵Gt所得到的特征向量，根据自身算法的需求设置相应的阀值，根据特征值从大到小选取相应的特征向量，则得到我们所需的最优投影轴，即：
{X1,X2,...,Xd}＝argmaxJ(X)；
其中，各投影轴相互正交，即
X1,X2,...,Xd为各投影轴，argmaxJ(X)表示选择最大的特征向量并按降序排列。
S64：将S61步骤的新二维输入矩阵A′乘以投影矩阵X进行空间变换得到投影数据，即可得到声音特征矩阵中的声音特征信息；
其中，Y＝A′X，Y是经过投影矩阵映射后的降维矩阵，空间变换可得到声音样本数据的降维特征值；
S7：利用声音定向算法对故障音进行方位判断，如图2所示，包含以下步骤：
S71：对声音阵列传感器采集的多个声音信号进行快速傅里叶变换得到对应的声音频域信号；
S72：选择其中任意两个声音频域信号计算各子频带的子带幅度均方相关值SMSC，对各子带幅度均方相关值进行降序排列，筛选出超过设定阈值的K个子频带；
其中，fi为第i个子频带的中心频率，J为划分子频带的数量，|γxy(fi)|2为均方相关值SMSC值；
S73：针对选择的K个子频带，利用SMSC计算各子频带的加权值ωi；
S74：计算参与加权的子带相关矩阵，并进行特征值分解，得出各子频带的流型矩阵和噪声子空间；
A(θ)＝[α(θ1),α(θ2)…,α(θJ)]
A(θ)表子频带的流型矩阵，其中，α(θi),i∈[1,J]为导向矢量，θ表示方位角；
S75：计算K个子频带加权后的联合MUSIC空间谱；
其中，α(f(i),θ)表示第i个子频带信号子空间的方向矢量，UN表示参与计算所有频带的噪声子空间；
S76：通过谱峰搜索得出声源目标的方位角。
如图3所示，本发明还提供了一种用于实现上述方法的应用于电力物联网的生硬故障检测装置，包含声阵列传感器1、信息处理模块2、电源接口模块3、充电电池4；所述声阵列传感器1主要由4个同向分布的拾音器11组成，用于采集声音信号生成模拟信号，并与信息处理模块2通信连接将模拟信号传递至信息处理模块2；所述信息处理模块2用于将所述模拟信号转换成数字信号，并依次进行故障识别算法、声音定向算法；所述电源接口模块3主要由充电电路和供电电路组成，电源接口模块3通过充电电路与所述充电电池4电连接向充电电池4充电，本实施例中充电电池4为高性能锂电池，及电源接口模块3通过供电电路与所述声阵列传感器1、所述信息处理模块2电连接并向所述声阵列传感器1、所述信息处理模块2直接供电。
其中，如图4所示，所述信息处理模块2主要由调理电路21、主控制器22、接口电路23、存储器24组成；所述调理电路21与所述声阵列传感器1通信连接用于接收声阵列传感器1传输来的模拟信号，并进行滤波、放大、模数转换处理，所述模拟信号经过所述调理电路21转换成相应的数字信号；所述数字信号存储于所述存储器24中；所述主控制器22用于处理所述数字信号，对该数字信号依次进行故障识别算法、声音定向算法；所述接口电路23主要是将主控制器22的数字信号转换为RS232接口和RS485接口。
其中，所述声阵列传感器1将采集声音信号转化成模拟信号并传递至所述调理电路21；所述调理电路21对该模拟信号进行滤波处理，并将该滤波处理后的该模拟信号转化成数字信号；将该数字信号传递至所述主控制器22进行归一化处理，并对该归一化处理后的数字信号依次进行数据预加重、分帧、加窗处理并进行短时傅里叶变换，得到声音特征矩阵及特征参数；采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则采用声音定向算法对故障音进行方位判断。
综上所述，由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果本发明从声音采集、特征提取、分类识别、声音定向和故障定位的一系列智能化处理着手，研制一种应用于电力物联网的故障检测方法和装置，有效替代维护人员周期巡检，帮助运行维护人员快速确定故障区段，提升工作效率，降低操作危险。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种应用于电力物联网的声音故障检测方法，其特征在于，包含以下步骤：
S1：通过声音阵列传感器将采集声音信号并转化成模拟信号；
S2：将所述模拟信号进行滤波、放大处理并转化成数字信号；
S3：对该数字信号进行归一化处理；
S4：对所述归一化处理后的数字信号进行数据预加重处理；
S5：对S4步骤中经过数据预加重处理的所述数字信号进行分帧和加窗处理；
S5：对S5步骤中分帧和加窗处理后的所述数字信号进行短时傅里叶变换，得到声音特征矩阵；
S6：采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则进行下一步；
S7：对故障音进行方位判断。
2.如权利要求1所述的应用于电力物联网的声音故障检测方法，其特征在于，所述S1步骤中的声音阵列传感器采用多个拾音器对同一声音信号进行采集获得相应数量的多个模拟信号。
3.如权利要求2所述的应用于电力物联网的声音故障检测方法，其特征在于，通过S2步骤对该些模拟信号进行模数转换成多个数字信号，通过S3步骤对该些数字进行归一化处理，筛选出信噪比最高的经归一化处理的数字信号。
4.如权利要求3所述的应用于电力物联网的声音故障检测方法，其特征在于，所述S6步骤采用二维主成分分析方法对该声音特征矩阵进行降维处理包含以下内容：
S61：将该声音特征矩阵各列所有行的元素减去相对应的该列的平均值所有元素的平均值得到一个新二维输入矩阵，公式如下：
其中，A表示该声音特征矩阵，A′表示新二维输入矩阵，i,j分别代表矩阵的第i行和第j列，E(:)表示期望值，即E(A(:,j))表示A第j列的期望值，
表示A第j列的期望值；
S62：求该新二维输入矩阵A′的协方差矩阵，并计算新二维输入矩阵A′特征值和方差；
其中，Gt＝Var(A′)＝E[(A′-E(A′))T(A′-E(A′))]
上述，Gt为新二维输入矩阵A′的协方差矩阵，Var(A′)表示新二维输入矩阵A′的协方差矩阵，E(A′)表示A′的期望值；
S63：根据S62步骤中计算的特征值提取对应的特征向量，将各个特征值对应的特征向量作为列向量按照对应的特征值从大到小降序排列构成投影矩阵X；
S64：将新二维输入矩阵A′乘以投影矩阵X进行空间变换得到投影数据，即可得到声音特征矩阵A中的声音特征信息；
其中，Y＝A′X，Y是经过投影矩阵X映射后的降维矩阵，空间变换可得到所述声音特征矩阵A中的声音特征信息。
5.如权利要求4所述的应用于电力物联网的声音故障检测方法，其特征在于，所述S7步骤对故障音进行方位判断包含以下步骤：
S71：对声阵列传感器采集的多个声音信号进行快速傅里叶变换得到对应的声音频域信号；
S72：选择其中任意两个声音频域信号计算各子频带的子带幅度均方相关值，对各子带幅度均方相关值进行降序排列，筛选出超过设定阈值的K个子频带；
其中，fi为第i个子频带的中心频率，J为划分子频带的数量，|γxy(fi)|2为均方相关值值，
S73：针对选择的K个子频带，利用SMSC计算各子频带的加权值ωi；
S74：计算参与加权的子带相关矩阵，并进行特征值分解，得出各子频带的流型矩阵和噪声子空间；
A(θ)＝[α(θ1),α(θ2) …,α(θJ)]
A(θ)表子频带的流型矩阵，其中，α(θi),i∈[1,J]为导向矢量，θ表示方位角；
S75：计算K个子频带加权后的联合MUSIC空间谱；
其中，α(f(i),θ)表示第i个子频带信号子空间的方向矢量，UN表示参与计算所有频带的噪声子空间；
S76：通过谱峰搜索得出声源目标的方位角。
6.一种应用于电力物联网的声音故障检测装置，用于实现上述权利要求1-5任意一项所述方法，其特征在于，包含声阵列传感器、信息处理模块、电源接口模块、充电电池；
所述声阵列传感器用于采集声音信号生成模拟信号，并与信息处理模块通信连接将模拟信号传递至信息处理模块；
所述信息处理模块用于将所述模拟信号转换成数字信号，并依次进行故障识别算法、声音定向算法；
所述电源接口模块主要由充电电路和供电电路组成，电源接口模块通过充电电路与所述充电电池电连接向充电电池充电，及电源接口模块通过供电电路与所述声阵列传感器、所述信息处理模块电连接并向所述声阵列传感器、所述信息处理模块直接供电。
7.如权利要求6所述的应用于电力物联网的声音故障检测装置，其特征在于，所述信息处理模块主要由调理电路、主控制器、接口电路、存储器组成；
所述调理电路与所述声阵列传感器通信连接用于接收声阵列传感器传输来的模拟信号，并进行滤波、放大、模数转换处理，所述模拟信号经过所述调理电路转换成相应的数字信号；
所述数字信号存储于所述存储器中；
所述主控制器用于处理所述数字信号，对该数字信号依次进行故障识别算法、声音定向算法；
所述接口电路主要是将主控制器的数字信号转换为RS232接口和RS485接口。
8.如权利要求7所述的应用于电力物联网的声音故障检测装置，其特征在于，所述声阵列传感器采集声音信号转化成模拟信号并传递至所述调理电路；
所述调理电路对该模拟信号进行滤波处理，并将该滤波处理后的该模拟信号转化成数字信号；
将该数字信号传递至所述主控制器进行归一化处理，并对该归一化处理后的数字信号依次进行数据预加重、分帧、加窗处理并进行短时傅里叶变换，得到声音特征矩阵及特征参数；
采用二维主成分分析方法对该声音特征矩阵进行降维处理，并从降维处理后的声音特征矩阵中提取声音特征信息，并对该声音特征信息进行分类识别，判断所述声音阵列传感器采集声音信号是否为故障音，若为故障音则对故障音进行方位判断。
9.如权利要求6-8任一项所述的应用于电力物联网的声音故障检测装置，其特征在于，所述声阵列传感器主要由4个同向分布的拾音器组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110686898.2A CN113362856A (zh) | 2021-06-21 | 2021-06-21 | 一种应用于电力物联网的声音故障检测方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110686898.2A CN113362856A (zh) | 2021-06-21 | 2021-06-21 | 一种应用于电力物联网的声音故障检测方法以及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362856A true CN113362856A (zh) | 2021-09-07 |
Family
ID=77535433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110686898.2A Pending CN113362856A (zh) | 2021-06-21 | 2021-06-21 | 一种应用于电力物联网的声音故障检测方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362856A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115497501A (zh) * | 2022-11-18 | 2022-12-20 | 国网山东省电力公司济南供电公司 | 基于sw-music的变压器故障声纹定位方法及系统 |
| CN117031154A (zh) * | 2023-08-07 | 2023-11-10 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001117597A (ja) * | 1999-10-21 | 2001-04-27 | Yamaha Corp | 音声変換装置、音声変換方法及び音声変換用辞書の生成方法 |
| EP1473964A2 (en) * | 2003-05-02 | 2004-11-03 | Samsung Electronics Co., Ltd. | Microphone array, method to process signals from this microphone array and speech recognition method and system using the same |
| CN101246214A (zh) * | 2008-03-12 | 2008-08-20 | 华中科技大学 | 基于微波热辐射阵列接收的空间谱估计目标探测方法 |
| CN101431354A (zh) * | 2007-11-09 | 2009-05-13 | 中兴通讯股份有限公司 | 一种波达角估计方法 |
| CN101770022A (zh) * | 2009-12-30 | 2010-07-07 | 南京航空航天大学 | 基于遗传算法的mimo雷达阵列位置误差自校正方法 |
| CN101778322A (zh) * | 2009-12-07 | 2010-07-14 | 中国科学院自动化研究所 | 基于多模型和听觉特性的麦克风阵列后滤波语音增强方法 |
| CN102253363A (zh) * | 2011-03-29 | 2011-11-23 | 西安交通大学 | 基于l型阵列的相干信号二维波达方向估计装置及其方法 |
| US20150156578A1 (en) * | 2012-09-26 | 2015-06-04 | Foundation for Research and Technology - Hellas (F.O.R.T.H) Institute of Computer Science (I.C.S.) | Sound source localization and isolation apparatuses, methods and systems |
| CN105445709A (zh) * | 2015-11-12 | 2016-03-30 | 电子科技大学 | 一种稀布阵列近场无源定位幅相误差校正方法 |
| CN109490822A (zh) * | 2018-10-16 | 2019-03-19 | 南京信息工程大学 | 基于ResNet的语音DOA估计方法 |
| CN110148422A (zh) * | 2019-06-11 | 2019-08-20 | 南京地平线集成电路有限公司 | 基于传声器阵列确定声源信息的方法、装置及电子设备 |
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
-
2021
- 2021-06-21 CN CN202110686898.2A patent/CN113362856A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001117597A (ja) * | 1999-10-21 | 2001-04-27 | Yamaha Corp | 音声変換装置、音声変換方法及び音声変換用辞書の生成方法 |
| EP1473964A2 (en) * | 2003-05-02 | 2004-11-03 | Samsung Electronics Co., Ltd. | Microphone array, method to process signals from this microphone array and speech recognition method and system using the same |
| CN101431354A (zh) * | 2007-11-09 | 2009-05-13 | 中兴通讯股份有限公司 | 一种波达角估计方法 |
| CN101246214A (zh) * | 2008-03-12 | 2008-08-20 | 华中科技大学 | 基于微波热辐射阵列接收的空间谱估计目标探测方法 |
| CN101778322A (zh) * | 2009-12-07 | 2010-07-14 | 中国科学院自动化研究所 | 基于多模型和听觉特性的麦克风阵列后滤波语音增强方法 |
| CN101770022A (zh) * | 2009-12-30 | 2010-07-07 | 南京航空航天大学 | 基于遗传算法的mimo雷达阵列位置误差自校正方法 |
| CN102253363A (zh) * | 2011-03-29 | 2011-11-23 | 西安交通大学 | 基于l型阵列的相干信号二维波达方向估计装置及其方法 |
| US20150156578A1 (en) * | 2012-09-26 | 2015-06-04 | Foundation for Research and Technology - Hellas (F.O.R.T.H) Institute of Computer Science (I.C.S.) | Sound source localization and isolation apparatuses, methods and systems |
| CN105445709A (zh) * | 2015-11-12 | 2016-03-30 | 电子科技大学 | 一种稀布阵列近场无源定位幅相误差校正方法 |
| CN109490822A (zh) * | 2018-10-16 | 2019-03-19 | 南京信息工程大学 | 基于ResNet的语音DOA估计方法 |
| CN110148422A (zh) * | 2019-06-11 | 2019-08-20 | 南京地平线集成电路有限公司 | 基于传声器阵列确定声源信息的方法、装置及电子设备 |
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIU H，LI B，YUAN X，ET A1．: "A robust real time direction-of-arrival estimation method for sequential movement events of vehicles", 《SENSORS》, pages 1 - 16 * |
| 崔琳;张熠鑫;: "改进鸡群优化算法的二维MUSIC谱峰搜索研究", 电子测量与仪器学报, no. 03 * |
| 董建超;杨铁军;李新辉;代路;: "主分量分析在激励源识别中的应用研究", 振动与冲击, no. 24 * |
| 赵力: "《语音信号处理》", 机械工业出版社, pages: 32 - 33 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115497501A (zh) * | 2022-11-18 | 2022-12-20 | 国网山东省电力公司济南供电公司 | 基于sw-music的变压器故障声纹定位方法及系统 |
| CN117031154A (zh) * | 2023-08-07 | 2023-11-10 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
| CN117031154B (zh) * | 2023-08-07 | 2024-03-22 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| WO2019015311A1 (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
| CN113362856A (zh) | 一种应用于电力物联网的声音故障检测方法以及装置 | |
| CN106934421B (zh) | 基于2dpca及svm的电力变压器故障检测方法 | |
| CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
| CN104614069A (zh) | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 | |
| CN112147444A (zh) | 一种电力变压器工作状态监测方法及系统 | |
| CN117289067B (zh) | 一种变压器运行状态在线监测系统 | |
| Gao et al. | Series arc fault diagnosis method of photovoltaic arrays based on GASF and improved DCGAN | |
| CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
| CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
| CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
| Mao et al. | Evaluation method for feature selection in proton exchange membrane fuel cell fault diagnosis | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
| CN113050037B (zh) | 一种变电站设备异常声源定位方法及系统 | |
| CN114994587A (zh) | 一种局部放电检测仪器抗干扰性能量化评价方法 | |
| CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
| CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 |
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 |