CN114360582A - 一种基于多频段自监督的变压器声纹异常检测方法 - Google Patents
一种基于多频段自监督的变压器声纹异常检测方法 Download PDFInfo
- Publication number
- CN114360582A CN114360582A CN202210042045.XA CN202210042045A CN114360582A CN 114360582 A CN114360582 A CN 114360582A CN 202210042045 A CN202210042045 A CN 202210042045A CN 114360582 A CN114360582 A CN 114360582A
- Authority
- CN
- China
- Prior art keywords
- frequency
- voiceprint
- abnormal
- key
- transformer
- 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 24
- 239000013598 vector Substances 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 54
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000007906 compression Methods 0.000 claims description 34
- 230000006835 compression Effects 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于多频段自监督的变压器声纹异常检测方法，包括：对变压器的声纹数据进行采集和预处理；对采集的声纹数据进行特征提取；设计一个自监督的多层全连接神经网络模型，并自监督学习变压器的工作声纹数据特征，判断声纹数据特征之间的差异；在自监督学习中，当输入连续的声纹数据特征时，多层全连接神经网络模型输出连续的声纹数据异常监测差异度结果；使用模板匹配算法进行异常频率特征向量的识别检测，对异常频率特征分分离注册，实现泛化性的识别检测。本发明保留变压器声纹中的关键特征同时压缩非关键频带的参数，降低特征向量维度，减少计算负担加快系统分析速度，极大节省专业人员工作量，减少人工干预造成的精度偏差。
Description
技术领域
本发明涉及电力监控技术领域，尤其是一种基于多频段自监督的变压器声纹异常检测方法。
背景技术
电力系统的安全和稳定是当代社会一切活动的基础，对于城市的正常运转和居民生活保障都起到至关重要的作用，随着国家的发展和社会的进步，电力负荷又进一步划分为工业用电、居民用电、市政用电等，各类社会活动对电力系统的依赖性进一步加强，电力消耗的需求也进一步增加，这样就对供电质量和安全可靠性方面的要求进一步提升。为应对这一严峻挑战，智能电网的建设就迫在眉睫，这样不仅有利于智能化水平和用户互动化水平的提升，同时可以缓解能源压力以及资源有效优化的配置。随着电力市场的交易规模逐渐扩大，现货市场、输配电价以及增量配电等领域进一步发展，对市场提供相应的配套设施和辅助服务，可以带来相应的经济效应，也为电力行业带来新的活力与生机。
变压器异常检测作为电力系统重要工作内容之一，常用于电网实时计划制定、故障分析、实时调度等工作，随着电力市场的进一步开放，市场管理进一步成熟，变压器异常检测的作用将发挥更大的作用。现有声纹异常检测技术中的特征提取过程通常使用梅尔频率倒谱系数(MFCC)进行声纹特征提取以模拟人耳的听觉特性，然而该方法在变压器声纹检测任务中难以精确表示关键频率特性，导致算法精度不足。此外，变压器由于受到负载、电压等因素影响，每台变压器的工作声纹都有各自特征，现有技术需要对每台设备进行单独的参数调试，检测精度高度依赖人工参数设置，需要消耗大量人力成本，且当变压器工作状态发生改变时难以及时进行调整，导致检测技术精度低、鲁棒性差、泛化能力弱。
发明内容
本发明的目的在于提供一种能够降低特征向量维度，减少计算负担加快系统分析速度，极大节省专业人员工作量，减少人工干预造成的精度偏差的基于多频段自监督的变压器声纹异常检测方法。
为实现上述目的，本发明采用了以下技术方案：一种基于多频段自监督的变压器声纹异常检测方法，该方法包括下列顺序的步骤：
(1)对变压器的声纹数据进行采集和预处理；
(2)对采集的声纹数据进行特征提取，得到针对变压器的压缩频率特征；
(3)设计一个自监督的多层全连接神经网络模型，并自监督学习变压器的工作声纹数据特征，判断声纹数据特征之间的差异；
(4)在自监督学习中，当输入连续的声纹数据特征时，多层全连接神经网络模型输出连续的声纹数据异常监测差异度结果，获得异常频率特征向量集合；
(5)使用模板匹配算法进行异常频率特征向量的识别检测，对异常频率特征进行分离注册，实现泛化性的识别检测。
所述步骤(1)具体是指：对采集的变压器的声纹数据进行分段、分帧与加窗处理，将输入的每个声纹数据划分为一系列时域谱数据帧，共Z帧，记为：
W＝[w1,w2,...,wZ]
使用离散傅里叶变换，将时域谱数据帧转换为频域谱数据帧，记为：
F＝[f1,f2,...,fZ]。
所述步骤(2)具体包括以下步骤：
(2a)针对变压器声纹频率范围[flow,fhigh]，按照1000Hz为一个区间，将频率分为一组频率区间集合{F1,F2,…,FN}；
(2b)对F1区间，压缩频率ci与原始频率fi对应关系如下，
其中，A1为频率补偿系数，k1为该区间压缩倍率，k1取5、10、20三种倍率；
(2c)对除F1以外的区间Fn≠1，压缩频率ci与原始频率fi对应关系如下，
其中，An、Am为第n与第m区间的补偿系数，kn、km为第n与第m区间的压缩倍率，km≠1满足：
其中，B为指数补偿系数；
(2d)F1区间中50Hz的倍频集合记为F50Hz＝{50,100,...,950,1000}，对应的压缩频率集合记为：
C50Hz＝{c50Hz,...,c1000Hz}
非F1区间的压缩区间关键频率集合记为：
Cm≠1＝∪m≠1Cm
其中，Cm表示第m区间的压缩频率集合；
按照计算精度要求，按照频段I选取：
其中，Dm表示第m区间的密度补偿系数，floor(·)表示向下取整操作，由此获得全部关键频率的对应压缩频率集合：
Ckey＝C50Hz∪Cm≠1＝{c1,c2,...,cK}
其中，K为关键频率总数，则对应的原始关键频率记为：
Fkey＝{f1 key,f2 key,...,fK key}；
(2e)以每个关键帧为区间中心，选取左右相邻关键帧中间距离作为区间边界，使用区间内频谱幅度最大值作为该关键帧的代表值，表示为：
其中，
为声纹频率谱线，由此获得关键频率向量作为针对变压器的压缩频率特征，P为特征向量维度的数量，表示为：
vkey＝[v1,...,vP]。
所述步骤(3)具体包括以下步骤：
(3a)构建多层全连接神经网络模型，每层依次表示为：[E1,E2,E3,E4,E5,E6,E7,E8]，其中：
输入层E1包含P个神经元，P为特征向量维度的数量，训练阶段随机放弃20％神经元进行训练；
隐藏层E2包含300个神经元，训练阶段随机放弃20％神经元进行训练；
隐藏层E3包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E4包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E5包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E6包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E7包含300个神经元，训练阶段随机放弃20％神经元进行训练；
输出层E8包含P个神经元，P为特征向量维度的数量；
输出层C连结在隐藏层E4之后，包含32个神经元，输出为1维差异度；
(3b)在训练阶段，输入数据为声纹数据的频率压缩之后的输入关键频率向量集合Vinput；
输出层E8输出数据为输出关键频率向量集合Voutput；
训练时首先将Vinput进行分批处理，训练梯度反向传递时的第b批向量集合的损失函数表示如下：
其中，N为第b批向量集合中特征向量的数量，
分别为第b批中的第n个输入与输出特征向量，
分别表示
的第p个关键帧的代表值，P为特征向量维度的数量，αk为维度损失权重，β为损失敏感度系数，其中αk为一个有限非线性均衡函数，使用基于对数的函数：
αk＝αlog(k)+β
其中，α与β为补偿系数；
输出层C输出预测差异度s，自监督状况下预期差异度为0，使用交叉熵损失函数进行训练；
(3c)在验证阶段，输入数据为声纹数据频率压缩之后的输入关键频率向量集合Vinput，输出为输出层C的差异度，作为声纹数据异常监测结果。
所述步骤(4)具体包括以下步骤：
(4a)设定一个报警触发差异度阈值τs，使用二分法，超过该阈值则输出异常监测报警，未超过该阈值则认为当前未出现异常；
(4b)设定一个报警触发频率阈值τf，当一段时间T中，报警触发频率超过阈值，则自动调高差异度阈值τs，使触发频率与触发阈值成负相关，表示为：
(4c)设定报警触发差异度最大值
作为触发差异度调节的最大值，如果差异度阈值达到最大值，即使触发频率超过阈值，也不再进行自适应调节；
(4d)经过自适应调节，输出自适应差异度结果S＝[s1,s2,...,sN]，即声纹数据异常监测差异度结果；
(4e)根据自适应差异度结果，获得对应出现异常报警的帧位置，根据输入的关键频率向量集合Vinput，获得异常频率特征向量集合Vabn，实现异常声纹时间定位与特征获取。
所述步骤(5)具体包括以下步骤：
(5a)将异常频率特征向量集合Vabn划分为50Hz倍频向量及其他频率向量集合，记为
和
(5b)对声纹数据定位出的异常进行标注，并整理为异常标准标注文件；
(5c)将
和异常标准文件合并为第一异常声纹压缩频率特征标准数据集，将
及异常标准文件合并为第二异常声纹压缩频率特征标准数据集；
(5d)在异常声纹注册阶段，将第一异常声纹压缩频率特征标准数据集注册为异常声纹本征频率特征字典，将第二异常声纹压缩频率特征标准数据集注册为异常声纹非本征频率特征字典；
(5e)在验证阶段，输入为验证频率特征向量，将其划分为50Hz倍频特征向量与其他频率特征向量，并分别与异常声纹本征频率特征字典和异常声纹非本征频率特征字典进行模板匹配算法比较，最终获得与当前验证特征向量最相似的本征异常与非本征异常类别。
所述步骤(5e)中的模板匹配算法采用动态时间规整方法、余弦相似度方法、混合高斯模型方法中的任意一种。
由上述技术方案可知，本发明的有益效果为：第一，本发明保留变压器声纹中的关键特征同时压缩非关键频带的参数，降低特征向量维度，减少计算负担加快系统分析速度；第二，本发明无需任何人工参数设置，能够自动学习当前变压器工作特征，当变压器工作状况发生变化时仅需简单操作即可完成该系统参数的重新配置，极大节省专业人员工作量，减少人工干预造成的精度偏差；第三，本发明能够根据一段时间内预警触发数量自动调节预警触发阈值，实现保留最主要的异常预警情况下大幅度降低触发次数，减少由于环境等外来因素导致的预警误报量；第四，本发明基于现有模板匹配算法，通过分离变压器本征频谱特征与外部频谱特征，实现对变压器本征工况评估与泛化类别故障检测。
附图说明
图1为本发明的方法流程图；
图2为自监督的多层全连接神经网络模型结构示意图；
图3为模板匹配算法流程图。
具体实施方式
如图1所示，一种基于多频段自监督的变压器声纹异常检测方法，该方法包括下列顺序的步骤：
该方法包括下列顺序的步骤：
(1)对变压器的声纹数据进行采集和预处理；
(2)对采集的声纹数据进行特征提取，得到针对变压器的压缩频率特征；
(3)设计一个自监督的多层全连接神经网络模型，并自监督学习变压器的工作声纹数据特征，判断声纹数据特征之间的差异；
(4)在自监督学习中，当输入连续的声纹数据特征时，多层全连接神经网络模型输出连续的声纹数据异常监测差异度结果，获得异常频率特征向量集合；
(5)使用模板匹配算法进行异常频率特征向量的识别检测，对异常频率特征进行分离注册，实现泛化性的识别检测。
所述步骤(1)具体是指：对采集的变压器的声纹数据进行分段、分帧与加窗处理，将输入的每个声纹数据划分为一系列时域谱数据帧，共Z帧，记为：
W＝[w1,w2,...,wZ]
使用离散傅里叶变换，将时域谱数据帧转换为频域谱数据帧，记为：
F＝[f1,f2,...,fZ]。
所述步骤(2)具体包括以下步骤：
(2a)针对变压器声纹频率范围[flow,fhigh]，按照1000Hz为一个区间，将频率分为一组频率区间集合{F1,F2,…,FN}；
(2b)对F1区间，压缩频率ci与原始频率fi对应关系如下，
其中，A1为频率补偿系数，k1为该区间压缩倍率，k1取5、10、20三种倍率；
(2c)对除F1以外的区间Fn≠1，压缩频率ci与原始频率fi对应关系如下，
其中，An、Am为第n与第m区间的补偿系数，kn、km为第n与第m区间的压缩倍率，km≠1满足：
其中，B为指数补偿系数；
(2d)F1区间中50Hz的倍频集合记为F50Hz＝{50,100,...,950,1000}，对应的压缩频率集合记为：
C50Hz＝{c50Hz,...,c1000Hz}
非F1区间的压缩区间关键频率集合记为：
Cm≠1＝∪m≠1Cm
其中，Cm表示第m区间的压缩频率集合；
按照计算精度要求，按照频段I选取：
其中，Dm表示第m区间的密度补偿系数，floor(·)表示向下取整操作，由此获得全部关键频率的对应压缩频率集合：
Ckey＝C50Hz∪Cm≠1＝{c1,c2,...,cK}
其中，K为关键频率总数，则对应的原始关键频率记为：
(2e)以每个关键帧为区间中心，选取左右相邻关键帧中间距离作为区间边界，使用区间内频谱幅度最大值作为该关键帧的代表值，表示为：
其中，
为声纹频率谱线，由此获得关键频率向量作为针对变压器的压缩频率特征，P为特征向量维度的数量，表示为：
vkey＝[v1,...,vP]。
所述步骤(3)具体包括以下步骤：
(3a)构建多层全连接神经网络模型，如图2所示，每层依次表示为：[E1,E2,E3,E4,E5,E6,E7,E8]，其中：
输入层E1包含P个神经元，P为特征向量维度的数量，训练阶段随机放弃20％神经元进行训练；
隐藏层E2包含300个神经元，训练阶段随机放弃20％神经元进行训练；
隐藏层E3包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E4包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E5包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E6包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E7包含300个神经元，训练阶段随机放弃20％神经元进行训练；
输出层E8包含P个神经元，P为特征向量维度的数量；
输出层C连结在隐藏层E4之后，包含32个神经元，输出为1维差异度；
(3b)在训练阶段，输入数据为声纹数据的频率压缩之后的输入关键频率向量集合Vinput；
输出层E8输出数据为输出关键频率向量集合Voutput；
训练时首先将Vinput进行分批处理，训练梯度反向传递时的第b批向量集合的损失函数表示如下：
其中，N为第b批向量集合中特征向量的数量，
分别为第b批中的第n个输入与输出特征向量，
分别表示
的第p个关键帧的代表值，P为特征向量维度的数量，αk为维度损失权重，β为损失敏感度系数，其中αk为一个有限非线性均衡函数，使用基于对数的函数：
αk＝αlog(k)+β
其中，α与β为补偿系数；
输出层C输出预测差异度s，自监督状况下预期差异度为0，使用交叉熵损失函数进行训练；
(3c)在验证阶段，输入数据为声纹数据频率压缩之后的输入关键频率向量集合Vinput，输出为输出层C的差异度，作为声纹数据异常监测结果。
所述步骤(4)具体包括以下步骤：
(4a)设定一个报警触发差异度阈值τs，使用二分法，超过该阈值则输出异常监测报警，未超过该阈值则认为当前未出现异常；
(4b)设定一个报警触发频率阈值τf，当一段时间T中，报警触发频率超过阈值，则自动调高差异度阈值τs，使触发频率与触发阈值成负相关，表示为：
(4c)设定报警触发差异度最大值
作为触发差异度调节的最大值，如果差异度阈值达到最大值，即使触发频率超过阈值，也不再进行自适应调节；
(4d)经过自适应调节，输出自适应差异度结果S＝[s1,s2,...,sN]，即声纹数据异常监测差异度结果；
(4e)根据自适应差异度结果，获得对应出现异常报警的帧位置，根据输入的关键频率向量集合Vinput，获得异常频率特征向量集合Vabn，实现异常声纹时间定位与特征获取。
所述步骤(5)具体包括以下步骤：
(5a)将异常频率特征向量集合Vabn划分为50Hz倍频向量及其他频率向量集合，记为
和
(5b)对声纹数据定位出的异常进行标注，并整理为异常标准标注文件；
(5c)将
和异常标准文件合并为第一异常声纹压缩频率特征标准数据集，将
及异常标准文件合并为第二异常声纹压缩频率特征标准数据集；
(5d)在异常声纹注册阶段，将第一异常声纹压缩频率特征标准数据集注册为异常声纹本征频率特征字典，将第二异常声纹压缩频率特征标准数据集注册为异常声纹非本征频率特征字典；
(5e)在验证阶段，输入为验证频率特征向量，将其划分为50Hz倍频特征向量与其他频率特征向量，并分别与异常声纹本征频率特征字典和异常声纹非本征频率特征字典进行模板匹配算法比较，如图3所示，最终获得与当前验证特征向量最相似的本征异常与非本征异常类别。所述步骤(5e)中的模板匹配算法采用动态时间规整方法、余弦相似度方法、混合高斯模型方法中的任意一种。
综上所述，本发明保留变压器声纹中的关键特征同时压缩非关键频带的参数，降低特征向量维度，减少计算负担加快系统分析速度；本发明无需任何人工参数设置，能够自动学习当前变压器工作特征，当变压器工作状况发生变化时仅需简单操作即可完成该系统参数的重新配置，极大节省专业人员工作量，减少人工干预造成的精度偏差。
Claims (7)
1.一种基于多频段自监督的变压器声纹异常检测方法，其特征在于：该方法包括下列顺序的步骤：
(1)对变压器的声纹数据进行采集和预处理；
(2)对采集的声纹数据进行特征提取，得到针对变压器的压缩频率特征；
(3)设计一个自监督的多层全连接神经网络模型，并自监督学习变压器的工作声纹数据特征，判断声纹数据特征之间的差异；
(4)在自监督学习中，当输入连续的声纹数据特征时，多层全连接神经网络模型输出连续的声纹数据异常监测差异度结果，获得异常频率特征向量集合；
(5)使用模板匹配算法进行异常频率特征向量的识别检测，对异常频率特征进行分离注册，实现泛化性的识别检测。
2.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(1)具体是指：对采集的变压器的声纹数据进行分段、分帧与加窗处理，将输入的每个声纹数据划分为一系列时域谱数据帧，共Z帧，记为：
W＝[w1,w2,...,wZ]
使用离散傅里叶变换，将时域谱数据帧转换为频域谱数据帧，记为：
F＝[f1,f2,...,fZ]。
3.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(2)具体包括以下步骤：
(2a)针对变压器声纹频率范围[flow,fhigh]，按照1000Hz为一个区间，将频率分为一组频率区间集合{F1,F2,…,FN}；
(2b)对F1区间，压缩频率ci与原始频率fi对应关系如下，
其中，A1为频率补偿系数，k1为该区间压缩倍率，k1取5、10、20三种倍率；
(2c)对除F1以外的区间Fn≠1，压缩频率ci与原始频率fi对应关系如下，
其中，An、Am为第n与第m区间的补偿系数，kn、km为第n与第m区间的压缩倍率，km≠1满足：
其中，B为指数补偿系数；
(2d)F1区间中50Hz的倍频集合记为F50Hz＝{50,100,...,950,1000}，对应的压缩频率集合记为：
C50Hz＝{c50Hz,...,c1000Hz}
非F1区间的压缩区间关键频率集合记为：
Cm≠1＝∪m≠1Cm
其中，Cm表示第m区间的压缩频率集合；
按照计算精度要求，按照频段I选取：
其中，Dm表示第m区间的密度补偿系数，floor(·)表示向下取整操作，由此获得全部关键频率的对应压缩频率集合：
Ckey＝C50Hz∪Cm≠1＝{c1,c2,...,cK}
其中，K为关键频率总数，则对应的原始关键频率记为：
Fkey＝{f1 key,f2 key,...,fK key}；
(2e)以每个关键帧为区间中心，选取左右相邻关键帧中间距离作为区间边界，使用区间内频谱幅度最大值作为该关键帧的代表值，表示为：
其中，
为声纹频率谱线，由此获得关键频率向量作为针对变压器的压缩频率特征，P为特征向量维度的数量，表示为：
vkey＝[v1,...,vP]。
4.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)构建多层全连接神经网络模型，每层依次表示为：[E1,E2,E3,E4,E5,E6,E7,E8]，其中：
输入层E1包含P个神经元，P为特征向量维度的数量，训练阶段随机放弃20％神经元进行训练；
隐藏层E2包含300个神经元，训练阶段随机放弃20％神经元进行训练；
隐藏层E3包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E4包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E5包含32个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E6包含64个神经元，训练阶段随机放弃10％神经元进行训练；
隐藏层E7包含300个神经元，训练阶段随机放弃20％神经元进行训练；
输出层E8包含P个神经元，P为特征向量维度的数量；
输出层C连结在隐藏层E4之后，包含32个神经元，输出为1维差异度；
(3b)在训练阶段，输入数据为声纹数据的频率压缩之后的输入关键频率向量集合Vinput；
输出层E8输出数据为输出关键频率向量集合Voutput；
训练时首先将Vinput进行分批处理，训练梯度反向传递时的第b批向量集合的损失函数表示如下：
其中，N为第b批向量集合中特征向量的数量，
分别为第b批中的第n个输入与输出特征向量，
分别表示
的第p个关键帧的代表值，P为特征向量维度的数量，αk为维度损失权重，β为损失敏感度系数，其中αk为一个有限非线性均衡函数，使用基于对数的函数：
αk＝αlog(k)+β
其中，α与β为补偿系数；
输出层C输出预测差异度s，自监督状况下预期差异度为0，使用交叉熵损失函数进行训练；
(3c)在验证阶段，输入数据为声纹数据频率压缩之后的输入关键频率向量集合Vinput，输出为输出层C的差异度，作为声纹数据异常监测结果。
5.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(4)具体包括以下步骤：
(4a)设定一个报警触发差异度阈值τs，使用二分法，超过该阈值则输出异常监测报警，未超过该阈值则认为当前未出现异常；
(4b)设定一个报警触发频率阈值τf，当一段时间T中，报警触发频率超过阈值，则自动调高差异度阈值τs，使触发频率与触发阈值成负相关，表示为：
(4c)设定报警触发差异度最大值
作为触发差异度调节的最大值，如果差异度阈值达到最大值，即使触发频率超过阈值，也不再进行自适应调节；
(4d)经过自适应调节，输出自适应差异度结果S＝[s1,s2,...,sN]，即声纹数据异常监测差异度结果；
(4e)根据自适应差异度结果，获得对应出现异常报警的帧位置，根据输入的关键频率向量集合Vinput，获得异常频率特征向量集合Vabn，实现异常声纹时间定位与特征获取。
6.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(5)具体包括以下步骤：
(5a)将异常频率特征向量集合Vabn划分为50Hz倍频向量及其他频率向量集合，记为
和
(5b)对声纹数据定位出的异常进行标注，并整理为异常标准标注文件；
(5c)将
和异常标准文件合并为第一异常声纹压缩频率特征标准数据集，将
及异常标准文件合并为第二异常声纹压缩频率特征标准数据集；
(5d)在异常声纹注册阶段，将第一异常声纹压缩频率特征标准数据集注册为异常声纹本征频率特征字典，将第二异常声纹压缩频率特征标准数据集注册为异常声纹非本征频率特征字典；
(5e)在验证阶段，输入为验证频率特征向量，将其划分为50Hz倍频特征向量与其他频率特征向量，并分别与异常声纹本征频率特征字典和异常声纹非本征频率特征字典进行模板匹配算法比较，最终获得与当前验证特征向量最相似的本征异常与非本征异常类别。
7.根据权利要求6所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(5e)中的模板匹配算法采用动态时间规整方法、余弦相似度方法、混合高斯模型方法中的任意一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210042045.XA CN114360582A (zh) | 2022-01-14 | 2022-01-14 | 一种基于多频段自监督的变压器声纹异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210042045.XA CN114360582A (zh) | 2022-01-14 | 2022-01-14 | 一种基于多频段自监督的变压器声纹异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114360582A true CN114360582A (zh) | 2022-04-15 |
Family
ID=81090491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210042045.XA Pending CN114360582A (zh) | 2022-01-14 | 2022-01-14 | 一种基于多频段自监督的变压器声纹异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360582A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035913A (zh) * | 2022-08-11 | 2022-09-09 | 合肥中科类脑智能技术有限公司 | 一种声音异常检测方法 |
-
2022
- 2022-01-14 CN CN202210042045.XA patent/CN114360582A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035913A (zh) * | 2022-08-11 | 2022-09-09 | 合肥中科类脑智能技术有限公司 | 一种声音异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| CN105206270A (zh) | 一种组合pca和rbm的孤立数字语音识别分类系统及方法 | |
| CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
| CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
| CN113177558B (zh) | 一种基于小样本的特征融合的辐射源个体识别方法 | |
| CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
| CN114360582A (zh) | 一种基于多频段自监督的变压器声纹异常检测方法 | |
| CN114495983A (zh) | 一种基于云边协同的设备故障声纹监测系统 | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN116415723A (zh) | 一种面向铁路防灾系统的风速预测方法及装置 | |
| CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
| CN113627685A (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
| CN111967919A (zh) | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 | |
| CN112052985A (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
| CN111931031A (zh) | 一种用于政策信息匹配度计算的方法 | |
| CN116384586A (zh) | 一种基于vmd-svr的风速预测方法 | |
| CN116451079A (zh) | 一种面向超算平台的电力变压器故障声音诊断方法 | |
| Li et al. | Financial time series forecasting model based on EMD and Rolling Grey Model | |
| CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN104866574A (zh) | 一种基于knn算法的断路器缺陷等级划分方法 | |
| Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
| Lin et al. | Research on transformer audio fault identification method based on 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 |