CN115343573A - 一种面向电网监控的声纹模型演化设备故障融合判决方法 - Google Patents

Abstract

本发明提供了一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：实时采集音频，采用基于小波变换的双重分类去噪方法进行干扰噪声去除预处理；提取经过预处理的各类正常状态下的设备声音信号数据的MFCC特征向量，分别得到各类正常状态下的样本数据集，建立并更新目标设备在各类正常状态下的高斯混合模型；提取待测音频样本数据并建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；基于多高斯混合模型，进行目标设备声纹故障融合判决。本发明的方法可以消除环境的弱异常干扰与强异常干扰带来的影响，能够实时匹配样本数据的变化规律，有效地对电网监控场景进行监测，实现异常监测并及时预警。

Description

一种面向电网监控的声纹模型演化设备故障融合判决方法

技术领域

本发明涉及电网监控和声纹故障监测预警技术领域，具体但不限于涉及一种面向电网监控的声纹模型演化设备故障融合判决方法。

背景技术

随着科技的不断发展，越来越多的配电工业设备出现在人们的视野中。电网监控是对电网运行状况进行监督和控制，对电网运行中出现的故障或者不正常运行状况都能及时发现和解决。在智能电网发展的过程中，电网监控的智能化成为一个重要方面，它关系着整个电力系统运行稳定性和安全性，目前传统的监测普遍方法采用大样本机器学习算法，不仅维护成本高、效率低，而且电网监控场景异常样本严重不足，影响着判别的准确率。然而现有的检修方法凭借的是先验知识，而且不同人员的鉴别能力各不相同，没有一种行之有效的方法能够代替检修人员监测。

针对上述问题，基于自适应算法的监测方法受到了越来越多的关注，将算法匹配到电网监控场景中的主设备中，进行一对一监测，不仅可以降低调度成本，还可以大大提高维修效率。现有的故障监测方法通常集中在湿度、压力和温度等传感方面，但是都不及视觉监测或者听觉监测更加直接有效。派遣专业人员定期维护虽可以在一定程度上减少电网监控中心故障的发生，但是雇佣人工成本高、监测效率低。于是，音频监测方法因为其效率高和成本低逐渐被人们所知晓，基于声纹的故障监测预警可以及时发现故障且及时发出预警。

有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。

发明内容

针对现有技术中的一个或多个问题，本发明提出了一种面向电网监控的声纹模型演化设备故障融合判决方法，实时有效地对电网监控场景进行监测，实现异常监测并及时预警。

实现本发明目的的技术解决方案为：

一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：

步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；

步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；

步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；

步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤1具体包括：

步骤1-1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数W_i,k：

其中，a_i＝2^-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；

为小波函数；

步骤1-2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ′_i，则去除其对应的小波系数标号，否则保留；

所述背景噪声的判别阈值λ′_i为：

其中，σ₁表示背景噪声补偿系数，与背景噪声强度成正比，σ₁>1；r表示周边设备到目标电网设备的平均距离；r₀为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：

α＝1+LΔ

其中，Δ为强化步长，L为异常干扰因素个数；

步骤1-3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值

则去除相应的小波系数标号，否则保留；

所述异常干扰的判别阈值

为：

其中，σ₂表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ₂＞＞σ₁；

利用视频监控系统与传感器数据收集系统获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为f_l，并根据X(t)>th₁获得相应的

个时间段的中心时点t_τ，得到异常干扰因素对应的伸缩因子a_i和小波系数标号k：

k＝v(t_τ)

其中，th₁为第一阈值，u(·)表示幂指数近似处理，v(·)表示取整处理，1≤l≤L，

则得到异常干扰因素对应的小波分解层数i和小波系数标号k；

步骤1-4：通过双重分类去噪，得到重构的小波系数W′_i,k：

其中，W_i,k′为经过阈值处理重构的小波系数；

步骤1-5：对重构的小波系数W′_i,k进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X′(t)。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中提取MFCC特征向量的步骤包括：

步骤2-1：将目标电网设备的声音信号X′(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号x_l(n)为：

x_l(n)＝x(l*N+n)w(n)

其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：

步骤2-2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2…,L；

步骤2-3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：

其中，β＝0,1,…,R，1≤R≤L，β为MFCC特征向量标号索引。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中，根据样本数据集建立N个高斯混合模型，每个高斯混合模型均由M个高斯分布混合而成，其中，第n个正常态的高斯混合模型表示为：

其中，1≤n≤N，1≤m≤M，n表示高斯混合模型的索引，m表示高斯混合模型各分模型的索引，x_q表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，Q为累计输入样本数量，P(x_q|u_nm,δ_nm)为第m个高斯分布在x_q的概率密度值，w_nm为第n个正常态的高斯混合模型的第m个高斯分布的权重，u_nm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δ_nm为第n个正常态的高斯混合模型的第m个高斯分布的方差。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，高斯混合模型的参数更新规则为：

1)初始化第n个正常态的高斯混合模型的参数u_nm ⁽⁰⁾、δ_nm ⁽⁰⁾；

2)根据当前高斯混合模型计算概率P_nm(x_q)：

其中，j表示遍历标号，P_nm(x_q)表示样本x_q由第n个正常态的高斯混合模型的第m个分模型产生的概率；

3)计算下一轮迭代的模型参数：

其中，w_nm′、μ_nm′、δ_nm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯分布的权重、均值、方差；

4)重复2)、3)步，直到第n个正常态的高斯混合模型收敛。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤3具体包括：

步骤3-1：计算待测音频样本数据x_c属于第n个正常态的高斯混合模型的概率P_n(x_c)：

其中，m表示高斯混合模型各分模型的索引，1≤m≤M，w_nm为第n个正常态的高斯混合模型的第m个高斯分布的权重，u_nm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δ_nm为第n个正常态的高斯混合模型的第m个高斯分布的方差，P(x_c|u_nm,δ_nm)为第m个高斯分布在x_c的概率密度值；

根据概率P_n(x_c)得到当前待测音频样本数据x_c最可能归属的正常态的高斯混合模型n^*为：

步骤3-2：根据故障融合判决规则，若判定当前待测音频样本数据x_c为正常态，则对当前待测音频样本数据x_c所属的第n^v个正常态的高斯混合模型进行投票，判断是否对其进行演化，若进行演化则转步骤3-3；

步骤3-3：对第n^*个正常态的高斯混合模型进行演化如下：

其中，h、j分别表示相应的遍历标号，

表示历次取值x_c的平均值，H表示投票阈值，

为历史记录的各次x_c值，ρ为演化率，[·]^c+1、[·]^c分别表示相应变量演化后的值与演化前的值，[·]^T表示向量转置；

步骤3-4：令第n^*个高斯混合模型的投票变量

并且清空该模型的历史记录。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤3-2中的投票规则为：

1)初始化第n^*个高斯混合模型的投票变量

2)若

则令

其中，th₂为第二阈值，|·|表示取范数，

为第n^*个正常态的高斯混合模型的第m个高斯分布的权重，

为第n^*个正常态的高斯混合模型的第m个高斯分布的均值；

若

则令

其中，th₃为第三阈值，且th₃＞th₂；

若

则令

3)判断

是否成立，若成立，则对第n^*个正常态的高斯混合模型进行演化，否则不演化，H表示投票阈值。

进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤4中根据多高斯混合模型进行目标设备的声纹故障融合判决的规则为：

规则1：当前最可能正常态的高斯混合模型的归属概率

规则2：当前系统的熵E_c：

E_c＞th₅

规则3：存在高斯混合模型n：

其中，th₄为故障概率阈值，th₅为熵阈值，th₆为演化阈值，

为w_nm的初始值，

为u_nm的初始值；

上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明的面向电网监控的声纹模型演化设备故障融合判决方法能够消除环境的弱异常干扰与强异常干扰带来的影响，有效地对电网监控场景进行监测。

2、本发明的面向电网监控的声纹模型演化设备故障融合判决方法检测阶段使用基于投票的多高斯混合模型演化方法，可以实时匹配样本数据的变化规律，实现异常监测并及时预警。

3、本发明的面向电网监控的声纹模型演化设备故障融合判决方法检测准确率高，可以有效提高维修效率、降低调度成本。

附图说明

附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构成对本发明的限制。在附图中：

图1示出了本发明的面向电网监控的声纹模型演化设备故障融合判决方法流程图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

该部分的描述只针对典型的实施例，本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。

一种面向电网监控的声纹模型演化设备故障融合判决方法，如图1所示，具体包括以下步骤：

步骤1：实时采集声音信号，采用基于小波变换的双重分类去噪方法进行干扰噪声去除预处理。具体包括：

将目标电网设备环境干扰噪声看作背景噪声与异常干扰的叠加，首先将信号X(t)进行离散小波变换：

其中，a_i＝2^-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；

为小波函数；

进行第一重背景噪声去除，背景噪声判别阈值为：

其中，i为小波分解层数，γ为信号长度，σ₁表示通常情况下的背景噪声补偿系数，与背景噪声强度成正比，σ₁>1，α表示异常因素的强化因子，若无异常因素α＝1，若有异常因素，则：

α＝1+LΔ (1-3)

其中，Δ为强化步长，L为因素个数，如进入监控环境的工作人员的个数，发生的雷雨天气等自然现象的个数等；r表示周边设备到目标设备的平均距离，r₀为距离规范化常数，用于克服远近效应。

若实时声音信号幅值小于上述阈值λ′_i，则去除相对应的小波系数标号，否则保留。

进行第二重异常干扰去除，利用外部辅助方法如视频监控系统与传感器数据收集系统获知异常干扰因素，异常干扰因素比如：通过人脸识别获知进入环境的工作人员，通过访问气象系统获知当前天气情况，包括是否打雷、是否下雨等；记当前异常干扰因素共L个，则第l个因素产生的声音中心频点为f_l，可由先验统计得到，并由X(t)>th₁，th₁为阈值，获得相应的满足X(t)>th₁的

个时间段的中心时点t_τ，由此得到，相对应的小波层数i，即：

b_i＝t_τ (1-5)

其中，1≤l≤L，

第二重的异常干扰判别阈值

为：

其中，σ₂表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，σ₂＞＞σ₁。若实时声音信号幅值大于上述阈值，则去除相应小波系数标号，否则保留。

通过双重分类去噪方法，得到重构的小波系数：

其中，W_i,k′为经过阈值处理的小波系数。对经过阈值处理的小波系数进行相应的离散小波逆变换，得到干扰去除的目标设备声音信号X′(t)。

步骤2：提取经过预处理的各类正常状态下的设备声音信号数据的MFCC特征向量，分别得到各类正常状态下的的样本数据集，建立并更新目标设备在各类正常状态下的高斯混合模型。具体为：

采集各类正常状态下的电网设备的声音信号数据，进行预处理后提取MFCC特征向量，得到各类正常状态下的样本数据集，建立并更新N个高斯混合模型，每个生成的高斯混合模型均由M个高斯分布混合而成，其中第n个正常态的高斯混合模型的第m个高斯分布的权重为w_nm、均值为u_nm、方差为δ_nm。

其中，第n个正常态的高斯混合模型可以表示为：

其中，1≤n≤N，1≤m≤M，n表示各类正常态的高斯混合模型的索引，m表示高斯混合模型各分模型的索引；x_q表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，P(x_q|u_nm,δ_nm)为第m个高斯分布在x_q的概率密度值。

高斯混合模型的参数更新规则为：

1)初始化第n个高斯混合模型的参数；

2)根据当前模型参数模型计算P_nm(x_q)：

其中，j表示遍历标号，P_nm(x_q)表示样本x_q由第n个正常态的高斯混合模型的第m个分模型产生的概率；

3)计算下一轮迭代的模型参数：

其中，w_nm′、μ_nm′、δ_nm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯模型的权重、均值、方差；

4)重复2、3步，直到第n个正常态高斯混合模型收敛。

将待测音频信号X′(t)划分为I帧，加汉宁窗，每帧包含N＝512个样本，相邻帧有256个样本重叠；

x_l(n)＝x(l*N+n)w(n) (2-6)

其中，N为窗长，w(n)为汉宁窗，x_l(n)表示第l帧音频信号；

设计一个有36个频带的滤波器，L＝36，频率范围0到5512HZ，使用重叠的三角形频带，通过每个三角形滤波器的输出为m(q)，

其中，q＝1,2…,L，L为滤波器个数；

对所有滤波器输出做对数运算，再进一步做离散余弦变换(DCT)即可得到一组MFCC参数，

其中，β＝0,1,…,R,1≤R≤L。

步骤3：提取待测音频样本数据并建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律。具体为：

将待测音频样本数据x_c分别代入各高斯混合模型，其属于第n个高斯分布的概率为，

其中，P(x_c|u_nm,δ_nm)为第m个高斯分布在x_c的概率密度值；

则当前待测音频样本数据最可能归属的正常态的高斯混合模型为：

其中，n^*为x_c最可能归属的正常态的高斯混合模型，进而根据故障融合判决规则，若判定当前样本x_c为正常态，则对当前所属的第n^*个正常态高斯混合模型进行投票决定是否进行演化。

所述投票规则如下：

1)初始化模型n^*的投票变量

2)若

th₂为很小的阈值，|·|表示取范数，则令

若

th₃为很大的阈值，则令

若

则令

同时记录x_c的结果并进一步判断

是否成立，若成立，则对第n^*个高斯混合模型进行演化，否则不演化；其中，H表示投票阈值。

高斯混合模型的具体演化方法如下：

其中，h表示遍历标号，

表示历次取值x_c的平均值，

为历史记录的各次x_c值，ρ为演化率，[·]^c+1,[·]^c分别表示相应变量演化后的值与演化前的值，[·]^T表示向量转置。

最后令

并且清空该模型的历史记录。

步骤4：基于多高斯混合模型，进行目标设备声纹故障融合判决，判决规则如下：

规则1：当前最可能正常态的高斯混合模型的归属概率

规则2：当前系统的熵E_c，

E_c>th₅ (4-2)

规则3：存在高斯混合模型n，

其中，th₄为故障概率阈值，th₅为熵阈值，th₆为演化阈值，

为w_nm的初始值，

为u_nm的初始值；

上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (8)

1.一种面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，包括：

步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；

步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；

步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；

步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。

2.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤1具体包括：

步骤1-1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数W_i,k：

其中，a_i＝2^-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；

为小波函数；

步骤1-2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ′_i，则去除其对应的小波系数标号，否则保留；

所述背景噪声的判别阈值λ′_i为：

其中，σ₁表示背景噪声补偿系数，与背景噪声强度成正比，σ₁>1；r表示周边设备到目标电网设备的平均距离；r₀为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：

α＝1+LΔ

其中，Δ为强化步长，L为异常干扰因素个数；

步骤1-3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值

则去除相应的小波系数标号，否则保留；

所述异常干扰的判别阈值

为：

其中，σ₂表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ₂＞＞σ₁；

利用视频监控系统与传感器数据收集系统获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为f_l，并根据X(t)>th₁获得相应的┏个时间段的中心时点t_τ，得到异常干扰因素对应的伸缩因子a_i和小波系数标号k：

k＝v(t_τ)

其中，th₁为第一阈值，u(·)表示幂指数近似处理，v(·)表示取整处理，1≤l≤L，1≤τ≤┏；

则得到异常干扰因素对应的小波分解层数i和小波系数标号k；

步骤1-4：通过双重分类去噪，得到重构的小波系数W′_i,k：

其中，W_i,k′为经过阈值处理重构的小波系数；

步骤1-5：对重构的小波系数W′_i,k进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X′(t)。

3.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中提取MFCC特征向量的步骤包括：

步骤2-1：将目标电网设备的声音信号X′(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号x_l(n)为：

x_l(n)＝x(l*N+n)w(n)

其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：

步骤2-2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2…,L；

步骤2-3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：

其中，β＝0,1,…,R，1≤R≤L，β为MFCC特征向量标号索引。

4.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中，根据样本数据集建立N个高斯混合模型，每个高斯混合模型均由M个高斯分布混合而成，其中，第n个正常态的高斯混合模型表示为：

其中，1≤n≤N，1≤m≤M，n表示高斯混合模型的索引，m表示高斯混合模型各分模型的索引，x_q表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，Q为累计输入样本数量，P(x_q|u_nm,δ_nm)为第m个高斯分布在x_q的概率密度值，w_nm为第n个正常态的高斯混合模型的第m个高斯分布的权重，u_nm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δ_nm为第n个正常态的高斯混合模型的第m个高斯分布的方差。

5.根据权利要求1或4所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，高斯混合模型的参数更新规则为：

1)初始化第n个正常态的高斯混合模型的参数u_nm ⁽⁰⁾、δ_nm ⁽⁰⁾；

2)根据当前高斯混合模型计算概率P_nm(x_q)：

其中，j表示遍历标号，P_nm(x_q)表示样本x_q由第n个正常态的高斯混合模型的第m个分模型产生的概率；

3)计算下一轮迭代的模型参数：

其中，w_nm′、μ_nm′、δ_nm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯分布的权重、均值、方差；

4)重复2)、3)步，直到第n个正常态的高斯混合模型收敛。

6.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤3具体包括：

步骤3-1：计算待测音频样本数据x_c属于第n个正常态的高斯混合模型的概率P_n(x_c)：

其中，m表示高斯混合模型各分模型的索引，1≤m≤M，w_nm为第n个正常态的高斯混合模型的第m个高斯分布的权重，u_nm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δ_nm为第n个正常态的高斯混合模型的第m个高斯分布的方差，P(x_c|u_nm,δ_nm)为第m个高斯分布在x_c的概率密度值；

根据概率P_n(x_c)得到当前待测音频样本数据x_c最可能归属的正常态的高斯混合模型n^*为：

步骤3-2：根据故障融合判决规则，若判定当前待测音频样本数据x_c为正常态，则对当前待测音频样本数据x_c所属的第n^*个正常态的高斯混合模型进行投票，判断是否对其进行演化，若进行演化则转步骤3-3；

步骤3-3：对第n^*个正常态的高斯混合模型进行演化如下：

其中，h、j分别表示相应的遍历标号，

表示历次取值x_c的平均值，H表示投票阈值，

为历史记录的各次x_c值，ρ为演化率，[·]^c+1、[·]^c分别表示相应变量演化后的值与演化前的值，[·]^T表示向量转置；

步骤3-4：令第n^*个高斯混合模型的投票变量

并且清空该模型的历史记录。

7.根据权利要求6所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤3-2中的投票规则为：

1)初始化第n^*个高斯混合模型的投票变量

2)若

则令

其中，th₂为第二阈值，|·|表示取范数，w_n*m为第n^*个正常态的高斯混合模型的第m个高斯分布的权重，u_n*m为第n^*个正常态的高斯混合模型的第m个高斯分布的均值；

若

则令

其中，th₃为第三阈值，且th₃＞th₂；

若

则令

3)判断

是否成立，若成立，则对第n^*个正常态的高斯混合模型进行演化，否则不演化，H表示投票阈值。

8.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤4中根据多高斯混合模型进行目标设备的声纹故障融合判决的规则为：

规则1：当前最可能正常态的高斯混合模型的归属概率

规则2：当前系统的熵E_c：

E_c>th₅

规则3：存在高斯混合模型n：

其中，th₄为故障概率阈值，th₅为熵阈值，th₆为演化阈值，

为w_nm的初始值，

为u_nm的初始值；

上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。

Images