CN115421078A - 设备状态分类模型的构建方法、使用方法、计算机可读介质、装置 - Google Patents

Abstract

本发明涉及一种设备状态分类模型的构建方法、一种设备状态分类模型的使用方法、一种存储有设备状态分类程序的计算机可读介质、一种设备状态辨识装置，分别提取声纹信号的短时过零率、谱质心、短时能量作为特征参量，提取振动信号的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合；最后利用随机森林分类器实现变压器不同工况的状态辨识。由于融合了声、振信号的各自特点，因此能够得到更为丰富的测试设备特征信息参量，并实现设备状态分类。

Description

设备状态分类模型的构建方法、使用方法、计算机可读介质、 装置

技术领域

本发明涉及设备状态识别技术领域，具体涉及一种设备状态分类模型的构建方法、一种设备状态分类模型的使用方法、一种存储有设备状态分类程序的计算机可读介质、一种设备状态辨识装置，其可以应用在变压器状态识别上。

背景技术

变压器运行状态改变时，会产生不同于正常工况的异常振动。因此，通过采集、分析变压器运行时产生的振动信息有助于了解变压器的运行状态。由于变压器体积庞大，且带电部位(如套管)不易布置传感器，因此，即使大量布设振动传感器，也只能测量局部的振动信号。由于异常振动会向外辐射噪声，因此，通过采集、分析声纹也有助于也解变压器的运行状态。但是声纹通过空气传播到传声器阵列，存在一定程度的衰减，且易受环境噪音的干扰，与振动信号相比信息完整性较低。

专利文献CN114167315A公开了一种变压器智能在线监测系统，包括声纹传感器、振动传感器和处理器，声纹传感器用于采集变压器在工作时的声纹信号，振动传感器用于采集变压器在工作时的振动信号，处理器获取所述声纹传感器采集的声纹信号和振动传感器采集的振动信号，提取对应的频谱特征；并将其获取得到的采集变压器正常工作时的频谱特征作为初始特征；所述处理器构建神经网络模型，并以获取得到的变压器在正常工作时的声纹信号和振动信号及频谱特征作为样本进行训练得到预测模型，并根据所述预测模型对获取得到的变压器在工作时的声纹信号和振动信号进行预测，得到其对应的频谱特征，并与所述初始特征进行比对，并据此判断是否存在异常。其通过神经网络模型对变压器运行时产生的声纹信号、振动信号进行分类，由于声音是由振动引起的，也即声音与振动具有相关性，因此，此种方法准确率低。

发明内容

本发明的目的是提供一种设备状态分类模型的构建方法、一种设备状态分类模型的使用方法、一种存储有设备状态分类程序的计算机可读介质、一种设备状态辨识装置，以从新的技术路线的角度实现设备状态分类。

本发明的技术方案是：

一种设备状态分类模型的构建方法，包括以下步骤：

步骤1、获取设备不同运行状态下的声纹数据和振动数据；

步骤2、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤3、使用融合分类算法处理短时过零率、谱质心、短时能量、偏度、峭度、波峰因子和形状因子，获得设备状态分类模型。

优选的，在所述步骤2之前，还使用稀疏变换算法处理所述声纹数据和/或所述振动数据。

进一步优选的，所述稀疏变换算法包括：

取所述步骤1获得的设备不同运行状态下的声纹数据或振动数据，得到样本数据；

使用测量矩阵得到压缩测量值y＝Af，式中，y为数据的压缩测量值，A为数据的测量矩阵，f为样本数据；其中，测量矩阵采用托普利兹矩阵；

式中，B表示稀疏系数矩阵，f表示样本数据，α_i表示稀疏系数矩阵B的列向量，

表示某一常数，N^*表示正整数；

对于稀疏系数矩阵B的元素α⁽ⁿ⁾，采用最小l₁范数优化求解，即有

对于稀疏基向量Φ，采用Moore-Penrose广义逆求解方法进行求解，即有

Φ⁽ⁿ⁺¹⁾＝x(α⁽ⁿ⁾)^T[α⁽ⁿ⁾(α⁽ⁿ⁾)^T]^-1 (3)式中，“T”表示矩阵转置；

声纹数据或振动数据的稀疏系数矩阵为

式中，y为数据的压缩测量值，A为数据的测量矩阵，Φ为优化后的稀疏基向量。

优选的，所述步骤2中获得的短时过零率为

所述步骤2中获得的谱质心为

所述步骤2中获得的短时能量为

所述步骤2中获得的偏度为

所述步骤2中获得的峭度为

所述步骤2中获得的波峰因子为

所述步骤2中获得的形状因子为

其中，

ξ表示某一常数，n＝1,2,…,N，N为信号时域总离散点，x_n表示第n个离散点对应的幅值，F_n表示信号频率，E_n表示离散时域信号短时傅里叶变换后所对应频率的谱能量，M表示频域离散总点数，P(·)表示概率计算，ω_n(·)表示汉明窗函数，υ表示帧移长度，

表示原始信号幅值的平均值。

优选的，在所述步骤3中，所述融合分类算法为梯度提升决策树方法，其映射关系可定义为

式中，β表示初始模型，y_i表示预测值，loss(y_i,F(x))表示损失函数，F(x)表示与模型相关的函数值。

优选的，所述设备为变压器。

一种设备状态分类模型的使用方法，包括以下步骤：

步骤a、采集所述设备的声纹信号和振动信号；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤c、将所述短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入所述设备状态分类模型，所述设备状态分类模型输出设备状态。

一种存储有设备状态分类程序的计算机可读介质，所述设备状态分类程序被处理器时执行以下步骤：

步骤a、获取所述设备的声纹信号和振动信号；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤c、将所述短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入所述设备状态分类模型，所述设备状态分类模型输出设备状态。

一种设备状态辨识装置，包括处理器和前述的存储有设备状态分类程序的计算机可读介质，所述处理器用于执行前述的设备状态分类程序。

优选的，还包括声纹传感器、振动传感器和输出模块，所述声纹传感器用于采集所述设备的声纹信号，所述振动传感器用于采集所述设备的振动信号，所述处理器用于接收所述声纹信号和振动信号，执行所述设备状态分类程序，获得设备状态信息，所述输出模块用于输出所述设备状态信息。

本发明的有益效果是：

1.本发明的设备状态分类模型的构建方法中，步骤1获取设备不同运行状态下的声纹数据和振动数据，与仅获取设备不同运行状态下的声纹数据或振动数据相比，其携带的信息量更大、更全面，更能准确反映设备工作状态；步骤2中，通过使用短时过零率、谱质心和短时能量表征声纹特征，使用偏度、峭度、波峰因子和形状因子表征振动特征，使其更准确、全面的反映声纹信息和振动信息；步骤3中，使用融合分类算法处理短时过零率、谱质心、短时能量、偏度、峭度、波峰因子和形状因子，获得设备状态分类模型，这样，通过丰富设备状态的信息参量，获得的设备状态分类模型分辨设备工作状态的准确率更高。由于声纹信号具备整个声场的全局特性，而振动信号则对于指定测试点的局部特征更为敏感，两者不同源信号进行稀疏表征与信息融合后的优势在于：相较于之前单一的信号源融合表征方法，所述方法既能够得到测试设备丰富的检测信息参量，同时也显著提升检测状态的辨识度。

2.在所述步骤2之前，使用稀疏变换算法处理所述声纹数据和/或所述振动数据。这样，可以在不丢失原始信号测试信息的情况下，大幅减少了数据通信代价，降低硬件规格要求，提高获得设备状态分类模型的效率。

3.通过重新设计稀疏基的优化目标函数，利用l₁范数代替原先的l₀范数进行优化求解，其优势在于：显著提高了计算效率，避免了l₀范数很难优化求解(NP难问题)；显著提高了求解精度，更易收敛。

4.通过引入短时过零率、谱质心和短时能量、偏度、峭度、波峰因子和形状因子七个特征参量更好地表征声纹、振动稀疏信号，更为全面反映原始信息。

5.通过引入梯度提升决策树算法进行信息融合与分类，相较于常规融合分类方法有如下优势：并行计算、显著提高了计算效率；对于采集得到的声纹、振动海量数据集，提升了泛化、表达及数据融合能力；利用所述方法得到的融合分类模型的可解释度与鲁棒性较高。

6.本发明的设备状态分类模型的使用方法，可以分辨设备状态。

7.本发明的存储有设备状态分类程序的计算机可读介质，设备状态分类程序被处理器时执行时，可以分辨设备状态。

8.本发明的设备状态辨识装置，可以分辨设备状态。

附图说明

图1为一种设备状态分类模型的构建方法的流程图。

图2为一种变压器状态分类模型的构建方法中构造最优稀疏基过程中的损换函数曲线。

图3为一种变压器状态分类模型的构建方法中构造最优稀疏基过程中的准确率曲线。

图4为一种变压器状态分类模型的构建方法中变压器正常状态反演得到的稀疏系数。

图5为一种变压器状态分类模型的构建方法中变压器相间放电状态反演得到的稀疏系数。

图6为一种变压器状态分类模型的构建方法中变压器对铁芯放电状态反演得到的稀疏系数。

图7为实施例3所述的构建方法构建的变压器状态分类模型的混淆矩阵计算结果。

图8为一种设备状态辨识装置的信号框图。

具体实施方式

下面结合附图，以实施例的形式说明本发明，以辅助本技术领域的技术人员理解和实现本发明。除另有说明外，不应脱离本技术领域的技术知识背景理解以下的实施例及其中的技术术语。

实施例1：一种设备状态分类模型的构建方法，包括以下步骤：

步骤1、获取设备不同运行状态下的声纹数据和振动数据；应当明白，信号与数据指同一存在的不同表现形式，数据为信号记录在存储器中的状态，信号为数据传送时的状态。因此，也可以直接从采集装置中获取设备不同运行状态下的声纹信号和振动信号，这也等同于获取设备不同运行状态下的声纹数据和振动数据。

步骤2、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤3、使用融合分类算法处理短时过零率、谱质心、短时能量、偏度、峭度、波峰因子和形状因子，获得设备状态分类模型。

本实施例中，融合分类算法采用梯度提升决策树方法。在其它实施例中，融合分类算法还可以使用加权平均法、基于Stacking的交叉验证融合分类算法等，但本实施例中所采用的梯度提升决策树方法的优势在于：1、预测阶段的计算速度快，树与树之间可并行化计算；2、在分布稠密的数据集上，泛化、表达及数据融合能力强；3、得到的模型具有较好的解释性和鲁棒性，能够完整诠释特征间的高阶深层关系。

实施例2：一种设备状态分类模型的构建方法，包括以下步骤：

步骤1、获取设备不同运行状态下的声纹数据和振动数据；

步骤2、使用稀疏变换算法处理所述声纹数据和所述振动数据；本步骤可以减少步骤3过程的数据处理量，降低对计算机硬件的要求，提高步骤3的效率。在其它实施例中，也可以仅使用稀疏变换算法处理所述声纹数据，或者仅使用稀疏变换算法处理振动数据。

本实施例中，使用稀疏变换算法处理所述声纹数据包括以下分步骤：

分步骤2a、取所述步骤1获得的设备不同运行状态下的声纹数据，得到声纹样本数据；

分步骤2b、使用测量矩阵得到声纹数据的压缩测量值y_p＝A_pf_p，式中，y_p为声纹数据的压缩测量值，A_p为声纹数据的测量矩阵，f_p为声纹样本数据；其中，声纹数据的测量矩阵采用托普利兹矩阵；

托普利兹矩阵形式为

式中，N、M表示元素序号，该矩阵的特点在于构成该测量矩阵的元素完全由其第1行和第1列的2n-1个元素确定；除第一行第一列外，其他每个元素都与左上角的元素相同。由于构造托普利兹测量矩阵需要的自由元素较少、结构简单、循环移位易于在硬件上实现，故该矩阵具有良好的工程应用前景；

分步骤2c、采用最佳方向法构造、优化稀疏基向量Φ，优化目标函数为

式中，B表示稀疏系数矩阵，f表示样本数据，α_i表示稀疏系数矩阵B的列向量，

表示某一常数，N^*表示正整数；

对于稀疏系数矩阵B的元素α⁽ⁿ⁾，采用最小l₁范数优化求解，即有

对于稀疏基向量Φ，采用Moore-Penrose广义逆求解方法进行求解，即有

Φ⁽ⁿ⁺¹⁾＝x(α⁽ⁿ⁾)^T[α⁽ⁿ⁾(α⁽ⁿ⁾)^T]^-1 (8)

式中，“T”表示矩阵转置；

分步骤2d、声纹数据的稀疏系数矩阵为

式中，y_p为数据的压缩测量值，A_p为数据的测量矩阵，Φ_p为优化后的稀疏基向量，也即分步骤2c优化后获得的稀疏基向量Φ。

本实施例中，使用稀疏变换算法处理所述振动数据包括以下分步骤：

分步骤2a、取所述步骤1获得的设备不同运行状态下的振动数据，得到振动样本数据；

分步骤2b、使用测量矩阵得到振动数据的压缩测量值y_v＝A_vf_v，式中，y_v为振动数据的压缩测量值，A_v为振动数据的测量矩阵，f_v为振动样本数据；其中，振动数据的测量矩阵采用托普利兹矩阵；

托普利兹矩阵形式为

式中，N、M表示元素序号，该矩阵的特点在于构成该测量矩阵的元素完全由其第1行和第1列的2n-1个元素确定；除第一行第一列外，其他每个元素都与左上角的元素相同。由于构造托普利兹测量矩阵需要的自由元素较少、结构简单、循环移位易于在硬件上实现，故该矩阵具有良好的工程应用前景；

分步骤2c、采用最佳方向法构造、优化稀疏基向量Φ，优化目标函数为

式中，B表示稀疏系数矩阵，f表示样本数据，α_i表示稀疏系数矩阵B的列向量，

表示某一常数，N^*表示正整数；

对于稀疏系数矩阵B的元素α⁽ⁿ⁾，采用最小l₁范数优化求解，即有

对于稀疏基向量Φ，采用Moore-Penrose广义逆求解方法进行求解，即有

Φ⁽ⁿ⁺¹⁾＝x(α⁽ⁿ⁾)^T[α⁽ⁿ⁾(α⁽ⁿ⁾)^T]^-1 (12)式中，“T”表示矩阵转置；

分步骤2d、振动数据的稀疏系数矩阵为

式中，y_v为振动数据的压缩测量值，A_v为数据的测量矩阵，Φ_v为优化后的稀疏基向量，也即分步骤2c优化后获得的稀疏基向量Φ。

步骤3、提取处理后的声纹数据的短时过零率、谱质心和短时能量，提取处理后的振动数据的偏度、峭度、波峰因子和形状因子；具体的，提取稀疏系数向量为B_p的短时过零率、谱质心、短时能量：

短时过零率为

谱质心为

短时能量为

提取稀疏系数向量为B_v的偏度、峭度、波峰因子和形状因子：

偏度为

峭度为

波峰因子为

形状因子为

其中，

ξ表示某一常数，n＝1,2,…,N，N为信号时域总离散点，x_n表示第n个离散点对应的幅值，F_n表示信号频率，E_n表示离散时域信号短时傅里叶变换后所对应频率的谱能量，M表示频域离散总点数，P(·)表示概率计算，ω_n(·)表示汉明窗函数，υ表示帧移长度，

表示原始信号幅值的平均值。

步骤4、使用融合分类算法处理短时过零率、谱质心、短时能量、偏度、峭度、波峰因子和形状因子，获得设备状态分类模型。

本实施例中，融合分类算法为梯度提升决策树方法，其映射关系可定义为

式中，β表示初始模型，y_i表示预测值，loss(y_i,F(x))表示损失函数，F(x)表示与模型相关的函数值；

这样，获得的设备状态分类模型属于一种随机森林分类器模型。

本实施例的方法首先采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基，剩余部分数据作为压缩数据y_p、y_v；接着设定残差阈值，随机选取声纹、振动信号数据中的K个元素作为初始稀疏变换基，通过优化迭代至残差满足设定条件，输出最优稀疏变换基Φ_p和Φ_v；然后基于最优稀疏变换基Φ_p和Φ_v对压缩数据y_p和y_v进行稀疏变换，以得到先验信息，并借助l₁范数优化求解算法得到两种信号的稀疏系数向量；然后分别提取压缩稀疏声信号的短时过零率、谱质心、短时能量作为特征参量，提取压缩稀疏振动信号的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合；最后利用随机森林分类器实现变压器不同工况的状态辨识。上述方法在不丢失原始信号测试信息的情况下，大幅减少了数据通信代价，且由于融合了声、振信号的各自特点，因此能够得到更为丰富的测试设备特征信息参量。

实施例1和实施例2的方法中，设备可以是变压器，但也可以是其它工作时会发出振动的设备。

实施例3：一种变压器状态分类模型的构建方法，参见图1，包括以下步骤：

1)首先采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基。

测量矩阵采取托普利兹矩阵A，其形式为：

式中，N、M表示元素序号，该矩阵的特点在于构成该测量矩阵的元素完全由其第1行和第1列的2n-1个元素确定；除第一行第一列外，其他每个元素都与左上角的元素相同。由于构造托普利兹测量矩阵需要的自由元素较少、结构简单、循环移位易于在硬件上实现，故该矩阵具有良好的工程应用前景。

则利用测量矩阵即可得到相应的压缩测量值：

式中，f_p、f_v分别表示原始声纹、振动测试信号，A_p、A_v分别表示原始声纹、振动测试信号的测量矩阵，y_p、y_v分别表示原始声纹、振动测试信号的压缩测量值。

2)进一步地，采用最佳方向法构造、优化稀疏基向量Φ，其优化目标函数如下：

式中，B表示稀疏系数矩阵，f表示原始测试信号，α_i表示稀疏系数矩阵B的列向量，

表示某一常数，N^*表示正整数。

显然，该方法的计算过程是稀疏系数求解与稀疏基更新交替进行的过程。对于稀疏系数矩阵B的元素α⁽ⁿ⁾，可采用最小l₁范数优化求解，即有：

对于稀疏基向量Φ计算，可采用Moore-Penrose广义逆求解方法进行求解：

Φ⁽ⁿ⁺¹⁾＝x(α⁽ⁿ⁾)^T[α⁽ⁿ⁾(α⁽ⁿ⁾)^T]^-1 (18)

上式中，“T”表示矩阵转置，值得说明的是，声纹与振动信号的稀疏变换基皆由式(16)～式(18)计算可得，限于篇幅，给出通用的计算过程。

3)进一步地，利用步骤1得到的压缩值和步骤2得到的稀疏变换基计算声纹和振动信号的稀疏系数向量：

式中，Φ_p、Φ_v分别表示声纹和振动信号的稀疏变换基，B_p、B_v分别表示声纹和振动信号的稀疏系数矩阵。

4)进一步地，分别提取稀疏声纹信号B_p的短时过零率、谱质心、短时能量作为特征参量，提取稀疏振动信号B_v的偏度、峭度、波峰因子、形状因子作为特征值作为判别当前变压器状态的依据，并采用特征表达式见下表。

表1两种稀疏信号的特征值

上表中，

ξ表示某一常数，n＝1,2,…,N，N为信号时域总离散点，x_n表示第n个离散点对应的幅值。F_n表示信号频率，E_n表示离散时域信号短时傅里叶变换后所对应频率的谱能量，M表示频域离散总点数，P(·)表示概率计算。ω_n(·)表示窗函数，本发明方法采用汉明窗，υ表示帧移长度。

表示原始信号幅值的平均值。

5)进一步地，采用梯度提升决策树方法实现声振特征值的融合与设备的状态分类，其映射关系可定义为：

式中，β表示初始模型，y_i表示预测值，loss(y_i,F(x))表示损失函数，F(x)表示与模型相关的函数值。

针对某一实测数据采用本实施例的方法进行计算，算例截取原始声纹、振动数据离散点数为500、根据压缩感知理论设定压缩率为60％，则有观测矩阵的维度为200×500，稀疏基维度为500×200，稀疏系数的维度为200×1。

其计算、构造最优稀疏基过程中的性能曲线如图2、3所示。图2中曲线表示对应的损失函数值。其中图3中曲线表示准确率的变化。结果表明，损失函数在经过60次迭代后就能快速达到稳定值。对应的分类准确率也在迭代60次后达到稳定，其准确率几乎达到100％。

如图4-6所示为变压器三种状态反演得到的稀疏系数示意，可见经过稀疏技术处理后的三种状态数据在减少采样点数量的情况下波形仍存在一定的差异性。

为评判本发明方法对于变压器不同状态下的辨识性能，引入混淆矩阵进行直观地评判。如图7所示为混淆矩阵计算结果。

引入混淆矩阵进行分类效果的定量评价，如图7与表2所示即为利用所提方法得到的混淆矩阵计算结果。图中混淆矩阵的对角线分别表示利用所提方法对于每种状态的识别准确率。结合图7和表2可知，在全部300个测试集中只有4个被错误分类，测试样本集的分类正确率为98.7％。由表2可知，所提方法的状态识别精度、召回率和F1值分别为1、0.98和0.98。这一结果表明所提方法具备良好的分类性能，证明了所提方法的有效性。

表2评价参数表

实施例4：一种设备状态分类模型的使用方法，包括以下步骤：

步骤a、采集设备的声纹信号和振动信号；一般地，使用声纹传感器就可以采集设备的声纹信号，使用振动传感器就可以采集设备的振动信号，采集的声纹信号和振动信号应是同步的；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；具体可参见实施例1的方法的步骤2；

步骤c、将短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入使用实施例1的方法构建的设备状态分类模型，设备状态分类模型输出设备状态。

实施例5：一种设备状态分类模型的使用方法，包括以下步骤：

步骤a、采集设备的声纹信号和振动信号；一般地，使用声纹传感器就可以采集设备的声纹信号，使用振动传感器就可以采集设备的振动信号，采集的声纹信号和振动信号应是同步的；

步骤b、使用稀疏变换算法处理所述声纹数据和所述振动数据；具体可参见实施例2的方法的步骤2；

步骤c、提取处理后的声纹数据的短时过零率、谱质心和短时能量，提取处理后的振动数据的偏度、峭度、波峰因子和形状因子；具体可参见实施例2的方法的步骤3；

步骤d、将短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入使用实施例2的方法构建的设备状态分类模型，设备状态分类模型输出设备状态。

实施例6：一种存储有设备状态分类程序的计算机可读介质，所述设备状态分类程序被处理器时执行以下步骤：

步骤a、获取所述设备的声纹信号和振动信号；获取的声纹信号和振动信号应是同步的；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；具体可参见实施例1的方法的步骤2；

步骤c、将所述短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入实施例1的方法构建的设备状态分类模型，所述设备状态分类模型输出设备状态。

实施例7：一种存储有设备状态分类程序的计算机可读介质，所述设备状态分类程序被处理器时执行以下步骤：

步骤a、获取设备的声纹信号和振动信号；获取的声纹信号和振动信号应是同步的；

步骤b、使用稀疏变换算法处理所述声纹数据和所述振动数据；具体可参见实施例2的方法的步骤2；

步骤c、提取处理后的声纹数据的短时过零率、谱质心和短时能量，提取处理后的振动数据的偏度、峭度、波峰因子和形状因子；具体可参见实施例2的方法的步骤3；

步骤d、将短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入使用实施例2的方法构建的设备状态分类模型，设备状态分类模型输出设备状态。

实施例8：一种设备状态辨识装置，包括处理器和存储有设备状态分类程序的计算机可读介质，所述处理器用于执行实施例6或实施例7所述的设备状态分类程序。

实施例9：一种设备状态辨识装置，包括声纹传感器、振动传感器、处理器、存储有设备状态分类程序的计算机可读介质和输出模块，声纹传感器用于采集所述设备的声纹信号，振动传感器用于采集所述设备的振动信号，处理器用于接收所述声纹信号和振动信号，执行所述设备状态分类程序，获得设备状态信息，输出模块用于输出设备状态信息。输出模块可以是显示器、喇叭、灯、打印机、传真机等。

使用时，声纹传感器输出声纹信号，振动传感器输出振动信号，处理器接收声纹信号和振动信号后，在执行设备状态分类程序时，将声纹信号和振动信号作为设备状态分类程序的输入量，设备状态分类程序输出设备状态信息，输出模块输出设备状态信息。

上面结合附图和实施例对本发明作了详细的说明。应当明白，实践中无法穷尽地说明所有可能的实施方式，在此通过举例说明的方式尽可能的阐述本发明得发明构思。在不脱离本发明的发明构思、且未付出创造性劳动的前提下，本技术领域的技术人员对上述实施例中的技术特征进行取舍组合、具体参数进行试验变更，或者利用本技术领域的现有技术对本发明已公开的技术手段进行常规替换形成的具体的实施例，均应属于为本发明隐含公开的内容。

Claims (10)

1.一种设备状态分类模型的构建方法，其特征在于，包括以下步骤：

步骤1、获取设备不同运行状态下的声纹数据和振动数据；

步骤2、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤3、使用融合分类算法处理短时过零率、谱质心、短时能量、偏度、峭度、波峰因子和形状因子，获得设备状态分类模型。

2.如权利要求1所述的设备状态分类模型的构建方法，其特征在于，在所述步骤2之前，还使用稀疏变换算法处理所述声纹数据和/或所述振动数据。

3.如权利要求2所述的设备状态分类模型的构建方法，其特征在于，所述稀疏变换算法包括：

取所述步骤1获得的设备不同运行状态下的声纹数据或振动数据，得到样本数据；

使用测量矩阵得到压缩测量值y＝Af，式中，y为数据的压缩测量值，A为数据的测量矩阵，f为样本数据；其中，测量矩阵采用托普利兹矩阵；

采用最佳方向法构造、优化稀疏基向量Φ，优化目标函数为

式中，B表示稀疏系数矩阵，f表示样本数据，α_i表示稀疏系数矩阵B的列向量，ζ表示某一常数，N^*表示正整数；

对于稀疏系数矩阵B的元素α⁽ⁿ⁾，采用最小l₁范数优化求解，即有

对于稀疏基向量Φ，采用Moore-Penrose广义逆求解方法进行求解，即有

式中，“T”表示矩阵转置；

声纹数据或振动数据的稀疏系数矩阵为

式中，y为数据的压缩测量值，A为数据的测量矩阵，Φ为优化后的稀疏基向量。

4.如权利要求1所述的设备状态分类模型的构建方法，其特征在于，所述步骤2中获得的短时过零率为

所述步骤2中获得的谱质心为

所述步骤2中获得的短时能量为

所述步骤2中获得的偏度为

所述步骤2中获得的峭度为

所述步骤2中获得的波峰因子为

所述步骤2中获得的形状因子为

其中，

ξ表示某一常数，n＝1,2,…,N，N为信号时域总离散点，x_n表示第n个离散点对应的幅值，F_n表示信号频率，E_n表示离散时域信号短时傅里叶变换后所对应频率的谱能量，M表示频域离散总点数，P(·)表示概率计算，ω_n(·)表示汉明窗函数，υ表示帧移长度，

表示原始信号幅值的平均值。

5.如权利要求1所述的设备状态分类模型的构建方法，其特征在于，在所述步骤3中，所述融合分类算法为梯度提升决策树方法，其映射关系可定义为

式中，β表示初始模型，y_i表示预测值，loss(y_i,F(x))表示损失函数，F(x)表示与模型相关的函数值。

6.如权利要求1所述的设备状态分类模型的构建方法，其特征在于，所述设备为变压器。

7.一种设备状态分类模型的使用方法，其特征在于，包括以下步骤：

步骤a、采集所述设备的声纹信号和振动信号；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤c、将所述短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入使用权利要求1-6中任一项所述的构建方法构建的设备状态分类模型，所述设备状态分类模型输出设备状态。

8.一种存储有设备状态分类程序的计算机可读介质，其特征在于，所述设备状态分类程序被处理器时执行以下步骤：

步骤a、获取所述设备的声纹信号和振动信号；

步骤b、提取声纹数据的短时过零率、谱质心和短时能量，提取振动数据的偏度、峭度、波峰因子和形状因子；

步骤c、将所述短时过零率、所述谱质心、所述短时能量、所述偏度、所述峭度、所述波峰因子和所述形状因子输入使用权利要求1-6中任一项所述的构建方法构建的设备状态分类模型，所述设备状态分类模型输出设备状态。

9.一种设备状态辨识装置，包括处理器和存储有设备状态分类程序的计算机可读介质，其特征在于，所述处理器用于执行如权利要求8所述的设备状态分类程序。

10.如权利要求9所述的设备状态辨识装置，其特征在于，还包括声纹传感器、振动传感器和输出模块，所述声纹传感器用于采集所述设备的声纹信号，所述振动传感器用于采集所述设备的振动信号，所述处理器用于接收所述声纹信号和振动信号，获得设备状态信息，所述输出模块用于输出所述设备状态信息。

Images