CN115659248A - 一种电力设备缺陷识别方法、装置、设备及存储介质 - Google Patents
一种电力设备缺陷识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115659248A CN115659248A CN202211383622.8A CN202211383622A CN115659248A CN 115659248 A CN115659248 A CN 115659248A CN 202211383622 A CN202211383622 A CN 202211383622A CN 115659248 A CN115659248 A CN 115659248A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- power equipment
- defect
- signal
- initial
- 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
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电力设备缺陷识别方法、装置、设备及存储介质,该方法包括:获取原始语音信号,对原始语音信号进行筛选,生成超声信号;提取超声信号中的局部放电状态特征参量,对局部放电状态特征参量进行优化;利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型;获取实测信号,将实测信号进行预处理和特征参量提取,生成实测特征参数;将实测特征参数与电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。本方法提高了对电力设备局部放电缺陷类型的识别效率和识别准确率。
Description
技术领域
本发明涉及电力设备缺陷识别技术领域,具体涉及一种电力设备缺陷识别方法、装置、设备及存储介质。
背景技术
电力变压器、电抗器是电网中的关键设备,对变压器进行状态评估和故障诊断具有重要意义。当变压器因遭受冲击、内部绝缘产生缺陷时,会发生局部放电现象,对局放进行检测可以表征绝缘性能。
现有局部放电超声信号的模式识别方法包括相位图谱法、频率分量法和飞行时间法;其中,相位图谱法与传统电气法的诊断思路类似,提取超声脉冲的工频相位和脉冲峰值,绘制PRPD(PhaseResolvedPartial Discharge,相位分辨的局部放电)图谱,基于局部放电超声信号的图谱形状特征,采用图像相似性分析,或者基于神经网络等方法进行放电类型的判断。由于超声信号持续时间较长,可达ms(毫秒)量级,大量的震荡和折反射信号相互叠加,因此其相位图谱与电信号的相位图谱有很大差异,且不同缺陷的超声相位图谱差异并不明显,因此并不适合于依据超声信号的相位图谱进行放电类型的模式识别。
频率分量法针对变压器、GIS(Geographic Information System或Geo-Information system,地理信息系统)等设备内部放电缺陷的检测识别,超声信号的幅值和50/100Hz(赫兹)分量大小可以对缺陷的类型进行定性分析,比如电晕放电具有显著的工频周期相关性,而正负半周对称的放电则具有显著的100Hz相关性,而非放电类信号则多呈现出相位无关的特性。但是,这种方法并不能对放电缺陷的类型进行细致地划分。
飞行时间法重点适用于GIS自由金属颗粒缺陷的模式识别。自由异物微粒在GIS内部受到力的作用发生一定程度的跳动,每次微粒撞击壳体就会产生一定宽度的瞬态脉冲,利用超声局放测试仪能够检测上述超声波信号,并且在脉冲模式下呈现特殊的飞行特征图谱,称之为脉冲图谱。超声波局放检测时域图反映了异物颗粒在GIS设备中的运动行为。通过提取超声波局放检测时域图中的时间差和脉冲幅度信息,由x轴的(Δt1、Δt2、Δt3、)和y轴上的(h1、h2、h3、)构成的脉冲图谱,即称为飞行时间图。飞行时间在一定程度上反映异物微粒的跳动高度,幅值在一定程度上反映异物微粒的局部放电程度。基于飞行时间图谱的二维图像,通过各种模式识别方法如神经网络、支持向量机、模糊聚类等进行放电类型的识别。基于飞行时间图谱进行类型诊断主要针对的是自由颗粒型缺陷,对其他类型的绝缘缺陷则故障诊断的效果不明显,普适性差。
发明内容
因此,本发明要解决的技术问题在于克服现有局部放电超声信号的模式识别方法对电力设备局部放电识别不准确的缺陷,从而提供一种电力设备缺陷识别方法及装置。
本发明实施例提供了一种电力设备缺陷识别方法,包括:
获取原始语音信号,对所述原始语音信号进行筛选,生成超声信号;
提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化;
利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,所述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型;
获取实测信号,将所述实测信号进行预处理和特征参量提取,生成实测特征参数;
将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
本发明提供的一种电力设备缺陷识别方法,针对局部放电状态特征参量进行优化,并基于优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,利用实测信号的特征参量反推模型库中的哪个高斯混合模型来确定缺陷类型,精简了特征量维度,提高了对电力设备局部放电缺陷类型的识别效率和识别准确率。
可选地,所述局部放电状态特征参量,包括:
初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数。
可选地,所述提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化,包括:
对所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行编码,确定多个高斯混合模型;
基于所述超声信号确定多维特征向量,并基于所述多维特征向量确定多个高斯混合模型对应的模型参数序列;
基于所述多维特征向量与所述模型参数序列确定多个后验概率,并选取最大的后验概率作为适应度函数值;
将所述适应度函数值作为遗传权重,将所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行交叉变异处理,生成最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数。
可选地,所述利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,包括:
基于所述最优帧长与所述最优频率调整系数确定放电超声信号特征参数;
基于所述最优高斯分量数确定高斯混合模型参数,并基于所述高斯混合模型参数进行模型训练,生成缺陷检测模型;
将所述放电超声信号特征参数与所述缺陷检测模型进行绑定,并基于所述缺陷检测模型构建所述电力设备缺陷识别模型库。
可选地,所述基于所述最优帧长与所述最优频率调整系数确定放电超声信号特征参数,包括:
基于所述最优帧长与所述最优频率调整系数对所述超声信号进行加窗分帧,生成多帧缺陷语音序列,并基于所述多帧缺陷语音序列,利用最优滤波器个数确定放电超声信号特征参数。
可选地,所述将所述实测信号进行预处理和特征参量提取,生成实测特征参数,包括:
将所述实测信号进行预加重处理、分帧处理和加窗处理,生成多帧时域信号;
利用快速傅里叶变换算法将所述多帧时域信号转换为多帧线性频谱信号;
利用梅尔频率滤波器组将所述多帧线性频谱信号转换为梅尔频谱信号;
基于所述多帧线性频谱信号与所述梅尔频谱信号确定所述实测特征参数。
可选地,所述将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型,包括:
利用极大似然估计算法将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型对应的放电超声信号特征参数进行匹配,选取与所述实测特征参数相同的放电超声信号特征参数对应的缺陷检测模型确定所述电力设备缺陷类型。
在本申请的第二个方面,还提出了一种电力设备缺陷识别装置,包括:
筛选模块,用于获取原始语音信号,对所述原始语音信号进行筛选,生成超声信号;
优化模块,用于提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化;
构建模块,用于利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,所述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型;
生成模块,用于获取实测信号,将所述实测信号进行预处理和特征参量提取,生成实测特征参数;
匹配模块,用于将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
可选地,所述局部放电状态特征参量,包括:
初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数。
可选地,所述优化模块,包括:
编码单元,用于对所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行编码,确定多个高斯混合模型;
第一确定单元,用于基于所述超声信号确定多维特征向量,并基于所述多维特征向量确定多个高斯混合模型对应的模型参数序列;
选取单元,用于基于所述多维特征向量与所述模型参数序列确定多个后验概率,并选取最大的后验概率作为适应度函数值;
处理单元,用于将所述适应度函数值作为遗传权重,将所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行交叉变异处理,生成最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数。
可选地,所述构建模块,包括:
第二确定单元,用于基于所述最优帧长与所述最优频率调整系数确定放电超声信号特征参数;
训练单元,用于基于所述最优高斯分量数确定高斯混合模型参数,并基于所述高斯混合模型参数进行模型训练,生成缺陷检测模型;
构建单元,用于将所述放电超声信号特征参数与所述缺陷检测模型进行绑定,并基于所述缺陷检测模型构建所述电力设备缺陷识别模型库。
可选地,所述第二确定单元,还用于基于所述最优帧长与所述最优频率调整系数对所述超声信号进行加窗分帧,生成多帧缺陷语音序列,并基于所述多帧缺陷语音序列,利用最优滤波器个数确定放电超声信号特征参数。
可选地,所述生成模块,包括:
第一生成单元,用于将所述实测信号进行预加重处理、分帧处理和加窗处理,生成多帧时域信号;
第一转换单元,用于利用快速傅里叶变换算法将所述多帧时域信号转换为多帧线性频谱信号;
第二转换单元,用于利用梅尔频率滤波器组将所述多帧线性频谱信号转换为梅尔频谱信号;
第二生成单元,用于基于所述多帧线性频谱信号与所述梅尔频谱信号确定所述实测特征参数。
可选地,所述匹配模块,还用于利用极大似然估计算法将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型对应的放电超声信号特征参数进行匹配,选取与所述实测特征参数相同的放电超声信号特征参数对应的缺陷检测模型确定所述电力设备缺陷类型。
在本申请的第三个方面,还提出了一种计算机设备,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述计算机程序,执行上述第一方面的方法。
在本申请的第四个方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中一种电力设备缺陷识别方法的流程图;
图2为本发明实施例1中电力设备缺陷识别模型库训练和识别过程示意图;
图3为本发明实施例1中利用断电检测算法筛选前的原始语音信号示意图;
图4为本发明实施例1中利用断电检测算法筛选后的超声信号示意图;
图5为本发明实施例1中步骤S102的流程图;
图6为本发明实施例1中第i代种群第m个和第n个染色体的交叉变异的示意图;
图7为本发明实施例1中步骤S103的流程图;
图8为本发明实施例1中MFCC的提取步骤示意图;
图9为本发明实施例1中步骤S104的流程图;
图10为本发明实施例2中一种电力设备缺陷识别装置的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种电力设备缺陷识别方法,如图1-2所示,包括如下步骤:
S101、获取原始语音信号,对上述原始语音信号进行筛选,生成超声信号。
具体的,利用断电检测算法对原始语音信号进行筛选的步骤如下:将原始语音信号X(n)分割成许多小段,通过端点检测将语音段和非语音段进行区分,并对信号中的每个语音段的开始时间和结束时间进行标记,根据标记删去非语音段(静音或噪声),端点即语音段与非语音段的临界点。
例如,如图3所示,说话人间隔说出数字1到10的单通道超声信号时频图,该超声信号存在有20个端点,端点检测操作中需要比较每帧的能量是否大于背景噪声能量的2倍,若成立,则该帧保留,不成立,则该帧被删除,生成筛选后的超声信号,如图4所示。
S102、提取上述超声信号中的局部放电状态特征参量,对上述局部放电状态特征参量进行优化。
具体的,上述局部放电状态特征参量,包括:初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数。
进一步地,基于超声信号进行变压器局放状态特征参量的提取,其中初始帧长、初始频率调节系数、初始滤波器个数(即初始特征参量维数)以及初始高斯分量数是决定识别算法的运算效率和识别准确性的核心参数,进而利用改进遗传算法对上述变压器局放状态特征参量进行优化(如图2中的遗传算法优化模型),以变压器局放状态特征参量变化后识别系统的识别准确率作为优化目标来确定上述各项变压器局放状态特征参量的具体值。
S103、利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,上述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型。
S104、获取实测信号,将上述实测信号进行预处理和特征参量提取,生成实测特征参数。
具体的,采用高斯混合模型将测试超声信号与训练超声信号进行匹配的问题转化为模型的建立和概率计算问题,利用实测信号的特征参量反推模型库中的哪个高斯混合模型来确定缺陷类型。
S105、将上述实测特征参数与上述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
具体的,利用极大似然估计算法将上述实测特征参数与上述电力设备缺陷识别模型库中的缺陷检测模型对应的放电超声信号特征参数进行匹配,选取与上述实测特征参数相同的放电超声信号特征参数对应的缺陷检测模型确定上述电力设备缺陷类型。
进一步地,基于实测特征参数与缺陷检测模型对应的放电超声信号特征参数计算似然函数,进而将该似然函数取对数求导,最后解该似然函数,生成实测特征参数与缺陷检测模型对应的放电超声信号特征参数之间的相似性,当二者之间的相似性小于预设阈值时,将缺陷检测模型的缺陷类型作为实测信号的缺陷类型,当二者之间的相似性大于预设阈值时,则电力设备缺陷识别模型库中不存在与实测特征参数相匹配的缺陷检测模型,基于实测特征参数与其对应的实测信号生成新缺陷,并将新缺陷存储在电力设备缺陷识别模型库中。
上述一种电力设备缺陷识别方法,针对局部放电状态特征参量进行优化,并基于优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,利用实测信号的特征参量反推模型库中的哪个高斯混合模型来确定缺陷类型,精简了特征量维度,提高了对电力设备局部放电缺陷类型的识别效率和识别准确率。
优选地,如图5所示,步骤S102中提取上述超声信号中的局部放电状态特征参量,对上述局部放电状态特征参量进行优化,包括:
S1021、对上述初始帧长、上述初始频率调节系数、上述初始滤波器个数和上述初始高斯分量数(GMM分量数)进行编码,确定多个高斯混合模型。
具体的,采用十进制数值进行编码,编码后随机生成染色体(即高斯混合模型参数),进而基于染色体随机生成不同的高斯混合模型,其中,染色体Gy可以表示为:Gy=初始帧长|初始频率调节系数|初始滤波器维数|初始GMM分量数,其中,采用十进制数值进行编码如下表1所示。
表1
进一步地,在采用十进制数值进行编码时,对初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数的数值范围选定的步骤为:
(1)初始帧长:在语音分析中,基于语音的短时平稳性和音素的时长,帧长一般选定为20~50ms,而超声信号比音频信号变化更快,遵循短时平稳性的要求,超声的帧长应比音频的短数倍以上,若帧长过长,则数据不符合短时平稳的要求,若帧长过短,则该帧的语音特征不具有代表性,因此需要选取合适的帧长进行识别;由于超声采集系统的模拟带宽为200kHz(千赫),采样率为1MS/s(兆点/秒),数据精度16bit(比特),考虑到系统数据处理的效率问题,最小帧长1ms(毫秒),最长的帧长设定为1s(秒)钟,即50个工频周期,完全满足覆盖超声脉冲信号的要求。
(2)初始频率调节系数:由于声纹参数MFCC(Mel Frequency CepstrumCoefficient,梅尔频率倒谱系数)和GFCC(Gamma Frequency Cepstrum Coefficient,伽马频率倒谱系数)是基于人类听觉特性提出的,人类听觉范围16Hz到20kHz,变压器局部放电超声信号频率范围在50kHz到200kHz内,因此需要将超声信号可听化;其中,频率调节系数是指与采样频率相除的系数,即与原始数据的时间序列相乘的系数,与频率调节系数相乘后声信号即被“拉长”,也就是频率被降低的倍数;初始频率调节系数取值范围的设定依据为:音频文件采样频率一般为48kHz,因此选择的最大频率调节系数为超声采样频率与音频采样频率相除后的商值,约为20,最小频率调节系数为1,频率调节系数为1的物理解释是将人类听觉特性延伸到200kHz,频率调节系数为10的意义是将超声信号的频率降低到人类听觉范围内,频率调节系数为20的意义是观察将局部放电超声信号的频率降低到人类发声频率范围内;频率调节系数会影响滤波器组的中心频率的确定、滤波器间隔,同时对帧长也产生影响。
(3)初始滤波器个数:加权降维是指在确定维数后对各个维数的识别贡献率进行评价并根据评价结果对各个维进行加权处理,在进行识别时,由于特征参量数据冗杂,识别时间较长,而特征参量中某些维数对于识别贡献并不大,甚至可能会降低识别率,因此为了在缩短识别时间,降低数据冗杂度的同时,提高识别效率和效果,需要对特征量进行降维,特征参量的加权降维包括确定合适的特征量维数和降维;初始滤波器个数的取值范围设定为20-210,采用2的整数次幂的二进递增原则,根据目前语音处理领域的经验,该值选取一般不超过32个,为了进一步扩展优化范围,最大设定为20倍以上,最大为1024个,已经超出了超声对可听声的频率变化范围,满足最大化的优化要求;其中,滤波器个数的变化不改变帧数,但是改变系数矩阵的列个数,对于每帧的倒谱系数提取更加细化,维数的变化会导致倒谱值也产生变化。
(4)初始高斯分量数:GMM的高斯分量个数是GMM中的重要参数,它会对识别系统的性能产生影响,当模型的分量个数较多时,各个模型的参数计算量增多,且增加了识别时的计算量,使得识别时间变长;当高斯分量个数较少时,训练时得到的GMM不能有效描述声纹,会导致系统的识别效果下降;因此在声纹识别中,选取合适的模型分量个数,不但能提高识别系统的识别率,还可以减少训练和识别时的计算量;基于芯片STM32硬件的算法测试表明,高斯分量数量为100时,算法执行时间达到了3.82s,产生了显著的延时等待,因此设定初始高斯分量上限为99。
S1022、基于上述超声信号确定多维特征向量,并基于上述多维特征向量确定多个高斯混合模型对应的模型参数序列。
具体的,原始语音信号对应的声纹观测序列X'=x'1,x'2,...,x'f,...,x'F,下标f表示超声信号中的第f帧,共有F帧,进而筛选剔除原始超声信号中信噪比不高的序列,形成超声信号对应的n维的特征向量X,进而高斯分布参数模型如下式所示:
其中,μ表示n维特征向量的均值,∑表示一个n×n的协方差矩阵,x表示待识别声纹信号帧,共包含n个数据点,T表示转置,|∑|为∑的行列式,其中,协方差矩阵中元素cij的计算公式如下所示:
cij=E[xi-E(xi)][xj-E(xi)]
其中,E表示数学期望。
进一步地,由k个高斯分布参数模型线性叠加而得到的高斯混合模型,高斯混合模型对应的模型参数序列P(x)可通过下式表示:
S1023、基于上述多维特征向量与上述模型参数序列确定多个后验概率,并选取最大的后验概率作为适应度函数值。
具体的,模型参数序列为通过超声信号提取出来的特征参量,在某个高斯混合模型的模型参数(染色体)的后验概率最大,取该后验概率作为相应染色体Gy的适应度函数值S,其计算公式如下所示:
其中,gk表示第k个高斯混合模型,P(gk|x)表示待识别声纹信号帧x属于第k个高斯混合模型的概率,P(x|gk)表示第k个高斯混合模型包含待识别声纹信号帧x的概率,P(gk)表示先验概率。
进一步地,设每个高斯混合模型出现的先验概率P(gk)相同,均为1/s,且由于P(x)与模型无关,是固定不变的,因此适应度函数值S可以表示为:
S=arg max1≤k≤SP(x|gk)
进而,对上式进行对数运算,由于每帧信号相互无关,即观测序列X是独立的,因此适应度函数值S可以表示为:
S1024、将上述适应度函数值作为遗传权重,将上述初始帧长、上述初始频率调节系数、上述初始滤波器个数和上述初始高斯分量数进行交叉变异处理,生成最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数。
具体的,如图6所示,对于每一个染色体向量序列,分别提取初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数进行交叉变异操作,将染色体适应度函数值作为遗传权重,通过与随机数Rnd(0-1均匀分布)的乘积作为遗传变异算子,通过上述步骤进行迭代,达到迭代次数或适应度函数值误差<0.01时结束计算,输出最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数,进而基于最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数确定最优高斯混合模型。
优选地,如图7所示,步骤S103中利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,包括:
S1031、基于上述最优帧长与上述最优频率调整系数确定放电超声信号特征参数。
具体的,基于上述最优帧长与上述最优频率调整系数对上述超声信号进行加窗分帧,生成多帧缺陷语音序列,并基于上述多帧缺陷语音序列,利用最优滤波器个数确定放电超声信号特征参数。
进一步地,利用最优帧长对上述超声信号进行分帧,并利用最优频率调整系数进行加窗,生成多帧缺陷语音序列;并基于人耳听觉响应的MFCC特征参量提取算法原理,将多帧缺陷语音序列部分参数进行变换,实现放电超声信号特征参数的提取,如图8所示,其提取步骤为:梅尔频率倒谱系数(MFCC)的提取,需将多帧缺陷语音序列经过傅里叶变换(FFT),信号的频谱经过梅尔(Mel)滤波器组转换为梅尔频谱,为提高系统鲁棒性而对梅尔频谱进行对数运算,最后再经过余弦离散(DCT)变换求其倒谱,生成放电超声信号特征参数MFCCs,其中Xi(m)代表的是经过分帧加窗后的多帧缺陷语音序列。
S1032、基于上述最优高斯分量数确定高斯混合模型参数,并基于上述高斯混合模型参数进行模型训练,生成缺陷检测模型。
具体的GMM包含隐变量,使用最大期望算法进行GMM参数训练,GMM包括的三个参数:均值、权重和方差,最大期望算法的步骤如下:
步骤1:定义最优高斯分量数目为i,对每个分量确定均值μi、权重πi和方差Σi。
步骤2:根据目前各个分量的参数,计算数据xl属于第i个最优高斯分量的后验概率:
上式中,zli表示数据xl属于全部最优高斯分量的总概率,μj表示第j个最优高斯分量的均值,Σj表示第j个最优高斯分量的方差,N(xl|μi,Σi)表示均值μi和方差Σi的高斯分布函数,N(xl|μj,Σj)表示均值μj、方差Σj的高斯分布函数。
步骤3:根据数据xl属于第i个最优高斯混合模型的后验概率重新计算模型参数权重π'i,均值μ'i和协方差Σ'i,其计算公式如下所示:
步骤4:基于权重π'i,均值μ'i和协方差Σ'i与均值μi、权重πi和方差Σi计算该GMM模型的对数似然函数,基于对数似然函数判断模型是否收敛,若此时模型收敛,则停止计算,得到缺陷检测模型,不收敛则返回步骤2,继续进行迭代。
其中,根据以上步骤估计GMM参数时,首先需要确定分量个数K和模型的初始参数,若K值过大,则参数可能不能收敛,若K值太小,则可能无法准确表征声纹特征,影响识别效果。
S1033、将上述放电超声信号特征参数与上述缺陷检测模型进行绑定,并基于上述缺陷检测模型构建上述电力设备缺陷识别模型库。
优选地,如图9所示,步骤S104中将上述实测信号进行预处理和特征参量提取,生成实测特征参数,包括:
S1041、将上述实测信号进行预加重处理、分帧处理和加窗处理,生成多帧时域信号。
具体的,语音识别中预加重是因为口唇辐射对超声信号有3dB(分贝)的降幅效果或环境中背景噪声较大从而影响识别,因此需要对语音段和非语音段进行区分,加强语音段,削弱非语音段;分帧即前面上述的通过语音端点检测提取超声脉冲信号段的算法;加窗是为避免离散信号导致的吉布斯效应,将每帧信号两端的幅值置0,同时补全加窗后每帧两端消失的信息,加窗后会造成两端的信号缺失,不利于提取特征,因此在分帧操作时,某帧两端与前后相邻帧(前帧末尾段,后帧起始段)存在重复部分,相邻帧并不完全独立,在某帧因加窗而消失的两端信号会被在相邻的两帧内保留,一帧和其相邻前一帧的起始点时间差定义为帧移,帧移一般取帧长的40%到60%。
S1042、利用快速傅里叶变换算法将上述多帧时域信号转换为多帧线性频谱信号。
具体的,多帧时域信号经过快速傅里叶变换后转换为多帧线性频谱信号Y(z),其计算公式如下所示:
其中,N表示多帧时域信号的总点数(信号长度),即傅里叶变换总的频点数,m表示时域信号的帧数,z表示离散频率点。
S1043、利用梅尔频率滤波器组将上述多帧线性频谱信号转换为梅尔频谱信号。
具体的,将转换后的多帧频谱信号通过梅尔频率滤波器组变换,线性频谱通过该变换被转换为梅尔频谱,梅尔频率滤波器组是由三角带通滤波器组成的,这些滤波器中心频率越高的带宽越宽,每个滤波器的传递函数如下所示:
上式中,D表示滤波器个数,也称为滤波器组的维数,f(d)为第d个滤波器的中心频率,f(d-1)为第d-1个滤波器的中心频率,f(d+1)为第d+1个滤波器的中心频率,当d值变大时,两滤波器中心频率的距离也增大,d值减小,中心频率之间的距离减小。
进一步地,为提高识别系统的鲁棒性,避免出现同样样本但识别结果变化较大的情况,通常对梅尔频谱取对数,由多帧线性频谱信号到对数梅尔频谱的计算公式如下所示:
S1044、基于上述多帧线性频谱信号与上述梅尔频谱信号确定上述实测特征参数。
具体的,将该变换后的频谱s(d)经过离散余弦变换,即可得到MFCC,MFCC的计算公式如下所示:
实施例2
本实施例提供一种电力设备缺陷识别装置,如图10所示,包括:
筛选模块101,用于获取原始语音信号,对上述原始语音信号进行筛选,生成超声信号。
具体的,利用断电检测算法对原始语音信号进行筛选的步骤如下:将原始语音信号X(n)分割成许多小段,通过端点检测将语音段和非语音段进行区分,并对信号中的每个语音段的开始时间和结束时间进行标记,根据标记删去非语音段(静音或噪声),端点即语音段与非语音段的临界点。
优化模块102,用于提取上述超声信号中的局部放电状态特征参量,对上述局部放电状态特征参量进行优化。
具体的,上述局部放电状态特征参量,包括:初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数。
进一步地,基于超声信号进行变压器局放状态特征参量的提取,其中初始帧长、初始频率调节系数、初始滤波器个数(即初始特征参量维数)以及初始高斯分量数是决定识别算法的运算效率和识别准确性的核心参数,进而利用改进遗传算法对上述变压器局放状态特征参量进行优化(如图2中的遗传算法优化模型),以变压器局放状态特征参量变化后识别系统的识别准确率作为优化目标来确定上述各项变压器局放状态特征参量的具体值。
构建模块103,用于利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,上述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型。
生成模块104,用于获取实测信号,将上述实测信号进行预处理和特征参量提取,生成实测特征参数。
具体的,采用高斯混合模型将测试超声信号与训练超声信号进行匹配的问题转化为模型的建立和概率计算问题,利用实测信号的特征参量反推模型库中的哪个高斯混合模型来确定缺陷类型。
匹配模块105,用于将上述实测特征参数与上述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
具体的,利用极大似然估计算法将上述实测特征参数与上述电力设备缺陷识别模型库中的缺陷检测模型对应的放电超声信号特征参数进行匹配,选取与上述实测特征参数相同的放电超声信号特征参数对应的缺陷检测模型确定上述电力设备缺陷类型。
进一步地,基于实测特征参数与缺陷检测模型对应的放电超声信号特征参数计算似然函数,进而将该似然函数取对数求导,最后解该似然函数,生成实测特征参数与缺陷检测模型对应的放电超声信号特征参数之间的相似性,当二者之间的相似性小于预设阈值时,将缺陷检测模型的缺陷类型作为实测信号的缺陷类型,当二者之间的相似性大于预设阈值时,则电力设备缺陷识别模型库中不存在与实测特征参数相匹配的缺陷检测模型,基于实测特征参数与其对应的实测信号生成新缺陷,并将新缺陷存储在电力设备缺陷识别模型库中。
上述一种电力设备缺陷识别装置,针对局部放电状态特征参量进行优化,并基于优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,利用实测信号的特征参量反推模型库中的哪个高斯混合模型来确定缺陷类型,精简了特征量维度,提高了对电力设备局部放电缺陷类型的识别效率和识别准确率。
优选地,上述优化模块102,包括:
编码单元1021,用于对上述初始帧长、上述初始频率调节系数、上述初始滤波器个数和上述初始高斯分量数进行编码,确定多个高斯混合模型。
具体的,采用十进制数值进行编码,编码后随机生成染色体(即高斯混合模型参数),进而基于染色体随机生成不同的高斯混合模型,其中,染色体Gy可以表示为:Gy=初始帧长|初始频率调节系数|初始滤波器维数|初始GMM分量数。
进一步地,在采用十进制数值进行编码时,对初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数的数值范围选定的步骤为:
(1)初始帧长:在语音分析中,基于语音的短时平稳性和音素的时长,帧长一般选定为20~50ms,而超声信号比音频信号变化更快,遵循短时平稳性的要求,超声的帧长应比音频的短数倍以上,若帧长过长,则数据不符合短时平稳的要求,若帧长过短,则该帧的语音特征不具有代表性,因此需要选取合适的帧长进行识别;由于超声采集系统的模拟带宽为200kHz(千赫),采样率为1MS/s(兆点/秒),数据精度16bit(比特),考虑到系统数据处理的效率问题,最小帧长1ms(毫秒),最长的帧长设定为1s(秒)钟,即50个工频周期,完全满足覆盖超声脉冲信号的要求。
(2)初始频率调节系数:由于声纹参数MFCC(Mel Frequency CepstrumCoefficient,梅尔频率倒谱系数)和GFCC(Gamma Frequency Cepstrum Coefficient,伽马频率倒谱系数)是基于人类听觉特性提出的,人类听觉范围16Hz到20kHz,变压器局部放电超声信号频率范围在50kHz到200kHz内,因此需要将超声信号可听化;其中,频率调节系数是指与采样频率相除的系数,即与原始数据的时间序列相乘的系数,与频率调节系数相乘后声信号即被“拉长”,也就是频率被降低的倍数;初始频率调节系数取值范围的设定依据为:音频文件采样频率一般为48kHz,因此选择的最大频率调节系数为超声采样频率与音频采样频率相除后的商值,约为20,最小频率调节系数为1,频率调节系数为1的物理解释是将人类听觉特性延伸到200kHz,频率调节系数为10的意义是将超声信号的频率降低到人类听觉范围内,频率调节系数为20的意义是观察将局部放电超声信号的频率降低到人类发声频率范围内;频率调节系数会影响滤波器组的中心频率的确定、滤波器间隔,同时对帧长也产生影响。
(3)初始滤波器个数:加权降维是指在确定维数后对各个维数的识别贡献率进行评价并根据评价结果对各个维进行加权处理,在进行识别时,由于特征参量数据冗杂,识别时间较长,而特征参量中某些维数对于识别贡献并不大,甚至可能会降低识别率,因此为了在缩短识别时间,降低数据冗杂度的同时,提高识别效率和效果,需要对特征量进行降维,特征参量的加权降维包括确定合适的特征量维数和降维;初始滤波器个数的取值范围设定为20-210,采用2的整数次幂的二进递增原则,根据目前语音处理领域的经验,该值选取一般不超过32个,为了进一步扩展优化范围,最大设定为20倍以上,最大为1024个,已经超出了超声对可听声的频率变化范围,满足最大化的优化要求;其中,滤波器个数的变化不改变帧数,但是改变系数矩阵的列个数,对于每帧的倒谱系数提取更加细化,维数的变化会导致倒谱值也产生变化。
(4)初始高斯分量数:GMM的高斯分量个数是GMM中的重要参数,它会对识别系统的性能产生影响,当模型的分量个数较多时,各个模型的参数计算量增多,且增加了识别时的计算量,使得识别时间变长;当高斯分量个数较少时,训练时得到的GMM不能有效描述声纹,会导致系统的识别效果下降;因此在声纹识别中,选取合适的模型分量个数,不但能提高识别系统的识别率,还可以减少训练和识别时的计算量;基于芯片STM32硬件的算法测试表明,高斯分量数量为100时,算法执行时间达到了3.82s,产生了显著的延时等待,因此设定初始高斯分量上限为99。
第一确定单元1022,用于基于上述超声信号确定多维特征向量,并基于上述多维特征向量确定多个高斯混合模型对应的模型参数序列。
具体的,原始语音信号对应的声纹观测序列X'=x'1,x'2,...,x'f,...,x'F,下标f表示超声信号中的第f帧,共有F帧,进而筛选剔除原始超声信号中信噪比不高的序列,形成超声信号对应的n维的特征向量X,进而高斯分布参数模型如下式所示:
其中,μ表示n维特征向量的均值,∑表示一个n×n的协方差矩阵,x表示待识别声纹信号帧,共包含n个数据点,T表示转置,|∑|为∑的行列式,其中,协方差矩阵中元素cij的计算公式如下所示:
cij=E[xi-E(xi)][xj-E(xi)]
其中,E表示数学期望。
进一步地,由k个高斯分布参数模型线性叠加而得到的高斯混合模型,高斯混合模型对应的模型参数序列P(x)可通过下式表示:
选取单元1023,用于基于上述多维特征向量与上述模型参数序列确定多个后验概率,并选取最大的后验概率作为适应度函数值。
具体的,模型参数序列为通过超声信号提取出来的特征参量,在某个高斯混合模型的模型参数(染色体)的后验概率最大,取该后验概率作为相应染色体Gy的适应度函数值S,其计算公式如下所示:
其中,gk表示第k个高斯混合模型,P(gk|x)表示待识别声纹信号帧x属于第k个高斯混合模型的概率,P(x|gk)表示第k个高斯混合模型包含待识别声纹信号帧x的概率,P(gk)表示先验概率。
进一步地,设每个高斯混合模型出现的先验概率P(gk)相同,均为1/s,且由于P(x)与模型无关,是固定不变的,因此适应度函数值S可以表示为:
S=arg max1≤k≤SP(x|gk)
进而,对上式进行对数运算,由于每帧信号相互无关,即观测序列X是独立的,因此适应度函数值S可以表示为:
处理单元1024,用于将上述适应度函数值作为遗传权重,将上述初始帧长、上述初始频率调节系数、上述初始滤波器个数和上述初始高斯分量数进行交叉变异处理,生成最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数。
具体的,对于每一个染色体向量序列,分别提取初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数进行交叉变异操作,将染色体适应度函数值作为遗传权重,通过与随机数Rnd(0-1均匀分布)的乘积作为遗传变异算子,通过上述步骤进行迭代,达到迭代次数或适应度函数值误差<0.01时结束计算,输出最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数,进而基于最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数确定最优高斯混合模型。
优选地,上述构建模块103,包括:
第二确定单元1031,用于基于上述最优帧长与上述最优频率调整系数确定放电超声信号特征参数。
具体的,基于上述最优帧长与上述最优频率调整系数对上述超声信号进行加窗分帧,生成多帧缺陷语音序列,并基于上述多帧缺陷语音序列,利用最优滤波器个数确定放电超声信号特征参数。
进一步地,利用最优帧长对上述超声信号进行分帧,并利用最优频率调整系数进行加窗,生成多帧缺陷语音序列;并基于人耳听觉响应的MFCC特征参量提取算法原理,将多帧缺陷语音序列部分参数进行变换,实现放电超声信号特征参数的提取,其提取步骤为:梅尔频率倒谱系数(MFCC)的提取,需将多帧缺陷语音序列经过傅里叶变换,信号的频谱经过梅尔滤波器组转换为梅尔频谱,为提高系统鲁棒性而对梅尔频谱进行对数运算,最后再经过余弦离散变换求其倒谱,生成放电超声信号特征参数MFCCs,其中Xi(m)代表的是经过分帧加窗后的多帧缺陷语音序列。
训练单元1032,用于基于上述最优高斯分量数确定高斯混合模型参数,并基于上述高斯混合模型参数进行模型训练,生成缺陷检测模型。
具体的GMM包含隐变量,使用最大期望算法进行GMM参数训练,GMM包括的三个参数:均值、权重和方差,最大期望算法的步骤如下:
步骤1:定义最优高斯分量数目为i,对每个分量确定均值μi、权重πi和方差Σi。
步骤2:根据目前各个分量的参数,计算数据xl属于第i个最优高斯分量的后验概率:
上式中,zli表示数据xl属于全部最优高斯分量的总概率,μj表示第j个最优高斯分量的均值,Σj表示第j个最优高斯分量的方差,N(xl|μi,Σi)表示均值μi和方差Σi的高斯分布函数,N(xl|μj,Σj)表示均值μj、方差Σj的高斯分布函数。
步骤3:根据数据xl属于第i个最优高斯混合模型的后验概率重新计算模型参数权重π'i,均值μ'i和协方差Σ'i,其计算公式如下所示:
步骤4:基于权重π'i,均值μ'i和协方差Σ'i与均值μi、权重πi和方差Σi计算该GMM模型的对数似然函数,基于对数似然函数判断模型是否收敛,若此时模型收敛,则停止计算,得到缺陷检测模型,不收敛则返回步骤2,继续进行迭代。
其中,根据以上步骤估计GMM参数时,首先需要确定分量个数K和模型的初始参数,若K值过大,则参数可能不能收敛,若K值太小,则可能无法准确表征声纹特征,影响识别效果。
构建单元1033,用于将上述放电超声信号特征参数与上述缺陷检测模型进行绑定,并基于上述缺陷检测模型构建上述电力设备缺陷识别模型库。
优选地,上述生成模块104,包括:
第一生成单元1041,用于将上述实测信号进行预加重处理、分帧处理和加窗处理,生成多帧时域信号。
具体的,语音识别中预加重是因为口唇辐射对超声信号有3dB(分贝)的降幅效果或环境中背景噪声较大从而影响识别,因此需要对语音段和非语音段进行区分,加强语音段,削弱非语音段;分帧即前面上述的通过语音端点检测提取超声脉冲信号段的算法;加窗是为避免离散信号导致的吉布斯效应,将每帧信号两端的幅值置0,同时补全加窗后每帧两端消失的信息,加窗后会造成两端的信号缺失,不利于提取特征,因此在分帧操作时,某帧两端与前后相邻帧(前帧末尾段,后帧起始段)存在重复部分,相邻帧并不完全独立,在某帧因加窗而消失的两端信号会被在相邻的两帧内保留,一帧和其相邻前一帧的起始点时间差定义为帧移,帧移一般取帧长的40%到60%。
第一转换单元1042,用于利用快速傅里叶变换算法将上述多帧时域信号转换为多帧线性频谱信号。
具体的,多帧时域信号经过快速傅里叶变换后转换为多帧线性频谱信号Y(z),其计算公式如下所示:
其中,N表示多帧时域信号的总点数(信号长度),即傅里叶变换总的频点数,m表示时域信号的帧数,z表示离散频率点。
第二转换单元1043,用于利用梅尔频率滤波器组将上述多帧线性频谱信号转换为梅尔频谱信号。
具体的,将转换后的多帧频谱信号通过梅尔频率滤波器组变换,线性频谱通过该变换被转换为梅尔频谱,梅尔频率滤波器组是由三角带通滤波器组成的,这些滤波器中心频率越高的带宽越宽,每个滤波器的传递函数如下所示:
上式中,D表示滤波器个数,也称为滤波器组的维数,f(d)为第d个滤波器的中心频率,f(d-1)为第d-1个滤波器的中心频率,f(d+1)为第d+1个滤波器的中心频率,当d值变大时,两滤波器中心频率的距离也增大,d值减小,中心频率之间的距离减小。
进一步地,为提高识别系统的鲁棒性,避免出现同样样本但识别结果变化较大的情况,通常对梅尔频谱取对数,由多帧线性频谱信号到对数梅尔频谱的计算公式如下所示:
第二生成单元1044,用于基于上述多帧线性频谱信号与上述梅尔频谱信号确定上述实测特征参数。
具体的,将该变换后的频谱s(d)经过离散余弦变换,即可得到MFCC,MFCC的计算公式如下所示:
实施例3
本实施例提供一种计算机设备,包括存储器和处理器,处理器用于读取存储器中存储的指令,以执行上述任意方法实施例中的一种电力设备缺陷识别方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
实施例4
本实施例提供一种计算机可读存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的一种电力设备缺陷识别方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种电力设备缺陷识别方法,其特征在于,包括:
获取原始语音信号,对所述原始语音信号进行筛选,生成超声信号;
提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化;
利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,所述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型;
获取实测信号,将所述实测信号进行预处理和特征参量提取,生成实测特征参数;
将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
2.根据权利要求1所述的一种电力设备缺陷识别方法,其特征在于,所述局部放电状态特征参量,包括:
初始帧长、初始频率调节系数、初始滤波器个数和初始高斯分量数。
3.根据权利要求2所述的一种电力设备缺陷识别方法,其特征在于,所述提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化,包括:
对所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行编码,确定多个高斯混合模型;
基于所述超声信号确定多维特征向量,并基于所述多维特征向量确定多个高斯混合模型对应的模型参数序列;
基于所述多维特征向量与所述模型参数序列确定多个后验概率,并选取最大的后验概率作为适应度函数值;
将所述适应度函数值作为遗传权重,将所述初始帧长、所述初始频率调节系数、所述初始滤波器个数和所述初始高斯分量数进行交叉变异处理,生成最优帧长、最优频率调节系数、最优滤波器个数和最优高斯分量数。
4.根据权利要求3所述的一种电力设备缺陷识别方法,其特征在于,所述利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库,包括:
基于所述最优帧长与所述最优频率调整系数确定放电超声信号特征参数;
基于所述最优高斯分量数确定高斯混合模型参数,并基于所述高斯混合模型参数进行模型训练,生成缺陷检测模型;
将所述放电超声信号特征参数与所述缺陷检测模型进行绑定并基于所述缺陷检测模型构建所述电力设备缺陷识别模型库。
5.根据权利要求4所述的一种电力设备缺陷识别方法,其特征在于,所述基于所述最优帧长与所述最优频率调整系数确定放电超声信号特征参数,包括:
基于所述最优帧长与所述最优频率调整系数对所述超声信号进行加窗分帧,生成多帧缺陷语音序列,并基于所述多帧缺陷语音序列,利用最优滤波器个数确定放电超声信号特征参数。
6.根据权利要求1所述的一种电力设备缺陷识别方法,其特征在于,所述将所述实测信号进行预处理和特征参量提取,生成实测特征参数,包括:
将所述实测信号进行预加重处理、分帧处理和加窗处理,生成多帧时域信号;
利用快速傅里叶变换算法将所述多帧时域信号转换为多帧线性频谱信号;
利用梅尔频率滤波器组将所述多帧线性频谱信号转换为梅尔频谱信号;
基于所述多帧线性频谱信号与所述梅尔频谱信号确定所述实测特征参数。
7.根据权利要求1所述的一种电力设备缺陷识别方法,其特征在于,所述将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型,包括:
利用极大似然估计算法将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型对应的放电超声信号特征参数进行匹配,选取与所述实测特征参数相同的放电超声信号特征参数对应的缺陷检测模型确定所述电力设备缺陷类型。
8.一种电力设备缺陷识别装置,其特征在于,包括:
筛选模块,用于获取原始语音信号,对所述原始语音信号进行筛选,生成超声信号;
优化模块,用于提取所述超声信号中的局部放电状态特征参量,对所述局部放电状态特征参量进行优化;
构建模块,用于利用优化后的局部放电状态特征参量构建电力设备缺陷识别模型库;其中,所述电力设备缺陷识别模型库包括不同电力设备缺陷类型对应的缺陷检测模型;
生成模块,用于获取实测信号,将所述实测信号进行预处理和特征参量提取,生成实测特征参数;
匹配模块,用于将所述实测特征参数与所述电力设备缺陷识别模型库中的缺陷检测模型进行匹配,基于匹配结果确定电力设备缺陷类型。
9.一种计算机设备,其特征在于,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述处理器被配置用于调用所述计算机程序,执行如权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211383622.8A CN115659248A (zh) | 2022-11-07 | 2022-11-07 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211383622.8A CN115659248A (zh) | 2022-11-07 | 2022-11-07 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659248A true CN115659248A (zh) | 2023-01-31 |
Family
ID=85015996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211383622.8A Pending CN115659248A (zh) | 2022-11-07 | 2022-11-07 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659248A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723917A (zh) * | 2024-02-07 | 2024-03-19 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117894319A (zh) * | 2024-03-14 | 2024-04-16 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
-
2022
- 2022-11-07 CN CN202211383622.8A patent/CN115659248A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723917A (zh) * | 2024-02-07 | 2024-03-19 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117723917B (zh) * | 2024-02-07 | 2024-05-03 | 国网山西省电力公司太原供电公司 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
CN117894319A (zh) * | 2024-03-14 | 2024-04-16 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
CN117894319B (zh) * | 2024-03-14 | 2024-05-17 | 南京土星信息科技有限公司 | 基于机器学习数据生成的小样本声纹识别模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ittichaichareon et al. | Speech recognition using MFCC | |
Dhingra et al. | Isolated speech recognition using MFCC and DTW | |
Stöter et al. | Countnet: Estimating the number of concurrent speakers using supervised learning | |
CN104900235B (zh) | 基于基音周期混合特征参数的声纹识别方法 | |
Becker et al. | Forensic speaker verification using formant features and Gaussian mixture models. | |
CN115659248A (zh) | 一种电力设备缺陷识别方法、装置、设备及存储介质 | |
EP3594940B1 (en) | Training method for voice data set, computer device and computer readable storage medium | |
JP7342915B2 (ja) | 音声処理装置、音声処理方法、およびプログラム | |
Das et al. | Bangladeshi dialect recognition using Mel frequency cepstral coefficient, delta, delta-delta and Gaussian mixture model | |
CN108305639B (zh) | 语音情感识别方法、计算机可读存储介质、终端 | |
US11837236B2 (en) | Speaker recognition based on signal segments weighted by quality | |
CN108682432B (zh) | 语音情感识别装置 | |
KR100682909B1 (ko) | 음성 인식 방법 및 장치 | |
Rahman et al. | Dynamic time warping assisted svm classifier for bangla speech recognition | |
Tripathi et al. | Speaker recognition | |
Chowdhury et al. | Extracting sub-glottal and supra-glottal features from MFCC using convolutional neural networks for speaker identification in degraded audio signals | |
Devi et al. | A novel approach for speech feature extraction by cubic-log compression in MFCC | |
Wiśniewski et al. | Automatic detection of prolonged fricative phonemes with the hidden Markov models approach | |
CN111261192A (zh) | 一种基于lstm网络的音频检测方法、电子设备及存储介质 | |
Chakraborty et al. | An automatic speaker recognition system | |
Morales-Cordovilla et al. | On the use of asymmetric windows for robust speech recognition | |
Bhaskar et al. | Analysis of language identification performance based on gender and hierarchial grouping approaches | |
Lipeika | Optimization of formant feature based speech recognition | |
CN110689875A (zh) | 一种语种识别方法、装置及可读存储介质 | |
Adiloglu et al. | An uncertainty estimation approach for the extraction of source features in multisource recordings |
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 |