CN115909675A - 一种分布式边缘计算的电力设备声音监测方法 - Google Patents

Abstract

本发明公开了一种分布式边缘计算的电力设备声音监测方法，所述方法包括如下步骤：在电力设备附近部署分布式计算设备集群；每个计算设备配有声音传感器，实时采集电力设备声音数据流；每个计算设备使用计算量小、计算快速的新奇检测算法实时对声音数据流进行识别；识别到与以往不同的声音数据时，该计算设备发送信息给附近计算设备；多个设备收集多角度的声音数据流，通过分布式神经网络算法，整合集群的算力，判断是否为单个传感器误报，非误报则推断异常的类型；将识别结果返回服务器端，发出预警。

Description

一种分布式边缘计算的电力设备声音监测方法

技术领域

本发明属于电力设备声音监测领域，具体是一种分布式边缘计算的电力设备声音监测方法。

背景技术

在电力行业，根据声音对电力设备进行监测是一个逐渐兴起的方向。相比传统的监测方式，声音监测具有占地小、非接触、干扰小等诸多优势。由于声音复杂度高，数据量大，为保证识别的准确率，深度神经网络模型是目前主流的声音监测算法。

然而，使用深度神经网络模型，监测的实时性和经济性很难同时满足。因为神经网络计算复杂度高，而一般设备计算能力有限，无法满足实时性。如果使用高性能的设备，考虑一台电力设备在需要多个方向部署监测设备，则成本比较高昂，无法满足经济性。

发明内容

为解决上述问题，提本发明出一种分布式边缘计算的电力设备声音监测系统。通过部署计算设备集群实现音频自动采集、两级算法检测异常、并将异常返回服务器提供预警的电力设备声音监测系统。其中两级算法包括：集群中单个设备能独立运行音频数据流的实时新奇检测算法；多个设备能联合运行的分布式深度学习神经网络算法。

本发明是通过以下技术方案实现的：

一种基于分布式边缘计算的电力设备声音监测方法，其特点在于，包括如下步骤：

①在电力设备附近部署分布式计算设备集群，每个计算设备配有声音传感器，用于实时采集电力设备的声音数据流；

②每个计算设备实时采集电力设备的声音数据流，并识别是否有异常声音数据，当识别到异常的声音数据时，该计算设备发送信息给附近其他的计算设备；

③多个设备多角度的收集所述的声音数据流，并判断是否为单个传感器误报，如是误报，则返回步骤②，否则，进入步骤④

④将识别到异常的声音数据传递至服务器端，推断异常的类型，并发出预警。

进一步，每个所述的计算设备上部署两级检测算法。所述的两级检测算法包括：集群中单个设备能独立运行音频数据流的实时新奇检测算法；多个设备能联合运行的分布式深度学习神经网络算法。

音频数据流的实时新奇检测算法为孤立森林算法，对音频的时域特征、频域特征和时频域结合特征进行监测。时域特征包括音频短时过零率、短时平均幅度差、短时能量、短时自相关系数等；频域特征包括频谱差分幅度、频谱质心、频谱宽度等；时频域特征为短时傅里叶变换得到的声谱图。孤立森林需要提前训练，训练样本为收集的异常声音数据和实验室模拟的异常声音数据。

分布式深度学习神经网络算法是一种多个计算设备联合计算的神经网络算法。所述的深度学习神经网络是自行设计的一种端到端的、为分布式计算优化结构的卷积神经网络模型，可以将其拆分为多个子网络，分别部署到不同计算设备上。神经网络需要提前训练，训练样本为收集的异常声音数据和实验室模拟的异常声音数据。在进行分布式计算时，选择一台计算设备作为主设备，负责将计算任务拆分，并分配到不同的计算设备，每个计算设备上使用对应的神经网络计算。各个计算设备完成计算后，将结果发送回主设备，由该主设备完成结果的整合。通过分布式计算，可以降低神经网络对单个设备的要求，性能一般的设备也能运行神经网络。

与现有技术相比，本发明的有益效果是：

满足了电力设备声音监测的实时性和经济型要求。

在不需要大量价格高昂的高性能的芯片的情况下，使用性能一般的芯片，配合两层检测算法，就能实现对电力设备的实时监测。

在电力设备检测的测试中，检测的准确率可以达到90％以上。通过人工标注误报数据，并针对误报数据进行算法更新后，准确率可以进一步提升至98％以上，实现对电力设备状态的精准实时监测。

附图说明

图1为本发明基于分布式边缘计算的电力设备声音监测方法的流程图；

图2为新奇检测算法流程图；

图3为分布式深度学习神经网络算法流程图。

具体实施方式

下面对本发明的实施作详细说明：本实施例在以本发明方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明基于分布式边缘计算的电力设备声音监测方法，配有声音传感器的计算设备，以及设备上部署的两级检测算法。在电力设备附近部署分布式计算设备集群；每个计算设备配有声音传感器，实时采集电力设备声音数据流；每个计算设备使用计算量小、计算快速的新奇检测算法实时对声音数据流进行识别；识别到与以往不同的声音数据时，该计算设备发送信息给附近计算设备；多个设备收集多角度的声音数据流，通过分布式神经网络算法，整合集群的算力，判断是否为单个传感器误报，非误报则推断异常的类型；将识别结果返回服务器端，发出预警。如图1所示。

所述的新奇检测算法如图2所示。

首先，从音频数据流中提取1秒的音频，并将其切分为10段100毫秒的音频。

其次，计算每段音频短时过零率、短时平均幅度差、短时能量、短时自相关系数等时域特征，音频的梅尔频率倒谱系数、频谱差分幅度、频谱质心、频谱宽度等频域特征，以及音频的声谱图这一时频域

然后，将音频的时域特征、频域特征和时频域特征融合为一个特征向量。

将特征向量输入孤立森林检测算法，输出每个特征向量是否异常的结果。

最后对结果进行统计，如果输出结果为异常的数量大于输出结果为正常的数量，则输出异常；反之输出正常。

按照上述过程处理1秒的音频用时不需要1秒，因此可以实时地不断进行处理。

所述的分布式深度学习神经网络算法流程如图3所示。

采用的卷积神经网络结构包含深度一维卷积和二维卷积网络。深度一维卷积将音频提取为声纹的形式，二维卷积采用了ResNet101的结构。针对分布式计算的要求，通过对训练后网络层中的权重参数进行分析，进行剪枝、蒸馏处理，并将原来高通道的网络拆分为多个低通道的子网络，分布在多台设备上。

当某台设备的新奇检测算法检测到不寻常的声音时，其高一级的设备会启动分布式计算。将多台从设备发送的音频进行切分，然后分发给不同的设备进行计算。各个设备上使用神经网络的一部分对音频计算后，返回计算出的向量，最后该设备将向量进行拼接，通过全连接层输出识别结果。

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 (4)

1.一种基于分布式边缘计算的电力设备声音监测方法，其特征在于，包括如下步骤：

①在电力设备附近部署分布式计算设备集群，每个计算设备配有声音传感器，用于实时采集电力设备的声音数据流；

②每个计算设备实时采集电力设备的声音数据流，并识别是否有异常声音数据，当识别到异常的声音数据时，该计算设备发送信息给附近其他的计算设备；

③多个设备多角度的收集所述的声音数据流，并判断是否为单个传感器误报，如是误报，则返回步骤②，否则，进入步骤④

④将识别到异常的声音数据传递至服务器端，推断异常的类型，并发出预警。

2.根据权利要求1所述的基于分布式边缘计算的电力设备声音监测方法，其特征在于，每个所述的计算设备上部署两级检测算法。

3.根据权利要求1所述的基于分布式边缘计算的电力设备声音监测方法，其特征在于，步骤②中识别是否有异常声音数据是采用新奇检测方法，具体步骤如下：

从声音数据流中提取1秒的音频，并将其切分为10段100毫秒的音频；

计算每段音频短时过零率、短时平均幅度差、短时能量、短时自相关系数等时域特征，音频的梅尔频率倒谱系数、频谱差分幅度、频谱质心、频谱宽度等频域特征，以及音频的声谱图这一时频域；

将音频的时域特征、频域特征和时频域特征融合为一个特征向量；

将特征向量输入孤立森林检测算法，输出每个特征向量是否异常的结果；

统计输出结果，如果输出结果为异常的数量大于输出结果为正常的数量，则输出异常；反之输出正常。

4.根据权利要求1所述的基于分布式边缘计算的电力设备声音监测方法，其特征在于，步骤③中判断是否为单个传感器误报是采用分布式深度学习网络方法，具体步骤如下：

采用的卷积神经网络结构包含深度一维卷积和二维卷积网络；

所述的深度一维卷积将音频提取为声纹的形式，二维卷积采用了ResNet101的结构；

通过对训练后网络层中的权重参数进行分析，进行剪枝、蒸馏处理，并将原来高通道的网络拆分为多个低通道的子网络，分布在多台设备上。

当某台设备的新奇检测算法检测到不寻常的声音时，其高一级的设备会启动分布式计算，将多台从设备发送的音频进行切分，然后分发给不同的设备进行计算；各个设备上使用神经网络的一部分对音频计算后，返回计算出的向量，最后该设备将向量进行拼接，通过全连接层输出识别结果。

Images