CN116168727A - 一种变压器异常声音检测方法、系统、设备及存储介质 - Google Patents
一种变压器异常声音检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116168727A CN116168727A CN202310456438.XA CN202310456438A CN116168727A CN 116168727 A CN116168727 A CN 116168727A CN 202310456438 A CN202310456438 A CN 202310456438A CN 116168727 A CN116168727 A CN 116168727A
- Authority
- CN
- China
- Prior art keywords
- audio data
- abnormal sound
- transformer
- model
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 128
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000002093 peripheral effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请实施例提供了一种变压器异常声音检测方法、系统、设备及存储介质，涉及深度学习技术领域。方法包括：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；若检测出异常声音，则进行告警。通过预先构建并训练的异常声音检测模型进行识别检测，准确度较好。利用有限的异常数据进行数据扩充的方法，解决了异常声音数据不足的问题。只需要安装拾音器和云端计算设备即可，通过音频传输装置传输到云端设备上处理即可得到分析结果，设备相比于传统音频传感器使用寿命更长，更新迭代更方便。
Description
技术领域
本申请涉及深度学习技术领域，尤其涉及一种变压器异常声音检测方法、系统、设备及存储介质。
背景技术
随着经济社会的不断发展，我国电力需求持续增长，因此保障电力设施平稳安全运行具有实际意义。变压器是变电站中尤为重要的电力设备，变压器故障会导致大面积停电从而造成重大的经济损失。目前对于变压器的异常检测多采用基于传感器或视频检测算法的异常检测方法，但是传感器的使用寿命较短而变压器的事故频率较低，通常传感器会先于变压器设备损坏，性价比较低，而且视频检测算法多用于燃烧、爆炸等大型事故发生时的检测或事故发生后的追溯，无法对变压器事故进行提前预警，因此传统基于传感器或视频检测算法的异常检测方法并不适用于变压器的异常检测。
变压器设备发生事故前一般会伴随着异常的运行声音，因此，异常声音检测算法可以有效对变压器事故进行提前预警。异常声音检测可以采用分类算法，如基于MFCC特征与SVM算法的异常声音检测，但仅通过分类算法进行异常声音检测存在以下弊端：1.需要大量的异常声音数据参与训练，而异常声音数据获取难度大；2.异常声音与正常声音进行特征提取后音频特征类内差异较小，导致识别效果较差。综上所述，目前在变压器异常声音检测方面，尚没有一种准确性高的检测策略。
发明内容
本申请实施例提供了一种变压器异常声音检测方法、系统、设备及存储介质，用以解决现有的变压器异常声音检测识别结果不准确的技术问题。
一方面，本申请实施例提供了一种变压器异常声音检测方法，所述方法包括：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型采用框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；若检测出异常声音，则进行告警。
在本申请的一种实现方式中，在所述获取变压器设备的运行音频数据之前，所述方法还包括：获取变压器周围所有的音频数据；对所述音频数据进行筛选，滤除静音数据及噪声数据。
在本申请的一种实现方式中，所述异常声音检测模型包括分类子模型及检测子模型。
在本申请的一种实现方式中，训练所述分类子模型的过程，具体为：将运行音频数据进行数据合成以及扩充，生成分类数据集；将所述分类数据集转化为梅尔频谱图，使用梅尔谱图训练所述分类子模型。
在本申请的一种实现方式中，数据合成以及扩充的过程，具体为：随机提取连续的3s-7s的异常声音数据拼接入到连续的3s-7s的正常音频数据之后，形成一段10s长度的音频数据；重复拼接操作，得到若干段音频数据。
在本申请的一种实现方式中，所述方法还包括：获取带有设备噪声和环境噪声背景音的变压器运行的音频，加入至所述音频数据中。
在本申请的一种实现方式中，所述检测子模型采用自监督方式搭建，所述检测子模型包括：时域特征提取、频域特征提取、时域频域特征融合。
本申请实施例还提供了一种变压器异常声音检测系统，所述系统包括：音频获取模块，用于获取变压器设备的运行音频数据；音频数据预处理模块，用于裁剪所述运行音频数据，形成若干段预设长度的音频数据集；异常声音检测模块，用于将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；告警模块，用于检测出异常声音时，进行告警。
本申请实施例还提供了一种变压器异常声音检测设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；若检测出异常声音，则进行告警。
本申请实施例还提供了一种变压器异常声音检测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；若检测出异常声音，则进行告警。
本申请实施例提供的一种变压器异常声音检测方法、系统、设备及存储介质，通过预先构建并训练的异常声音检测模型进行识别检测，准确度较好。将前期收集的变压器及周边设备运行的音频数据和周边环境音频数据进行合成，制作成带有周边环境背景音的变压器运行音频数据，解决了变电站其他设备运行时产生的噪音对变压器异常声音检测的影响。利用有限的异常数据进行数据扩充的方法，解决了异常声音数据不足的问题。且只需要安装拾音器和云端计算设备即可，通过拾音器收集音频数据，通过音频传输装置传输到云端设备上处理即可得到分析结果，设备相比于传统音频传感器使用寿命更长，更新迭代更方便。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种变压器异常声音检测方法流程图；
图2为本申请实施例异常声音检测的整体流程示意图；
图3为本申请实施例提供的一种变压器异常声音检测系统组成图；
图4为本申请实施例提供的一种变压器异常声音检测设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例提供了一种变压器异常声音检测方法、系统、设备及存储介质，用以解决现有的变压器异常声音检测识别结果不准确的技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种变压器异常声音检测方法流程图。如图1所示，该方法主要包括以下步骤：
步骤101、获取变压器设备的运行音频数据。
在本申请实施例中，在变电站目标变压器周围架设拾音器设备进行数据集的收集，音频数据收集时间至少要在10小时以上，通过音频传输装置进行音频数据压缩、传输、储存到云端设备，进行人工模拟周围环境噪音，包括鸟叫、走路、交谈、刮风等噪声因素，无法模拟的音频数据可以通过一些公开数据集获取，最后将音频数据保存为.wav格式。收集到的数据需要进行初步的筛选，将一些噪音明显、静音的数据删除，对收集的数据按类别进行初步划分，将正常数据、异常数据和周边环境数据进行初步分类。
需要说明的是，需要进行音频数据采集的设备包括变压器以及周边设备和周边环境音频，根据变电站的实际情况，可能会影响到变压器运行音频的数据理论上均需要采集。
步骤102、裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别。
在本申请实施例中，将收集的音频数据进行等长裁剪，数据集的音频长度均裁剪为10s长度。将所述音频数据集输入预先训练好的异常声音检测模型中进行识别。
进一步地，训练好的模型部署到云端设备，部署完成后使用变压器周边的音频采集设备进行音频的持续采集，然后上传到云端设备进行检测。这样可以不占用过多的本地空间。
进一步地，异常声音检测模型包括两部分，一个是分类子模型，一个是检测子模型。在使用之前需要预先进行训练。
本申请实施例中，分类子模型的原始框架为ECAPA-TDNN声纹识别模型，其中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层。最后损失函数采用Cross Entropy Loss将声纹模型模改为音频分类模型。检测模型由三部分组成，第一部分为时域特征提取网络，第二部分为频域特征提取网络，第三部分将提取的时域特征和频域特征进行特征融合后输入到自监督分类器中，自监督分类器结构采用MobileFaceNet检测网络。将损失函数由交叉熵损失函数CEE改为加性角度间隔损失函数ArcFace。
具体来说，分类子模型引入了一维压缩激励模块Squeeze-Excitation-Res2Blocks，通过压缩激励模块可以有效建模全局的通道相关性，其第一个组成部分是压缩操作，可以计算时间域的帧级特征的均值向量z：
，其中T代表总帧数、t代表每一帧。激励操作则是使用z中的描述符来计算每个通道的权重，激励操作的公式为：
其中
表示sigmoid函数，/>
表示非线性，W1∈RR*C，W2∈RR*C，其中C表示通道数，R表示降维，最后得到向量s包含介于0和1之间的权重。这些权重与原始输入相乘即实现加权：/>
。三层的Res2Blocks通过捷径连接获取到其相邻层的特征，也保留本层特征最后对特征映射求和输入到下一层。删除ECAPA-TDNN原始结构的最后一层，加入两层全连接层，最后损失函数采用Cross Entropy Loss将声纹模型模最终变成为本申请实施例中的音频分类子模型。
训练所述分类子模型的过程为：将运行音频数据进行数据合成以及扩充，生成分类数据集；将所述分类数据集转化为梅尔频谱图，使用梅尔谱图训练所述分类子模型。由于变压器异常声音数据收集难度较大，可用数据较少，因此需要利用好现有的异常数据来进行数据扩充。异常音频数据扩充方法采用随机提取连续3s-7s的异常音频信号插入到连续3s-7s的正常音频信号后，构成10s的异常音频。
本申请实施例中，检测子模型由三部分组成，第一部分为时域特征提取网络，使用大核一维卷积，通道数、卷积核大小、步幅设置与梅尔倒谱系数图的梅尔箱数、窗口大小、移动长度设置相同即可，后续接三个卷积块进行特征提取，提取过程不改变音频信号时间特征的维度，提取的特征可记为：
，其中/>
代表时域特征，/>
代表时域特征提取网络；第二部分为频域特征提取网络，直接提取音频数据的梅尔倒谱系数的特征即可。将时域特征和频域特征进行特征融合后输入到异常声音检测网络中，异常声音检测网络使用MobileFaceNet学习正常音频数据特征分布，损失函数采用ArcFace，该损失函数改进了对特征向量归一化和加性角度间隔，提高了类间可分性同时加强类内紧度和类间差异，可以更好的识别异常声音。
进一步地，需要划分分类数据集与异常声音检测数据集，这两个数据集分别用于分类子模型以及检测子模型的训练及测试。分类数据集中异常/正常的音频数据需要同时参与训练和测试，异常声音检测中只需要正常音频数据参与训练，正常/异常的音频数据参与测试。
更进一步地，划分分类数据集与异常声音检测数据集之前，首先按类别名称（如变压器、周边设备、周边环境）和合成数据名称（如变压器+周边设备，变压器+周边环境，变压器+周边设备+周边环境）进行数据存储，数据命名方式为noraml（正常）/anomaly（异常）_id_序号（id信息为类别名称或合成数据的信息，如变压器正常音频数据命名为normal_00_00000，变压器+周边设备正常音频数据，normal_01_00000，变压器+周边环境异常数据，anomaly_02_00000，以此类推），分类模型的数据集按类别将异常和正常数据打乱，按8：2的比例随机划分为训练集和测试集；检测模型需要将正常数据与异常数据分开，将所有的异常数据全都划分到各自类别下的测试集中，将剩余的正常音频数据按8：2的比例划分为训练集和测试集，最后将正常音频测试集与异常音频测试集合并。
本申请实施例中，为减小设备噪声以及环境噪音对变压器异常声音检测的效果，需要制作带有设备噪声和环境噪声背景音的变压器运行的音频数据，此类数据为合成数据，一并用于训练模型。
步骤103、若检测出异常声音，则进行告警。
在本申请实施例中，每10s进行一次异常声音检测。首先收集目标变压器的音频数据，将采集的变压器音频数据经传输设备传送至云端，经过音频分类模型获取其类别信息如只有变压器对应id：00，变压器+设备噪声对应id：01，变压器+设备噪声+周边环境对应id：02以此类推，获取到类别信息后再经过异常声音检测模型获取到检测得分，根据类别信息与对应的类别阈值对比，高于类别阈值返回异常告警后继续进行下一检测，低于类别阈值则继续进行下一次检测。
训练好的模型部署到云端设备，部署完成后使用变压器周边的音频采集设备进行音频的持续采集，每隔10s时间进行一次异常声音检测，待检测数据要先经过分类模型，测得其类别后，再经过异常声音检测模型后会输出一个得分，输出得分与正常音频阈值对比后输出是结果是否为变压器运行异常声音，若是异常则进行告警，若不是则进行下一段音频数据的检测。本申请实施例中，对变压器进行异常声音检测的检测流程图如图2所示。
以上是本申请实施例提供的一种变压器异常声音检测方法，基于同样的发明构思，本申请实施例还提供了一种变压器异常声音检测系统，图3为本申请实施例提供的一种变压器异常声音检测系统组成图，如图3所示，所述系统主要包括：音频获取模块301，用于获取变压器设备的运行音频数据；音频数据预处理模块302，用于裁剪所述运行音频数据，形成若干段预设长度的音频数据集；异常声音检测模块303，用于将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；告警模块304，用于检测出异常声音时，进行告警。
本申请实施例提供的一种变压器异常声音检测方法及系统，通过预先构建并训练的异常声音检测模型进行识别检测，准确度较好。将前期收集的变压器及周边设备运行的音频数据和周边环境音频数据进行合成，制作成带有周边环境背景音的变压器运行音频数据，解决了变电站其他设备运行时产生的噪音对变压器异常声音检测的影响。利用有限的异常数据进行数据扩充的方法，解决了异常声音数据不足的问题。且只需要安装拾音器和云端计算设备即可，通过拾音器收集音频数据，通过音频传输装置传输到云端设备上处理即可得到分析结果，设备相比于传统音频传感器使用寿命更长，更新迭代更方便。
以上是本申请实施例提供的一种变压器异常声音检测系统，基于同样的发明构思，本申请实施例还提供了一种变压器异常声音检测设备，图4为本申请实施例提供的一种设备示意图，如图4所示，该设备主要包括：至少一个处理器401；以及，与至少一个处理器通信连接的存储器402；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行，以使至少一个处理器401能够完成：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；若检测出异常声音，则进行告警。
除此之外，本申请实施例还提供了一种变压器异常声音检测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取变压器设备的运行音频数据；裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；若检测出异常声音，则进行告警。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种变压器异常声音检测方法，其特征在于，所述方法包括：
获取变压器设备的运行音频数据；
裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；
若检测出异常声音，则进行告警。
2.根据权利要求1所述的变压器异常声音检测方法，其特征在于，在所述获取变压器设备的运行音频数据之前，所述方法还包括：
获取变压器周围所有的音频数据；
对所述音频数据进行筛选，滤除静音数据及噪声数据。
3.根据权利要求1所述的变压器异常声音检测方法，其特征在于，所述异常声音检测模型包括分类子模型及检测子模型。
4.根据权利要求3所述的变压器异常声音检测方法，其特征在于，训练所述分类子模型的过程，具体为：
将运行音频数据进行数据合成以及扩充，生成分类数据集；
将所述分类数据集转化为梅尔频谱图，使用梅尔谱图训练所述分类子模型。
5.根据权利要求4所述的变压器异常声音检测方法，其特征在于，数据合成以及扩充的过程，具体为：
随机提取连续的3s-7s的异常声音数据拼接入到连续的3s-7s的正常音频数据之后，形成一段10s长度的音频数据；
重复拼接操作，得到若干段音频数据。
6.根据权利要求5所述的变压器异常声音检测方法，其特征在于，所述方法还包括：
获取带有设备噪声和环境噪声背景音的变压器运行的音频，加入至所述音频数据中。
7.根据权利要求3所述的变压器异常声音检测方法，其特征在于，所述检测子模型采用自监督方式搭建，所述检测子模型包括：时域特征提取、频域特征提取、时域频域特征融合。
8.一种变压器异常声音检测系统，其特征在于，所述系统包括：
音频获取模块，用于获取变压器设备的运行音频数据；
音频数据预处理模块，用于裁剪所述运行音频数据，形成若干段预设长度的音频数据集；
异常声音检测模块，用于将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；
告警模块，用于检测出异常声音时，进行告警。
9.一种变压器异常声音检测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取变压器设备的运行音频数据；
裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；
若检测出异常声音，则进行告警。
10.一种变压器异常声音检测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取变压器设备的运行音频数据；
裁剪所述运行音频数据，形成若干段预设长度的音频数据集，并将所述音频数据集输入预先训练好的异常声音检测模型中进行识别；其中，所述异常声音检测模型中采用了框架为ECAPA-TDNN声纹识别模型，并在所述ECAPA-TDNN声纹识别模型中引入了注意力机制模块，删除了原始结构的最后一层，并加入两层全连接层；
若检测出异常声音，则进行告警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310456438.XA CN116168727A (zh) | 2023-04-26 | 2023-04-26 | 一种变压器异常声音检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310456438.XA CN116168727A (zh) | 2023-04-26 | 2023-04-26 | 一种变压器异常声音检测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116168727A true CN116168727A (zh) | 2023-05-26 |
Family
ID=86416739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310456438.XA Pending CN116168727A (zh) | 2023-04-26 | 2023-04-26 | 一种变压器异常声音检测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116168727A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565547A (zh) * | 2022-08-30 | 2023-01-03 | 电子科技大学 | 一种基于深度神经网络的异常心音识别方法 |
| CN115615539A (zh) * | 2022-11-03 | 2023-01-17 | 国网安徽省电力有限公司 | 一种基于声纹识别模型的电力变压器故障监测方法 |
| CN115631765A (zh) * | 2022-09-22 | 2023-01-20 | 南京北新智能科技有限公司 | 一种基于深度学习的皮带托辊声音异常检测方法 |
-
2023
- 2023-04-26 CN CN202310456438.XA patent/CN116168727A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565547A (zh) * | 2022-08-30 | 2023-01-03 | 电子科技大学 | 一种基于深度神经网络的异常心音识别方法 |
| CN115631765A (zh) * | 2022-09-22 | 2023-01-20 | 南京北新智能科技有限公司 | 一种基于深度学习的皮带托辊声音异常检测方法 |
| CN115615539A (zh) * | 2022-11-03 | 2023-01-17 | 国网安徽省电力有限公司 | 一种基于声纹识别模型的电力变压器故障监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
| CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| CN109817227B (zh) | 一种养殖场的异常声音监测方法和系统 | |
| CN109243429B (zh) | 一种语音建模方法及装置 | |
| CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
| CN113314144A (zh) | 声音识别及电力设备故障预警方法、系统、终端及介质 | |
| CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
| CN108198561A (zh) | 一种基于卷积神经网络的翻录语音检测方法 | |
| CN116168727A (zh) | 一种变压器异常声音检测方法、系统、设备及存储介质 | |
| Dong et al. | A novel representation of bioacoustic events for content-based search in field audio data | |
| CN115081473A (zh) | 一种多特征融合的制动噪声分类识别方法 | |
| CN110726505B (zh) | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及系统 | |
| KR102314824B1 (ko) | 딥러닝 기반 감지상황에서의 음향 사건 탐지 방법 | |
| CN116705039A (zh) | 一种基于ai的电力设备声纹监测系统及方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
| CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
| Socoró et al. | Analysis and automatic detection of anomalous noise events in real recordings of road traffic noise for the LIFE DYNAMAP project | |
| CN115510265A (zh) | 一种输电线路中杆塔的动物危害分布判定方法和系统 | |
| CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
| CN111755025B (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
| CN115083422B (zh) | 语音溯源取证方法及装置、设备及存储介质 | |
| Zambon et al. | Real-time urban traffic noise maps: the influence of Anomalous Noise Events in Milan Pilot area of DYNAMAP | |
| CN113539298B (zh) | 一种基于云边端的声音大数据分析计算图像化系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230526 |