CN116705039A - 一种基于ai的电力设备声纹监测系统及方法 - Google Patents

Abstract

本发明提供一种基于AI的电力设备声纹监测系统及方法，其中系统包括声纹采集模块用于采集声纹信号；数据处理模块用于获取声纹信号并进行预处理；声纹识别模块用于识别出目标电力设备以及目标电力设备对应的声纹信号数据；故障识别模块用于判断目标电力设备是否出现故障以及对故障类型的识别；故障预警模块，用于向管理者发出警报。本发明通过小波变换识别目标电力设备的多种故障类型和主要故障类型，同时声纹采集模块控制声音传感器的移动方向以及采集频率，减少了干扰信号的影响，提高了识别故障类型的准确性。

Description

一种基于AI的电力设备声纹监测系统及方法

技术领域

本发明涉及计算机数据处理技术领域，特别涉及一种基于AI的电力设备声纹监测系统及方法。

背景技术

目前，声纹是通过电声仪器采集到的具有一定信息内容的声波信号。电力设备的声纹具有一定的周期性和稳定性，包含着设备的特有信息，例如变压器和发电机发出的声音有所不同，电声仪器可以通过采集两者的声纹进行识别。一个正常运行的电力设备和出现故障的电力设备发出的声音也不相同。可以通过采集电力设备的声纹信号判断出电力设备是否出现故障。而故障类型不同，电力设备发出的声纹信号也不同，比如以变压器为例，若发出50HZ的“嗡嗡”声纹信号，则表示变压器正常运行；若变压器发出“噼啪”声，则表示变压器内部出现电流短路。

现有技术CN114371353A公开了一种基于声纹识别的电力设备异常监测方法及系统，采集预电力设备正常运行的第一声音信号转换成第一声纹数据，并对第一声纹数据进行音频频谱分析，提取第一音频特征存储至第一音频数据库；再采集电力设备运行的第二声音信号转换成第二声纹数据；对第二声纹数据进行音频频谱分析，提取第二音频特征。根据神经网络识别判断第一音频数据库中是否存在第二音频特征：若否，则发出异常报警信号。现有技术CN114371353A从已知的设备中判断是否存在故障，并且通过数据库存储的已知故障进行匹配判断故障类型。而故障电力设备往往包含多种故障，需要进一步确定多种故障类型以及主要故障类型，同时现有技术也没有给出声纹采集的移动和频率。

因此，需要对电力设备的故障进一步分析，并为以后电力设备的维修提供了优先顺序。

发明内容

本发明目的之一在于提供了一种基于AI的电力设备声纹监测系统，获取声纹信号，并进行处理得到声纹信号数据，根据声纹信号数据识别出电力设备，再声纹信号数据判断出是否存在故障，最后根据对应的声纹信号数据识别故障类型以及主要故障，同时确定声纹采集模块的移动路线和采集频率，减少了干扰信号的影响，提高了识别故障类型的准确性。

本发明实施例提供的一种基于AI的电力设备声纹监测系统，包括：

声纹采集模块,用于采集目标电力设备声纹信号；

数据处理模块，用于获取声纹信号并进行预处理，得到声纹信号数据；

声纹识别模块，用于根据声纹信号数据识别出目标电力设备；

故障识别模块，用于获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；

故障预警模块，用于根据判断结果向管理者发出警报。

优选地，故障识别模块包括：

故障判断子模块，用于根据目标电力设备对应的声纹信号数据与目标电力设备的正常运行声纹信号预测数据计算重合比，根据重合比判断目标电力设备是否出现故障；

类型识别子模块，用于若目标电力设备出现故障，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型。

优选地，故障判断子模块，执行如下操作：

获取目标电力设备当前时刻的属性数据，其中，属性数据包括设备类型、设备连续运行的天数、历史维保记录和未来维保记录；

根据目标电力设备的当前时刻的属性数据预测目标电力设备在未来预设时间后的时间点的属性数据；

根据目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据；

当目标电力设备运行到未来预设时间后的时间点时，获取目标电力设备对应的声纹信号数据，计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。

优选地，类型识别子模块，执行如下操作：

构建小波变化函数并对目标电力设备所对应的声纹信号数据进行小波分解，得到目标电力设备的声纹谐波；其中，

小波基函数g(t),具体表达式为：

式中,g(t)是小波基函数，ω₀是中心频率，a是常数，t是时间变量，i是虚数符号，i²＝-1；

其中，f(t)是声纹信号数据，,-t₀,t₀]是声纹信号数据f(t)的取值区间，通过小波基函数g(t)进行小波变换得到目标电力设备的声纹谐波Ψf(b,τ)，具体表达式是：

式中，Ψf(b,τ)是目标电力设备的声纹谐波，b是尺度因子,τ是时间位移量；

获取目标电力设备正常运行的声纹数据并进行小波变换，得到设备正常谐波信息；其中，

设备正常谐波信息的具体表达式为：

式中，是设备正常谐波信息，/>是目标电力设备正常运行的声纹数据，

对目标电力设备的声纹谐波滤除掉设备正常谐波信息，得到异常谐波信息；其中，

异常谐波信息Ψy(b,τ)具体表达式是：

式中，Ψy(b,τ)是异常谐波信息；

将异常谐波信息进行小波变换重构，得到故障时域信号；其中，故障时域信号的表达式为：

式中，y(t)是故障时域信号，C_g是小波变换收敛系数；

逐一计算故障时域信号与已知故障信号的相似度并根据相似度进行排序；其中，相似度的具体表达式为：

式中，η是相似度，h(t)是某一类型的已知故障信号；

设定相似度阈值，根据相似度超过相似度阈值所对应的已知故障信号得到目标电力设备的故障类型。

优选地，声纹识别模块包括：

特征提取单元，用于构建特征提取网络模型并获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对目标电力设备的进行特征提取，得到目标电力设备的特征数据；

特征识别单元，用于获取电力设备的历史特征数据训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；

设备信号单元，用于根据识别出的目标电力设备获取对应的声纹信号数据。

优选地，声纹识别模块，执行如下操作：

构建特征提取网络模型；

获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对声纹信号数据进行特征提取，得到特征数据；

构建电力设备特征识别模型；

获取电力设备的历史特征数据对电力设备特征识别模型进行训练，训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；

根据识别出的目标电力设备获取对应的声纹信号数据；

获取电力设备的历史声纹信号对电力设备特征识别模型进行训练，其中，所述电力设备特征识别模型是卷积神经网络；

训练完成后利用电力设备特征识别模型对声纹信号数据进行特征识别，得到目标电力设备；

根据识别出的目标电力设备获取对应的声纹信号数据。

优选地，声纹采集模块包括：

若干个声音传感器，用于采集目标电力设备的声纹信号；

摄像机，用于对目标电力设备进行实时摄像监控；

升降单元，用于能够使的声音传感器11上下移动；

水平移动单元，设置在升降单元上，用于声音传感器11进行水平方向上的移动；

采集控制单元，分别与声音传感器、摄像机、水平移动单元和升降单元相连，用于根据各个电力设备位置规划出最短监测路径以及根据电力设备的类型和故障率，控制声音传感器的采集频率。

优选地，所述数据处理模块包括：

降噪单元，用于对声纹信号进行降噪；

分段单元，用于根据声纹信号的周期性对声纹信号分成若干个数据区间片段；

拟合单元，用于对降噪后的若干个数据区间片段按均方差最小进行拟合，得到声纹信号数据；

存储单元，用于对声纹信号数据进行存储。

优选地，基于AI的电力设备声纹监测系统还包括：

实时监测模块，用于对目标电力设备进行实时摄像监测并及时处理；

其中，实时监测模块包括：

温度传感器，用于对目标电力设备进行温度测量；

电流表，用于对目标电力设备的电流进行测量；

电源切断单元，用于根据重合比以及目标电力设备的电流对目标电力设备决定是否停止供电；

设备冷却单元，用于根据重合比以及目标电力设备测得的温度对目标电力设备决定是否采取降温；

灭火单元，用于通过采集到的实时摄像判断是否对目标电力设备进行灭火。

本发明还提供了一种基于AI的电力设备声纹监测方法，包括：

采集目标电力设备声纹信号；

对声纹信号并进行预处理，得到声纹信号数据；

根据声纹信号数据识别出目标电力设备以及目标电力设备对应的声纹信号数据；

获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；

根据判断结果向管理者发出警报。

本发明的有益效果为：

本发明通过对采集到的声纹信号进行小波变换识别出目标电力设备并通过计算重合比判断目标电力设备判断是否出现故障并根据判断结果向管理者发出警报。本发明通过小波变换剔除了干扰信号，提高了识别故障类型的准确性。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于AI的电力设备声纹监测系统的示意图；

图2为本发明实施例中所述故障识别模块的示意图；

图3为本发明实施例中所述声纹识别模块的示意图；

图4为本发明实施例中所述声纹采集模块的示意图；

图5为本发明实施例中所述数据处理模块的示意图；

图6为本发明实施例中所述实时监测模块的示意图；

图7为本发明实施例中一种基于AI的电力设备声纹监测方法的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于AI的电力设备声纹监测系统，如图1所示，包括声纹采集模块1、数据处理模块2、声纹识别模块3、故障识别模块4和故障预警模块5。

声纹采集模块1,用于采集目标电力设备声纹信号。

数据处理模块2，用于获取声纹信号并进行预处理，得到声纹信号数据。

声纹识别模块3，用于根据声纹信号数据识别出目标电力设备。

故障识别模块4，用于获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障。

故障预警模块5，用于根据判断结果向管理者发出警报。

上述技术方案的工作原理及有益效果为：

声纹采集模块1采集目标电力设备声纹信号。数据处理模块2获取声纹信号并进行预处理，得到声纹信号数据。声纹识别模块3根据声纹信号数据识别出目标电力设备以及得到目标电力设备对应的声纹信号数据。故障识别模块4对目标电力设备对应的声纹信号数据与目标电力设备的正常运行时的历史数据计算重合比，判断目标电力设备是否出现故障以及故障类型。故障预警模块5，用于根据判断结果向管理者发出警报。

本发明实施例通过声纹采集模块1采集到的声纹信号，数据处理模块2进行信号预处理。声纹识别模块3识别目标电力设备并通过故障识别模块4计算重合比判断目标电力设备是否出现故障。故障预警模块5根据判断结果向管理者发出警报。

在一个实施例中，如图2所示，故障识别模块4包括故障判断子模块41和类型识别子模块42。

故障判断子模块41，用于计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。

类型识别子模块42，用于若目标电力设备出现故障，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障。

上述技术方案的工作原理及有益效果为：

对目标电力设备在未来预设时间后的时间点的属性数据进行预测，通过目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据，计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。若目标电力设备出现故障，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障。

先进行故障判断，再对故障类型进行识别，对目标电力设备监测故障的同时也对故障的类型进一步分析。

在一个实施例中，故障判断子模块41，执行如下操作：

获取目标电力设备当前时刻的属性数据，其中，属性数据包括设备类型、设备连续运行的天数、历史维保记录和未来维保记录。

根据目标电力设备的当前时刻的属性数据预测目标电力设备在未来预设时间后的时间点的属性数据。

根据目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据。

当目标电力设备运行到未来预设时间后的时间点时，获取目标电力设备对应的声纹信号数据，计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。

上述技术方案的工作原理及有益效果为：

获取目标电力设备对应的声纹信号数据，由于声纹信号数据具有周期性，因此，为了减少计算量，可以选取其中一个周期的声纹信号数据f(t)(-t₀≤t≤t₀)，其中，,-t₀,t₀]是声纹信号数据f(t)的一个周期的时间区间，t是时间变量。

根据目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据/>

计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比，具体表达式为：

式中，P是目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比。

计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，具体表达式为：

式中，是目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比。

根据P和判断出目标电力设备在未来预设时间后的时间点是否出现故障。例如当前时间是13:00时，目标电力设备的类型是变压器，已经连续运行100天，历史维保记录有10次和未来维保记录有20次，预设时间是1天，根据目标电力设备的当前时刻的属性数据预测目标电力设备在1天后的属性数据。根据目标电力设备在1天后的属性数据在数据库中检索出目标电力设备在1天后的属性数据所对应的历史正常运行声纹数据/>和历史异常声纹数据/>计算出P＝0.2，而/>可以判断出目标电力设备在1天后，目标电力设备出现故障。通过计算重合比P和/>提高了故障判断的准备性，为故障做好必要的准备。

在实施例中，所述类型识别子模块42，执行如下操作：

构建小波变化函数并对目标电力设备所对应的声纹信号进行小波分解，得到目标电力设备的声纹谐波。

小波基函数g(t),具体表达式为：

式中,g(t)是小波基函数，ω₀是中心频率，a是常数，t是时间变量，i是虚数符号，i²＝-1。

其中，f(t)是声纹信号数据，[-t₀,t₀]是声纹信号数据f(t)的取值区间，通过小波基函数g(t)进行小波变换得到目标电力设备的声纹谐波Ψf(b,τ)，具体表达式是：

式中，Ψf(b,τ)是目标电力设备的声纹谐波，b是尺度因子,τ是时间位移量。

获取目标电力设备正常运行的声纹数据并进行小波变换，得到设备正常谐波信息；其中，

设备正常谐波信息的具体表达式为：

式中，是设备正常谐波信息，/>是目标电力设备正常运行的声纹数据。

对目标电力设备的声纹谐波滤除掉设备正常谐波信息，得到异常谐波信息。

异常谐波信息Ψy(b,τ)具体表达式是：

式中，Ψy(b,τ)是异常谐波信息。

将异常谐波信息进行小波变换重构，得到故障时域信号；其中，故障时域信号的表达式为：

式中，y(t)是故障时域信号，C_g是小波变换收敛系数。

逐一计算故障时域信号与已知故障信号的相似度并根据相似度进行排序；其中，相似度的具体表达式为：

式中，η是相似度，h(t)是某一类型的已知故障信号；

设定相似度阈值，根据相似度超过相似度阈值所对应的已知故障信号得到目标电力设备的故障类型。

上述技术方案的工作原理及有益效果为：

本发明实施例中的类型识别子模块42通过小波变换得到目标电力设备的声纹谐波，滤除了目标电力设备的正常谐波，得到异常谐波信息，在根据小波变换重构，得到故障时域信号，并且逐一与已知的故障类型信号计算相似度，确定所包含的故障类型和主要故障类型，剔除了干扰信号，提高了识别故障类型的准确性。

本实施例中设置相似度阈值为0.5，当超过0.5的相似度对应的故障类型是目标电力设备所含有的故障类型。其中相似度最大的为主要故障类型。

例如目标电力设备变压器分别与绝缘老化、绕组短路和涌流已知故障信号计算出相似度分别为0.6、0.8、0.1，可以得知目标电力设备所含有的故障类型是绕组短路和绝缘老化，而且绕组短路是主要故障，在以后的维修中，优先进行绕组短路维修。

本发明实施例通过小波变换得到目标电力设备的声纹谐波，滤除了目标电力设备的正常谐波，得到异常谐波信息，在根据小波变换重构，得到故障时域信号，并根据计算相似度进行排序，确定目标电力设备包含所有故障类型以及主要故障类型，剔除了干扰信号，提高了识别故障类型的准确性，同时为后期维修提供的优先参考。

在一个实施例中，如图3所示，声纹识别模块3包括：

特征提取单元31用于构建特征提取网络模型并获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对目标电力设备的声纹信号数据进行特征提取，得到目标电力设备的特征数据。

特征识别单元32用于采集电力设备的历史特征数据训练电力设备特征识别模型，并利用训练完成的电力设备特征识别模型对特征数据进行识别出目标电力设备。

设备信号单元33用于根据识别出的目标电力设备输出对应的声纹信号数据。

上述技术方案的工作原理及有益效果为：

特征提取单元31构建特征提取网络模型并获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对目标电力设备的进行特征提取，得到目标电力设备的特征数据。特征识别单元32根据采集电力设备的历史特征数据训练电力设备特征识别模型，并利用训练完成的电力设备特征识别模型对特征数据进行识别出目标电力设备。设备信号单元33根据识别出的目标电力设备获取对应的声纹信号数据。

在一个实施例中，声纹识别模块3，执行如下操作：

构建特征提取网络模型。

获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对声纹信号数据进行特征提取，得到特征数据。

构建电力设备特征识别模型。

获取电力设备的历史特征数据对电力设备特征识别模型进行训练，训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备。

根据识别出的目标电力设备获取对应的声纹信号数据。

获取电力设备的历史声纹信号对电力设备特征识别模型进行训练，其中，所述电力设备特征识别模型是卷积神经网络。

训练完成后利用电力设备特征识别模型对声纹信号数据进行特征识别，得到目标电力设备。

根据识别出的目标电力设备获取对应的声纹信号数据。

上述技术方案的工作原理及有益效果为：

构建特征提取网络模型，特征提取网络模型包括加窗分帧、FFt单元、直通滤波器、对数能量单元和余弦变换单元。本发明实施例中进行快速傅里叶分析出声音的特征参数，通过快速傅里叶变换分别计算出频谱参数、幅度、功率、过零率和梅尔倒谱系数(MFCC)等。先通过电力设备的历史声纹信号对特征提取网络模型进行训练，练完成后利用特征提取网络模型对声纹信号数据进行特征提取，得到特征数据。再构建电力设备特征识别模型，获取电力设备的历史特征数据对电力设备特征识别模型进行训练，训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备。设备信号单元33在根据识别出的目标电力设备输出目标电力设备对应的声纹信号数据。

本实施例通过对电力设备的声纹信号数据进行特征提取和特征识别，识别出对应的目标电力设备。并根据识别出的目标电力设备输出对应的声纹信号数据。

在一个实施例中，如图4所示，声纹采集模块1包括：

声纹采集模块1包括：

若干个声音传感器11，用于采集目标电力设备的声纹信号。

摄像机12，用于对目标电力设备进行实时摄像监控。

升降单元13，用于能够使的声音传感器11上下移动。

水平移动单元14，设置在升降单元上，用于声音传感器11进行水平方向上的移动。

采集控制单元15，分别与声音传感器11、摄像机12、升降单元13和水平移动单元14相连，用于根据目标电力设备的类型、轮廓和目标电力设备与声音传感器之间的距离，规划出声音传感器11的移动路线和采集频率。

上述技术方案的工作原理及有益效果为：

首先确定声纹采集模块1的起点O坐标以及终点E坐标。

获取各个电力设备位置坐标并作为路径点，并由各个电力设备位置坐标组成一个集合U。

定义已求知的最短路径节点集合V以及定义已求知的最短路径节点集合W。

计算起点到各个电力设备的位置坐标的距离。

首先集合V内只包含起点O，而W包含U和E。计算了起点O与集合W内的所有点的距离，其中表示的是起点O到集合W内的第i点之间的距离。

从选择其中距离最短的一个点S₁，并将距离最短的一个点S₁从集合W移动到集合V内，再从S₁点计算到集合W内剩余的点之间的距离/>其中/>表示的是起点O到集合W内的第i点之间的距离。

如果比/>小，就更新该点的距离，否则不变。

更新完成后，再从中选择距离最短的点S₂，将S₂从集合W移动到集合V内，再计算S₂到集合W再次剩余的点的距离……，至到集合V包含集合U。

根据起始点O以及集合V内所有点计算保存的距离进行连接，得到一个从起始点O出发，依次经过S₁，S₂……，最后到达终点的E的最短监测路径。采集控制单元15控制水平移动单元14进行移动，并从起始点O依次对每个电力设备通过声音传感器11采集声纹信号。对众多设备的采集声纹信号，可以节约水平移动单元14移动的最短监测路径，节约监测的时间。

同时，根据目标电力设备的类型和出现故障的频率，确定声音传感器11采集频率F，具体表达式为：

式中，f_d是目标电力设备的工作频率，μ与目标电力设备的类型的常数，σ是目标电力设备的设备故障率，2t₀是目标电力设备的声纹信号周期长度。

采集控制单元15通过升降单元13和水平移动单元14控制声音传感器11移动，同时采集控制单元15控制声音传感器11采集频率。

本发明实施例中的声纹采集模块1根据各个目标电力设备的位置以及起始点和终点的位置，计算出一个最短监测路径，节约了监测时间，同时根据目标电力设备的类型和出现故障的频率，确定声音传感器11采集频率F，对故障率高加强监测频率，确保了监测数据的正确性，提高了电力设备的监测力度。

在一个实施例中，如图5所示，数据处理模块2包括分段单元21、降噪单元22、拟合单元23、存储单元24。

降噪单元21，用于对声纹信号进行降噪。

分段单元22，用于根据声纹信号的周期性对声纹信号分成若干个数据区间片段。

拟合单元23，用于对降噪后的若干个数据区间片段按均方差最小进行拟合，得到声纹信号数据。

存储单元24，用于对声纹信号数据进行存储。

上述技术方案的工作原理及有益效果为：

降噪单元21对声纹信号z(t)进行降噪，去掉背景噪声，比如虫鸣声、附近的员工的说话等。由于目标电力设备的声纹信号z(t)具有周期性，因此分段单元22根据周期性将声纹信号z(t)划分n个周期性片段，得到 拟合单元23对降噪后的若干个周期性片段按均方差最小进行拟合，得到声纹信号数据f(t)(-t₀<t<t₀),存储单元24对声纹信号数据f(t)(-t₀<t<t₀)进行存储。

本发明实施例通过根据声纹信号的周期性将其划分成若干个数据区间片段，同时对数据区间片段进行降噪和曲线拟合，提取出的声纹信号数据，保证了信号的真实性和代表性，减少数据运算量，提高数据运算的速度。

在一个实施例中，还包括实时监测模块6与故障识别模块4相连，用于对目标电力设备进行实时摄像监测并及时处理。如图6所示，实时监测模块6包括：

温度传感器61对目标电力设备进行温度测量。

电流表62对目标电力设备的电流进行测量。

电源切断单元63根据重合比以及目标电力设备的电流对目标电力设备决定是否停止供电。

设备冷却单元64，用于根据重合比以及目标电力设备测得的温度对目标电力设备决定是否采取降温。

灭火单元65，用于通过采集到的实时摄像判断是否对目标电力设备进行灭火。

上述技术方案的工作原理及有益效果为：

电源切断单元63根据重合比以及电流表62对目标电力设备测量的电流决定是否停止供电。若重合比比较小且电流交大，电源切断单元63立即切断电源供电。设备冷却单元64根据重合比以及温度传感器61对目标电力设备测得的温度是否对目标电力设备进行降温。若重合比比较小且温度过高，设备冷却单元64立即对目标电力设备进行降温。灭火单元65通过摄像机12判断目标电力设备是否出现火情，若出现火情，灭火单元65进行灭火。

本发明实施例通过实时监测模块6对温度和电流的实时监测，保证了目标电力设备的安全，也消除了火灾隐患。

本发明还提供了一种基于AI的电力设备声纹监测方法，如图7所示，包括以下步骤：

步骤1，采集目标电力设备声纹信号。

步骤2，对声纹信号并进行预处理，得到声纹信号数据。

步骤3，根据声纹信号数据识别出目标电力设备以及目标电力设备对应的声纹信号数据。

步骤4，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障。

步骤5，根据判断结果向管理者发出警报。

上述技术方案的工作原理及有益效果为：

声纹采集模块1采集声纹信号。数据处理模块2对声纹信号进行降噪和拟合，得到声纹信号数据。声纹识别模块3根据声纹信号数据识别出目标电力设备以及目标电力设备对应的声纹信号数据。故障识别模块4获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障。故障预警模块5接收警示信号并向管理者发出警报。

本发明实施例中对电力设备的声纹数据进行采集以及识别，并判断目标电力设备出现故障并发出警示信号。提高了故障预见性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于AI的电力设备声纹监测系统，其特征在于，包括：

声纹采集模块,用于采集目标电力设备声纹信号；

数据处理模块，用于获取声纹信号并进行预处理，得到声纹信号数据；

声纹识别模块，用于根据声纹信号数据识别出目标电力设备；

故障识别模块，用于获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；

故障预警模块，用于根据判断结果向管理者发出警报。

2.如权利要求1所述的基于AI的电力设备声纹监测系统，其特征在于，故障识别模块包括：

故障判断子模块，用于根据目标电力设备对应的声纹信号数据与目标电力设备的正常运行声纹信号预测数据计算重合比，根据重合比判断目标电力设备是否出现故障；

类型识别子模块，用于若目标电力设备出现故障，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型。

3.如权利要求2所述的基于AI的电力设备声纹监测系统，其特征在于，故障判断子模块，执行如下操作：

获取目标电力设备当前时刻的属性数据，其中，属性数据包括设备类型、设备连续运行的天数、历史维保记录和未来维保记录；

根据目标电力设备的当前时刻的属性数据预测目标电力设备在未来预设时间后的时间点的属性数据；

根据目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据；

当目标电力设备运行到未来预设时间后的时间点时，获取目标电力设备对应的声纹信号数据，计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。

4.如权利要求2所述的基于AI的电力设备声纹监测系统，其特征在于，类型识别子模块，执行如下操作：

构建小波变化函数并对目标电力设备所对应的声纹信号数据进行小波分解，得到目标电力设备的声纹谐波；其中，

小波基函数g(t),具体表达式为：

式中,g(t)是小波基函数，ω₀是中心频率，a是常数，t是时间变量，i是虚数符号，i²＝-1；其中，

f(t)是声纹信号数据，[-t₀,t₀]是声纹信号数据f(t)的取值区间，通过小波基函数g(t)进行小波变换得到目标电力设备的声纹谐波Ψf(b,τ)，具体表达式是：

式中，Ψf(b,τ)是目标电力设备的声纹谐波，b是尺度因子,τ是时间位移量；

获取目标电力设备正常运行的声纹数据并进行小波变换，得到设备正常谐波信息；其中，

设备正常谐波信息的具体表达式为：

式中，是设备正常谐波信息，/>是目标电力设备正常运行的声纹数据，

对目标电力设备的声纹谐波滤除掉设备正常谐波信息，得到异常谐波信息；其中，

异常谐波信息Ψy(b,τ)具体表达式是：

式中，Ψy(b,τ)是异常谐波信息；

将异常谐波信息进行小波变换重构，得到故障时域信号；其中，故障时域信号的表达式为：

式中，y(t)是故障时域信号，C_g是小波变换收敛系数；

逐一计算故障时域信号与已知故障信号的相似度并根据相似度进行排序；其中，相似度的具体表达式为：

式中，η是相似度，h(t)是某一类型的已知故障信号；

设定相似度阈值，根据相似度超过相似度阈值所对应的已知故障信号得到目标电力设备的故障类型。

5.如权利要求1所述的基于AI的电力设备声纹监测系统，其特征在于，声纹识别模块包括：

特征提取单元，用于构建特征提取网络模型并获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对目标电力设备的进行特征提取，得到目标电力设备的特征数据；

特征识别单元，用于获取电力设备的历史特征数据训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；

设备信号单元，用于根据识别出的目标电力设备获取对应的声纹信号数据。

6.如权利要求1所述的基于AI的电力设备声纹监测系统，其特征在于，声纹识别模块，执行如下操作：

构建特征提取网络模型；

获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对声纹信号数据进行特征提取，得到特征数据；

构建电力设备特征识别模型；

获取电力设备的历史特征数据对电力设备特征识别模型进行训练，训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；

根据识别出的目标电力设备获取对应的声纹信号数据；

获取电力设备的历史声纹信号对电力设备特征识别模型进行训练，其中，电力设备特征识别模型是卷积神经网络；

训练完成后利用电力设备特征识别模型对声纹信号数据进行特征识别，得到目标电力设备；

根据识别出的目标电力设备获取对应的声纹信号数据。

7.如权利要求1所述的基于AI的电力设备声纹监测系统，其特征在于，声纹采集模块包括：

若干个声音传感器，用于采集目标电力设备的声纹信号；

摄像机，用于对目标电力设备进行实时摄像监控；

升降单元，用于能够使的声音传感器11上下移动；

水平移动单元，设置在升降单元上，用于声音传感器11进行水平方向上的移动；

采集控制单元，分别与声音传感器、摄像机、水平移动单元和升降单元相连，用于根据各个电力设备位置规划出最短监测路径以及根据电力设备的类型和故障率，控制声音传感器的采集频率。

8.如权利要求7所述的基于AI的电力设备声纹监测系统，其特征在于，数据处理模块包括：

降噪单元，用于对声纹信号进行降噪；

分段单元，用于根据声纹信号的周期性对声纹信号分成若干个数据区间片段；

拟合单元，用于对降噪后的若干个数据区间片段按均方差最小进行拟合，得到声纹信号数据；

存储单元，用于对声纹信号数据进行存储。

9.如权利要求8所述的基于AI的电力设备声纹监测系统，其特征在于，还包括：

实时监测模块，用于对目标电力设备进行实时摄像监测并及时处理；

其中，实时监测模块包括：

温度传感器，用于对目标电力设备进行温度测量；

电流表，用于对目标电力设备的电流进行测量；

电源切断单元，用于根据重合比以及目标电力设备的电流对目标电力设备决定是否停止供电；

设备冷却单元，用于根据重合比以及目标电力设备测得的温度对目标电力设备决定是否采取降温；

灭火单元，用于通过采集到的实时摄像判断是否对目标电力设备进行灭火。

10.一种基于AI的电力设备声纹监测方法，其特征在于，包括：

采集目标电力设备声纹信号；

对声纹信号并进行预处理，得到声纹信号数据；

根据声纹信号数据识别出目标电力设备以及目标电力设备对应的声纹信号数据；

获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；

根据判断结果向管理者发出警报。