CN117275512B - 一种基于声纹识别的开关柜状态在线监测方法及系统 - Google Patents
一种基于声纹识别的开关柜状态在线监测方法及系统 Download PDFInfo
- Publication number
- CN117275512B CN117275512B CN202311536303.0A CN202311536303A CN117275512B CN 117275512 B CN117275512 B CN 117275512B CN 202311536303 A CN202311536303 A CN 202311536303A CN 117275512 B CN117275512 B CN 117275512B
- Authority
- CN
- China
- Prior art keywords
- audio
- fault
- switch cabinet
- coefficient
- frequency
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
- H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Power Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声纹识别的开关柜状态在线监测方法及系统，涉及声纹识别技术领域，包括如下步骤：采集开关柜的全天候运行声音数据；分析开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，获得第一、第二及第三差异系数；将第一、第二及第三差异系数关联形成综合偏差系数，评估开关柜的故障等级；将异常音频与故障音频进行对比分析，确定故障种类；获取系统故障分析数据和类别分析数据，关联形成开关柜故障识别误差指数，对系统进行误差分析。将待测音频与正常运作音频在三个方面的差异进行分析，降低单一特征的评估误差，提高评估结果的可靠性，及时发现音频中的异常情况，避免因故障扩大化而造成的损失。
Description
技术领域
本发明涉及声纹识别技术领域，具体为一种基于声纹识别的开关柜状态在线监测方法及系统。
背景技术
目前开关柜的故障检测方法主要有以下几种：传统机械式检测，该方法主要通过人工巡检方式检查开关柜的状态，人工巡检存在效率低下、检测不精准等问题，同时对巡检人员的专业知识和技能要求较高，无法做到预防性维护和及时维修；红外测温技术，该方法采用红外测温仪检测开关柜的表面温度，可以快速、高效地检测出异常温度点，有效预防因温度过高而引起的故障。
但是，红外测温技术无法检测出开关柜内部的故障，同时对环境温度和测量距离要求较高，价格也相对较贵；超声波检测技术，该方法利用超声波传感器检测开关柜内部的故障，可以检测出因绝缘材料劣化、导体接触不良等原因引起的故障，该方法需要将传感器安装在开关柜内部，对于已有开关柜改造难度较大，同时对安装技术要求较高；
无线测温技术，该技术采用无线传输方式将温度数据传输到后台管理系统，具有安装方便、价格低廉等优点。然而，该方法需要定期更换电池，维护成本较高，同时通讯距离较短，无法实现长距离传输。
在申请公布号为CN116778964A的中国发明申请中，公开了一种基于声纹识别的变电设备故障监测系统及方法，包括正常/故障区分模块、故障识别模块和应用优化模块的故障监测系统；基于此详细比较和分析多组不同工作状态下变电设备声纹信号的时频特性，提出了基于短时能量和短时过零率特征的变电设备正常异常工作状态分类模块，待测音频的短时能量和短时过零率特征符合正常工作状态音频特征，则输出正常状态标签，否则输出异常状态并进入多故障状态分类模块；多故障状态分类模块中，通过提取待测音频的梅尔频率倒谱系数并进行隐马尔科夫模型的匹配，输出匹配度最高的模型标签。
在以上发明申请中，通过分析变电设备待测音频和正常音频的短时能量和短时过零率，对变电设备的故障进行分析，但短时能量和短时过零率只是反映了语音信号的某些特征，无法全面反映音频信号的复杂性，因此，仅依靠这两个特征来判断音频相似性可能会存在偏差，导致故障分析错误甚至无法识别。
为此，本发明提供了一种基于声纹识别的开关柜状态在线监测方法及系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于声纹识别的开关柜状态在线监测方法及系统，本发明通过获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，将待测音频与正常运作音频在三个方面的差异进行分析，降低单一特征的评估误差，提高评估结果的可靠性，并实时对开关柜状态监测系统进行误差分析，可以衡量和评估开关柜状态监测系统的准确性和可靠性，发现系统存在的问题和不足，进而进行优化和改进，从而解决了背景技术中记载的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于声纹识别的开关柜状态在线监测方法及系统，包括如下步骤：
采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数；
获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds；
获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略；
若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数，对比大小后依据/>对应的故障编号确定故障种类，并向外输出故障种类；
获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
进一步的，在开关柜中安装拾音器，设置采样率为48kHz，位深度为24位，并选择连续采集模式，连续采集开关柜的全天候运行声音数据，建立音频数据库。
进一步的，获取音频数据库，进行数据清洗和数据预处理后，全天的音频数据被分为N等分的音频片段，并将每个音频片段使用 librosa 库将语音数据转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数。
进一步的，获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，将频率范围分成N个等份，每个等份的宽度为，获取每个频率等份内正常运作音频和待分类音频在该频率下的幅值/>，以及该频率等份内频率点的数量/>。
进一步的，获取开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，对应的计算公式如下：
其中，i表示每个频率等份对应的顺序编号， ，/>为正整数。
进一步的，获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，进行线性归一化处理后，获得综合偏差系数Zh：
其中，为偏差权重，/> ，C为常数修正系数。
进一步的，获取综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略，具体为：
当时，开关柜处于第一故障等级，反馈当前开关柜发生故障，对应的，向外发出一级故障预警命令；
当时，开关柜处于第二故障等级，反馈当前开关柜运行声音存在偏差， 需要进一步确认是否发生故障，对应的，向外发出二级故障预警命令；
当时，开关柜正常运行，无需采取任何措施；
其中，第一故障阈值为，第二故障阈值为/>。
进一步的，统计分析开关柜故障数据，获取单位时间内第二故障等级音频个数Ed、第一故障等级音频个数Zy及实际故障音频个数Sjg，关联获得故障误差指数Gzw，对应的故障误差指数Gzw的计算公式如下：
其中，单位时间可以取一天、一周及一个月中的某一个。
进一步的，统计分析开关柜故障数据，获取单位时间内类别误差判断正确个数Zq和类别误差分析错误个数Cw，关联获得类别误差指数Lbc：
对应的类别误差指数Lbc的计算公式如上。
进一步的，获取故障误差指数Gzw和类别误差指数Lbc，进行线性归一化处理后，计算获得开关柜故障识别误差指数Kw，对应的开关柜故障识别误差指数Kw的计算公式如下：
其中，为故障误差权重；
当开关柜故障识别误差指数kw超过时，向外发出误差过大预警，反馈当前系统灵敏度差，需要进一步优化。
一种基于声纹识别的开关柜状态在线监测系统，包括：
开关柜运行数据采集模块，采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数；
频谱分析模块，获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds；
故障确定模块，获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略；
故障种类识别模块，若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数，对比大小后依据/>对应的故障编号确定故障种类，并向外输出故障种类；
误差分析模块，获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
（三）有益效果
本发明提供了基于声纹识别的开关柜状态在线监测方法及系统，具备以下有益效果：
1、通过获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，将待测音频与正常运作音频在三个方面的差异进行分析，可以定量评估待测音频与正常运作音频之间的差异程度，从而为故障程度的评估提供定量依据。
2、通过将待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，关联获得综合偏差系数Zh，可以降低单一特征的评估误差，提高评估结果的可靠性，及时发现音频中的异常情况，避免因故障扩大化而造成的损失。
3、当已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，确定故障种类，并向外输出故障种类，可以快速准确地确定故障种类，从而缩短维护时间，提高维护效率，同时便于维护人员了解开关柜的运行状态和历史维护情况，制定更加科学合理的维护计划。
4、通过统计分析获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析，可以衡量和评估开关柜状态监测系统的准确性和可靠性，发现系统存在的问题和不足，进而进行优化和改进。
附图说明
图1为本发明一种基于声纹识别的开关柜状态在线监测方法的流程示意图；
图2为本发明待测音频的短时傅里叶变换的幅度谱示意图；
图3为本发明的幅度谱频率N个等份中一等份的细节示意图；
图4为本发明一种基于声纹识别的开关柜状态在线监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1至图4，本发明提供一种基于声纹识别的开关柜状态在线监测方法，包括如下步骤：
步骤一、采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数。
所述步骤一包括如下内容：
步骤101、在开关柜中安装拾音器，设置采样率为48kHz，位深度为24位，并选择连续采集模式，连续采集开关柜的全天候运行声音数据，建立音频数据库。
步骤102、获取音频数据库，进行数据清洗和数据预处理后，全天的音频数据被分为N等分的音频片段，并将每个音频片段使用 librosa 库将语音数据转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数。
librosa是一个用于音频、音乐分析、处理的Python工具包。它非常强大，提供了许多功能，例如时频处理、特征提取、绘制声音图形等。
步骤103、对已知开关柜故障进行记录分类，并将对应音频的傅里叶变换幅度谱和谱梅尔频率倒谱系数存储到声纹特征库中。
使用时，结合步骤101及103中的内容：
通过采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数，可以提取音频的关键特征，并在一定程度上降低噪声干扰，提高信号的信噪比。
步骤二、获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds。
所述步骤二包括如下内容：
步骤201、获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，将频率范围分成N个等份，每个等份的宽度为，获取每个频率等份内正常运作音频和待分类音频在该频率下的幅值/>，以及该频率等份内频率点的数量/>。
步骤202、获取开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，对应的计算公式如下：
其中，i表示每个频率等份对应的顺序编号， ， 为正整
数。
使用时，结合步骤201及202中的内容：
通过获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，将待测音频与正常运作音频在三个方面的差异进行分析，可以定量评估待测音频与正常运作音频之间的差异程度，从而为故障程度的评估提供定量依据。
步骤三、获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略。
所述步骤三包括如下内容：
步骤301、获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，进行线性归一化处理后，获得综合偏差系数Zh：
其中，为偏差权重，/> ，C为常数修正系数。
步骤302、获取综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略，具体为：
其中，第一故障阈值为，第二故障阈值为/>。
第一故障等级反馈当前开关柜发生故障，对应的，向外发出一级故障预警命令；第二故障等级反馈当前开关柜运行声音存在偏差， 需要进一步确认是否发生故障，对应的，向外发出二级故障预警命令；正常运行反馈当前开关柜正常运行，无需采取任何措施。
使用时，结合步骤301及302中的内容：
通过将待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，关联获得综合偏差系数Zh，可以降低单一特征的评估误差，提高评估结果的可靠性，及时发现音频中的异常情况，避免因故障扩大化而造成的损失。
步骤四、若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数，对比大小后依据对应的故障编号确定故障种类，并向外输出故障种类。
所述步骤四包括如下内容：
步骤401、若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数。
其中，x表示每个故障音频对应的顺序编号。
步骤402、获取当前异常音频所有的综合偏差系数，对比大小后获得，依据/>对应的故障编号确定故障种类，并向外输出故障种类。
使用时，结合步骤401及402中的内容：
当已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，确定故障种类，并向外输出故障种类，可以快速准确地确定故障种类，从而缩短维护时间，提高维护效率，同时便于维护人员了解开关柜的运行状态和历史维护情况，制定更加科学合理的维护计划。
步骤五、获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
所述步骤五包括如下内容：
步骤501、统计分析开关柜故障数据，获取单位时间内第二故障等级音频个数Ed、第一故障等级音频个数Zy及实际故障音频个数Sjg，关联获得故障误差指数Gzw，对应的故障误差指数Gzw的计算公式如下：
其中，单位时间可以取一天、一周及一个月中的某一个。
步骤502、统计获取单位时间内类别误差判断正确个数Zq和类别误差分析错误个数Cw，关联获得类别误差指数Lbc：
对应的类别误差指数Lbc的计算公式如上。
步骤503、统计分析开关柜故障数据，获取故障误差指数Gzw和类别误差指数Lbc，进行线性归一化处理后，计算获得开关柜故障识别误差指数Kw，对应的开关柜故障识别误差指数Kw的计算公式如下：
其中，为故障误差权重。
当开关柜故障识别误差指数kw超过时，向外发出误差过大预警，反馈当前系统灵敏度差，需要进一步优化。
使用时，结合步骤501及503中的内容：
通过统计分析获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析，可以衡量和评估开关柜状态监测系统的准确性和可靠性，发现系统存在的问题和不足，进而进行优化和改进。
请参阅图1至图4，本发明还提供一种基于声纹识别的开关柜状态在线监测系统，包括：开关柜运行数据采集模块，频谱分析模块，故障确定模块，故障种类识别模块，误差分析模块，其中，
开关柜运行数据采集模块，采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数。
频谱分析模块，获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数、每个频率等份的幅值/>及该频率等份内频率点的数量/>，分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds。
故障确定模块，获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略。
故障种类识别模块，若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数，对比大小后依据/>对应的故障编号确定故障种类，并向外输出故障种类。
误差分析模块，统计分析获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。
这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。
可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.基于声纹识别的开关柜状态在线监测方法，其特征在于：包括如下步骤：
采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数；
获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数Me1和Me2、每个频率等份的幅值和/>及该频率等份内频率点的数量/>和/>分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds；
获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，将频率范围分成N个等份，每个等份的宽度为Δp，获取每个频率等份内正常运作音频和待分类音频在该频率下的幅值和/>以及该频率等份内频率点的数量/>和/>
获取开关柜正常运作音频和待测音频的梅尔频率倒谱系数Me1和Me2、每个频率等份的幅值和/>及该频率等份内频率点的数量/>和/>分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，对应的计算公式如下：
其中，i表示每个频率等份对应的顺序编号，i＝1、2、3、4、…、n，n为正整数；
获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，关联获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略；
获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，进行线性归一化处理后，获得综合偏差系数Zh：
其中，权重系数：0≤k1≤1，0≤k2≤1，且k1+k2＝1，k1、k2为偏差权重，0<C<1，C为常数修正系数；
若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数Zhx，对比大小后依据min(Zhx)对应的故障编号确定故障种类，并向外输出故障种类；
获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
2.根据权利要求1所述的基于声纹识别的开关柜状态在线监测方法，其特征在于：
获取音频数据库，进行数据清洗和数据预处理后，全天的音频数据被分为N等分的音频片段，并将每个音频片段使用librosa库将语音数据转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数。
3.根据权利要求1所述的基于声纹识别的开关柜状态在线监测方法，其特征在于：
获取综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略，具体为：
当时，开关柜处于第一故障等级，反馈当前开关柜发生故障，对应的，向外发出一级故障预警命令；
当时，开关柜处于第二故障等级，反馈当前开关柜运行声音存在偏差，需要进一步确认是否发生故障，对应的，向外发出二级故障预警命令；
当时，开关柜正常运行，无需采取任何措施；
其中，第一故障阈值为第二故障阈值为/>
4.根据权利要求1所述的基于声纹识别的开关柜状态在线监测方法，其特征在于：
统计分析开关柜故障数据，获取单位时间内第二故障等级音频个数Ed、第一故障等级音频个数Zy及实际故障音频个数Sjg，进行无量纲化处理后，关联获得故障误差指数Gzw，对应的故障误差指数Gzw的计算公式如下：
其中，单位时间为取一天、一周及一个月中的任一种。
5.根据权利要求4所述的基于声纹识别的开关柜状态在线监测方法，其特征在于：
统计分析开关柜故障数，据获取单位时间内类别误差判断正确个数Zq和类别误差分析错误个数Cw，关联获得类别误差指数Lbc：
对应的类别误差指数Lbc的计算公式如上。
6.根据权利要求5所述的基于声纹识别的开关柜状态在线监测方法，其特征在于：
获取故障误差指数Gzw和类别误差指数Lbc，进行线性归一化处理后，计算获得开关柜故障识别误差指数Kw，对应的开关柜故障识别误差指数Kw的计算公式如下：
其中，权重系数：0≤k3≤1，0≤k4≤1，且k3+k4＝1，k3、k4为故障误差权重；
当开关柜故障识别误差指数超过时，向外发出误差过大预警，反馈当前系统灵敏度差，需要进一步优化。
7.一种基于声纹识别的开关柜状态在线监测系统，其特征在于：包括：
开关柜运行数据采集模块，采集开关柜的全天候运行声音数据，将每个音频片段转换为短时傅里叶变换的幅度谱，并计算音频的梅尔频率倒谱系数；
频谱分析模块，获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，分析获得开关柜正常运作音频和待测音频的梅尔频率倒谱系数Me1和Me2、每个频率等份的幅值和/>及该频率等份内频率点的数量/>和/>分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds；
获取开关柜正常运作音频和待测音频的短时傅里叶变换的幅度谱，将频率范围分成N个等份，每个等份的宽度为Δp，获取每个频率等份内正常运作音频和待分类音频在该频率下的幅值和/>以及该频率等份内频率点的数量/>和/>
获取开关柜正常运作音频和待测音频的梅尔频率倒谱系数Me1和Me2、每个频率等份的幅值和/>及该频率等份内频率点的数量/>和/>分别关联形成待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，对应的计算公式如下：
其中，i表示每个频率等份对应的顺序编号，i＝1、2、3、4、…、n，n为正整数；
故障确定模块，获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，关联获得综合偏差系数Zh，依据综合偏差系数Zh与第一故障阈值和第二故障阈值的关系，评估开关柜的故障等级，并选择对应的安全预警处理策略；
获取待测音频的第一差异系数Dy、第二差异系数De及第三差异系数Ds，进行线性归一化处理后，获得综合偏差系数Zh：
其中，权重系数：0≤k1≤1，0≤k2≤1，且k1+k2＝1，k1、k2为偏差权重，0<C<1，C为常数修正系数；
故障种类识别模块，若已确定开关柜发生故障，将异常音频与声纹特征库中的故障音频进行对比分析，获得异常音频与每个故障音频的综合偏差系数Zhx，对比大小后依据min(Zhx)对应的故障编号确定故障种类，并向外输出故障种类；误差分析模块，获取系统故障分析数据和类别分析数据，计算获得故障误差指数Gzw和类别误差指数Lbc，并进一步关联形成开关柜故障识别误差指数Kw，对当前开关柜状态监测系统进行误差分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536303.0A CN117275512B (zh) | 2023-11-17 | 2023-11-17 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536303.0A CN117275512B (zh) | 2023-11-17 | 2023-11-17 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117275512A CN117275512A (zh) | 2023-12-22 |
| CN117275512B true CN117275512B (zh) | 2024-01-30 |
Family
ID=89206614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311536303.0A Active CN117275512B (zh) | 2023-11-17 | 2023-11-17 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275512B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851956B (zh) * | 2024-03-07 | 2024-05-10 | 深圳市森树强电子科技有限公司 | 基于数据分析的机电设备故障诊断方法、系统及终端 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
| CN114137410A (zh) * | 2021-12-07 | 2022-03-04 | 国网湖南省电力有限公司检修公司 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
| CN115452378A (zh) * | 2022-08-17 | 2022-12-09 | 东南大学 | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 |
| CN115616454A (zh) * | 2022-09-30 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于互相关分析的变压器声纹成像方法和系统 |
| CN116524933A (zh) * | 2023-04-10 | 2023-08-01 | 冯金玉 | 一种基于物联网的电力线路监测方法及系统 |
| CN116778964A (zh) * | 2023-07-21 | 2023-09-19 | 东北大学 | 一种基于声纹识别的变电设备故障监测系统及方法 |
| CN117059128A (zh) * | 2023-09-04 | 2023-11-14 | 深圳远大科技工程有限公司 | 基于声音识别的机房异常监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111370027B (zh) * | 2020-03-02 | 2023-04-07 | 乐鑫信息科技（上海）股份有限公司 | 一种离线嵌入式异常声音检测系统和方法 |
-
2023
- 2023-11-17 CN CN202311536303.0A patent/CN117275512B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
| CN114137410A (zh) * | 2021-12-07 | 2022-03-04 | 国网湖南省电力有限公司检修公司 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
| CN115452378A (zh) * | 2022-08-17 | 2022-12-09 | 东南大学 | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 |
| CN115616454A (zh) * | 2022-09-30 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于互相关分析的变压器声纹成像方法和系统 |
| CN116524933A (zh) * | 2023-04-10 | 2023-08-01 | 冯金玉 | 一种基于物联网的电力线路监测方法及系统 |
| CN116778964A (zh) * | 2023-07-21 | 2023-09-19 | 东北大学 | 一种基于声纹识别的变电设备故障监测系统及方法 |
| CN117059128A (zh) * | 2023-09-04 | 2023-11-14 | 深圳远大科技工程有限公司 | 基于声音识别的机房异常监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117275512A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117275512B (zh) | 一种基于声纹识别的开关柜状态在线监测方法及系统 | |
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN109781658B (zh) | 一种基于近红外光谱主成分分析的绝缘纸种类判别方法 | |
| CN104764869A (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN117148076B (zh) | 一种多特征融合的高压开关柜局部放电识别方法及系统 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN117200394A (zh) | 一种基于bim模型的bms电池管理方法及系统 | |
| CN113219296B (zh) | 一种输电线路行波故障数据片段自适应截取方法 | |
| CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
| CN117761469A (zh) | 一种诊断配电网架空线路局部放电的巡检方法及系统 | |
| CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
| CN110726676B (zh) | 一种基于光声光谱技术的智慧变电站在线运维系统 | |
| CN106771928A (zh) | 一种局部放电脉冲初至时刻在线拾取方法 | |
| CN113572555A (zh) | 一种基于零样本学习的黑广播监测方法 | |
| CN118091234B (zh) | 一种用于故障诊断处理的电流互感器 | |
| CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
| CN117232644B (zh) | 一种基于声学原理的变压器声音监测故障诊断方法及系统 | |
| CN114722865B (zh) | 基于数据识别的防爆电机故障诊断方法 | |
| CN110939875B (zh) | 基于谱纹分析的管道泄露检测与定位方法及其系统 | |
| CN113533915B (zh) | 利用相似度测度的变压器局部放电声发射事件计数方法 | |
| CN115656764B (zh) | 一种用于发光二极管的照明质量检测方法 | |
| CN118137667A (zh) | 电压互感器二次回路检测方法 | |
| Chan | Broken Neutral Classification through Anomaly Detection using Features based on Voltage and Current Observations | |
| CN117890697A (zh) | 一种高压电缆受潮模拟状态监测分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |