CN117470976A - 一种基于声纹特征的输电线路缺陷检测方法及系统 - Google Patents
一种基于声纹特征的输电线路缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117470976A CN117470976A CN202311823456.3A CN202311823456A CN117470976A CN 117470976 A CN117470976 A CN 117470976A CN 202311823456 A CN202311823456 A CN 202311823456A CN 117470976 A CN117470976 A CN 117470976A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- matrix
- voiceprint
- voiceprint feature
- defect detection
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 147
- 230000007547 defect Effects 0.000 title claims abstract description 145
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 239000011159 matrix material Substances 0.000 claims abstract description 187
- 230000007613 environmental effect Effects 0.000 claims abstract description 57
- 230000001629 suppression Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 63
- 238000010586 diagram Methods 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000472 traumatic effect Effects 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 2
- 238000005215 recombination Methods 0.000 claims description 2
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 7
- 230000005684 electric field Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
Abstract
本发明涉及缺陷检测领域,更具体的说,它涉及一种基于声纹特征的输电线路缺陷检测方法及系统。一种基于声纹特征的输电线路缺陷检测系统,包括:声纹特征矩阵获取模块、第一次环境噪声抑制模块、第二次环境噪声抑制模块、输电线缺陷检测模型建立模块和输电线缺陷检测模块。本发明通过采集输电线在工作时的声纹特征矩阵,并通过将采集到的声纹特征矩阵送入输电线缺陷检测模型进行检测来判断输电线是否出现缺陷,实现对输电线缺陷的检测,此方法无需工作人员进行目视巡检,能够提升对输电线缺陷检测的效率;在将声纹特征矩阵送入输电线缺陷检测模型之前,还对声纹特征矩阵进行了两次环境噪声抑制,提升了对输电线缺陷检测的准确率。
Description
技术领域
本发明涉及缺陷检测领域,更具体的说,它涉及一种基于声纹特征的输电线路缺陷检测方法及系统。
背景技术
电力系统的稳定运行对整个社会供电至关重要,而输电线路作为其核心组成部分,其可靠性显得尤为紧要。然而,现有的传统输电线路检测方法,例如目视检查和红外热像技术,虽然在一定程度上提供了对线路状态的监测,但却存在着一系列明显的局限性。例如,目视检查的依赖性较高,往往需要人员亲临现场进行观察,这不仅费时费力,而且可能由于人为因素导致遗漏或误判,同时,目视检查对于线路潜在问题的提前发现能力较弱,容易在问题真正暴露之前无法及时发现隐患,且目视检查受到地形限制,难以覆盖一些偏远或复杂地区;红外热像技术虽然可以检测线路的温度分布,但对于某些故障类型,如接触不良或局部过载,其灵敏度可能不够高,红外热像技术还可能受到环境条件和距离限制。由于现有的传统输电线路检测方法存在这些局限性,导致对输电线缺陷检测的效率较低。
发明内容
本发明通过采集输电线在工作时的声纹特征矩阵,并通过将采集到的声纹特征矩阵送入输电线缺陷检测模型进行检测来判断输电线是否出现缺陷,实现对输电线缺陷的检测,此方法无需工作人员进行目视巡检,能够提升对输电线缺陷检测的效率;在将声纹特征矩阵送入输电线缺陷检测模型之前,还对声纹特征矩阵进行了两次环境噪声抑制,提升了对输电线缺陷检测的准确率。
一种基于声纹特征的输电线路缺陷检测方法,包括:
获取来自采集点的声纹特征矩阵Fi,i=1,2,3……I,i为每个采集点对应的采集点编号,I为采集点的总个数,且采集点编号之间的相邻关系与对应采集点之间的地理位置相邻一致,声纹特征矩阵Fi为MFCC特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数;
通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,若是检测结果为“无缺陷”,则等待固定时间,执行下一次缺陷检测;若是检测结果为“有缺陷”,则输出输电线缺陷预测位置。
作为本发明优选的一个方面,通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制,具体包括如下步骤:
逐个选择声纹特征矩阵Fi,针对选择的声纹特征矩阵Fi,执行如下操作,获取选择的声纹特征矩阵Fi相邻的两个声纹特征矩阵Fi-1和声纹特征矩阵Fi+1,将声纹特征矩阵Fi-1按照行进行划分,构建维度向量Fi-1(n),n=1,2,3……N,维度向量Fi-1(n)中存储的数值个数为M;将声纹特征矩阵Fi按照行进行划分,构建维度向量Fi(n);将声纹特征矩阵Fi+1按照行进行划分,构建维度向量Fi+1(n);构建一个空的暂存矩阵Z,暂存矩阵Z的大小为N×M,且暂存矩阵Z中各项值初始为0;针对暂存矩阵Z中的第n行,选择对应的维度向量Fi-1(n)和维度向量Fi+1(n),计算维度向量Fi-1(n)和维度向量Fi+1(n)之间的相似度δ,判断“δ>A”是否成立,A为相似度阈值,若是“δ>A”成立,基于维度向量Fi-1(n)和维度向量Fi+1(n)计算权重维度向量wn,权重维度向量wn中每一个位置上的数值为维度向量Fi-1(n)和维度向量Fi+1(n)对应位置上数值的平均值,将权重维度向量wn填充至暂存矩阵Z中的第n行;若是“δ>A”不成立,将维度向量Fi(n)填充至暂存矩阵Z中的第n行;将全部被填充完毕后的暂存矩阵Z记为权重矩阵W,计算注意力系数矩阵V,V=Fi·WT,其中“·”为点乘操作,WT为权重矩阵W的转置,计算第一更新矩阵H1,H=V·Fi,并将第一更新矩阵H1对选择的声纹特征矩阵Fi进行替换,实现对所有声纹特征矩阵Fi进行第一次环境噪声抑制。
作为本发明优选的一个方面,通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制,具体包括如下步骤:
获取所有进行了第一次环境噪声抑制的声纹特征矩阵Fi;
将声纹特征矩阵Fi逐个送入训练好的噪声背景生成网络进行计算,输出第二更新矩阵H2,将第二更新矩阵H2对声纹特征矩阵Fi进行替换,实现对声纹特征矩阵Fi的第二次环境噪声抑制。
作为本发明优选的一个方面,噪声背景生成网络包括生成器和判别器,其中生成器基于U-net进行建立,判别器基于CNN神经网络进行建立;噪声背景生成网络在使用时停用判别器部分。
作为本发明优选的一个方面,对于噪声背景生成网络的训练包括如下步骤:
获取标注好是否有噪声的声纹特征矩阵,所述有噪声的声纹特征矩阵可以通过人为在无噪声的声纹特征矩阵上添加噪声得到;将所有标注好是否有噪声的声纹特征矩阵组成第一训练样本集;将第一训练样本集送入初始化参数的判别器对判别器进行训练,期间以是否有噪声作为目标条件,计算损失值,若是损失值在第一预设范围内,第一预设范围人为设定,输出训练好的判别器,否则继续跌打训练;当判别器训练完成后,固定判别器的参数,选择第一训练样本集中有噪声的声纹特征矩阵组成第二训练集;将第二训练集送入初始化参数的生成器进行计算,再将生成器计算得到的所有第二更新矩阵H2送入固定参数的判别器,以无噪声作为目标条件,对生成器中的参数进行更新,同时计算第二损失值,若是第二损失值在第二预设范围内,第二预设范围人为设定,输出训练好的生成器;否则,继续对生成器进行迭代训练。
作为本发明优选的一个方面,将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,具体包括如下步骤:
将所有声纹特征矩阵Fi按照i从小到大的顺序进行排列组成待检测输电线声纹特征集,再将待检测输电线声纹特征集送入训练好的输电线缺陷检测模型进行检测,输出缺陷概率向量P,缺陷概率向量P的存储形式为{p1,p2…pi…pI},pi即为第i个采集点对应的缺陷概率,判断“pi>B”是否成立,B为缺陷概率阈值,若是出现“pi>B”成立的情况,输出检测结果为“有缺陷”,并将所有满足“pi>B”的缺陷概率pi对应的采集点i作为输电线缺陷预测位置进行输出;若是没有出现“pi>B”成立的情况,输出检测结果为“无缺陷”。
作为本发明优选的一个方面,输电线缺陷检测模型包括Bi-LSTM层、特征图重组层和缺陷检测层,其中Bi-LSTM层基于Bi-LSTM模型建立;特征图重组层用于对声纹特征矩阵进行重组;缺陷检测层基于CNN卷积网络进行建立。
作为本发明优选的一个方面,通过训练好的输电线缺陷检测模型对检测输电线声纹特征集处理,具体包括如下步骤:
将待检测输电线声纹特征集输入Bi-LSTM层进行处理,得到I个中间特征矩阵Ri,中间特征矩阵Ri的大小为N×M;
特征图重组层执行如下操作,获取所有中间特征矩阵Ri,并基于所有中间特征矩阵Ri建立待检测输电线特征图,待检测输电线特征图的大小为I×N×M,其中I和N分别为待检测输电线特征图的长和宽,M为待检测输电线特征图的通道数;
将检测输电线特征图送入缺陷检测层,输出缺陷概率向量P。
作为本发明优选的一个方面,对于输电线缺陷检测模型的训练,具体包括如下内容:
获取历史记录的声纹特征矩阵Fi,并将同一时刻上传的所有声纹特征矩阵Fi经过第一次环境噪声抑制和第二次环境噪声抑制后组成训练样本,训练样本的存储形式与待检测输电线声纹特征集一致,同时通过缺陷概率向量P对训练样本进行标注,若是采集点i对应的输电线不存在缺陷,则缺陷概率向量P中的pi赋值为0;将所有训练样本组成第三训练集;再将第三训练集送入初始化参数的输电线缺陷检测模型进行训练,以训练样本对应的缺陷概率向量P作为目标条件,计算损失值,若是损失值在第三预设范围内,输出训练后的输电线缺陷检测模型;否则,继续迭代训练。
一种基于声纹特征的输电线路缺陷检测系统,包括:
声纹特征矩阵获取模块,用于获取来自采集点的声纹特征矩阵,声纹特征矩阵为MFCC特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数;
第一次环境噪声抑制模块,用于通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
第二次环境噪声抑制模块,用于通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
输电线缺陷检测模型建立模块,用于训练和存储输电线缺陷检测模型;
输电线缺陷检测模块,用于将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测。
本发明具有以下优点:
1、本发明通过采集输电线在工作时的声纹特征矩阵,并通过将采集到的声纹特征矩阵送入输电线缺陷检测模型进行检测来判断输电线是否出现缺陷,实现对输电线缺陷的检测,此方法无需工作人员进行目视巡检,能够提升对输电线缺陷检测的效率;在将声纹特征矩阵送入输电线缺陷检测模型之前,还对声纹特征矩阵进行了两次环境噪声抑制,提升了对输电线缺陷检测的准确率。
2、本发明通过分析相邻采集点的声纹特征信息,并基于维度向量的变化趋势来判断是否出现影响范围较小的高频噪声,例如鸟鸣,这类高频噪声传播距离短,对相邻采集点的影响较小,再通过自注意力机制对声纹特征矩阵中变化趋势一致的维度特征进行强化,抑制变化趋势不一致的维度特征,实现对环境噪声的抑制。
3、本发明通过噪声背景生成网络对声纹特征矩阵中噪声背景进行去除,能够实现在全局层面上的环境噪声去除,进一步实现对环境噪声的抑制。
4、本发明通过输电线缺陷检测模型中的Bi-LSTM层进一步提升声纹特征的质量,并且基于CNN卷积网络对输电线的缺陷进行检测,能够直接输出可能存在缺陷的输电线位置,方便操作。
附图说明
图1为本发明实施例采用的基于声纹特征的输电线路缺陷检测系统的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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。
实施例1:一种基于声纹特征的输电线路缺陷检测方法,包括:
获取来自采集点的声纹特征矩阵Fi,i=1,2,3……I,i为每个采集点对应的采集点编号,I为采集点的总个数,且采集点编号之间的相邻关系与对应采集点之间的地理位置相邻一致,例如采集点编号35相邻的采集点编号为34和36,则采集点编号35对应的采集点与采集点编号为34和36对应的采集点在地理位置上是相邻的,声纹特征矩阵Fi为MFCC特征矩阵,即梅尔倒谱系数特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,一般为12,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数,一般在采集点处,间隔固定时间采集一段5s的声音信号,这段5s的声音信号在计算MFCC特征矩阵时被划分为200帧,帧移为10ms,需要说明的是,采集点是指设置在输电线沿线位置的声音采集设备,例如高灵敏度麦克风,通过声音采集设备可以采集输电线在工作状态下的声音;
在采集点处,通过声音采集设备间隔固定时间采集一次声音信号,固定时间可以设置为10min,再基于采集的声音信号计算MFCC特征矩阵,计算步骤包括预加重、端口检测、分帧、加窗、快速傅里叶变换、梅尔滤波器滤波处理和离散余弦变换;
通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,若是检测结果为“无缺陷”,则等待固定时间,执行下一次缺陷检测;若是检测结果为“有缺陷”,则输出输电线缺陷预测位置,提醒工作人员前往输电线缺陷预测位置进行检修。
高压输电线能够产生强大的电场,当电场强度超过周围空气的电离阈值时,会导致空气分子电离,形成等离子体,这个过程会释放出声音、光(如电晕放电时可见的光芒)和电磁能;在正常情况下,输电线由于电晕发电会产生特定的声纹,而当输电线发生物理损伤、绝缘退化、连接松动或其他类型的缺陷时,这些变化可能会导致电场分布不均,从而改变电晕放电的特性,进而影响声音的特征,本申请通过采集输电线在工作时的声纹特征矩阵,并通过将采集到的声纹特征矩阵送入输电线缺陷检测模型进行检测来判断输电线是否出现缺陷,实现对输电线缺陷的检测,此方法无需工作人员进行目视巡检,能够提升对输电线缺陷检测的效率;在将声纹特征矩阵送入输电线缺陷检测模型之前,还对声纹特征矩阵进行了两次环境噪声抑制,提升了对输电线缺陷检测的准确率。
通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制,具体包括如下步骤:
逐个选择声纹特征矩阵Fi,针对选择的声纹特征矩阵Fi,执行如下操作,获取选择的声纹特征矩阵Fi相邻的两个声纹特征矩阵Fi-1和声纹特征矩阵Fi+1,将声纹特征矩阵Fi-1按照行进行划分,构建维度向量Fi-1(n),n=1,2,3……N,维度向量Fi-1(n)中存储的数值个数为M,维度向量Fi-1(n)表示在声纹特征矩阵Fi-1中,第n行对应的行向量,也表征了声纹特征矩阵Fi-1在第n维的所有数值;将声纹特征矩阵Fi按照行进行划分,构建维度向量Fi(n);将声纹特征矩阵Fi+1按照行进行划分,构建维度向量Fi+1(n);构建一个空的暂存矩阵Z,暂存矩阵Z的大小为N×M,且暂存矩阵Z中各项值初始为0;针对暂存矩阵Z中的第n行,选择对应的维度向量Fi-1(n)和维度向量Fi+1(n),计算维度向量Fi-1(n)和维度向量Fi+1(n)之间的相似度δ,计算方式可以采用余弦相似度,判断“δ>A”是否成立,A为相似度阈值,由用户进行设定,在本实施例中δ为0.85,若是“δ>A”成立,说明第i-1个采集点采集的声纹特征矩阵Fi-1与第i+1个采集点采集的声纹特征矩阵Fi+1在第n维上的变化趋势具备有一致,且由于相邻采集点对应的输电线在本身属性上具备一致性,所以,第i个采集点采集的声纹特征矩阵Fi在第n维上的变化趋势可以参考声纹特征矩阵Fi-1与声纹特征矩阵Fi+1在第n维上的变化趋势,基于维度向量Fi-1(n)和维度向量Fi+1(n)计算权重维度向量wn,权重维度向量wn中每一个位置上的数值为维度向量Fi-1(n)和维度向量Fi+1(n)对应位置上数值的平均值,将权重维度向量wn填充至暂存矩阵Z中的第n行;若是“δ>A”不成立,说明声纹特征矩阵Fi-1与声纹特征矩阵Fi+1在第n维上的变化趋势不一致,也就没有参考性,此时可以通过声纹特征矩阵Fi自身的维度向量来做参考,这是由于声纹特征矩阵Fi上每一维上的数值变化都是来源一段声音信号的不同分帧,在正常状态下,所以维度变化具备一致性,将维度向量Fi(n)填充至暂存矩阵Z中的第n行;将全部被填充完毕后的暂存矩阵Z记为权重矩阵W,计算注意力系数矩阵V,V=Fi·WT,其中“·”为点乘操作,WT为权重矩阵W的转置,计算第一更新矩阵H1,H=V·Fi,并将第一更新矩阵H1对选择的声纹特征矩阵Fi进行替换,实现对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
需要补充的是,针对于声纹特征矩阵F1和声纹特征矩阵FI,其相邻的特征矩阵只有一个,那么可以采用如下方式:增加声纹特征矩阵F0和声纹特征矩阵FI+1,声纹特征矩阵F0和声纹特征矩阵FI+1均为标准声纹特征矩阵,标准声纹特征矩阵由用户进行设定,表征正常状态下无缺陷的声音信号对应的声纹特征矩阵,使得声纹特征矩阵F1和声纹特征矩阵FI具备两个相邻的声纹特征矩阵,且不对声纹特征矩阵F0和声纹特征矩阵FI+1进行更新;或者直接将声纹特征矩阵F1和声纹特征矩阵FI各自相邻的一个声纹特征矩阵作为权重矩阵W;本实施例中采用的是增加声纹特征矩阵F0和声纹特征矩阵FI+1这个方式。
需要说明的是,在通过声纹特征对输电线缺陷进行检测,各种环境噪音(例如鸟鸣、变电站设备噪声等)会造成极大的影响,导致通过声纹特征对输电线缺陷进行检测的准确率较低,本申请通过分析相邻采集点的声纹特征信息,并基于维度向量的变化趋势来判断是否出现影响范围较小的高频噪声,例如鸟鸣,这类高频噪声传播距离短,对相邻采集点的影响较小,再通过自注意力机制对声纹特征矩阵中变化趋势一致的维度特征进行强化,抑制变化趋势不一致的维度特征,实现对环境噪声的抑制。
通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制,具体包括如下步骤:
获取所有进行了第一次环境噪声抑制的声纹特征矩阵Fi;
将声纹特征矩阵Fi逐个送入训练好的噪声背景生成网络进行计算,输出第二更新矩阵H2,将第二更新矩阵H2对声纹特征矩阵Fi进行替换,实现对声纹特征矩阵Fi的第二次环境噪声抑制;
噪声背景生成网络包括生成器和判别器,其中生成器基于U-net进行建立,判别器基于CNN神经网络进行建立;噪声背景生成网络在使用时停用判别器部分;
对于噪声背景生成网络的训练包括如下步骤:
获取标注好是否有噪声的声纹特征矩阵,需要说明的是,此处有噪声的声纹特征矩阵可以通过人为在无噪声的声纹特征矩阵上添加噪声得到;将所有标注好是否有噪声的声纹特征矩阵组成第一训练样本集;将第一训练样本集送入初始化参数的判别器对判别器进行训练,期间以是否有噪声作为目标条件,计算损失值,若是损失值在第一预设范围内,第一预设范围人为设定,输出训练好的判别器,否则继续跌打训练;当判别器训练完成后,固定判别器的参数,选择第一训练样本集中有噪声的声纹特征矩阵组成第二训练集;将第二训练集送入初始化参数的生成器进行计算,再将生成器计算得到的所有第二更新矩阵H2送入固定参数的判别器,以无噪声作为目标条件,对生成器中的参数进行更新,同时计算第二损失值,若是第二损失值在第二预设范围内,第二预设范围人为设定,输出训练好的生成器;否则,继续对生成器进行迭代训练。
本申请通过噪声背景生成网络对声纹特征矩阵中噪声背景进行去除,能够实现在全局层面上的环境噪声去除,进一步实现对环境噪声的抑制。
将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,具体包括如下步骤:
将所有声纹特征矩阵Fi按照i从小到大的顺序进行排列组成待检测输电线声纹特征集,再将待检测输电线声纹特征集送入训练好的输电线缺陷检测模型进行检测,输出缺陷概率向量P,缺陷概率向量P的存储形式为{p1,p2…pi…pI},pi即为第i个采集点对应的缺陷概率,判断“pi>B”是否成立,B为缺陷概率阈值,由用户设定,若是出现“pi>B”成立的情况,输出检测结果为“有缺陷”,并将所有满足“pi>B”的缺陷概率pi对应的采集点i作为输电线缺陷预测位置进行输出;若是没有出现“pi>B”成立的情况,输出检测结果为“无缺陷”;
输电线缺陷检测模型包括Bi-LSTM层、特征图重组层和缺陷检测层,其中Bi-LSTM层基于Bi-LSTM模型建立,Bi-LSTM模型即为双向长短期记忆网络,能够很好的学习上下文的特征信息,而相邻的声纹特征矩阵Fi作为上下文,能够更好的提取输电线的声纹特征信息;特征图重组层用于对声纹特征矩阵进行重组,方便后续的缺陷检测;缺陷检测层基于CNN卷积网络进行建立;
将待检测输电线声纹特征集输入Bi-LSTM层进行处理,得到I个中间特征矩阵Ri,中间特征矩阵Ri的大小为N×M,需要说明的是,Bi-LSTM层基于现有技术进行设定,在将待检测输电线声纹特征集输入Bi-LSTM层进行处理的过程中,待检测输电线声纹特征集中的每一个声纹特征矩阵Fi都结合声纹特征矩阵Fi-1和声纹特征矩阵Fi+1输出一个中间特征矩阵Ri;
特征图重组层执行如下操作,获取所有中间特征矩阵Ri,并基于所有中间特征矩阵Ri建立待检测输电线特征图,待检测输电线特征图的大小为I×N×M,其中I和N分别为待检测输电线特征图的长和宽,M为待检测输电线特征图的通道数;
将检测输电线特征图送入缺陷检测层,输出缺陷概率向量P。
对于输电线缺陷检测模型的训练,具体包括如下内容:
获取历史记录的声纹特征矩阵Fi,并将同一时刻上传的所有声纹特征矩阵Fi经过第一次环境噪声抑制和第二次环境噪声抑制后组成训练样本,训练样本的存储形式与待检测输电线声纹特征集一致,同时通过缺陷概率向量P对训练样本进行标注,标注方式如下:若是采集点i对应的输电线存在缺陷,则缺陷概率向量P中的pi赋值为1,若是采集点i对应的输电线不存在缺陷,则缺陷概率向量P中的pi赋值为0;将所有训练样本组成第三训练集;再将第三训练集送入初始化参数的输电线缺陷检测模型进行训练,以训练样本对应的缺陷概率向量P作为目标条件,计算损失值,若是损失值在第三预设范围内,第三预设范围人为设定,输出训练后的输电线缺陷检测模型;否则,继续迭代训练。
本申请通过输电线缺陷检测模型中的Bi-LSTM层进一步提升声纹特征的质量,并且基于CNN卷积网络对输电线的缺陷进行检测,能够直接输出可能存在缺陷的输电线位置,方便操作。
实施例2:一种基于声纹特征的输电线路缺陷检测系统,参见图1,包括:
声纹特征矩阵获取模块,用于获取来自采集点的声纹特征矩阵,声纹特征矩阵为MFCC特征矩阵,即梅尔倒谱系数特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数;
第一次环境噪声抑制模块,用于通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
第二次环境噪声抑制模块,用于通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
输电线缺陷检测模型建立模块,用于训练和存储输电线缺陷检测模型;
输电线缺陷检测模块,用于将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于声纹特征的输电线路缺陷检测方法,其特征在于,包括:
获取来自采集点的声纹特征矩阵Fi,i=1,2,3……I,i为每个采集点对应的采集点编号,I为采集点的总个数,且采集点编号之间的相邻关系与对应采集点之间的地理位置相邻一致,声纹特征矩阵Fi为MFCC特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数;
通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,若是检测结果为“无缺陷”,则等待固定时间,执行下一次缺陷检测;若是检测结果为“有缺陷”,则输出输电线缺陷预测位置。
2.根据权利要求1所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制,具体包括如下步骤:
逐个选择声纹特征矩阵Fi,针对选择的声纹特征矩阵Fi,执行如下操作,获取选择的声纹特征矩阵Fi相邻的两个声纹特征矩阵Fi-1和声纹特征矩阵Fi+1,将声纹特征矩阵Fi-1按照行进行划分,构建维度向量Fi-1(n),n=1,2,3……N,维度向量Fi-1(n)中存储的数值个数为M;将声纹特征矩阵Fi按照行进行划分,构建维度向量Fi(n);将声纹特征矩阵Fi+1按照行进行划分,构建维度向量Fi+1(n);构建一个空的暂存矩阵Z,暂存矩阵Z的大小为N×M,且暂存矩阵Z中各项值初始为0;针对暂存矩阵Z中的第n行,选择对应的维度向量Fi-1(n)和维度向量Fi+1(n),计算维度向量Fi-1(n)和维度向量Fi+1(n)之间的相似度δ,判断“δ>A”是否成立,A为相似度阈值,若是“δ>A”成立,基于维度向量Fi-1(n)和维度向量Fi+1(n)计算权重维度向量wn,权重维度向量wn中每一个位置上的数值为维度向量Fi-1(n)和维度向量Fi+1(n)对应位置上数值的平均值,将权重维度向量wn填充至暂存矩阵Z中的第n行;若是“δ>A”不成立,将维度向量Fi(n)填充至暂存矩阵Z中的第n行;将全部被填充完毕后的暂存矩阵Z记为权重矩阵W,计算注意力系数矩阵V,V=Fi·WT,其中“·”为点乘操作,WT为权重矩阵W的转置,计算第一更新矩阵H1,H=V·Fi,并将第一更新矩阵H1对选择的声纹特征矩阵Fi进行替换,实现对所有声纹特征矩阵Fi进行第一次环境噪声抑制。
3.根据权利要求2所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制,具体包括如下步骤:
获取所有进行了第一次环境噪声抑制的声纹特征矩阵Fi;
将声纹特征矩阵Fi逐个送入训练好的噪声背景生成网络进行计算,输出第二更新矩阵H2,将第二更新矩阵H2对声纹特征矩阵Fi进行替换,实现对声纹特征矩阵Fi的第二次环境噪声抑制。
4.根据权利要求3所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,噪声背景生成网络包括生成器和判别器,其中生成器基于U-net进行建立,判别器基于CNN神经网络进行建立;噪声背景生成网络在使用时停用判别器部分。
5.根据权利要求4所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,对于噪声背景生成网络的训练包括如下步骤:
获取标注好是否有噪声的声纹特征矩阵,所述有噪声的声纹特征矩阵可以通过人为在无噪声的声纹特征矩阵上添加噪声得到;将所有标注好是否有噪声的声纹特征矩阵组成第一训练样本集;将第一训练样本集送入初始化参数的判别器对判别器进行训练,期间以是否有噪声作为目标条件,计算损失值,若是损失值在第一预设范围内,第一预设范围人为设定,输出训练好的判别器,否则继续跌打训练;当判别器训练完成后,固定判别器的参数,选择第一训练样本集中有噪声的声纹特征矩阵组成第二训练集;将第二训练集送入初始化参数的生成器进行计算,再将生成器计算得到的所有第二更新矩阵H2送入固定参数的判别器,以无噪声作为目标条件,对生成器中的参数进行更新,同时计算第二损失值,若是第二损失值在第二预设范围内,第二预设范围人为设定,输出训练好的生成器;否则,继续对生成器进行迭代训练。
6.根据权利要求5所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测,具体包括如下步骤:
将所有声纹特征矩阵Fi按照i从小到大的顺序进行排列组成待检测输电线声纹特征集,再将待检测输电线声纹特征集送入训练好的输电线缺陷检测模型进行检测,输出缺陷概率向量P,缺陷概率向量P的存储形式为{p1,p2…pi…pI},pi即为第i个采集点对应的缺陷概率,判断“pi>B”是否成立,B为缺陷概率阈值,若是出现“pi>B”成立的情况,输出检测结果为“有缺陷”,并将所有满足“pi>B”的缺陷概率pi对应的采集点i作为输电线缺陷预测位置进行输出;若是没有出现“pi>B”成立的情况,输出检测结果为“无缺陷”。
7.根据权利要求6所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,输电线缺陷检测模型包括Bi-LSTM层、特征图重组层和缺陷检测层,其中Bi-LSTM层基于Bi-LSTM模型建立;特征图重组层用于对声纹特征矩阵进行重组;缺陷检测层基于CNN卷积网络进行建立。
8.根据权利要求7所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,通过训练好的输电线缺陷检测模型对检测输电线声纹特征集处理,具体包括如下步骤:
将待检测输电线声纹特征集输入Bi-LSTM层进行处理,得到I个中间特征矩阵Ri,中间特征矩阵Ri的大小为N×M;
特征图重组层执行如下操作,获取所有中间特征矩阵Ri,并基于所有中间特征矩阵Ri建立待检测输电线特征图,待检测输电线特征图的大小为I×N×M,其中I和N分别为待检测输电线特征图的长和宽,M为待检测输电线特征图的通道数;
将检测输电线特征图送入缺陷检测层,输出缺陷概率向量P。
9.根据权利要求8所述的一种基于声纹特征的输电线路缺陷检测方法,其特征在于,对于输电线缺陷检测模型的训练,具体包括如下内容:
获取历史记录的声纹特征矩阵Fi,并将同一时刻上传的所有声纹特征矩阵Fi经过第一次环境噪声抑制和第二次环境噪声抑制后组成训练样本,训练样本的存储形式与待检测输电线声纹特征集一致,同时通过缺陷概率向量P对训练样本进行标注,若是采集点i对应的输电线不存在缺陷,则缺陷概率向量P中的pi赋值为0;将所有训练样本组成第三训练集;再将第三训练集送入初始化参数的输电线缺陷检测模型进行训练,以训练样本对应的缺陷概率向量P作为目标条件,计算损失值,若是损失值在第三预设范围内,输出训练后的输电线缺陷检测模型;否则,继续迭代训练。
10.一种基于声纹特征的输电线路缺陷检测系统,其特征在于,所述系统应用于上述权利要求1-9任一项所述的一种基于声纹特征的输电线路缺陷检测方法,包括:
声纹特征矩阵获取模块,用于获取来自采集点的声纹特征矩阵,声纹特征矩阵为MFCC特征矩阵,大小为N×M,其中N为MFCC特征矩阵对应的特征维数总数量,M为计算MFCC特征矩阵时将采集的声音信号划分的帧数;
第一次环境噪声抑制模块,用于通过自注意力机制对所有声纹特征矩阵Fi进行第一次环境噪声抑制;
第二次环境噪声抑制模块,用于通过噪声背景生成网络对所有进行了第一次环境噪声抑制的声纹特征矩阵Fi进行第二次环境噪声抑制;
输电线缺陷检测模型建立模块,用于训练和存储输电线缺陷检测模型;
输电线缺陷检测模块,用于将经过了第二次环境噪声抑制的所有声纹特征矩阵Fi送入训练好的输电线缺陷检测模型进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823456.3A CN117470976B (zh) | 2023-12-28 | 2023-12-28 | 一种基于声纹特征的输电线路缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823456.3A CN117470976B (zh) | 2023-12-28 | 2023-12-28 | 一种基于声纹特征的输电线路缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117470976A true CN117470976A (zh) | 2024-01-30 |
CN117470976B CN117470976B (zh) | 2024-03-26 |
Family
ID=89624124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823456.3A Active CN117470976B (zh) | 2023-12-28 | 2023-12-28 | 一种基于声纹特征的输电线路缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470976B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770652A (zh) * | 2016-12-02 | 2017-05-31 | 国网四川省电力公司信息通信公司 | 基于声波特征的高压变压器健康状态监测装置及监测方法 |
US20180190268A1 (en) * | 2017-01-04 | 2018-07-05 | Samsung Electronics Co., Ltd. | Speech recognizing method and apparatus |
US20180293990A1 (en) * | 2015-12-30 | 2018-10-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for processing voiceprint authentication |
CN210322906U (zh) * | 2019-08-16 | 2020-04-14 | 国网新疆电力有限公司电力科学研究院 | 一种基于声纹振动的变压器机械缺陷带电检测系统 |
CN112420055A (zh) * | 2020-09-22 | 2021-02-26 | 甘肃同兴智能科技发展有限公司 | 基于声纹特征的变电站状态识别方法及装置 |
US20210335368A1 (en) * | 2020-04-22 | 2021-10-28 | Beijnig Xiaomi Pinecone Electronics Co., Ltd. | Method for training a voiceprint extraction model and method for voiceprint recognition, and device and medium thereof |
CN115482830A (zh) * | 2021-05-31 | 2022-12-16 | 华为技术有限公司 | 语音增强方法及相关设备 |
CN116230013A (zh) * | 2023-02-27 | 2023-06-06 | 浙江工业大学 | 一种基于x-vector的变压器故障声纹检测方法 |
CN116777187A (zh) * | 2023-08-25 | 2023-09-19 | 山东道万电气有限公司 | 一种多路巡检智能中控调度方法及调度平台 |
CN117198318A (zh) * | 2023-09-19 | 2023-12-08 | 重庆长安汽车股份有限公司 | 人声提取方法、装置、产品、无麦车载ktv系统及方法 |
CN117233257A (zh) * | 2023-09-14 | 2023-12-15 | 杭州海康威视数字技术股份有限公司 | 检测方法、装置、设备及存储介质 |
-
2023
- 2023-12-28 CN CN202311823456.3A patent/CN117470976B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293990A1 (en) * | 2015-12-30 | 2018-10-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for processing voiceprint authentication |
CN106770652A (zh) * | 2016-12-02 | 2017-05-31 | 国网四川省电力公司信息通信公司 | 基于声波特征的高压变压器健康状态监测装置及监测方法 |
US20180190268A1 (en) * | 2017-01-04 | 2018-07-05 | Samsung Electronics Co., Ltd. | Speech recognizing method and apparatus |
CN210322906U (zh) * | 2019-08-16 | 2020-04-14 | 国网新疆电力有限公司电力科学研究院 | 一种基于声纹振动的变压器机械缺陷带电检测系统 |
US20210335368A1 (en) * | 2020-04-22 | 2021-10-28 | Beijnig Xiaomi Pinecone Electronics Co., Ltd. | Method for training a voiceprint extraction model and method for voiceprint recognition, and device and medium thereof |
CN112420055A (zh) * | 2020-09-22 | 2021-02-26 | 甘肃同兴智能科技发展有限公司 | 基于声纹特征的变电站状态识别方法及装置 |
CN115482830A (zh) * | 2021-05-31 | 2022-12-16 | 华为技术有限公司 | 语音增强方法及相关设备 |
CN116230013A (zh) * | 2023-02-27 | 2023-06-06 | 浙江工业大学 | 一种基于x-vector的变压器故障声纹检测方法 |
CN116777187A (zh) * | 2023-08-25 | 2023-09-19 | 山东道万电气有限公司 | 一种多路巡检智能中控调度方法及调度平台 |
CN117233257A (zh) * | 2023-09-14 | 2023-12-15 | 杭州海康威视数字技术股份有限公司 | 检测方法、装置、设备及存储介质 |
CN117198318A (zh) * | 2023-09-19 | 2023-12-08 | 重庆长安汽车股份有限公司 | 人声提取方法、装置、产品、无麦车载ktv系统及方法 |
Non-Patent Citations (4)
Title |
---|
MOHAMMED M. NASEF等: "Voice gender recognition under unconstrained environments using self-attention", 《APPLIED ACOUSTICS》, vol. 175, 14 December 2020 (2020-12-14), XP086470057, DOI: 10.1016/j.apacoust.2020.107823 * |
何冰;孟夏卿;顾俊杰;俞杰;李伟;: "微振动传感与声振特征识别的输电线路环境异变预警研究", 电力信息与通信技术, no. 09, 25 September 2020 (2020-09-25) * |
李姝: "基于注意力机制的语音端点检测技术研究", 《硕士电子期刊》, no. 2, 15 February 2023 (2023-02-15) * |
王丰华;王邵菁;陈颂;袁国刚;张君;: "基于改进MFCC和VQ的变压器声纹识别模型", 中国电机工程学报, no. 05, 5 March 2017 (2017-03-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117470976B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983020B (zh) | 一种金属构件内部缺陷敲击检测识别系统及识别方法 | |
CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN107192930A (zh) | 一种变压器局部放电定位方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN113589100A (zh) | 基于双向长短期记忆和注意力机制的异常放电识别方法 | |
CN110596247A (zh) | 一种温度变化环境下的超声结构健康监测方法 | |
CN114487733A (zh) | 一种基于声纹的局部放电检测方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN117470976B (zh) | 一种基于声纹特征的输电线路缺陷检测方法及系统 | |
CN113466616A (zh) | 一种电缆故障点快速定位方法以及装置 | |
CN113866570A (zh) | 一种基于声纹的局放监测方法 | |
CN111755025B (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN115754630A (zh) | 基于声阵列的非接触式局放监测方法及监测装置 | |
CN115047290A (zh) | 基于深度学习的电缆故障放电声音的检测方法 | |
CN116230013A (zh) | 一种基于x-vector的变压器故障声纹检测方法 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
CN116972344A (zh) | 天然气管道泄漏检测方法、阈值设定方法、系统及介质 | |
CN113156278A (zh) | 一种基于cnn网络的gis局部放电定位方法 | |
CN112183745A (zh) | 基于粒子群算法和dbn的高压电缆局部放电模式识别方法 | |
CN117349597B (zh) | 一种用于智能数字精确定点仪的智能背景降噪方法 | |
CN110532635A (zh) | 一种基于时域的管道泄漏检测算法 | |
Li et al. | Deep Q-network for the Condition Monitoring of Power Transformer with Acoustic Signals | |
CN113642417B (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 |
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 |