CN117854542A - 一种基于奇异谱声纹的电力设备状态检测方法及装置 - Google Patents
一种基于奇异谱声纹的电力设备状态检测方法及装置 Download PDFInfo
- Publication number
- CN117854542A CN117854542A CN202311597768.7A CN202311597768A CN117854542A CN 117854542 A CN117854542 A CN 117854542A CN 202311597768 A CN202311597768 A CN 202311597768A CN 117854542 A CN117854542 A CN 117854542A
- Authority
- CN
- China
- Prior art keywords
- signal
- filter
- voiceprint
- singular spectrum
- singular
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims abstract description 6
- 230000006798 recombination Effects 0.000 claims abstract description 5
- 238000005215 recombination Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于奇异谱声纹的电力设备状态检测方法及装置,包括:步骤S1:信号处理阶段,以奇异谱分析的方法提取声信号的主导分量信号并重构,得到重组信号,奇异谱分析包括分解和重构两部分;步骤S2:声纹分析阶段,对上述奇异谱分析方法所得的重组信号进行声纹分析,提取其Gamma频率倒谱系数的特征矩阵;步骤S3:状态识别阶段,对上述Gamma频率倒谱系数进行降维计算,依据得到1×Lgm的特征向量T,以正常状态下的Gamma特征矩阵为标准,进行状态识别诊断。本发明可以直接应用于运行时的检测与诊断,自动化程度高,所采集的声信号可在运算处理器上进行分析,工作过程稳定且设定简单,信号的分析无需人工干预,可靠性高,信号的重组减少了背景噪音影响。
Description
技术领域
本发明属于电力行业设备故障诊断技术领域,尤其涉及一种基于奇异谱声纹的电力设备状态检测方法及装置。
背景技术
当电力设备存在缺陷时,在开关操作的机械力、负载电流产生的交变电动力等因素的作用下会产生机械性运动,从而导致设备发生异常声响,需要及时的对故障进行诊断,从而尽早排除问题。
目前,基于振动测量的故障诊断方法被普遍应用于电力设备状态监测中,其测量过程主要是利用加速度传感器或应变传感器的接触式测量,该电力设备故障诊断方法具有局限性,且不能发现早期故障,对于排查故障有滞后性,此外,对于大型设备的振动信号采集,使用振动传感器的难度大、成本高,且耗时耗力。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于奇异谱声纹的电力设备状态检测方法及装置。
本发明提出的一种基于奇异谱声纹的电力设备状态检测方法,包括如下步骤:
步骤S1:信号获取阶段,获取被检测电力设备的声信号;
步骤S2:信号处理阶段,以奇异谱分析的方法提取声信号的主导分量信号并重构,得到重组信号,奇异谱分析包括分解和重构两部分;
步骤S3:声纹分析阶段,对上述奇异谱分析方法所得的重组信号进行声纹分析,提取其Gamma频率倒谱系数的特征矩阵;
步骤S4:状态识别阶段,对上述Gamma频率倒谱系数进行降维计算,依据得到1×Lgm的特征向量T,其中m为滤波器序号,Lg为Gamma频率倒谱系数特征矩阵的维数,以被检测电力设备正常运行状态下的Gamma特征矩阵为标准,进行状态识别诊断。
优选地,所述步骤S1中分解的具体操作步骤如下:
a)设有时间序列R={rL,…,rN),长度为N,给定嵌套维数L(L≤N/2),按照如下方式构造轨迹矩阵:
式中,K=N-L+1,且K为正整数;
b)设XXT的特征值为λ1≥λ2≥…≥λL≥0,其对应的单位特征向量为U1,U2,…,UL,令进而将X进行奇异值分解:
式中,(i=1,2,…,L)称为奇异谱密度;
c)记d=rank(x)=max(i,λ>0),则有
X=X1+X2+…+Xd,
式中,(i=1,2,…,d)称为特征向量,Ui称为经验正交函数,Vi称为主分量。
d)在奇异值分解后,白噪声Xn分布在各个特征向量中,而信号能量Xs主要集中在前几个特征向量中,故上式可改写成:
式中,r<d,且r,d均为自然数,r表示信号能量主要集中的特征向量个数,其中||Xi||2=λi(i=1,2,…,d),故定义特征向量的贡献率/>进而有/>表示前r个特征向量对整体特征值向量X的贡献率。
优选地,所述步骤S1中在分解的基础上进行重构,重构的步骤包括分组和对角平均:
所述分组即把前r个特征向量Xi依照排列顺序划分到长度随机的几个组,并在组内进行相加,具体操作为,记I={i1,i2,…,ip},p表示该组的长度,且p为正整数,相应的XI=Xi1+…+Xip,进而前r个特征向量Xr可划分成不相交的P个矩阵合成之和,P为正整数,即Xr=XI1+XI2+…+XIP。对角平均是将每个Xr(n=1,2,…,P)转化成时间序列,具体操作如下:
令L*=min(L,K),K*=max(L,K),记对角平均将矩阵Xr转化成序列g0,…gN-1,转化得到的序列即为所述重组信号,转化过程如下:
优选地,所述步骤S2中Gamma频率倒谱系数的具体提取步骤如下:
1)对重组信号进行预加重处理;
2)对预加重处理后的重组信号进行分帧处理,将较长的声信号分成多个长度为1帧的小段;
3)对分帧处理后的结果进行加窗处理,加窗方法为以hanning窗进行加窗;
4)针对加窗处理后的每一帧数据X(a,b)进行短时傅里叶变换得到频域数据X(a,c),其中a表示帧的序号,b表示一个信号序列中第b个数据,即X(a,b)为第i帧的信号序列,c表示第c条谱线;
5)对X(a,b)取绝对值后通过Gammatone滤波器组,
Gammatone滤波器的时域表达式为:
式中,A为滤波器的增益,fm为滤波器的中心频率,U(t)为阶跃函数,φm为偏移相位,n为滤波器的阶数,M为滤波器数目,bm为滤波器的衰减因子,其值决定当前滤波器对脉冲响应的衰减速度,与中心频率关系如下:
bm=1.019bERB(fm),
式中,bERB(fm)为等效矩形带宽,与中心频率的关系如下所示:
5)计算频域数据X(a,c)通过Gammatone滤波器的对数能量E(a,m);
上式中,Q表示帧数,gm(k)为Gammatone滤波器的第m个滤波器,M为滤波器的组数;
6)将频域数据X(a,c)通过滤波器组的对数能量E(i,m)进行离散余弦变换,基于下式计算Gamma频率倒谱系数:
上式中,GFCC(a,b)表示Gamma频率倒谱系数,a表示帧的序号,n表示离散余弦变换后的谱线,M为滤波器的组数,E(a,m)为频域数据X(a,c)通过滤波器的对数能量,m表示第m个滤波器,Lg为Gamma频率倒谱系数特征矩阵的维数。
优选地,所述步骤S3中降维计算方法为:
其中,T(o)为降维后的特征向量,o为特征向量的列序号,a为帧序号。
所述的一种基于奇异谱声纹的电力设备状态检测装置,包括传声器、数采设备、通讯总线、CPU和显示屏,所述传声器的输出端与数采设备输入端连接,所述数采设备输出端与通讯总线的输入端连接,所述通讯总线与CPU之间数据相互传输,所述通讯总线的输出端还与显示屏连接,所述传声器用于采集声信号,所述数采设备用于信号数据的接收并实现A/D转换,所述通讯总线用于发送数据至CPU进行信号处理与分析,所述CPU还用于将处理分析后的信号进行特征提取,所述显示屏展示奇异谱声纹特征向量与状态检测结果。
与现有技术相比,本发明的有益效果是:
1、本方法提出的基于奇异谱声纹的电力设备状态检测装置可实现非接触式的电力设备状态检测,简化了检测过程。
2、本方法提出的检测方法在奇异谱分析方法基础上,基于人的听觉机理来分析声纹,使得检测结果更具可靠性,且结果展示方式更直接易懂。
3、本发明提出的电力设备状态检测装置可以直接应用于运行时的检测与诊断,自动化程度高,所采集的声信号可在运算处理器上进行分析,工作过程稳定且设定简单,信号的分析无需人工干预,结果可靠性高,信号的重组减少了背景噪音影响。
附图说明
图1为本发明提出的一种基于奇异谱声纹的电力设备状态检测装置的结构示意图;
图2为本发明提出的一种基于奇异谱声纹的电力设备状态检测方法的流程图;
图3为奇异谱分析重组前后的声信号图,(上)原始信号,(下)重组信号;
图4为GFCC矩阵图;
图5为GFCC特征向量正常状态图;
图6为GFCC特征向量异常状态图。
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。
参照图1-6,一种基于奇异谱声纹的电力设备状态检测方法,具体步骤如下:
步骤S1:信号收集阶段,通过传声器与数采设备采集被检测的电力设备声信号。
步骤S2:信号处理阶段,以奇异谱分析的方法提取声信号的主导分量信号并重构,得到重组信号,奇异谱分析包括分解和重构两部分。同时综合考虑实际检测环境的数据量传输要求、计算效率以及计算准确率,建议时间序列长度N取1024,采样频率fs为48000,嵌套维数L=N/2。
分解的具体操作如下:
a)设有时间序列R={rL,…,rN),长度为N,给定嵌套维数L(L≤N/2),按照如下方式构造轨迹矩阵:
式中,K=N-L+1,且K为正整数;
b)计算矩阵XXT的特征值,并按照大小排序,以如下公式表示,
λ1≥λ2≥…≥λL≥0
计算各特征值对应的单位特征向量为U1,U2,…,UL,令进而将X进行奇异值分解,以如下公式表示:
式中,(i=1,2,…,L)称为奇异谱密度;
c)记d=rank(X)=max(i,λ>0),表示矩阵X的秩,则有
X=X1+X2+…+Xd,式中,(i=1,2,…,d)称为特征向量,Ui称为经验正交函数,Vi称为主分量。
d)在奇异值分解后,白噪声Xn分布在各个特征向量中,而信号能量Xs主要集中在前几个特征向量中,故上式可改写成
式中,r<d,且r,d均为自然数,r表示信号能量主要集中的特征向量个数。
注意到||Xi||2=λi(i=1,2,…,d),故定义特征向量的贡献率进而有/>表示前r个特征向量对整体特征值向量X的贡献率。众所周知,矩阵前几项的特征向量在整个特征向量具有极大的比重,同时综合考虑实际电力设备的测试结果,最终确定r为6,即将前六个特征向量进行重构。
在分解的基础上进行重构,重构分为两个步骤:分组和对角平均。分组即把前r个特征向量Xi依照顺序划分到随机长度的数个组,并在组内进行相加;对于任意一组,记I={i1,i2,…,ip},相应的XI=Xi1+…+Xip,p表示该组的长度,且p为正整数,进而前r个特征向量Xr可划分成不相交的P个矩阵合成之和,即Xr=XI1+XI2+…+XIP;对角平均是将每个Xr(n=1,2,…,P)转化成时间序列,具体操作如下:
令L*=min(L,K),K*=max(L,K),记对角平均将矩阵Xr转化成序列g0,…gN-1,转化得到的序列即为所述重组信号,转化过程如下:
本方法所涉及到的重构信号y∑由分解得到的前r个主导分量信号累加求和得到,即有y∑=y1+y2+…+yr。
步骤S2:声纹分析阶段,对上述奇异谱分析方法所得的重组信号进行声纹分析,提取其Gamma频率倒谱系数的特征矩阵。
具体提取方法如下:
Gamma频率倒谱系数(GFCC)的分析基于人耳听觉响应,具有较强的噪声鲁棒性,GFCC计算步骤为:
1)对重组信号进行预加重处理;
2)对预加重处理后的重组信号进行分帧处理,将较长的声信号分成多个小段;
3)对分帧处理后的结果进行加窗处理,本专利以hanning窗进行加窗;
4)针对加窗处理后的每一帧数据X(a,b)进行短时傅里叶变换得到频域数据X(a,c),其中a表示帧的序号,b表示一个信号序列中第b个数据,即X(a,b)为第i帧的信号序列,c表示第c条谱线;
5)对X(a,b)取绝对值后通过Gammatone滤波器组,
Gammatone滤波器的时域表达式为:
式中,A为滤波器的增益,fm为滤波器的中心频率,U(t)为阶跃函数,φm为偏移相位,n为滤波器的阶数,M为滤波器数目,bm为滤波器的衰减因子,其值决定当前滤波器对脉冲响应的衰减速度,与中心频率关系如下:
bm=1.019bERB(fm),
式中,bERB(fm)为等效矩形带宽,与中心频率的关系如下所示:
5)计算频域数据X(a,c)通过Gammatone滤波器的对数能量E(a,m);
上式中,Q表示帧数,gm(k)为Gammatone滤波器的第m个滤波器,M为滤波器的组数;
6)将频域数据X(a,c)通过滤波器组的对数能量E(i,m)进行离散余弦变换,基于下式计算Gamma频率倒谱系数:
上式中,GFCC(a,b)表示Gamma频率倒谱系数,a表示帧的序号,n表示离散余弦变换后的谱线,M为滤波器的组数,E(a,m)为频域数据X(a,c)通过滤波器的对数能量,m表示第m个滤波器,Lg为Gamma频率倒谱系数特征矩阵的维数。
优选地,所述步骤S3中降维计算方法为:
其中,T(o)为降维后的特征向量,o为特征向量的列序号,a为帧序号。
首先对采集所得的声信号进行信号处理与分析,包括奇异谱分析与重组信号的Gamma频率倒谱系数的计算;再进行特征提取,由所述Gamma频率倒谱系数的矩阵得到特征向量;最后根据实时状态得到的Gamma特征向量与被检测电力设备正常运行状态下的Gamma特征矩阵的相似度关系得到检测结果,比较实时状态的Gamma特征向量与电力设备正常运行状态下的Gamma特征矩阵的相似度采用余弦相似度的方法。
一种基于奇异谱声纹的电力设备状态检测装置,包括传声器、数采设备、通讯总线、CPU和显示屏,传声器的输出端与数采设备输入端连接,数采设备输出端与通讯总线的输入端连接,通讯总线与CPU之间数据相互传输,通讯总线的输出端还与显示屏连接,传声器用于采集声信号,数采设备用于信号数据的接收并实现A/D转换,通讯总线用于发送数据至CPU进行信号处理与分析,CPU还用于将处理分析后的信号进行特征提取,显示屏展示奇异谱声纹特征向量与状态检测结果
本装置由传声器采集声信号,由数采设备进行信号数据的接收并实现A/D转换,再由通讯总线发送至CPU进行信号处理与分析,最终将分析结果与状态诊断结果传回通讯总线,由显示屏展示奇异谱声纹特征向量与状态检测结果。如图5和图6所示为正常和异常状态下的Gamma矩阵特征向量示意,由图可知,正常状态下的特征向量曲线波动较小、随着组数的增加呈现平缓的趋势,而异常状态下的Gamma矩阵特征向量曲线波动较大、随着组数的增加曲线仍呈现小范围的“三角形”波动形式。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,包括如下步骤:
步骤S1:信号获取阶段,获取被检测电力设备的声信号;
步骤S2:信号处理阶段,以奇异谱分析的方法提取声信号的主导分量信号并重构,得到重组信号,奇异谱分析包括分解和重构两部分;
步骤S3:声纹分析阶段,对上述奇异谱分析方法所得的重组信号进行声纹分析,提取其Gamma频率倒谱系数的特征矩阵;
步骤S4:状态识别阶段,对上述Gamma频率倒谱系数进行降维计算,依据得到1×Lgm的特征向量T,其中m为滤波器序号,Lg为Gamma频率倒谱系数特征矩阵的维数,以被检测电力设备正常运行状态下的Gamma特征矩阵为标准,进行状态识别诊断。
2.根据权利要求1所述的一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,所述步骤S1中分解的具体操作步骤如下:
a)设有时间序列R={rL,…,rN),长度为N,给定嵌套维数L,按照如下方式构造轨迹矩阵,L,N均为正整数:
式中,K=N-L+1,L≤N/2,且K为正整数;
b)设XXT的特征值为λ1≥λ2≥…≥λL≥0,其对应的单位特征向量为U1,U2,…,UL,令进而将X进行奇异值分解:
式中,称为奇异谱密度;
c)记d=rank(x)=max(i,λ>0),则有
X=X1+X2+…+Xd,
式中,称为特征向量,Ui称为经验正交函数,Vi称为主分量;
d)在奇异值分解后,白噪声Xn分布在各个特征向量中,而信号能量Xs主要集中在前几个特征向量中,故上式可改写成:
式中,r<d,且r,d均为自然数,r表示信号能量主要集中的特征向量个数,其中||Xi||2=λi(i=1,2,…,d),故定义特征向量的贡献率/>进而有/>表示前r个特征向量对整体特征值向量X的贡献率。
3.根据权利要求2所述的一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,所述步骤S1中在分解的基础上进行重构,重构的步骤包括分组:
所述分组即把前r个特征向量Xi依照排列顺序划分到长度随机的几个组,并在组内进行相加,具体操作为,记I={i1,i2,…,ip},p表示该组的长度,且p为正整数,相应的XI=Xi1+…+Xip,进而前r个特征向量Xr可划分成不相交的P个矩阵合成之和,P为正整数,即Xr=XI1+XI2+…+XIP。
4.根据权利要求2所述的一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,重构的步骤还包括对角平均:
所述对角平均是将每个Xr(n=1,2,…,P)转化成时间序列,具体操作如下:
令L*=min(L,K),K*=max(L,K),记对角平均将矩阵Xr转化成序列g0,…gN-1,转化得到的序列即为所述重组信号,转化过程如下:
5.根据权利要求1所述的一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,所述步骤S2中Gamma频率倒谱系数的具体提取步骤如下:
1)对重组信号进行预加重处理;
2)对预加重处理后的重组信号进行分帧处理,将较长的声信号分成多个长度为1帧的小段;
3)对分帧处理后的结果进行加窗处理,加窗方法为以hanning窗进行加窗;
4)针对加窗处理后的每一帧数据X(a,b)进行短时傅里叶变换得到频域数据X(a,c),其中a表示帧的序号,b表示一个信号序列中第b个数据,即X(a,b)为第i帧的信号序列,c表示第c条谱线;
5)对X(a,b)取绝对值后通过Gammatone滤波器组,
Gammatone滤波器的时域表达式为:
式中,A为滤波器的增益,fm为滤波器的中心频率,U(t)为阶跃函数,φm为偏移相位,n为滤波器的阶数,M为滤波器数目,bm为滤波器的衰减因子,其值决定当前滤波器对脉冲响应的衰减速度,与中心频率关系如下:
bm=1.019bERB(fm),
式中,bERB(fm)为等效矩形带宽,与中心频率的关系如下所示:
5)计算频域数据X(a,c)通过Gammatone滤波器的对数能量E(a,m);
上式中,Q表示帧数,gm(k)为Gammatone滤波器的第m个滤波器,M为滤波器的组数;
6)将频域数据X(a,c)通过滤波器组的对数能量E(i,m)进行离散余弦变换,基于下式计算Gamma频率倒谱系数:
上式中,GFCC(a,b)表示Gamma频率倒谱系数,a表示帧的序号,n表示离散余弦变换后的谱线,M为滤波器的组数,E(a,m)为频域数据X(a,c)通过滤波器的对数能量,m表示第m个滤波器,Lg为Gamma频率倒谱系数特征矩阵的维数。
6.根据权利要求1所述的一种基于奇异谱声纹的电力设备状态检测方法,其特征在于,所述步骤S3中降维计算方法为:
其中,T(o)为降维后的特征向量,o为特征向量的列序号,a为帧序号。
7.一种基于奇异谱声纹的电力设备状态检测装置,其特征在于,包括传声器、数采设备、通讯总线、CPU和显示屏,所述传声器的输出端与数采设备输入端连接,所述数采设备输出端与通讯总线的输入端连接,所述通讯总线与CPU之间数据相互传输,所述通讯总线的输出端还与显示屏连接,所述传声器用于采集声信号,所述数采设备用于信号数据的接收并实现A/D转换,所述通讯总线用于发送数据至CPU进行信号处理与分析,所述CPU还用于将处理分析后的信号进行特征提取,所述显示屏展示奇异谱声纹特征向量与状态检测结果。
8.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597768.7A CN117854542A (zh) | 2023-11-28 | 2023-11-28 | 一种基于奇异谱声纹的电力设备状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597768.7A CN117854542A (zh) | 2023-11-28 | 2023-11-28 | 一种基于奇异谱声纹的电力设备状态检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117854542A true CN117854542A (zh) | 2024-04-09 |
Family
ID=90527877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597768.7A Pending CN117854542A (zh) | 2023-11-28 | 2023-11-28 | 一种基于奇异谱声纹的电力设备状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117854542A (zh) |
-
2023
- 2023-11-28 CN CN202311597768.7A patent/CN117854542A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022012195A1 (zh) | 音频信号处理方法和相关装置 | |
CN110444202B (zh) | 复合语音识别方法、装置、设备及计算机可读存储介质 | |
CN113345460B (zh) | 音频信号处理方法、装置、设备及存储介质 | |
CN112767959A (zh) | 语音增强方法、装置、设备及介质 | |
Despotovic et al. | One-parameter fractional linear prediction | |
EP4261825A1 (en) | Speech enhancement method and apparatus, device, and storage medium | |
Islam et al. | Supervised single channel speech enhancement based on stationary wavelet transforms and non-negative matrix factorization with concatenated framing process and subband smooth ratio mask | |
Alasadi et al. | Efficient feature extraction algorithms to develop an arabic speech recognition system | |
CN117037840A (zh) | 异响源识别方法、装置、设备及可读存储介质 | |
US20200388295A1 (en) | System and method for transferring a voice from one body of recordings to other recordings | |
CN117854542A (zh) | 一种基于奇异谱声纹的电力设备状态检测方法及装置 | |
Agcaer et al. | Optimization of amplitude modulation features for low-resource acoustic scene classification | |
CN107919136B (zh) | 一种基于高斯混合模型的数字语音采样频率估计方法 | |
KR100766170B1 (ko) | 다중 레벨 양자화를 이용한 음악 요약 장치 및 방법 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
JP2019132948A (ja) | 音声変換モデル学習装置、音声変換装置、方法、及びプログラム | |
JP4095348B2 (ja) | 雑音除去システムおよびプログラム | |
CN115662461A (zh) | 降噪模型训练方法、装置以及设备 | |
CN115421078A (zh) | 设备状态分类模型的构建方法、使用方法、计算机可读介质、装置 | |
JP6849978B2 (ja) | 音声明瞭度計算方法、音声明瞭度計算装置及び音声明瞭度計算プログラム | |
Li et al. | Dynamic attention based generative adversarial network with phase post-processing for speech enhancement | |
JP6827908B2 (ja) | 音源強調装置、音源強調学習装置、音源強調方法、プログラム | |
CN111883154A (zh) | 回声消除方法及装置、计算机可读的存储介质、电子装置 | |
CN117334198B (zh) | 语音信号处理方法、装置、电子设备和计算机可读介质 | |
Jyoshna et al. | An Intelligent reference free adaptive learning algorithm for speech enhancement |
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 |