CN109357749A - 一种基于dnn算法的电力设备音频信号分析方法 - Google Patents

Abstract

本发明公开了一种基于DNN算法的电力设备音频信号分析方法。该方法为：电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理；采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息；采用误差反向传播方法训练深度神经网络声学模型；电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机。本发明丰富了电力巡检机器人的故障检测功能，能够对无人值守的变电站电力设备故障进行实时检测，同时提高了电力设备故障监测的速度、可靠性和准确性。

Description

一种基于DNN算法的电力设备音频信号分析方法

技术领域

本发明涉及电力设备音频信号分析领域，特别是一种基于DNN算法的电力设备音频信号分析方法。

背景技术

随着社会的进步，各行各业的发展都离不开电力***的安全运行，因此电力工业在生产生活中的地位至关重要。电力巡检机器人可以对电力设备进行自主巡检，并且通过智能技术对电力设备运行状态进行分析识别，从而保证电力设备的可靠安全运行，因此，电力巡检机器人逐渐替代了人工巡检，其市场应用前景十分广泛。

电力设备结构复杂，容易在运行时出现故障，因此需要对电力设备进行故障监测，从而维护电力设备的安全运行。传统的电力设备故障检测方式有专业工作人员经验检测以及停止运行试验检测等，但是这些方式人力成本大、效率低，易影响电力***的正常运行。电力设备在出现超负荷运行、电路故障、机械故障等情况时，在其不同位置测取的音频信号包含了丰富的信息。专业的电力设备检测人员也会根据现场的异常运行声音判断设备的运行状况，但是现场采集的音频信号具有较强的背景噪声以及其他干扰信号，从而影响音频信号的特征提取。

发明内容

本发明的目的在于提供一种基于DNN算法的电力设备音频信号分析方法，从而提高电力设备故障监测的快速性、可靠性、准确性。

实现本发明目的的技术解决方案为：一种基于DNN算法的电力设备音频信号分析方法，包括以下步骤：

步骤1、电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理；

步骤2、采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息；

步骤3、基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型；

步骤4、电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机。

作为一种具体示例，步骤1中所述的音频信号数据预处理，具体步骤为：

步骤1-1、音频信号数据的预加重：将音频信号数据通过一阶FIR高通数字滤波器进行处理，提升音频信号的高频成分，抑制随机噪声与直流漂移；

步骤1-2、音频信号数据的降噪处理：使用LMS自适应算法进行降噪，首先将实际输出信号与期望信号相对比，从而产生一个误差信号，然后根据误差信号调整权值向量；

步骤1-3、音频信号数据的分帧与加窗：帧长选取为10～30ms，帧移选择为帧长的1/3～1/2，选用汉明窗作为窗函数；

步骤1-4、音频信号数据的双门限端点检测：通过基于短时能量和过零率的双门限端点检测来检测音频信号有声部分，当同时出现连续设定帧的短时能量与过零率都大于设定阈值时，则判定音频信号有声部分的开始；当连续设定帧的短时能量与过零率小于设定阈值，则判定音频信号有声部分的结束；

步骤1-5、音频信号数据的快速傅立叶变换：将音频信号使用快速傅立叶变换从时域转换到频域，得到线性频谱X(k)，从而进行特征提取。

作为一种具体示例，步骤2所述的采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息，具体步骤为：

步骤2-1、将步骤1-5中得到的线性频谱X(k)通过Mel频率滤波器组得到Mel频谱，并通过对数能量处理，得到对数频谱S(m)；

步骤2-2、将对数频谱S(m)经过离散余弦变化得到倒频谱域，即得到Mel频率倒谱系数，即MFCC系数c(n)，选取前N_DNN维对音频的区分性能较大的MFCC系数，用于声学模型的建立以及音频分析识别。

作为一种具体示例，步骤3所述的基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型，具体步骤为：

步骤3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数，并提供M_sample个训练样本，S＝{(x^m,y^m)|0≤m＜M_sample}，其中，m为训练样本中样本编号，x^m为输入向量即为第m个样本的N_DNN维MFCC系数，y^m为期望输出向量，输出向量维数为需识别的电力设备运行状态个数；

步骤3-2、通过前向传播算法，计算网络第m个样本各个隐藏层的第l层状态a^m,l以及实际输出；通过反向传播算法计算网络样本m的输出层的局域梯度δ^m,L与第l层的局域梯度δ^m,l；

步骤3-3、更新第l层的线性系数矩阵W^l和偏移向量b^l；

步骤3-4、当所有W^l与b^l的变化值都小于停止迭代阈值∈时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络声学模型的建立，否则转步骤3-2。

作为一种具体示例，步骤4中所述的电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，具体如下：

巡检现场采集的电力设备音频信号数据的预处理、特征参数提取的步骤如步骤1与步骤2中所示，然后将提取的N维MFCC系数输入步骤3中建立的深度神经网络声学模型，通过音频识别对该电力设备的运行状态进行识别分类。

本发明与现有技术相比，具有以下显著优点：(1)结合了LMS自适应算法进行音频降噪的预处理方式，不必重复使用数据，无需计算相应的相关函数于矩阵计算，其原理简单、参数少、收敛速度较快且可行性高，可以有效抑制噪声；(2)结合了基于短时能量和过零率的双门限端点检测的预处理方式，检测设备运行声音的起始点与终止点，从而减少计算量，缩短了处理时间，排除了无声段的噪声，并将短时能量与过零率优势互补，提高了音频识别效率；(3)基于DNN算法的电力设备音频信号分析方法，深度神经网络比浅层神经网络表达能力更强，具有模拟任何分布的能力，可以更为准确地模拟声学模型，从而提高音频识别的准确性；(4)基于DNN算法的电力设备音频信号分析方法，可以应用于电力巡检机器人的故障检测模块，不影响电力***的正常运行，可进行实时监测，成本较低且快速性好、准确性高，丰富了电力巡检机器人的故障检测功能。

附图说明

图1为本发明基于DNN算法的电力设备音频信号分析方法的流程示意图。

图2为本发明实施例中电力设备音频信号分析方法的音频数据预处理方法流程图。

图3为本发明实施例中电力设备音频信号分析方法的DNN声学模型训练流程图。

具体实施方式

下面参考附图并结合实施例来详细说明本发明。

本发明基于DNN算法的电力设备音频信号分析方法，其整体工作流程如图1所示，包括以下步骤：

步骤1、电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理，处理方法流程如图2所示；

步骤1-1、音频信号数据预加重：将音频信号数据通过一阶FIR高通数字滤波器进行处理，滤波器传递函数如式(1)所示：

H(z)＝1-αz^-1，0.9＜α＜1.0 (1)

预加重处理有助于提升音频信号的高频成分，使信号频谱更平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱，可抑制随机噪声与直流漂移；

步骤1-2、音频信号数据的降噪处理：根据式(2)采用LMS自适应算法进行降噪，降噪后输出为x(n)：

H(n)为经过预加重处理后的输入向量，为权值向量，x(n)为通过降噪算法处理后的实际输出，n为时间序列；

LMS自适应算法将实际输出信号与期望信号相对比，从而产生一个误差信号，然后根据误差信号按照一定的算法与准则调整权值向量

步骤1-3、音频信号数据的分帧与加窗：选用汉明窗作为窗函数，即

其中，N为帧长的窗长度；

通常，帧长选取为10～30ms，帧移选择为帧长的1/3～1/2，本实施例中帧长选取25ms，帧移选择为帧长的1/2；

步骤1-4、音频信号数据的双门限端点检测：端点检测可以获取音频信号的有声部分，从而减少信号处理的计算量；通过基于短时能量和过零率的双门限端点检测来检测音频信号有声部分，当同时出现连续设定帧的短时能量与过零率都大于设定阈值时，则判定音频信号有声部分的开始；当连续设定帧的短时能量与过零率小于设定阈值，则判定音频信号有声部分的结束；本实施例中设定帧为3帧。

步骤1-5、音频信号数据的快速傅立叶变换(FFT)：由于音频信号在时域的变化快速且不稳定，而其频谱变化缓慢，因此将音频信号使用快速傅立叶变换从时域转换到频域，得到频谱X(k)，从而进行特征提取。

步骤2、采用MFCC特征参数从已预处理过的音频信号数据中提取特征信号；

步骤2-1、将步骤1-5中得到的线性频谱X(k)通过Mel频率滤波器组得到Mel频谱，并通过对数能量处理，得到对数谱S(m)；

Mel频率滤波器组具有25个带通滤波器H_m(k)，其传递函数如式(4)所示：

其中，M为滤波器个数，f(m)为中心频率；

然后，将得到的Mel频谱取对数能量；线性频谱X(k)到对数频谱S(m)的总传递函数为：

其中，N为步骤1-5中的FFT窗宽；

步骤2-2、将对数频谱S(m)经过离散余弦变化(DCT)得到倒频谱域，即得到Mel频率倒谱系数(MFCC参数)c(n)：

选取前N_DNN维对音频的区分性能较大的MFCC系数，用于声学模型的建立以及音频分析识别，例如选取前16维MFCC系数，用于声学模型的建立以及音频分析识别。

步骤3、基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型，其模型训练方法如图3所示；

步骤3-1、初始化各阈值与各权值，线性系数矩阵W和偏移向量b置为随机数，并提供80个训练样本S＝{(x^m,y^m)|0≤m＜80}，其中，m为训练样本中样本编号，x^m为输入向量即为第m个样本的N_DNN维MFCC系数，y^m为期望输出向量，输出向量维数为需识别的电力设备运行状态个数；

步骤3-2、根据式(7)，通过前向传播算法，计算网络第m个样本各个隐藏层的第l层状态a^m,l以及实际输出：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (7)

其中，σ(z)为激活函数即σ(z)＝1/(1-e^-z)，W为线性系数矩阵，b为偏移向量；

模型参数的训练应最小化期望损失函数，即：

根据式(9)、(10)通过反向传播算法计算样本m输出层的δ^m,L与第l层的δ^m,l：

输出层局域梯度为：

隐藏层第l层的δ^l与l+1层的δ^l+1关系为：

δ^l＝σ′(z^l)δ^l+1W^l+1 (10)

步骤3-3、根据式(11)、(12)更新第l层的线性系数矩阵W^l与偏移向量b^l：

其中，α为学习步长；

步骤3-4、当所有W与b的变化值都小于停止迭代阈值∈时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络声学模型的建立，否则转步骤3-2。

步骤4、电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机，具体如下：

巡检现场采集的电力设备音频信号数据的预处理、特征参数提取的步骤如步骤1与步骤2中所示，然后将提取的N维MFCC系数输入步骤3中建立的深度神经网络声学模型，通过音频识别对该电力设备的运行状态进行识别分类。

本实施例中，将提取的16维MFCC系数特征信息输入深度神经网络声学模型，通过基于DNN模型的音频识别方法对该电力设备的运行状态进行识别分类；最后电力巡检机器人将识别结果传输至变电站监控主机。

综上，本发明基于DNN算法的电力设备音频信号分析方法，可以有效抑制噪声，提高音频识别效率和准确性，不影响电力***的正常运行，可进行实时监测，成本较低、快速性好、准确性高，丰富了电力巡检机器人的故障检测功能。

Claims (5)

1.一种基于DNN算法的电力设备音频信号分析方法，其特征在于，包括以下步骤：

步骤1、电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理；

步骤2、采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息；

步骤3、基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型；

步骤4、电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机。

2.根据权利要求1所述的基于DNN算法的电力设备音频信号分析方法，其特征在于，步骤1中所述的音频信号数据预处理，具体步骤为：

步骤1-1、音频信号数据的预加重：将音频信号数据通过一阶FIR高通数字滤波器进行处理，提升音频信号的高频成分，抑制随机噪声与直流漂移；

步骤1-2、音频信号数据的降噪处理：使用LMS自适应算法进行降噪，首先将实际输出信号与期望信号相对比，从而产生一个误差信号，然后根据误差信号调整权值向量；

步骤1-3、音频信号数据的分帧与加窗：帧长选取为10～30ms，帧移选择为帧长的1/3～1/2，选用汉明窗作为窗函数；

步骤1-4、音频信号数据的双门限端点检测：通过基于短时能量和过零率的双门限端点检测来检测音频信号有声部分，当同时出现连续设定帧的短时能量与过零率都大于设定阈值时，则判定音频信号有声部分的开始；当连续设定帧的短时能量与过零率小于设定阈值，则判定音频信号有声部分的结束；

步骤1-5、音频信号数据的快速傅立叶变换：将音频信号使用快速傅立叶变换从时域转换到频域，得到线性频谱X(k)，从而进行特征提取。

3.根据权利要求2所述的基于DNN算法的电力设备音频信号分析方法，其特征在于，步骤2所述的采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息，具体步骤为：

步骤2-1、将步骤1-5中得到的线性频谱X(k)通过Mel频率滤波器组得到Mel频谱，并通过对数能量处理，得到对数频谱S(m)；

步骤2-2、将对数频谱S(m)经过离散余弦变化得到倒频谱域，即得到Mel频率倒谱系数，即MFCC系数c(n)，选取前N_DNN维对音频的区分性能较大的MFCC系数，用于声学模型的建立以及音频分析识别。

4.根据权利要求3所述的基于DNN算法的电力设备音频信号分析方法，其特征在于，步骤3所述的基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型，具体步骤为：

步骤3-1、初始化各阈值与各权值，将线性系数矩阵W和偏移向量b置为随机数，并提供M_sample个训练样本，S＝{(x^m,y^m)|0≤m＜M_sample}，其中，m为训练样本中样本编号，x^m为输入向量即为第m个样本的N_DNN维MFCC系数，y^m为期望输出向量，输出向量维数为需识别的电力设备运行状态个数；

步骤3-2、通过前向传播算法，计算网络第m个样本各个隐藏层的第l层状态a^m,l以及实际输出；通过反向传播算法计算网络样本m的输出层的局域梯度δ^m,L与第l层的局域梯度δ^m,l；

步骤3-3、更新第l层的线性系数矩阵W^l和偏移向量b^l；

步骤3-4、当所有W^l与b^l的变化值都小于停止迭代阈值∈时，则输出各隐藏层与输出层的线性系数矩阵W和偏移向量b，完成深度神经网络声学模型的建立，否则转步骤3-2。

5.根据权利要求4所述的基于DNN算法的电力设备音频信号分析方法，其特征在于，步骤4中所述的电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，具体如下：

巡检现场采集的电力设备音频信号数据的预处理、特征参数提取的步骤如步骤1与步骤2中所示，然后将提取的N维MFCC系数输入步骤3中建立的深度神经网络声学模型，通过音频识别对该电力设备的运行状态进行识别分类。