CN115343573A - 一种面向电网监控的声纹模型演化设备故障融合判决方法 - Google Patents

一种面向电网监控的声纹模型演化设备故障融合判决方法 Download PDF

Info

Publication number
CN115343573A
CN115343573A CN202210904249.XA CN202210904249A CN115343573A CN 115343573 A CN115343573 A CN 115343573A CN 202210904249 A CN202210904249 A CN 202210904249A CN 115343573 A CN115343573 A CN 115343573A
Authority
CN
China
Prior art keywords
gaussian mixture
mixture model
model
gaussian
normal state
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
Application number
CN202210904249.XA
Other languages
English (en)
Inventor
张晖
左庆华
赵海涛
朱洪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210904249.XA priority Critical patent/CN115343573A/zh
Publication of CN115343573A publication Critical patent/CN115343573A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：实时采集音频，采用基于小波变换的双重分类去噪方法进行干扰噪声去除预处理；提取经过预处理的各类正常状态下的设备声音信号数据的MFCC特征向量，分别得到各类正常状态下的样本数据集，建立并更新目标设备在各类正常状态下的高斯混合模型；提取待测音频样本数据并建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；基于多高斯混合模型，进行目标设备声纹故障融合判决。本发明的方法可以消除环境的弱异常干扰与强异常干扰带来的影响，能够实时匹配样本数据的变化规律，有效地对电网监控场景进行监测，实现异常监测并及时预警。

Description

一种面向电网监控的声纹模型演化设备故障融合判决方法
技术领域
本发明涉及电网监控和声纹故障监测预警技术领域，具体但不限于涉及一种面向电网监控的声纹模型演化设备故障融合判决方法。
背景技术
随着科技的不断发展，越来越多的配电工业设备出现在人们的视野中。电网监控是对电网运行状况进行监督和控制，对电网运行中出现的故障或者不正常运行状况都能及时发现和解决。在智能电网发展的过程中，电网监控的智能化成为一个重要方面，它关系着整个电力***运行稳定性和安全性，目前传统的监测普遍方法采用大样本机器学习算法，不仅维护成本高、效率低，而且电网监控场景异常样本严重不足，影响着判别的准确率。然而现有的检修方法凭借的是先验知识，而且不同人员的鉴别能力各不相同，没有一种行之有效的方法能够代替检修人员监测。
针对上述问题，基于自适应算法的监测方法受到了越来越多的关注，将算法匹配到电网监控场景中的主设备中，进行一对一监测，不仅可以降低调度成本，还可以大大提高维修效率。现有的故障监测方法通常集中在湿度、压力和温度等传感方面，但是都不及视觉监测或者听觉监测更加直接有效。派遣专业人员定期维护虽可以在一定程度上减少电网监控中心故障的发生，但是雇佣人工成本高、监测效率低。于是，音频监测方法因为其效率高和成本低逐渐被人们所知晓，基于声纹的故障监测预警可以及时发现故障且及时发出预警。
有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。
发明内容
针对现有技术中的一个或多个问题，本发明提出了一种面向电网监控的声纹模型演化设备故障融合判决方法，实时有效地对电网监控场景进行监测，实现异常监测并及时预警。
实现本发明目的的技术解决方案为：
一种面向电网监控的声纹模型演化设备故障融合判决方法，包括：
步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；
步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；
步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；
步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤1具体包括：
步骤1-1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数Wi,k：
Figure BDA0003771864370000021
其中，ai＝2-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；
Figure BDA0003771864370000022
为小波函数；
步骤1-2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ′i，则去除其对应的小波系数标号，否则保留；
所述背景噪声的判别阈值λ′i为：
Figure BDA0003771864370000023
其中，σ1表示背景噪声补偿系数，与背景噪声强度成正比，σ1>1；r表示周边设备到目标电网设备的平均距离；r0为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：
α＝1+LΔ
其中，Δ为强化步长，L为异常干扰因素个数；
步骤1-3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值
Figure BDA0003771864370000024
则去除相应的小波系数标号，否则保留；
所述异常干扰的判别阈值
Figure BDA0003771864370000025
为：
Figure BDA0003771864370000026
其中，σ2表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ2＞＞σ1；
利用视频监控***与传感器数据收集***获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为fl，并根据X(t)>th1获得相应的
Figure BDA0003771864370000027
个时间段的中心时点tτ，得到异常干扰因素对应的伸缩因子ai和小波系数标号k：
Figure BDA0003771864370000031
k＝v(tτ)
其中，th1为第一阈值，u(·)表示幂指数近似处理，v(·)表示取整处理，1≤l≤L，
Figure BDA0003771864370000032
Figure BDA0003771864370000033
则得到异常干扰因素对应的小波分解层数i和小波系数标号k；
步骤1-4：通过双重分类去噪，得到重构的小波系数W′i,k：
Figure BDA0003771864370000034
其中，Wi,k′为经过阈值处理重构的小波系数；
步骤1-5：对重构的小波系数W′i,k进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X′(t)。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中提取MFCC特征向量的步骤包括：
步骤2-1：将目标电网设备的声音信号X′(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号xl(n)为：
xl(n)＝x(l*N+n)w(n)
其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：
Figure BDA0003771864370000035
步骤2-2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2…,L；
步骤2-3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：
Figure BDA0003771864370000036
其中，β＝0,1,…,R，1≤R≤L，β为MFCC特征向量标号索引。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤2中，根据样本数据集建立N个高斯混合模型，每个高斯混合模型均由M个高斯分布混合而成，其中，第n个正常态的高斯混合模型表示为：
Figure BDA0003771864370000041
其中，1≤n≤N，1≤m≤M，n表示高斯混合模型的索引，m表示高斯混合模型各分模型的索引，xq表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，Q为累计输入样本数量，P(xq|unm,δnm)为第m个高斯分布在xq的概率密度值，wnm为第n个正常态的高斯混合模型的第m个高斯分布的权重，unm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δnm为第n个正常态的高斯混合模型的第m个高斯分布的方差。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，高斯混合模型的参数更新规则为：
1)初始化第n个正常态的高斯混合模型的参数unm (0)、δnm (0)；
2)根据当前高斯混合模型计算概率Pnm(xq)：
Figure BDA0003771864370000042
其中，j表示遍历标号，Pnm(xq)表示样本xq由第n个正常态的高斯混合模型的第m个分模型产生的概率；
3)计算下一轮迭代的模型参数：
Figure BDA0003771864370000043
Figure BDA0003771864370000044
Figure BDA0003771864370000045
其中，wnm′、μnm′、δnm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯分布的权重、均值、方差；
4)重复2)、3)步，直到第n个正常态的高斯混合模型收敛。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤3具体包括：
步骤3-1：计算待测音频样本数据xc属于第n个正常态的高斯混合模型的概率Pn(xc)：
Figure BDA0003771864370000051
其中，m表示高斯混合模型各分模型的索引，1≤m≤M，wnm为第n个正常态的高斯混合模型的第m个高斯分布的权重，unm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δnm为第n个正常态的高斯混合模型的第m个高斯分布的方差，P(xc|unm,δnm)为第m个高斯分布在xc的概率密度值；
根据概率Pn(xc)得到当前待测音频样本数据xc最可能归属的正常态的高斯混合模型n*为：
Figure BDA0003771864370000052
步骤3-2：根据故障融合判决规则，若判定当前待测音频样本数据xc为正常态，则对当前待测音频样本数据xc所属的第nv个正常态的高斯混合模型进行投票，判断是否对其进行演化，若进行演化则转步骤3-3；
步骤3-3：对第n*个正常态的高斯混合模型进行演化如下：
Figure BDA0003771864370000053
Figure BDA0003771864370000054
Figure BDA0003771864370000055
Figure BDA0003771864370000056
其中，h、j分别表示相应的遍历标号，
Figure BDA0003771864370000057
表示历次取值xc的平均值，H表示投票阈值，
Figure BDA0003771864370000058
为历史记录的各次xc值，ρ为演化率，[·]c+1、[·]c分别表示相应变量演化后的值与演化前的值，[·]T表示向量转置；
步骤3-4：令第n*个高斯混合模型的投票变量
Figure BDA0003771864370000059
并且清空该模型的历史记录。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤3-2中的投票规则为：
1)初始化第n*个高斯混合模型的投票变量
Figure BDA00037718643700000510
2)若
Figure BDA00037718643700000511
则令
Figure BDA00037718643700000512
其中，th2为第二阈值，|·|表示取范数，
Figure BDA0003771864370000061
为第n*个正常态的高斯混合模型的第m个高斯分布的权重，
Figure BDA0003771864370000062
为第n*个正常态的高斯混合模型的第m个高斯分布的均值；
若
Figure BDA0003771864370000063
则令
Figure BDA0003771864370000064
其中，th3为第三阈值，且th3＞th2；
若
Figure BDA0003771864370000065
则令
Figure BDA0003771864370000066
3)判断
Figure BDA0003771864370000067
是否成立，若成立，则对第n*个正常态的高斯混合模型进行演化，否则不演化，H表示投票阈值。
进一步的，本发明的面向电网监控的声纹模型演化设备故障融合判决方法，步骤4中根据多高斯混合模型进行目标设备的声纹故障融合判决的规则为：
规则1：当前最可能正常态的高斯混合模型的归属概率
Figure BDA0003771864370000068
Figure BDA0003771864370000069
规则2：当前***的熵Ec：
Ec＞th5
Figure BDA00037718643700000610
规则3：存在高斯混合模型n：
Figure BDA00037718643700000611
其中，th4为故障概率阈值，th5为熵阈值，th6为演化阈值，
Figure BDA00037718643700000612
为wnm的初始值，
Figure BDA00037718643700000613
为unm的初始值；
上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的面向电网监控的声纹模型演化设备故障融合判决方法能够消除环境的弱异常干扰与强异常干扰带来的影响，有效地对电网监控场景进行监测。
2、本发明的面向电网监控的声纹模型演化设备故障融合判决方法检测阶段使用基于投票的多高斯混合模型演化方法，可以实时匹配样本数据的变化规律，实现异常监测并及时预警。
3、本发明的面向电网监控的声纹模型演化设备故障融合判决方法检测准确率高，可以有效提高维修效率、降低调度成本。
附图说明
附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构成对本发明的限制。在附图中：
图1示出了本发明的面向电网监控的声纹模型演化设备故障融合判决方法流程图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对典型的实施例，本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
一种面向电网监控的声纹模型演化设备故障融合判决方法，如图1所示，具体包括以下步骤：
步骤1：实时采集声音信号，采用基于小波变换的双重分类去噪方法进行干扰噪声去除预处理。具体包括：
将目标电网设备环境干扰噪声看作背景噪声与异常干扰的叠加，首先将信号X(t)进行离散小波变换：
Figure BDA0003771864370000071
其中，ai＝2-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；
Figure BDA0003771864370000072
为小波函数；
进行第一重背景噪声去除，背景噪声判别阈值为：
Figure BDA0003771864370000081
其中，i为小波分解层数，γ为信号长度，σ1表示通常情况下的背景噪声补偿系数，与背景噪声强度成正比，σ1>1，α表示异常因素的强化因子，若无异常因素α＝1，若有异常因素，则：
α＝1+LΔ (1-3)
其中，Δ为强化步长，L为因素个数，如进入监控环境的工作人员的个数，发生的雷雨天气等自然现象的个数等；r表示周边设备到目标设备的平均距离，r0为距离规范化常数，用于克服远近效应。
若实时声音信号幅值小于上述阈值λ′i，则去除相对应的小波系数标号，否则保留。
进行第二重异常干扰去除，利用外部辅助方法如视频监控***与传感器数据收集***获知异常干扰因素，异常干扰因素比如：通过人脸识别获知进入环境的工作人员，通过访问气象***获知当前天气情况，包括是否打雷、是否下雨等；记当前异常干扰因素共L个，则第l个因素产生的声音中心频点为fl，可由先验统计得到，并由X(t)>th1，th1为阈值，获得相应的满足X(t)>th1的
Figure BDA0003771864370000082
个时间段的中心时点tτ，由此得到，相对应的小波层数i，即：
Figure BDA0003771864370000083
bi＝tτ (1-5)
其中，1≤l≤L，
Figure BDA0003771864370000084
第二重的异常干扰判别阈值
Figure BDA0003771864370000085
为：
Figure BDA0003771864370000086
其中，σ2表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，σ2＞＞σ1。若实时声音信号幅值大于上述阈值，则去除相应小波系数标号，否则保留。
通过双重分类去噪方法，得到重构的小波系数：
Figure BDA0003771864370000087
其中，Wi,k′为经过阈值处理的小波系数。对经过阈值处理的小波系数进行相应的离散小波逆变换，得到干扰去除的目标设备声音信号X′(t)。
步骤2：提取经过预处理的各类正常状态下的设备声音信号数据的MFCC特征向量，分别得到各类正常状态下的的样本数据集，建立并更新目标设备在各类正常状态下的高斯混合模型。具体为：
采集各类正常状态下的电网设备的声音信号数据，进行预处理后提取MFCC特征向量，得到各类正常状态下的样本数据集，建立并更新N个高斯混合模型，每个生成的高斯混合模型均由M个高斯分布混合而成，其中第n个正常态的高斯混合模型的第m个高斯分布的权重为wnm、均值为unm、方差为δnm。
其中，第n个正常态的高斯混合模型可以表示为：
Figure BDA0003771864370000091
其中，1≤n≤N，1≤m≤M，n表示各类正常态的高斯混合模型的索引，m表示高斯混合模型各分模型的索引；xq表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，P(xq|unm,δnm)为第m个高斯分布在xq的概率密度值。
高斯混合模型的参数更新规则为：
1)初始化第n个高斯混合模型的参数；
2)根据当前模型参数模型计算Pnm(xq)：
Figure BDA0003771864370000092
其中，j表示遍历标号，Pnm(xq)表示样本xq由第n个正常态的高斯混合模型的第m个分模型产生的概率；
3)计算下一轮迭代的模型参数：
Figure BDA0003771864370000093
Figure BDA0003771864370000094
Figure BDA0003771864370000095
其中，wnm′、μnm′、δnm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯模型的权重、均值、方差；
4)重复2、3步，直到第n个正常态高斯混合模型收敛。
将待测音频信号X′(t)划分为I帧，加汉宁窗，每帧包含N＝512个样本，相邻帧有256个样本重叠；
xl(n)＝x(l*N+n)w(n) (2-6)
其中，N为窗长，w(n)为汉宁窗，xl(n)表示第l帧音频信号；
Figure BDA0003771864370000101
设计一个有36个频带的滤波器，L＝36，频率范围0到5512HZ，使用重叠的三角形频带，通过每个三角形滤波器的输出为m(q)，
其中，q＝1,2…,L，L为滤波器个数；
对所有滤波器输出做对数运算，再进一步做离散余弦变换(DCT)即可得到一组MFCC参数，
Figure BDA0003771864370000102
其中，β＝0,1,…,R,1≤R≤L。
步骤3：提取待测音频样本数据并建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律。具体为：
将待测音频样本数据xc分别代入各高斯混合模型，其属于第n个高斯分布的概率为，
Figure BDA0003771864370000103
其中，P(xc|unm,δnm)为第m个高斯分布在xc的概率密度值；
则当前待测音频样本数据最可能归属的正常态的高斯混合模型为：
Figure BDA0003771864370000104
其中，n*为xc最可能归属的正常态的高斯混合模型，进而根据故障融合判决规则，若判定当前样本xc为正常态，则对当前所属的第n*个正常态高斯混合模型进行投票决定是否进行演化。
所述投票规则如下：
1)初始化模型n*的投票变量
Figure BDA0003771864370000105
2)若
Figure BDA0003771864370000106
th2为很小的阈值，|·|表示取范数，则令
Figure BDA0003771864370000111
若
Figure BDA0003771864370000112
th3为很大的阈值，则令
Figure BDA0003771864370000113
若
Figure BDA0003771864370000114
则令
Figure BDA0003771864370000115
同时记录xc的结果并进一步判断
Figure BDA0003771864370000116
是否成立，若成立，则对第n*个高斯混合模型进行演化，否则不演化；其中，H表示投票阈值。
高斯混合模型的具体演化方法如下：
Figure BDA0003771864370000117
Figure BDA0003771864370000118
Figure BDA0003771864370000119
Figure BDA00037718643700001110
其中，h表示遍历标号，
Figure BDA00037718643700001111
表示历次取值xc的平均值，
Figure BDA00037718643700001112
为历史记录的各次xc值，ρ为演化率，[·]c+1,[·]c分别表示相应变量演化后的值与演化前的值，[·]T表示向量转置。
最后令
Figure BDA00037718643700001113
并且清空该模型的历史记录。
步骤4：基于多高斯混合模型，进行目标设备声纹故障融合判决，判决规则如下：
规则1：当前最可能正常态的高斯混合模型的归属概率
Figure BDA00037718643700001114
Figure BDA00037718643700001115
规则2：当前***的熵Ec，
Ec>th5 (4-2)
Figure BDA0003771864370000121
规则3：存在高斯混合模型n，
Figure BDA0003771864370000122
其中，th4为故障概率阈值，th5为熵阈值，th6为演化阈值，
Figure BDA0003771864370000123
为wnm的初始值，
Figure BDA0003771864370000124
为unm的初始值；
上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (8)

1.一种面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，包括：
步骤1：采集电网设备的实时声音信号，采用基于小波变换的双重分类去噪对实时声音信号进行预处理，去除其中的环境干扰噪声；
步骤2：提取经过预处理的各正常状态下的电网设备声音信号的MFCC特征向量，构建各正常状态下的样本数据集，根据样本数据集建立并更新目标设备在各正常状态下的高斯混合模型；
步骤3：提取待测声音样本数据，建立基于投票的多高斯混合模型演化方法，以匹配随时间变化的目标设备声纹特征规律；
步骤4：根据多高斯混合模型进行目标设备的声纹故障融合判决。
2.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤1具体包括：
步骤1-1：目标电网设备的环境干扰噪声包括背景噪声与异常干扰的叠加，将实时声音信号X(t)进行离散小波变换，得到小波系数Wi,k：
Figure FDA0003771864360000011
其中，ai＝2-i为伸缩因子，按照幂级数进行离散化处理；i为小波分解层数，1≤i≤I，I表示小波分解总层数，k为平移因子，代表小波系数标号；t为信号的离散采集时刻；
Figure FDA0003771864360000012
为小波函数；
步骤1-2：进行第一重背景噪声去除：若实时声音信号幅值小于背景噪声的判别阈值λ′i，则去除其对应的小波系数标号，否则保留；
所述背景噪声的判别阈值λ′i为：
Figure FDA0003771864360000013
其中，σ1表示背景噪声补偿系数，与背景噪声强度成正比，σ1>1；r表示周边设备到目标电网设备的平均距离；r0为距离规范化常数，用于克服远近效应；γ为信号长度；α表示异常因素的强化因子，若无异常因素则α＝1，若有异常因素，则：
α＝1+LΔ
其中，Δ为强化步长，L为异常干扰因素个数；
步骤1-3：进行第二重异常干扰去除：若实时声音信号幅值大于异常干扰的判别阈值
Figure FDA0003771864360000014
则去除相应的小波系数标号，否则保留；
所述异常干扰的判别阈值
Figure FDA0003771864360000015
为：
Figure FDA0003771864360000021
其中，σ2表示异常情况下的异常干扰补偿系数，与异常干扰强度成正比，且σ2＞＞σ1；
利用视频监控***与传感器数据收集***获知异常干扰因素，记当前异常干扰因素共L个，由先验统计得到第l个异常干扰因素产生的声音中心频点为fl，并根据X(t)>th1获得相应的┏个时间段的中心时点tτ，得到异常干扰因素对应的伸缩因子ai和小波系数标号k：
Figure FDA0003771864360000022
k＝v(tτ)
其中，th1为第一阈值，u(·)表示幂指数近似处理，v(·)表示取整处理，1≤l≤L，1≤τ≤┏；
则得到异常干扰因素对应的小波分解层数i和小波系数标号k；
步骤1-4：通过双重分类去噪，得到重构的小波系数W′i,k：
Figure FDA0003771864360000023
其中，Wi,k′为经过阈值处理重构的小波系数；
步骤1-5：对重构的小波系数W′i,k进行相应的离散小波逆变换，得到去除干扰噪声后的目标电网设备的声音信号X′(t)。
3.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中提取MFCC特征向量的步骤包括：
步骤2-1：将目标电网设备的声音信号X′(t)划分为I帧，每帧包含N＝512个样本，相邻帧有256个样本重叠，则第l帧音频信号xl(n)为：
xl(n)＝x(l*N+n)w(n)
其中，x为分帧之后的音频信号，l为音频信号帧数标号，N为窗长，n为窗口移动步数，x(.)表示分帧处理，汉宁窗w(n)为：
Figure FDA0003771864360000024
步骤2-2：设计一个有36个频带的滤波器，滤波器个数L＝36，频率范围为0Hz到5512Hz，使用重叠的三角形频带，每个三角形滤波器的输出为m(q)，其中，q＝1,2…,L；
步骤2-3：对所有滤波器的输出m(q)做对数运算，再做离散余弦变换，得到一组MFCC参数：
Figure FDA0003771864360000031
其中，β＝0,1,…,R，1≤R≤L，β为MFCC特征向量标号索引。
4.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤2中，根据样本数据集建立N个高斯混合模型，每个高斯混合模型均由M个高斯分布混合而成，其中，第n个正常态的高斯混合模型表示为：
Figure FDA0003771864360000032
其中，1≤n≤N，1≤m≤M，n表示高斯混合模型的索引，m表示高斯混合模型各分模型的索引，xq表示高斯混合模型的输入，q表示输入样本标号，1≤q≤Q，Q为累计输入样本数量，P(xq|unm,δnm)为第m个高斯分布在xq的概率密度值，wnm为第n个正常态的高斯混合模型的第m个高斯分布的权重，unm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δnm为第n个正常态的高斯混合模型的第m个高斯分布的方差。
5.根据权利要求1或4所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，高斯混合模型的参数更新规则为：
1)初始化第n个正常态的高斯混合模型的参数unm (0)、δnm (0)；
2)根据当前高斯混合模型计算概率Pnm(xq)：
Figure FDA0003771864360000033
其中，j表示遍历标号，Pnm(xq)表示样本xq由第n个正常态的高斯混合模型的第m个分模型产生的概率；
3)计算下一轮迭代的模型参数：
Figure FDA0003771864360000034
Figure FDA0003771864360000035
Figure FDA0003771864360000036
其中，wnm′、μnm′、δnm′分别表示迭代后的第n个正常态的高斯混合模型的第m个高斯分布的权重、均值、方差；
4)重复2)、3)步，直到第n个正常态的高斯混合模型收敛。
6.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤3具体包括：
步骤3-1：计算待测音频样本数据xc属于第n个正常态的高斯混合模型的概率Pn(xc)：
Figure FDA0003771864360000041
其中，m表示高斯混合模型各分模型的索引，1≤m≤M，wnm为第n个正常态的高斯混合模型的第m个高斯分布的权重，unm为第n个正常态的高斯混合模型的第m个高斯分布的均值，δnm为第n个正常态的高斯混合模型的第m个高斯分布的方差，P(xc|unm,δnm)为第m个高斯分布在xc的概率密度值；
根据概率Pn(xc)得到当前待测音频样本数据xc最可能归属的正常态的高斯混合模型n*为：
Figure FDA0003771864360000042
步骤3-2：根据故障融合判决规则，若判定当前待测音频样本数据xc为正常态，则对当前待测音频样本数据xc所属的第n*个正常态的高斯混合模型进行投票，判断是否对其进行演化，若进行演化则转步骤3-3；
步骤3-3：对第n*个正常态的高斯混合模型进行演化如下：
Figure FDA0003771864360000043
Figure FDA0003771864360000044
Figure FDA0003771864360000045
Figure FDA0003771864360000046
其中，h、j分别表示相应的遍历标号，
Figure FDA0003771864360000047
表示历次取值xc的平均值，H表示投票阈值，
Figure FDA0003771864360000048
为历史记录的各次xc值，ρ为演化率，[·]c+1、[·]c分别表示相应变量演化后的值与演化前的值，[·]T表示向量转置；
步骤3-4：令第n*个高斯混合模型的投票变量
Figure FDA0003771864360000049
并且清空该模型的历史记录。
7.根据权利要求6所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤3-2中的投票规则为：
1)初始化第n*个高斯混合模型的投票变量
Figure FDA0003771864360000051
2)若
Figure FDA0003771864360000052
则令
Figure FDA0003771864360000053
其中，th2为第二阈值，|·|表示取范数，wn*m为第n*个正常态的高斯混合模型的第m个高斯分布的权重，un*m为第n*个正常态的高斯混合模型的第m个高斯分布的均值；
若
Figure FDA0003771864360000054
则令
Figure FDA0003771864360000055
其中，th3为第三阈值，且th3＞th2；
若
Figure FDA0003771864360000056
则令
Figure FDA0003771864360000057
3)判断
Figure FDA0003771864360000058
是否成立，若成立，则对第n*个正常态的高斯混合模型进行演化，否则不演化，H表示投票阈值。
8.根据权利要求1所述的面向电网监控的声纹模型演化设备故障融合判决方法，其特征在于，步骤4中根据多高斯混合模型进行目标设备的声纹故障融合判决的规则为：
规则1：当前最可能正常态的高斯混合模型的归属概率
Figure FDA0003771864360000059
Figure FDA00037718643600000510
规则2：当前***的熵Ec：
Ec>th5
Figure FDA00037718643600000511
规则3：存在高斯混合模型n：
Figure FDA0003771864360000061
其中，th4为故障概率阈值，th5为熵阈值，th6为演化阈值，
Figure FDA0003771864360000062
为wnm的初始值，
Figure FDA0003771864360000063
为unm的初始值；
上述三个规则，满足其一，则判为故障；若均不满足，则为正常态。
CN202210904249.XA 2022-07-29 2022-07-29 一种面向电网监控的声纹模型演化设备故障融合判决方法 Pending CN115343573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210904249.XA CN115343573A (zh) 2022-07-29 2022-07-29 一种面向电网监控的声纹模型演化设备故障融合判决方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210904249.XA CN115343573A (zh) 2022-07-29 2022-07-29 一种面向电网监控的声纹模型演化设备故障融合判决方法

Publications (1)

Publication Number Publication Date
CN115343573A true CN115343573A (zh) 2022-11-15

Family

ID=83951003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210904249.XA Pending CN115343573A (zh) 2022-07-29 2022-07-29 一种面向电网监控的声纹模型演化设备故障融合判决方法

Country Status (1)

Country Link
CN (1) CN115343573A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993504A (zh) * 2023-03-23 2023-04-21 山东盛日电力集团有限公司 一种电气设备的智能故障诊断方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993504A (zh) * 2023-03-23 2023-04-21 山东盛日电力集团有限公司 一种电气设备的智能故障诊断方法及***
CN115993504B (zh) * 2023-03-23 2023-08-18 山东盛日电力集团有限公司 一种电气设备的智能故障诊断方法及***

Similar Documents

Publication Publication Date Title
CN106874833B (zh) 一种振动事件的模式识别方法
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN113707176B (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
KR102276964B1 (ko) 잡음 환경에 강인한 동물 종 식별 장치 및 방법
CN110736968B (zh) 基于深度学习的雷达异常状态诊断方法
CN114755745A (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN111815806B (zh) 一种基于野值剔除和特征提取的飞参数据预处理方法
CN114023354A (zh) 基于聚焦损失函数的指导型声学事件检测模型训练方法
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测***
CN115343573A (zh) 一种面向电网监控的声纹模型演化设备故障融合判决方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及***
CN113610188A (zh) 弓网接触力非区段异常识别方法及装置
CN110458071B (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN116609440A (zh) 基于云边协同的建筑工程质量智能验收管理方法及***
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
CN114707577A (zh) 一种基于自对抗变分自编码器的异常检测方法及***
CN117809164A (zh) 基于多模态融合的变电站设备故障检测方法及***
CN112986393A (zh) 一种桥梁拉索损伤的检测方法和***
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
CN113468720B (zh) 一种数模联动的随机退化设备寿命预测方法
CN114360582A (zh) 一种基于多频段自监督的变压器声纹异常检测方法
CN111091269A (zh) 一种基于多维风险指数的服刑人员风险评估方法
CN115288994B (zh) 一种基于改进dcgan的压缩机异常状态检测方法
CN113878613B (zh) 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法

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