CN115618205A - 一种便携式声纹故障检测***及方法 - Google Patents

Abstract

本发明公开了一种便携式声纹故障检测***及方法，***包括声纹监控分析仪、拾音器、采集器以及边缘计算网关；拾音器按照设备性质安装在待检测设备的采集节点处，采集器连接声纹监控分析仪，拾音器与采集器连接，采集器将采集到的数据传送给边缘计算网关，经过边缘计算网关的处理将数据发送给声纹监控分析仪；边缘计算网关通过无线网络与声纹监控分析仪连接；声纹监控分析仪内存储有故障模型数据库；声纹监控分析仪采用cmfmc引擎基于MFCC特征向量进行加权降维优化，并应用矢量量化算法对设备的噪声信号进行识别，结合故障模型数据库进行对比，判断出一次设备状态和故障类型。本发明直接接触到检测设备本体，检测结果受环境影响小。

Description

一种便携式声纹故障检测***及方法

技术领域

本发明属于声纹检测技术领域，具体涉及一种便携式声纹故障检测***及方法。

背景技术

电力设备运行的在线监测是保证可靠运行的重要技术手段，现场存在着广泛的电晕放电、开关动作产生的冲击以及相邻高压电气设备内部可能出现的局部放电等干扰源；部分一次设备运行环境较为恶劣，高负荷地持续运行是常态。因此，大型的电力一次设备在长期运行中，设备零部件的老化及零件的松动都会造成非计划停机，导致重大事故。

传统的电力一次设备隐患识别技术是基于结构变化或者电气量的突变来实现。基于结构变化的检测无法识别微小缺陷，并且检测结果受环境、光线的影响较大，无法准确的反应设备的健康状态；基于电气量突变的检测技术，需要对不同的设备进行电气模型建模，并且要利用各种传感器准确快速的检测电气量，当前的技术无法将所有的设备的隐患与电量作直接关联，因此基于电气量突变的检测技术准确度有限。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种便携式声纹故障检测***及方法。

为了达到上述目的，本发明采用以下技术方案：

一种便携式声纹故障检测***，包括声纹监控分析仪、拾音器、采集器以及边缘计算网关；

拾音器按照设备性质安装在待检测设备的采集节点处，采集器连接声纹监控分析仪，拾音器与采集器连接，采集器将采集到的数据传送给边缘计算网关，经过边缘计算网关的处理将数据发送给声纹监控分析仪；

边缘计算网关通过无线网络与声纹监控分析仪连接；

声纹监控分析仪内存储有故障模型数据库；

声纹监控分析仪采用cmfmc引擎基于MFCC特征向量进行加权降维优化，并应用矢量量化算法对设备的噪声信号进行识别，结合故障模型数据库进行对比，判断出一次设备状态和故障类型。

进一步的，所述拾音器为声发射传感器或声纹传感器，所述声发射传感器和声纹传感器采用低频窄带传感器。

进一步的，采集声纹数据时，采用触发门限和滤波器，进行幅值滤波、频率滤波，剔除噪声影响。

进一步的，声纹监控分析仪对拾音器采集到的声纹信号采用参数分析法和波形分析法进行识别。

进一步的，拾音器具体通过磁吸的方式安装在待检测设备的采集节点处。

本发明还包括基于提供的***的故障检测方法，包括以下步骤：

将拾音器按照设备性质安装在待检测设备的采集节点处，采集声纹数据，噪声信号；

对噪声信号进行预处理，提取MFCC特征向量，加权，对MFCC特征向量进行降维；

结合故障模型数据库，对声纹进行1：1对比，即用声纹与正常声纹模型进行对比，判断是否有故障；如有故障，则进行1：n的故障分析，即用声纹与异常声纹模型库的n种模型进行对比，判断故障类别并将故障类别信息存入故障模型数据库；

导出诊断报告。

进一步的，预处理具体包括分帧和加窗：

分帧具体为：

在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，两帧间有重叠；

样本总点数：M＝sr*time，即样本总点数＝采样率*时间；

单帧内的重叠点数：overlap＝wlen-inc即重叠个数＝帧长-帧移动长度；

考虑重叠的信号分帧关系，分帧后的帧数表示为：

加窗具体为：

对分帧后信号进行离散傅里叶变换，对每个分帧信号施加汉明窗。

进一步的，提取MFCC特征向量具体为：

对分帧信号分别求取一特征向量，组成特征向量组，该求取过程包括傅里叶变换、Mel滤波、对数变换和离散余弦变换；其中Mel滤波由若干个三角带通滤波器组成的滤波器组实现；

设滤波器个数为p，信号经滤波后得到p个参数m_i，其计算公式为：

其中，N为傅里叶变换点数，X(k)为预处理后分帧信号的傅里叶变换，H_i(k)为滤波器参数，表示为：

B(f[i+1])-B(f[i])＝B(f[i])-B(f[i-1])

其中，f[i]为三角滤波器中心频率；

计算得到m_i后，对其取对数，并进行离散余弦变换，计算得到的C_i即为分帧信号的高维MFCC特征向量；具体为：

进一步的，对MFCC特征向量进行降维具体为：

采用K-L变换算法对得到的高维MFCC特征向量进行降维精简，同时确保准确获取设备的噪声特征，K-L变换计算如下：

设有e个特征向量组成矩阵G，每个特征向量的维度为h，则G表示为：

计算G的相关矩阵R：

R＝G^TG/(e-1)

据此计算出相关矩阵R的特征值λ₁，λ₂，λ₃，…λ_h和对应的特征向量u₁，u₂，u₃，…u_h；

计算方差贡献率η_i和累积方差贡献率η(l)：

进一步的，故障模型数据库的构建具体为：

声纹故障检测***根据既有的声纹数据，通过cmfmc算法进行主动训练，提取声纹特征，再对训练模型建立标签，生成故障模型数据库。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明便携式声纹故障检测***，利用设备噪音，识别夹杂在噪音中的故障异常音，根据故障异常音的特征，匹配故障类型，帮助完成故障因果溯源和时间标记；***直接接触到待检测设备本体，检测结果受环境影响小；故障及隐患检测时，无需深入设备，在设备表面操作即可，对设备无任何损伤。

2、与传统监测平台相比，可以方便快捷的监测出电力设备所存在的问题，应用在不同的电力设备的运行环境，更加便携、高效。

3、本发明可广泛应用于电力设备的各种故障状态及时预警，并实时显示在便携式的声纹监控分析仪，对非正常状态的故障现象进行人工智能的深度学习，为运检人员提供设备的变化监测曲线，为正确运检决策做出辅助研判。

附图说明

图1是本发明实施例***的结构示意图；

图2是本发明实施例的示意图；

图3是实施例中故障识别流程示意图；

图4是实施例中故障模型数据库的构建流程示意图；

图5是本发明实施例方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1和图2所示，本发明，一种便携式声纹故障检测***，包括声纹监控分析仪、拾音器、采集器以及边缘计算网关；本实施例中以检测变压器故障为例。

拾音器按照设备性质通过磁吸的方式安装在待检测设备的采集节点处，采集器连接声纹监控分析仪，拾音器与采集器连接，采集器将采集到的数据传送给边缘计算网关，经过边缘计算网关的处理将数据发送给声纹监控分析仪；

边缘计算网关通过无线网络与声纹监控分析仪连接；

声纹监控分析仪内存储有故障模型数据库；

声纹监控分析仪采用cmfmc引擎基于MFCC特征向量进行加权降维优化，并应用矢量量化算法对设备的噪声信号进行识别，结合故障模型数据库进行对比，判断出一次设备状态和故障类型。

在本实施例中，拾音器为声发射传感器或声纹传感器，所述声发射传感器和声纹传感器采用低频窄带传感器。

在本实施例中，在采集声纹数据时，采用触发门限和滤波器，进行幅值滤波、频率滤波，剔除噪声影响。

声纹监控分析仪对拾音器采集到的声纹信号采用参数分析法和波形分析法进行识别。

在另一个实施例中，提供了基于上述实施例所述***的故障检测方法，如图3和图5所示，包括以下步骤：

S1、将拾音器按照设备性质安装在待检测设备的采集节点处，采集声纹数据，噪声信号；

S2、对噪声信号进行预处理，提取MFCC特征向量，加权，对MFCC特征向量进行降维；在本实施例中，预处理具体包括分帧和加窗：

分帧具体为：

在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，两帧间有重叠；

样本总点数：M＝sr*time，即样本总点数＝采样率*时间；

单帧内的重叠点数：overlap＝wlen-inc即重叠个数＝帧长-帧移动长度；

考虑重叠的信号分帧关系，分帧后的帧数表示为：

加窗具体为：

对分帧后信号进行离散傅里叶变换，对每个分帧信号施加汉明窗。

在本实施例中，提取MFCC特征向量具体为：

分帧信号分别求取一特征向量，组成特征向量组，该求取过程包括傅里叶变换、Mel滤波、对数变换和离散余弦变换；其中Mel滤波由若干个三角带通滤波器组成的滤波器组实现；

设滤波器个数为p，信号经滤波后得到p个参数m_i，其计算公式为：

其中，N为傅里叶变换点数，X(k)为预处理后分帧信号的FFT(傅里叶变换)，H_i(k)为滤波器参数，表示为：

B(f[i+1])-B(f[i])＝B(f[i])-B(f[i-l])

其中，f[i]为三角滤波器中心频率；

计算得到m_i后，对其取对数，并进行离散余弦变换，计算得到的C_i即为分帧信号的MFCC特征向量，具体为：

在本实施例中，对MFCC特征向量进行降维具体为：

采用K-L变换算法对得到的高维MFCC特征向量进行降维精简，同时确保准确获取设备的噪声特征，K-L变换计算如下：

设有e个特征向量组成矩阵G，每个特征向量的维度为h，则G表示为：

计算G的相关矩阵R：

R＝G^TG/(e-1)

据此计算出相关矩阵R的特征值λ₁,λ₂,λ₃,...λ_h和对应的特征向量u₁,u₂,u₃,…u_h；

计算方差贡献率η_i和累积方差贡献率η(l)：

S3、结合故障模型数据库，对声纹进行1：1对比，即用声纹与正常声纹模型进行对比，判断是否有故障；如有故障，则进行1：n的故障分析，即用声纹与异常声纹模型库的n种模型进行对比，判断故障类别并将故障类别信息存入故障模型数据库；如图4所示，故障模型数据库的构建具体为：

声纹故障检测***根据既有的声纹数据，通过cmfmc算法进行主动训练，提取声纹特征，再对训练模型建立标签，生成故障模型数据库。

S4、导出诊断报告。

还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种便携式声纹故障检测***，其特征在于，包括声纹监控分析仪、拾音器、采集器以及边缘计算网关；

拾音器按照设备性质安装在待检测设备的采集节点处，采集器连接声纹监控分析仪，拾音器与采集器连接，采集器将采集到的数据传送给边缘计算网关，经过边缘计算网关的处理将数据发送给声纹监控分析仪；

边缘计算网关通过无线网络与声纹监控分析仪连接；

声纹监控分析仪内存储有故障模型数据库；

声纹监控分析仪采用cmfmc引擎基于MFCC特征向量进行加权降维优化，并应用矢量量化算法对设备的噪声信号进行识别，结合故障模型数据库进行对比，判断出一次设备状态和故障类型。

2.根据权利要求1所述的一种便携式声纹故障检测***，其特征在于，所述拾音器为声发射传感器或声纹传感器，所述声发射传感器和声纹传感器采用低频窄带传感器。

3.根据权利要求1所述的一种便携式声纹故障检测***，其特征在于，采集声纹数据时，采用触发门限和滤波器，进行幅值滤波、频率滤波，剔除噪声影响。

4.根据权利要求1所述的一种便携式声纹故障检测***，其特征在于，声纹监控分析仪对拾音器采集到的声纹信号采用参数分析法和波形分析法进行识别。

5.根据权利要求1所述的一种便携式声纹故障检测***，其特征在于，拾音器具体通过磁吸的方式安装在待检测设备的采集节点处。

6.基于权利要求1-5任一项所述***的故障检测方法，其特征在于，包括以下步骤：

将拾音器按照设备性质安装在待检测设备的采集节点处，采集声纹数据，噪声信号；

对噪声信号进行预处理，提取MFCC特征向量，加权，对MFCC特征向量进行降维；

结合故障模型数据库，对声纹进行1：1对比，即用声纹与正常声纹模型进行对比，判断是否有故障；如有故障，则进行1：n的故障分析，即用声纹与异常声纹模型库的n种模型进行对比，判断故障类别并将故障类别信息存入故障模型数据库；

导出诊断报告。

7.根据权利要求6所述的故障检测方法，其特征在于，预处理具体包括分帧和加窗：

分帧具体为：

在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，两帧间有重叠；

样本总点数：M＝sr*time，即样本总点数＝采样率*时间；

单帧内的重叠点数：overlap＝wlwn-inc即重叠个数＝帧长-帧移动长度；

考虑重叠的信号分帧关系，分帧后的帧数表示为：

加窗具体为：

对分帧后信号进行离散傅里叶变换，对每个分帧信号施加汉明窗。

8.根据权利要求7所述的故障检测方法，其特征在于，提取MFCC特征向量具体为：

对分帧信号分别求取一特征向量，组成特征向量组，该求取过程包括傅里叶变换、Mel滤波、对数变换和离散余弦变换；其中Mel滤波由若干个三角带通滤波器组成的滤波器组实现；

设滤波器个数为p，信号经滤波后得到p个参数m_i，其计算公式为：

其中，N为傅里叶变换点数，X(k)为预处理后分帧信号的傅里叶变换，H_i(k)为滤波器参数，表示为：

B(f[i+1])-B(f[i])＝B(f[i])-B(f[i-1])

其中，f[i]为三角滤波器中心频率；

计算得到m_i后，对其取对数，并进行离散余弦变换，计算得到的C_i即为分帧信号的高维MFCC特征向量；具体为：

9.根据权利要求8所述的故障检测方法，其特征在于，对MFCC特征向量进行降维具体为：

采用K-L变换算法对得到的高维MFCC特征向量进行降维精简，同时确保准确获取设备的噪声特征，K-L变换计算如下：

设有e个特征向量组成矩阵G，每个特征向量的维度为h，则G表示为：

计算G的相关矩阵R：

R＝G^TG/(e-1)

据此计算出相关矩阵R的特征值λ₁,λ₂,λ₃,...λ_h和对应的特征向量u₁,u₂,u₃,…u_h；

计算方差贡献率η_i和累积方差贡献率η(l)：

10.根据权利要求6所述的故障检测方法，其特征在于，故障模型数据库的构建具体为：

声纹故障检测***根据既有的声纹数据，通过cmfmc算法进行主动训练，提取声纹特征，再对训练模型建立标签，生成故障模型数据库。

Images