CN116230013A - 一种基于x-vector的变压器故障声纹检测方法 - Google Patents
一种基于x-vector的变压器故障声纹检测方法 Download PDFInfo
- Publication number
- CN116230013A CN116230013A CN202310184476.4A CN202310184476A CN116230013A CN 116230013 A CN116230013 A CN 116230013A CN 202310184476 A CN202310184476 A CN 202310184476A CN 116230013 A CN116230013 A CN 116230013A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- vector
- transformer
- data
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000005236 sound signal Effects 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于x‑vector的变压器声纹故障检测方法,首先挑选合适的采集装置进行数据采集,并对采集的数据根据故障类型简单分类,用谱减法进行降噪;其次,对故障数据进行预处理,获取声音信号的特征向量;然后,搭建x‑vector网络框架,将预处理提取到的的声纹特征作为神经网络的输入进行训练;再次,将待识别的声纹数据的特征输入模型中,设置阈值根据相似度匹配得到变压器故障状态的识别结果;最后设计变压器声纹监控平台,实时显示变压器声纹识别的结果。本发明提出一种能有效降低噪声干扰、提高识别模型泛化能力的基于x‑vector的变压器故障声纹检测方法。
Description
技术领域
本发明涉及变压器故障声纹识别检测领域,具体来说是一种基于x-vector的变压器故障声纹检测方法。
背景技术
在电网中,电力变压器是一种非常重要的能量传输和转换装置,数量非常庞大,在我国预计有上千万台之多,而且每年都会有几百万台变压器需要更新维护,变压器安全可靠稳定运行是供电网络安全可靠稳定运行的根本,所以对变压器的运行状态进行准确评估,有效地保持电力变压器的运行稳定性并提高维护水平具有重要的意义。由于在电力变压器工作时,机械振动会发出声音,且具有一定的规律性,所以提出了一种根据变压器声纹判断其运行状态的方法。近几年随着我国国民经济的快速发展,对供配电网络的质量和数量都提出了更高的要求。传统变压器故障检测方法为通过人工数据采样和在线参数采样相结合,由维护人员根据这些采样数据判断变压器的运行状态。然而由于人工判断一般只结合当前时刻的采样数据,缺乏预见性,不能有效地预测故障,可能造成不可估量的损失。因此,引入计算机在线检测和辅助分析就显得尤为重要。
随着变压器声纹识别算法的不断迭代,除了改进训练的模型,声纹识别的准确率与采集的质量也有着密不可分的联系。在实际的线下采集过程中外界环境产生的噪声无法被有效去除,由此这些噪声对后续的声纹识别判断将会产生或多或少的影响。其次,由于日常的维护,变压器发生故障的次数屈指可数,所以获取变压器故障的声纹数据的难度是大大提高。数据量偏少这会导致模型没有足够的数量,没法去找到其中的特征,在这样的情况去拟合数据,会导致虽然训练结果不是很大但是测试错误会很高,与投入使用还具有一定差距,因此解决此类问题迫在眉睫。
发明内容
为了解决现有变压器声纹故障检测方法在噪声污染、故障数据集不足等方面的问题,本发明提出一种能有效降低噪声干扰、提高识别模型泛化能力的基于x-vector的变压器故障声纹检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于x-vector的变压器故障检测方法,所述方法包括以下步骤:
1)当进行声纹检测时需要麦克风进行声音的采集;
2)使用谱减法对声纹信号进行降噪,带噪声音功率谱减去噪声功率谱得到的就是去噪后的声音信号功率谱;
3)对输入的声纹数据进行预处理,得到一个抽象的声纹特征;
4)搭建x-vector的神经网络结构,x-vector包含多层帧级别的TDNN层,一个统计池化层和两层句子级别的全连接层,以及一层softmax,损失函数为交叉熵。得益于网络中的统计池化层,x-vector可以接受任意长度的输入,并将帧级别的特征融合成整句的特征;
5)使用搭建的神经网络框架训练数据集学习识别模型;
6)将待测数据的特征向量输入到训练好的模型中,得到一个声纹数据的输出特征,与当前故障类型的特征模板进行匹配,根据相似度设置阈值判断出变压器对应的状态类型。
进一步,所述步骤3)的过程如下:
3.1)将声音信号进行预加重,即对高频信号进行一个加重过程:将每一个信号减去它后一个信号乘上一个系数α的值,公式如下:y[n]=x[n]-αx[n-1];
3.2)对于那些时间小于预设阈值的声纹数据进行数据拼接,有效利用数据;
3.3)对信号进行分帧与加窗,对每一个短时分析窗进行快速傅里叶变换得到对应的频谱,将该频谱通过Mel滤波器得到Mel频谱;在Mel频谱上面进行倒谱分析,取对数,做DCT离散余弦变换,取DCT后的第2个到第13个系数作为MFCC系数,获得Mel频率倒谱系数MFCC,这个MFCC就是这帧语音的特征;
3.4)变压器声纹特征提取之后,对目标工况建模,对待测噪声信号进行比较判定,识别故障工况类型;针对变压器直流偏磁、附件松动和局部放电共3种故障工况类型进行智能识别,将提取后的特征送入x-vector的神经网络。
优选的,所以步骤1)中,麦克风为电容式传感器,通过电容式传声器进行声音的采集,并传送给计算机。
本发明的技术构思为:首先挑选合适的采集装置进行数据采集,并对采集的数据根据故障类型简单分类,用谱减法进行降噪;其次,对故障数据进行预处理,获取声音信号的特征向量;然后,搭建x-vector网络框架,将预处理提取到的的声纹特征作为神经网络的输入进行训练;再次,将待识别的声纹数据的特征输入模型中,设置阈值根据相似度匹配得到变压器故障状态的识别结果;最后设计变压器声纹监控平台,实时显示变压器声纹识别的结果。
本发明的有益效果表现在:首先,综合灵敏度和可靠性等性能指标,选择声纹采集的装置,对采集的数据做简单的处理。其次,用谱减法降低环境噪声对目标声纹的影响,提高变压器故障声纹的识别度。最后设计变压器声纹监测平台,实现声纹识别结果的实时显示与统计;
附图说明
图1为变压器故障声纹检测方法基本步骤的示意图。
图2为x-vector的网络结构。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于x-vector的变压器故障声纹检测方法,所述预测方法包括以下步骤:
1)当进行声纹检测时需要麦克风进行声音的采集,所以麦克风的选择尤为重要,通过对麦克风灵敏度,可靠性等方面的分析与考虑,我们选择的麦克风需要体积小,便于安装与携带,并且在靠近变压器采集声纹数据时不能影响变压器正常的运行,因此我们选择了电容式传感器。通过电容式传声器进行声音的采集,电容式传声器并没有线圈及磁铁,靠着电容两片隔板间距离的改变来产生电压变化,电容式传感器因灵敏度较高,常用于高质量的录音。该传声器内置一个对声音敏感的电容式驻极体话筒。声波使话筒内的驻极体薄膜振动,导致电容的变化,而产生与之对应变化的微小电压。这一电压随后被转化成0~5V的电压,经过A/D转换被数据采集器接受,并传送给计算机;
对采集到的数据做简单的处理,一共包括直流偏磁、风机老化,局部放电三种故障样本和正常声音样本。修改声音数据的格式,转为wav格式;
2)收集声音数据过程中,经常会存在各类干扰噪声,给变压器本体声音的处理与故障诊断带来困扰。变压器声纹识别的降噪方法包括小波阈值去噪方法,基于fastICA的去噪方法等等,这里选用了传统的谱减法。谱减法的原理如下:设去噪后的声音信号为是s(t),d(t)为噪声信号,原始声音信号为y(t),则:y(t)=s(t)+d(t)
Y(ω),S(ω),D(ω)分别为y(t),s(t),d(t)的傅里叶变换,可以得出:
|Y(ω)|2=|S(ω)|2+|D(ω)|2
Py(ω),Ps(ω),Pd(ω)分别为y(t),s(t),d(t)的功率谱,则:
Py(ω)=Ps(ω)+Pd(ω)
即带噪声音功率谱减去噪声功率谱得到的就是去噪后的声音信号功率谱。
3)对故障数据进行预处理,获取声音信号的特征向量过程如下:
3.1)将声音信号进行预加重,即对高频信号进行一个加重过程:将每一个信号减去它后一个信号乘上一个较大的系数的值,比如0.95或者0.97,具体公式如下:y[n]=x[n]-αx[n-1];
3.2)对于那些时间较短的声纹数据进行数据拼接,从而较少数据量小带来的影响,有效利用数据;
3.3)对信号进行分帧与加窗,对每一个短时分析窗进行快速傅里叶变换得到对应的频谱,将该频谱通过Mel滤波器得到Mel频谱;在Mel频谱上面进行倒谱分析,取对数,做DCT离散余弦变换,取DCT后50个系数作为MFCC系数,获得Mel频率倒谱系数MFCC,这个MFCC就是这帧语音的特征;
3.4)变压器声纹特征提取之后,需要对目标工况建模,对待测噪声信号进行比较判定,识别故障工况类型;针对变压器直流偏磁、附件松动,局部放电共3种故障工况类型进行智能识别,将提取后的特征送入x-vector的神经网络;
4)搭建x-vector的神经网络结构,x-vector包含多层帧级别的TDNN层,一个统计池化层和两层句子级别的全连接层,以及一层softmax,损失函数为交叉熵。得益于网络中的统计池化层,x-vector可以接受任意长度的输入,并将帧级别的特征融合成整句的特征;
5)将训练集输入到神经网络中进行训练,得到一个学习模型;
6)将待测数据的特征向量输入到训练好的模型中,得到一个声纹数据的输出特征,与当前故障类型的特征模板进行匹配,根据相似度设置阈值判断出变压器对应的状态类型。
本实施例设计变压器声纹监控平台,实时显示变压器声纹识别的结果,包括整体状态,实时波形,异常统计,历史报警,设备管理等模块。首先设计出各模块的大体框架,利用jQuery,BootStrap和Echarts等工具进行页面的详细绘制。再利用Ajax进行数据的获取,获取数据库变压器相关状态信息,渲染到页面中。最后可利用iis服务将web界面部署上线,这样在同一局域网下都可实现通过前端服务器IP地址访问声纹监测平台;
以上所述仅为本发明的较佳实施例,并不用以限制本发明,在不偏离本发明基本内容所涉及范围的前提下对其做各种变形和改进,不应排除在本发明的保护范围之外。
Claims (3)
1.一种基于x-vector的变压器故障检测方法,其特征在于,所述方法包括以下步骤:
1)当进行声纹检测时需要麦克风进行声音的采集;
2)使用谱减法对声纹信号进行降噪,带噪声音功率谱减去噪声功率谱得到的就是去噪后的声音信号功率谱;
3)对输入的声纹数据进行预处理,得到一个抽象的声纹特征;
4)搭建x-vector的神经网络结构,x-vector包含多层帧级别的TDNN层,一个统计池化层和两层句子级别的全连接层,以及一层softmax,损失函数为交叉熵。得益于网络中的统计池化层,x-vector可以接受任意长度的输入,并将帧级别的特征融合成整句的特征;
5)使用搭建的神经网络框架训练数据集学习识别模型;
6)将待测数据的特征向量输入到训练好的模型中,得到一个声纹数据的输出特征,与当前故障类型的特征模板进行匹配,根据相似度设置阈值判断出变压器对应的状态类型。
2.如权利要求1所述的一种基于x-vector的变压器故障声纹检测方法,其特征在于,所述步骤3)的过程如下:
3.1)将声音信号进行预加重,即对高频信号进行一个加重过程:将每一个信号减去它后一个信号乘上一个系数α的值,公式如下:y[n]=x[n]-αx[n-1];
3.2)对于那些时间小于预设阈值的声纹数据进行数据拼接,有效利用数据;
3.3)对信号进行分帧与加窗,对每一个短时分析窗进行快速傅里叶变换得到对应的频谱,将该频谱通过Mel滤波器得到Mel频谱;在Mel频谱上面进行倒谱分析,取对数,做DCT离散余弦变换,取DCT后的第2个到第13个系数作为MFCC系数,获得Mel频率倒谱系数MFCC,这个MFCC就是这帧语音的特征;
3.4)变压器声纹特征提取之后,对目标工况建模,对待测噪声信号进行比较判定,识别故障工况类型;针对变压器直流偏磁、附件松动和局部放电共3种故障工况类型进行智能识别,将提取后的特征送入x-vector的神经网络。
3.如权利要求1或2所述的一种基于x-vector的变压器故障声纹检测方法,其特征在于,所以步骤1)中,麦克风为电容式传感器,通过电容式传声器进行声音的采集,并传送给计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184476.4A CN116230013A (zh) | 2023-02-27 | 2023-02-27 | 一种基于x-vector的变压器故障声纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184476.4A CN116230013A (zh) | 2023-02-27 | 2023-02-27 | 一种基于x-vector的变压器故障声纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116230013A true CN116230013A (zh) | 2023-06-06 |
Family
ID=86576504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310184476.4A Pending CN116230013A (zh) | 2023-02-27 | 2023-02-27 | 一种基于x-vector的变压器故障声纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116230013A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117470976A (zh) * | 2023-12-28 | 2024-01-30 | 烟台宇控软件有限公司 | 一种基于声纹特征的输电线路缺陷检测方法及*** |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
-
2023
- 2023-02-27 CN CN202310184476.4A patent/CN116230013A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117470976A (zh) * | 2023-12-28 | 2024-01-30 | 烟台宇控软件有限公司 | 一种基于声纹特征的输电线路缺陷检测方法及*** |
CN117470976B (zh) * | 2023-12-28 | 2024-03-26 | 烟台宇控软件有限公司 | 一种基于声纹特征的输电线路缺陷检测方法及*** |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116230013A (zh) | 一种基于x-vector的变压器故障声纹检测方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
Wu et al. | Faulted gear identification of a rotating machinery based on wavelet transform and artificial neural network | |
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 | |
CN115932659A (zh) | 一种基于声纹特征的变压器故障检测方法 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及*** | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN116741148A (zh) | 一种基于数字孪生的语音识别*** | |
CN114722895A (zh) | 一种基于非侵入式状态检测的光伏阵列故障诊断方法 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN115618205A (zh) | 一种便携式声纹故障检测***及方法 | |
CN114487733A (zh) | 一种基于声纹的局部放电检测方法 | |
CN116229991A (zh) | 基于mfcc语音特征提取与机器学习的电机故障诊断方法 | |
CN115539277A (zh) | 基于水电机声纹识别的故障预警***和方法 | |
Rahman et al. | Dynamic time warping assisted svm classifier for bangla speech recognition | |
Qi et al. | Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及*** | |
CN116717461A (zh) | 一种真空泵运行状态的智能监测方法及*** | |
Sun et al. | Jointed task of multi-scale CNN based power transformer fault diagnosis with vibration and sound signals | |
CN112735477B (zh) | 语音情感分析方法和装置 | |
CN111091816B (zh) | 一种基于语音评测的数据处理***及方法 |
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 |