CN116778964A - 一种基于声纹识别的变电设备故障监测***及方法 - Google Patents
一种基于声纹识别的变电设备故障监测***及方法 Download PDFInfo
- Publication number
- CN116778964A CN116778964A CN202310897902.9A CN202310897902A CN116778964A CN 116778964 A CN116778964 A CN 116778964A CN 202310897902 A CN202310897902 A CN 202310897902A CN 116778964 A CN116778964 A CN 116778964A
- Authority
- CN
- China
- Prior art keywords
- fault
- audio
- state
- power transformation
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000009466 transformation Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000005236 sound signal Effects 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000037433 frameshift Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
-
- 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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明设计一种基于声纹识别的变电设备故障监测***及方法;首先设计了包括正常/故障区分模块、故障识别模块和应用优化模块的故障监测***;基于此详细比较和分析多组不同工作状态下变电设备声纹信号的时频特性,提出了基于短时能量和短时过零率特征的变电设备正常异常工作状态分类模块,待测音频的短时能量和短时过零率特征符合正常工作状态音频特征,则输出正常状态标签,否则输出异常状态并进入多故障状态分类模块;多故障状态分类模块中,通过提取待测音频的梅尔频率倒谱系数并进行隐马尔科夫模型的匹配,输出匹配度最高的模型标签,实现了分类准确率高、速度快的异常状态识别和故障类别自动检出,从而避免时间和成本上的浪费。
Description
技术领域
本发明属于电气和电子工程技术领域,具体涉及一种基于声纹识别的变电设备故障监测***及方法。
背景技术
电力是能源领域的核心,为保障电力资源的安全可靠供应和高水平发展,全面提升电力设备状态感知、监测预警和风险管控能力已刻不容缓。因此,如何提高电力变压器的运维质量和检修水平、预防和减少故障的发生,是电力行业亟需解决的问题。长期以来,全世界电力设备的检修方式以计划检修体制为主。计划检修的优点是定期检修,不容易遗漏任何安全隐患,通过全面的形式对变压器进行合理的检查和维修;缺点是对状态较好的设备进行检修,尤其是解体大修,会对设备性能和寿命造成影响,增加新的隐患。
近年来,状态检修越来越受到我国电力企业的重视。状态检修将离线试验的数据资料和在线监测设备采集的在线实时数据结合起来对电力设备进行实时状态评估和诊断。全面且准确的变电设备状态评估技术可以提高变压器的安全性和可用性,保证电力***的安全和经济运行,具有重大的经济效益和社会效益。
声纹识别作为一种重要的生物认证技术,近年来随着声纹识别技术的不断发展,利用声信号对变压器进行故障诊断受到国内外学者的广泛关注。吴在军等人公开了一种基于声纹识别的高压断路器机械故障在线诊断方法,包括声音传感器、状态监测前端、云端服务器和客户终端,该发明通过断路器动作和声音信号监测以及算法分析识别的方法判断高压断路器是否发生机械故障,以保证断路器的安全稳定运行,但容易受到实际工况中环境异音、混合故障等情况的干扰;李勇等人公开了一种基于声纹识别的电力设备故障监测方法及***,通过对故障声学样本进行分解和重构,实现样本充分消噪,但此方法算法复杂延迟高,无法实现***的实时性。
从国内外研究现状可以看出,基于声纹识别技术的电力设备故障诊断方法已经有一定的研究基础。但是在实际变压器及相关电力设备故障诊断与预警中仍然存在需要研究完善的问题,主要有以下几点:
(1)变电设备监测***模块组成单一,缺乏综合性、全面性以及完整的故障诊断***;
(2)诊断***智能化差,诊断结果易受环境异音、混合故障等因素干扰;
(3)缺乏对未知故障的识别和数据库模型优化,实际环境中准确性低、鲁棒性差。
发明内容
针对现有技术的不足,本发明提供一种基于声纹识别的变电设备机械故障监测***及方法,旨在通过声纹识别技术,建立声纹特征故障分类数据库,搭建完整的故障监测***,监测设备运行状态,对正常状态、已知/未知故障状态进行检出和后续数据库优化,并基于变电设备实际工作环境对***部署进行优化和调整,有效避免了环境异音和混合故障的干扰,保证了***的智能化。
一种基于声纹识别的变电设备机械故障监测***,包括:正常/故障区分模块、故障识别模块和应用优化模块;
其中,安置在变电设备附近指定位置的麦克风实时采集设备工作音频并传入正常/故障区分模块,该模块对待测音频进行预处理并提取时域参数,通过时域参数对设备的工作状态进行检出,即判断设备处于正常状态还是故障状态:若正常/故障区分模块为测试音频贴上“正常音频”的标签,则此次判断结束,该模块继续监测下一段音频;若正常/故障区分模块为测试音频贴上“故障音频”的标签,则将音频传入故障识别模块;
故障识别模块对音频提取倒谱特征参数,并调用应用优化模块中训练好的隐马尔科夫模型来进行故障的精准分类;在应用优化模块中,根据对应的判别结果由工人修正或增加数据库类别,从而保存此次测试音频到更新后的数据库中,之后***自动对训练库中的音频进行隐马尔可夫模型的训练,并在下一次“故障识别模块”中用作模型匹配;
一种基于声纹识别的变电设备机械故障监测方法,基于上述一种基于声纹识别的变电设备机械故障监测***实现,具体包括以下步骤:
步骤1:通过麦克风采集待测音频信号,对其进行预处理;
步骤1.1:为待测音频信号进行预加重;通过使用一阶FIR高通滤波器实现,传递函数和差分方程公式如下:
H(z)=1-az-1
x(m)=y(m)-ay(m-1)0≤m≤N-1
其中,a为预加重系数,这里取0.98;y(n)和y(n-1)是处于不同采样点的量化音频信号;x(m)是经过预加重之后输出的音频信号;N表示采样点数;
步骤1.2:为预加重后的信号分帧;变电设备监测***将待测音频帧长设置为500ms,步长设置为帧长的1/2;
步骤1.3:为分帧后的信号进行加窗;施加使分帧数据端点平滑的加窗处理,使用Hamming窗对帧进行加窗处理的公式以及如下:
xn(m)=w(m)x(n+m) 0≤m≤N-1
其中,x=0,1T,2T...,并且N为帧长,T为帧移长度;x(n)表示分帧处理后的音频信号;xn(m)表示对信号进行加窗处理后得到的第n帧信号;ω(m)表示Hamming窗函数;
步骤2:对步骤1预处理后的待测音频信号进行异常状态检出,判定为“正常状态”,返回步骤1输入下一段待测音频进行判定;若判定为“故障状态”则进入步骤3;
步骤2.1:对预处理后的音频信号进行短时能量分析和短时过零率分析;
用En表示第n帧语音信号xn(m)的短时能量,则其计算公式为:
用Zn表示音频信号xn(m)的短时过零率,则Zn定义为:
其中,sgn[]是符号函数,即:
步骤2.2:将得到的短时能量En和短时过零率Zn分析结果和实验确定正常状态的阈值进行比较,若两个分析结果都满足正常状态实验阈值条件,则判定为“正常状态”,之后返回步骤1输入下一段待测音频;若两个分析结果没有全部满足正常状态的实验阈值条件,则判定为“故障状态”并进入步骤3;
步骤3:对步骤2判定为故障状态的待测音频中故障状态精确识别;
步骤3.1:对待测音频信号提取梅尔频谱倒谱系数MFCC;
步骤3.1.1:为了得到频谱,利用下式对进行预处理后的每一帧信号进行傅里叶变换:
步骤3.1.2:将得到的频谱通过Mel滤波器组,得到带通滤波后的结果,其中相邻滤波器在频率上是等间距的,计算公式如下:
式中,dmel表示相邻滤波器频率上的间距;freqhigh表示待测音频信号的最高频率;freqlow表示待测音频信号的最低频率;M表示三角滤波器的个数;
步骤3.1.3:为了更匹配人耳听觉,用对数函数校正声强的非线性,Mel频率与实际频率的换算公式如下:
Mel(f)=2595lg(1+f/700)
步骤3.1.4:为了得到梅尔频谱倒谱系数,按照下式进行逆离散傅里叶变换:
式中:L为MFCC系数阶数;s(m)为第m个滤波器输出的对数能量;M为三角滤波器的个数;
步骤3.2:将提取到的梅尔频谱倒谱系数和***中已经训练好的模型逐一计算匹配度,若输出的匹配度高于人工设定的已知故障阈值,则输出匹配度最高的模型名称,即为识别的故障状态,之后进行步骤4;若输出的匹配度低于人工设定的已知故障阈值,则输出“未知故障”标签,之后进行步骤5;
所述匹配度的计算公式如下所示:
πi=ξt(i)
其中,O=o1,o2,o3...oT是由提取出的梅尔频谱倒谱系数形成的一组观察值序列;θi和θj对应特定时刻下马尔科夫链的状态;πi表示初始状态概率矢量;aij表示状态转移概率矩阵中对应第i行,第j列的元素;bjk表示观察值概率矩阵中对应第j行,第k列的元素;
步骤4:已知故障数据库优化;
步骤3经过对待测音频的多分类输出了“已知故障”标签后,***告警操作人员变电设备出现故障,操作人员进行检修后按照实际故障情况将待测音频归类入对应数据库。
步骤5:未知故障数据库优化;
步骤3经过对待测音频的多分类输出了“未知故障”标签之后,***告警操作人员变电设备出现未知故障,操作人员进行全面检修之后按照实际故障情况在数据库中新建工作状态并放入待测音频;若经过工人排查后的实际故障是数据库中的已知故障,则直接将待测音频放入对应的故障类别中。之后返回步骤1输入下一段待测音频。
本发明具有以下技术效果:
1、***各模块检错率高。“正常-故障”状态检出模块测试中,在测试本***性能时设置测试集包含正常状态音频、正常叠加故障状态音频以及故障状态音频共1000条,最终对于正常状态的识别准确率达到99.38%,对于故障状态的识别准确率达到91.00%。故障精准识别模块测试中,测试机包含单种故障状态音频和混合故障状态音频共600条,最终对于单种故障状态的识别准确率达到98.4%,对于混合故障状态的识别准确率达到95.00%;
2、数据处理迅速,单条音频监测时间短。通过提出正常-异常工作状态分类模块和多故障状态分类模块做到对数据的迅速处理,从而缩短每条音频的监测时间。“正常-故障”状态检出模块测试中,单条音频的测试时长为0.201s;故障精准识别模块测试中,单条音频的测试时长为0.185s;
3、训练数据数量充足。当用于训练模型的音频数量过少时,本发明提供的方法通过音频旋转的方式,实现少量音频在数量上增多的效果,使得***训练出可靠有效的模型进行测试音频的分类,从而提高了***的准确性和鲁棒性;
4、监测***不易受到噪声和环境异音的影响。当变电设备周围出现环境异音时,监测***会误判成故障状态导致准确率降低。面对这个问题,本发明提供的方法按照-5dB,0dB,5dB和10dB信噪比叠加五种常见的环境异音并训练出对应的模型,从而避免了误检的发生;
5、能够及时监测到未知故障。当变电设备出现未知故障时,***无法做出精准的识别,面对这个问题本发明提供的方法基于隐马尔可夫模型的匹配原则,当待测音频的特征参数与全部模型的匹配度小于实验确定的阈值时,即判定该段音频出现了未知故障,从而提高了识别准确率;
6、***受混合故障的影响较小。当变电设备出现两种以上的混合故障时,原始监测***会把混合故障识别成其他种类的故障,并不会依次输出叠加好的故障状态。面对这个问题,本发明提供的方法将全部已知的故障按照-5dB,0dB,5dB和10dB信噪比进行相互混叠并训练对应的模型,从而提高***对于混合故障分类的准确率。
附图说明
图1本发明实施例基于隐马尔可夫模型的故障分类方法流程图;
图2本发明实施例变电设备监测***的整体运行流程图。
具体实施方式
下面基于附图和实施例对本发明做进一步说明;
一种基于声纹识别的变电设备机械故障监测***,包括:正常/故障区分模块、故障识别模块和应用优化模块;具体工作流程如附图2所示;
其中,安置在变压器、电抗器等变电设备附近指定位置的麦克风实时采集设备工作音频并传入正常/故障区分模块,该模块对待测音频进行预处理并提取时域参数,通过时域参数对设备的工作状态进行检出,即判断设备处于正常状态还是故障状态:若正常/故障区分模块为测试音频贴上“正常音频”的标签,则此次判断结束,该模块继续监测下一段音频;若正常/故障区分模块为测试音频贴上“故障音频”的标签,则将音频传入故障识别模块;
故障识别模块对音频提取倒谱特征参数,并调用应用优化模块中训练好的隐马尔科夫模型来进行故障的精准分类;在应用优化模块中,根据对应的判别结果由工人修正或增加数据库类别,从而保存此次测试音频到更新后的数据库中,之后***自动对训练库中的音频进行隐马尔可夫模型的训练,并在下一次“故障识别模块”中用作模型匹配;隐马尔可夫模型的故障分类方法流程图如附图1所示;
一种基于声纹识别的变电设备机械故障监测方法,基于上述一种基于声纹识别的变电设备机械故障监测***实现,具体包括以下步骤:
步骤1:通过麦克风采集待测音频信号,对其进行预处理;
步骤1.1:为待测音频信号进行预加重;通过使用一阶FIR高通滤波器实现,传递函数和差分方程公式如下:
H(z)=1-az-1
x(m)=y(m)-ay(m-1)0≤m≤N-1
其中,a为预加重系数,这里取0.98;y(n)和y(n-1)是处于不同采样点的量化音频信号;x(m)是经过预加重之后输出的音频信号;N表示采样点数;
步骤1.2:为预加重后的信号分帧;“帧”是音频信号处理的最小单位,持续时间相对较短,在很短的时间内声音的特性可视为保持不变而且包含足够的音频功能,从而可实现对全部声纹数据的划分;变电设备监测***将待测音频帧长通常设置为500ms,步长设置为帧长的1/2,进而降低处理数据的计算量;
步骤1.3:为分帧后的信号进行加窗;分帧虽然减少了计算量,但对音频信号有不利影响,直接将音频波形分割,可能导致边界频谱处的高频谐波分量增加幅度过大,从而因吉布斯效应造成对后续处理过程不利的因素。为尽可能避免不利因素的干扰,***施加使分帧数据端点平滑的加窗处理,使用Hamming窗对帧进行加窗处理的公式以及如下:
xn(m)=w(m)x(n+m)0≤m≤N-1
其中,x=0,1T,2T...,并且N为帧长,T为帧移长度;x(n)表示分帧处理后的音频信号;xn(m)表示对信号进行加窗处理后得到的第n帧信号;ω(m)表示Hamming窗函数;
步骤2:对步骤1预处理后的待测音频信号进行异常状态检出,判定为“正常状态”,返回步骤1输入下一段待测音频进行判定;若判定为“故障状态”则进入步骤3;
步骤2.1:对预处理后的音频信号进行短时能量分析和短时过零率分析;
用En表示第n帧语音信号xn(m)的短时能量,则其计算公式为:
用Zn表示音频信号xn(m)的短时过零率,则Zn定义为:
其中,sgn[]是符号函数,即:
步骤2.2:将得到的短时能量En和短时过零率Zn分析结果和实验确定正常状态的阈值进行比较,若两个分析结果都满足正常状态实验阈值条件,则判定为“正常状态”,之后返回步骤1输入下一段待测音频;若两个分析结果没有全部满足正常状态的实验阈值条件,则判定为“故障状态”并进入步骤3;
步骤3:对步骤2判定为故障状态的待测音频中故障状态精确识别;
步骤3.1:对待测音频信号提取梅尔频谱倒谱系数MFCC;
步骤3.1.1:为了得到频谱,利用下式对进行预处理后的每一帧信号进行傅里叶变换:
步骤3.1.2:将得到的频谱通过Mel滤波器组,得到带通滤波后的结果,其中相邻滤波器在频率上是等间距的,计算公式如下:
式中,dmel表示相邻滤波器频率上的间距;freqhigh表示待测音频信号的最高频率;freqlow表示待测音频信号的最低频率;M表示三角滤波器的个数;
步骤3.1.3:为了更匹配人耳听觉,用对数函数校正声强的非线性,Mel频率与实际频率的换算公式如下:
Mel(f)=2595lg(1+f/700)
步骤3.1.4:为了得到梅尔频谱倒谱系数,按照下式进行逆离散傅里叶变换:
式中:L为MFCC系数阶数;s(m)为第m个滤波器输出的对数能量;M为三角滤波器的个数;
步骤3.2:将提取到的梅尔频谱倒谱系数和***中已经训练好的模型逐一计算匹配度,若输出的匹配度高于人工设定的已知故障阈值,则输出匹配度最高的模型名称,即为识别的故障状态,之后进行步骤4;若输出的匹配度低于人工设定的已知故障阈值,则输出“未知故障”标签,之后进行步骤5;
所述匹配度的计算公式如下所示:
πi=ξt(i)
其中,O=o1,o2,o3...oT是由提取出的梅尔频谱倒谱系数形成的一组观察值序列;θi和θj对应特定时刻下马尔科夫链的状态;πi表示初始状态概率矢量;aij表示状态转移概率矩阵中对应第i行,第j列的元素;bjk表示观察值概率矩阵中对应第j行,第k列的元素;
步骤4:已知故障数据库优化;
步骤3经过对待测音频的多分类输出了“已知故障”标签后,***告警操作人员变电设备出现故障,操作人员进行检修后按照实际故障情况将待测音频归类入对应数据库。
步骤5:未知故障数据库优化;
步骤3经过对待测音频的多分类输出了“未知故障”标签之后,***告警操作人员变电设备出现未知故障,操作人员进行全面检修之后按照实际故障情况在数据库中新建工作状态并放入待测音频;若经过工人排查后的实际故障是数据库中的已知故障,则直接将待测音频放入对应的故障类别中。之后返回步骤1输入下一段待测音频。
实施例1异常状态检出测试:
异常状态检出测试考察的是***算法模型对设备正常和异常声纹的辨别,第一阶段运用训练数据集对算法模型进行训练、优化,第二阶段运用测试数据集对算法模型进行考核。测试一模型训练集及对应音频数量如表1所示。
表1测试一的模型信息;
最终的测试结果以及得分如表2所示。
表2测试一的测试结果;
实施例2故障精准识别测试:
精准识别考察算法模型对设备特定工况和缺陷类型的准确识别,第一阶段运用训练数据集对算法模型进行训练、优化,第二阶段运用测试数据集对算法模型进行考核。数据集中的异常声纹数据共分为局部放电、直流偏磁、短路冲击、夹件松动、重过载、冷却器异响和混合样本七类,其中,混合样本是前六种故障的任意两种混叠。测试二模块中,训练模型的音频数量、模型名称等如表3所示。
表3测试二的模型信息;
最终的测试结果以及得分如表4所示。
表4测试二的测试结果;
本发明的技术关键点在于:
1、分析了变电站各种工作状态下声学指纹特征参数,搭建了基于隐马尔可夫模型的变电设备监测***;
2、比较和分析了不同工作状态下声纹信号的时频特性,提出了正常-异常工作状态分类模块和多故障状态分类模块,分类准确率高、速度快;该方法中为保证***能够进行迅速甄别和匹配,提出了完善详细的待测音频分类逻辑模块:详细比较和分析了多组不同工作状态下变电设备声纹信号的时频特性,提出了基于短时能量和短时过零率特征的变电设备正常-异常工作状态分类模块,待测音频的短时能量和短时过零率特征符合正常工作状态音频特征,则输出“正常状态”标签,否则输出“异常状态”并进入多故障状态分类模块;多故障状态分类模块中,通过提取待测音频的梅尔频率倒谱系数并进行隐马尔科夫模型的匹配,输出匹配度最高的模型标签,实现了分类准确率高、速度快的异常状态识别和故障类别自动检出,从而避免了时间和成本上不必要的浪费。
3、针对实际工业场景中,真实样本少、动态嘈杂的环境、复杂多变的设备运行条件带来的问题,设计了整体性能优化方法,提高了鲁棒性和稳定性;该方法中为了避免实际工业场景中,动态嘈杂的环境、复杂多变的设备运行条件带来的监测***的准确性和鲁棒性下降问题,提出了整体性能优化方法。针对实验初期,变电设备音频样本数量少的问题,通过音频旋转的方式实现数据扩充;针对变电设备周围出现的多种环境异音,如鸟鸣声、雷雨声、鸣笛声等,***将工作状态音频按照不同信噪比叠加环境异音存放入模型中;针对实际情况下变电设备可能出现的未知故障,***基于待测音频与模型的匹配原则设置阈值下限,匹配度低于阈值下限的待测音频输出“未知故障”的标签;针对变电设备出现两种以上的混合故障情况,***将不同故障种类音频进行不同信噪比的叠加存放入模型中,提高了实际场景下的鲁棒性和稳定性。
Claims (8)
1.一种基于声纹识别的变电设备故障监测***,其特征在于,包括:正常/故障区分模块、故障识别模块和应用优化模块;
其中,安置在变电设备附近指定位置的麦克风实时采集设备工作音频并传入正常/故障区分模块,该模块对待测音频进行预处理并提取时域参数,通过时域参数对设备的工作状态进行检出,即判断设备处于正常状态还是故障状态:若正常/故障区分模块为测试音频贴上“正常音频”的标签,则此次判断结束,该模块继续监测下一段音频;若正常/故障区分模块为测试音频贴上“故障音频”的标签,则将音频传入故障识别模块;
故障识别模块对音频提取倒谱特征参数,并调用应用优化模块中训练好的隐马尔科夫模型来进行故障的精准分类;在应用优化模块中,根据对应的判别结果由工人修正或增加数据库类别,从而保存此次测试音频到更新后的数据库中,之后***自动对训练库中的音频进行隐马尔可夫模型的训练,并在下一次“故障识别模块”中用作模型匹配。
2.一种基于声纹识别的变电设备故障监测方法,基于权利要求1所述一种基于声纹识别的变电设备故障监测***实现,其特征在于,具体包括以下步骤:
步骤1:通过麦克风采集待测音频信号,对其进行预处理;
步骤2:对步骤1预处理后的待测音频信号进行异常状态检出,判定为“正常状态”,返回步骤1输入下一段待测音频进行判定;若判定为“故障状态”则进入步骤3;
步骤3:对步骤2判定为故障状态的待测音频中故障状态精确识别;
步骤4:已知故障数据库优化;
步骤5:未知故障数据库优化。
3.根据权利要求2所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤1具体为:
步骤1.1:为待测音频信号进行预加重;通过使用一阶FIR高通滤波器实现,传递函数和差分方程公式如下:
H(z)=1-az-1
x(m)=y(m)-ay(m-1) 0≤m≤N-1
其中,a为预加重系数,这里取0.98;y(n)和y(n-1)是处于不同采样点的量化音频信号;x(m)是经过预加重之后输出的音频信号;N表示采样点数;
步骤1.2:为预加重后的信号分帧;变电设备监测***将待测音频帧长设置为500ms,步长设置为帧长的1/2;
步骤1.3:为分帧后的信号进行加窗;施加使分帧数据端点平滑的加窗处理,使用Hamming窗对帧进行加窗处理的公式以及如下:
xn(m)=w(m)x(n+m) 0≤m≤N-1
其中,x=0,1T,2T...,并且N为帧长,T为帧移长度;x(n)表示分帧处理后的音频信号;xn(m)表示对信号进行加窗处理后得到的第n帧信号;ω(m)表示Hamming窗函数。
4.根据权利要求2所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤2具体为:
步骤2.1:对预处理后的音频信号进行短时能量分析和短时过零率分析;
用En表示第n帧语音信号xn(m)的短时能量,则其计算公式为:
用Zn表示音频信号xn(m)的短时过零率,则Zn定义为:
其中,sgn[]是符号函数,即:
步骤2.2:将得到的短时能量En和短时过零率Zn分析结果和实验确定正常状态的阈值进行比较,若两个分析结果都满足正常状态实验阈值条件,则判定为“正常状态”,之后返回步骤1输入下一段待测音频;若两个分析结果没有全部满足正常状态的实验阈值条件,则判定为“故障状态”并进入步骤3。
5.根据权利要求2所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤3具体为:
步骤3.1:对待测音频信号提取梅尔频谱倒谱系数MFCC;
步骤3.2:将提取到的梅尔频谱倒谱系数和***中已经训练好的模型逐一计算匹配度,若输出的匹配度高于人工设定的已知故障阈值,则输出匹配度最高的模型名称,即为识别的故障状态,之后进行步骤4;若输出的匹配度低于人工设定的已知故障阈值,则输出“未知故障”标签,之后进行步骤5;
所述匹配度的计算公式如下所示:
πi=ξt(i)
其中,O=o1,o2,o3...oT是由提取出的梅尔频谱倒谱系数形成的一组观察值序列;θi和θj对应特定时刻下马尔科夫链的状态;πi表示初始状态概率矢量;aij表示状态转移概率矩阵中对应第i行,第j列的元素;bjk表示观察值概率矩阵中对应第j行,第k列的元素。
6.根据权利要求5所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤3.1具体为:
步骤3.1.1:为了得到频谱,利用下式对进行预处理后的每一帧信号进行傅里叶变换:
步骤3.1.2:将得到的频谱通过Mel滤波器组,得到带通滤波后的结果,其中相邻滤波器在频率上是等间距的,计算公式如下:
式中,dmel表示相邻滤波器频率上的间距;freqhigh表示待测音频信号的最高频率;freqlow表示待测音频信号的最低频率;M表示三角滤波器的个数;
步骤3.1.3:为了更匹配人耳听觉,用对数函数校正声强的非线性,Mel频率与实际频率的换算公式如下:
Mel(f)=2595lg(1+f/700)
步骤3.1.4:为了得到梅尔频谱倒谱系数,按照下式进行逆离散傅里叶变换:
式中:L为MFCC系数阶数;s(m)为第m个滤波器输出的对数能量;M为三角滤波器的个数。
7.根据权利要求2所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤4具体为:
步骤3经过对待测音频的多分类输出了“已知故障”标签后,***告警操作人员变电设备出现故障,操作人员进行检修后按照实际故障情况将待测音频归类入对应数据库。
8.根据权利要求2所述的一种基于声纹识别的变电设备故障监测方法,其特征在于,步骤5具体为:
步骤3经过对待测音频的多分类输出了“未知故障”标签之后,***告警操作人员变电设备出现未知故障,操作人员进行全面检修之后按照实际故障情况在数据库中新建工作状态并放入待测音频;若经过工人排查后的实际故障是数据库中的已知故障,则直接将待测音频放入对应的故障类别中;之后返回步骤1输入下一段待测音频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897902.9A CN116778964A (zh) | 2023-07-21 | 2023-07-21 | 一种基于声纹识别的变电设备故障监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897902.9A CN116778964A (zh) | 2023-07-21 | 2023-07-21 | 一种基于声纹识别的变电设备故障监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778964A true CN116778964A (zh) | 2023-09-19 |
Family
ID=87985946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310897902.9A Pending CN116778964A (zh) | 2023-07-21 | 2023-07-21 | 一种基于声纹识别的变电设备故障监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778964A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131366A (zh) * | 2023-10-26 | 2023-11-28 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
CN117193391A (zh) * | 2023-11-07 | 2023-12-08 | 北京铁力山科技股份有限公司 | 一种智慧控制台角度调整*** |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
-
2023
- 2023-07-21 CN CN202310897902.9A patent/CN116778964A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131366A (zh) * | 2023-10-26 | 2023-11-28 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
CN117131366B (zh) * | 2023-10-26 | 2024-02-06 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
CN117193391A (zh) * | 2023-11-07 | 2023-12-08 | 北京铁力山科技股份有限公司 | 一种智慧控制台角度调整*** |
CN117193391B (zh) * | 2023-11-07 | 2024-01-23 | 北京铁力山科技股份有限公司 | 一种智慧控制台角度调整*** |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
CN117275512B (zh) * | 2023-11-17 | 2024-01-30 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
CN112660745B (zh) | 托辊故障智能诊断方法、***及可读存储介质 | |
CN110405537B (zh) | 一种基于深度学习的导轨精度预测模型的建立方法 | |
CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
CN113566948A (zh) | 机器人化煤机故障音频识别及诊断方法 | |
Hou et al. | Research on audio-visual detection method for conveyor belt longitudinal tear | |
CN112504673A (zh) | 基于机器学习的托辊故障诊断方法、***及存储介质 | |
CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN115618205A (zh) | 一种便携式声纹故障检测***及方法 | |
CN113823293A (zh) | 一种基于语音增强的说话人识别方法及*** | |
CN116230013A (zh) | 一种基于x-vector的变压器故障声纹检测方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
CN114137410A (zh) | 一种基于声纹检测技术的液压机构断路器故障识别方法 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断*** | |
CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理***及方法 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及*** |
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 |