一种基于声纹识别的电力设备故障检测方法及系统与流程

1.本发明涉及声纹识别技术领域，尤其涉及一种基于声纹识别的电力设备故障检测方法及系统。

背景技术：

2.随着我国城镇化进程的快速发展，居民用电负荷逐步增加。电力设备作为电网系统中的核心设备在电能供应中扮演着至关重要的角，因此电力巡检工作对于提早发现故障减少经济损失、保障人民高质量生活具有重要意义。电力设备在运行过程中由于铁芯松动或局部放电会产生微弱的声学信号，经验丰富的运维人员可通过电力设备发出的异常声音定性判断设备是否存在故障，而这种方式检测效率低、耗时耗力、主观性强而且依赖于巡视人员的工程经验，仅限于可听声频段范围内，无法实现电力设备的实时超声频段监测。
3.现有技术中，多数声纹监测设备是针对人或动物声音以及机械故障等领域。少数声纹监测系统是针对电力设备的，例如，专利文献cn112435686a公开了一种基于数据增强的电力设备故障声音识别方法，首先采集常见电力设备故障音频样本并进行标注，然后通过预处理操作对音频样本进行分帧和加窗；接着从预处理后的音频样本中提取梅尔倒谱系数作为特征向量；再利用mix up技术对提取出的特征向量进行数据增强，构造新的特征向量；最后将上述增强后的训练集输入到resnet网络中进行判决，识别出不同电力设备的故障声音。
4.但是，该方案在将故障样本输入神经网络中之前，没有对音频样本进行有效的降噪处理，样本中除了待采集音源的音频信息还包含较多噪音，故障识别准确度低。

技术实现要素：

5.本发明提供了一种基于声纹识别的电力设备故障检测方法及系统，通过对故障声学样本进行分解和重构，实现样本的充分消噪，故障识别准确度高，检测效果好。
6.一种基于声纹识别的电力设备故障检测方法，包括：
7.采集故障声学样本；
8.建立用于进行电力设备故障检测的神经网络模型；
9.基于所述故障声学样本对所述神经网络模型进行训练直到收敛；
10.实时获取电力设备产生的原始声学信号；
11.对所述原始声学信号进行分解，获得多个模态分量；
12.基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号；
13.对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量；
14.将所述声纹特征向量输入至训练后的神经网络模型，输出检测结果；
15.将所述检测结果发送至远端服务器。
16.进一步地，所述神经网络模型包括输入层、隐含层以及输出层；
17.建立用于进行电力设备故障检测的神经网络模型，包括：
18.根据所述故障声学样本，确定输入层节点个数、输出层节点个数以及隐含层节点个数；
19.初始化输入层节点与隐含层节点之间的第一权值、隐含层节点与输出层节点之间的第二权值、隐含层节点的第一阈值、输出层的第二阈值。
20.进一步地，基于所述故障声学样本对所述神经网络模型进行训练直到收敛，包括：
21.重复如下步骤，直至神经网络模型满足停止条件：
22.根据故障声学样本、第一权值以及第一阈值计算隐含层的输出向量；
23.根据隐含层的输出向量、第二权值以及第二阈值计算预测输出向量；
24.计算预测输出向量与期望输出向量之间的误差向量；
25.根据误差向量更新所述第一权值、第二权值、第一阈值以及第二阈值。
26.进一步地，每个所述故障声学样本包括一种故障类型，所述故障类型包括局部放电、机械部件松动、绕组松动、过负荷以及直流偏磁。
27.进一步地，所述隐含层输出向量通过如下公式计算：
[0028][0029]
其中，hj为第j个隐含层节点的输出向量的值，w
ij
为第i个输入层节点与第j个隐含层节点之间的第一权值，xi为第i个输入层节点的输入值，aj为第j个隐含层节点的第一阈值，l为隐含层节点个数，f为隐含层选用的激励函数；
[0030]
所述预测输出向量通过如下公式计算：
[0031][0032]
其中，ok为第k个输出层节点的预测输出值，w
jk
为第j个隐含层节点与第k个输出层节点之间的第二权值，hj为第j个隐含层节点的输出向量的值，bk为第k个输出层节点的第二阈值，m为输出层节点个数。
[0033]
进一步地，对所述原始声学信号进行分解，获得不同维度的模态分量，包括：
[0034]
重复如下步骤，将得到的多个模态分量按照频率由高到低进行排列，获得不同维度的模态分量：
[0035]
将所述原始声学信号中所有的最大值和最小值分别进行连线，获得最大值连线和最小值连线；
[0036]
根据所述最大值连线和最小值连线，计算均值信号，并用原始声学信号减去均值信号得到中间信号；
[0037]
判断所述中间信号是否时间轴上对称，若所述中间信号在时间轴上对称，则将所述中心信号作为分解得到的模态分量，若中间信号在时间轴上非对称，则以所述中间信号为基础再次获得最大值连线和最小值连线，再次执行上述步骤，直至达到预设计算次数获得模态分量；
[0038]
将原始声学信号与获得的模态分量的差值信号为基础再次获得最大值连线和最小值连线，执行上述步骤获得模态分量，直到满足停止条件。
[0039]
进一步地，基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号，包括：
[0040]
计算原始声学信号与各个模态分量的关系系数，并确定使所述关系系数达到局部极小值的模态分量作为分界模态信号；
[0041]
对频率小于分界模态信号频率的模态分量进行求和，得到低噪信号；
[0042]
将频率最高的模态分量进行多次平移处理生成多个混合信号并逐个与所述低噪信号相加，得到多个混合噪声信号；
[0043]
基于多个混合噪声信号，通过快速独立成分分析法对所述分界模态信号进行降噪，获得消噪后的分界模态信号；
[0044]
将消噪后的分界模态信号与低噪信号进行相加，得到消噪后的声学信号。
[0045]
进一步地，所述关系系数：
[0046][0047]
其中，γn为原始声学信号与第n个模态分量的相关系数，s(t)为原始声学信号，pn(t)为第n个模态分量，n为采样点数量。
[0048]
进一步地，对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量，包括：
[0049]
将消噪后的声学信号分为多个声学信号帧，并对所述声学信号帧进行平稳处理；
[0050]
对经过平稳处理的声学信号帧进行加窗；
[0051]
对加窗后的声学信号帧进行傅里叶变换，得到频域声学信号帧；
[0052]
将所述频域声学信号帧转换为预设频域尺度，再进行对数变换以及离散余弦变换，得到声纹特征向量。
[0053]
一种基于声纹识别的电力设备故障检测系统，包括声音采集装置、处理器、存储器和远端服务器，所述声音采集装置用于采集电力设备的原始声学信号，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行上述方法。
[0054]
本发明提供的基于声纹识别的电力设备故障检测方法及系统，至少包括如下有益效果：
[0055]
(1)根据故障声学样本的特征建立神经网络模型并进行迭代训练，并且对用于识别故障的声学样本进行分解和重构，实现样本的充分消噪，将降噪后的样本输入经过训练的神经网络模型进行识别，故障识别准确度高，检测效果好。
[0056]
(2)将故障声学样本分解后，根据各个含噪模态分量与原始声学信号的相关度判定含噪比例，从而确定分界模态信号，以及用于生成多个混合噪声信号，将多个随机的混合噪声信号作为快速独立成分分析法的输入对分界模态信号进行降噪，能够实现更好的降噪效果。
[0057]
(3)基于梅尔频率倒谱特征提取算法与神经网络模型，完成了声学传感器信号处理与电力设备故障识别本地化集成，获得检测结果之后发送至远端服务器，可以应用于窄带物联网系统，降低通信带宽占用。
附图说明
[0058]
图1为本发明提供的基于声纹识别的电力设备故障检测方法一种实施例的流程图。
[0059]
图2为本发明提供的基于声纹识别的电力设备故障检测方法中神经网络模型一种实施例的结构示意图。
[0060]
图3为本发明提供的电力设备故障检测方法中对声学信号的降噪方法一种实施例的流程图。
[0061]
图4为本发明提供的电力设备故障检测方法中对声学信号的特征提取方法一种实施例的流程图。
[0062]
图5为本发明提供的基于声纹识别的电力设备故障检测系统一种实施例的结构示意图。
[0063]
图6为本发明提供的基于声纹识别的电力设备故障检测系统另一种实施例的结构示意图。
[0064]
附图标记：101-声音采集装置，102-处理器，103-存储器，201-声学传感器，202-信号调理电路，203-模数转换adc，204-主控mcu，205-显示终端，206-无线模组。
具体实施方式
[0065]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
[0066]
参考图1，在一些实施例中，提供一种基于声纹识别的电力设备故障检测方法，包括：
[0067]
s1、采集故障声学样本；
[0068]
s2、建立用于进行电力设备故障检测的神经网络模型；
[0069]
s3、基于所述故障声学样本对所述神经网络模型进行训练直到收敛；
[0070]
s4、实时获取电力设备产生的原始声学信号；
[0071]
s5、对所述原始声学信号进行分解，获得多个模态分量；
[0072]
s6、基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号；
[0073]
s7、对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量；
[0074]
s8、将所述声纹特征向量输入至训练后的神经网络模型，输出检测结果；
[0075]
s9、将所述检测结果发送至远端服务器。
[0076]
在一些实施例中，所述神经网络模型包括输入层、隐含层以及输出层。每个所述故障声学样本包括一种故障类型，所述故障类型包括局部放电、机械部件松动、绕组松动、过负荷以及直流偏磁。
[0077]
步骤s2中，建立用于进行电力设备故障检测的神经网络模型，包括：
[0078]
s21、根据所述故障声学样本，确定输入层节点个数、输出层节点个数以及隐含层节点个数；
[0079]
s22、初始化输入层节点与隐含层节点之间的第一权值、隐含层节点与输出层节点之间的第二权值、隐含层节点的第一阈值、输出层的第二阈值。
[0080]
基于上述实施例提供的构建方法形成的神经网络模型，构成了从n个自变量到m个因变量的函数映射关系，其中，自变量为特征向量中的特征参数，因变量为故障类型。
[0081]
参考图2，输入层节点个数为n，隐含层节点个数为l，输出层节点个数为m，第i个输入层节点与第j个隐含层节点之间的第一权值用w
ij
表示，第j个隐含层节点与第k个输出层节点之间的第二权值用w
jk
表示。
[0082]
步骤s3中，基于所述故障声学样本对所述神经网络模型进行训练直到收敛，包括：
[0083]
重复如下步骤，直至神经网络模型满足停止条件：
[0084]
s31、根据故障声学样本、第一权值以及第一阈值计算隐含层的输出向量；
[0085]
s32、根据隐含层的输出向量、第二权值以及第二阈值计算预测输出向量；
[0086]
s33、计算预测输出向量与期望输出向量之间的误差向量；
[0087]
s34、根据误差向量更新所述第一权值、第二权值、第一阈值以及第二阈值。
[0088]
步骤s31中，所述隐含层输出向量通过如下公式计算：
[0089][0090]
其中，hj为第j个隐含层节点的输出向量的值，w
ij
为第i个输入层节点与第j个隐含层节点之间的第一权值，xi为第i个输入层节点的输入值，aj为第j个隐含层节点的第一阈值，l为隐含层节点个数，f为隐含层选用的激励函数；
[0091]
作为一种较优的实施方式，隐含层选用的激励函数如下：
[0092][0093]
步骤s32中，所述预测输出向量通过如下公式计算：
[0094][0095]
其中，ok为第k个输出层节点的预测输出值，w
jk
为第j个隐含层节点与第k个输出层节点之间的第二权值，hj为第j个隐含层节点的输出向量的值，bk为第k个输出层节点的第二阈值，m为输出层节点个数。
[0096]
步骤s33中，误差向量通过如下公式计算：
[0097]ek
＝y
k-ok,k＝1,2,
…
,m；
[0098]
其中，ek为第k个输出层节点的误差向量的值，yk为第k个输出层节点的期望输出值，ok为第k个输出层节点的预测输出值。
[0099]
s34、根据误差向量更新所述第一权值、第二权值、第一阈值以及第二阈值，通过如下公式表示：
[0100][0101]wjk
′
＝w
jk
+μh
jek
；
[0102][0103]bk
′
＝bk+ek；
[0104]
i＝1,2,
…
,n；j＝1,2,
…
,l；k＝1,2,
…
,m；
[0105]
其中，w
ij
为第i个输入层节点与第j个隐含层节点之间的第一权值，w
ij’为更新后的第i个输入层节点与第j个隐含层节点之间的第一权值，w
jk
为第j个隐含层节点与第k个输出层节点之间的第二权值，w
jk’为更新后的第j个隐含层节点与第k个输出层节点之间的第二权值，aj为第j个隐含层节点的第一阈值，a
j’为更新后的第j个隐含层节点的第一阈值，bk为第k个输出层节点的第二阈值，b
k’为更新后的第k个输出层节点的第二阈值，μ为学习速率，hj为第j个隐含层节点的输出向量的值，xi为第i个输入层节点的输入值(即输入的故障声学样本的特征向量)，ek为第k个输出层节点的误差值，n为输入层节点个数，l为隐含层节点个数，m为输出层节点个数。
[0106]
在一些实施例中，采集故障声学样本后，建立样本数据库，用于记录每个故障声学样本所对应的电力设备运行状态或故障类型以及声学样本对应的特征向量。具体地，将电力设备运行状态或故障类型进行分类向量式标号，例如，正常运行标号[1 0 0 0 0 0]
t
，局部放电标号[0 1 0 0 0 0]
t
，机械部件松动标号[0 0 1 0 0 0]
t
，绕组松动标号[0 0 0 1 0 0]
t
，过负荷标号[0 0 0 0 1 0]
t
，直流偏磁标号[0 0 0 0 0 1]
t
。完成上述标注后，对样本数据库进行归一化处理，用于输入神经网络模型进行模型训练。将故障声学样本中的特征向量作为神经网络输入层的输入，分类标号好的运行状态或故障类型作为神经网络的期望输出，神经网络预测输出与理想输出误差反向传递，在训练过程中根据网络预测误差调整网络的权值和阈值，最终获得较为理想的电力设备声纹故障识别模型。
[0107]
步骤s5中，对所述原始声学信号进行分解，获得不同维度的模态分量，包括：
[0108]
重复如下步骤，将得到的多个模态分量按照频率由高到低进行排列，获得不同维度的模态分量：
[0109]
s51、将所述原始声学信号中所有的最大值和最小值分别进行连线，获得最大值连线和最小值连线；
[0110]
s52、根据所述最大值连线和最小值连线，计算均值信号，并用原始声学信号减去均值信号得到中间信号；
[0111]
s53、判断所述中间信号是否时间轴上对称，若所述中间信号在时间轴上对称，则将所述中心信号作为分解得到的模态分量，若中间信号在时间轴上非对称，则以所述中间信号为基础再次获得最大值连线和最小值连线，再次执行上述步骤，直至达到预设计算次数获得模态分量；
[0112]
s54、将原始声学信号与获得的模态分量的差值信号为基础再次获得最大值连线和最小值连线，执行上述步骤获得模态分量，直到满足停止条件。
[0113]
需要说明的是，原始声学信号多为波形不规则的信号，不具备关于横坐标轴的对称性，波峰波谷的出现也不具备明显的规律性。根据具体的应用场景，预先设定一个预设计算次数为n，该预设计算次数与分解得到的模态分量个数对应。经过上述计算，将原始声学信号分解得到n个趋于平稳和规则的模态分量信号，并按照频率由高到低进行排列，各个模态分量分别为p1(t)、p2(t)、
……
、pn(t)。
[0114]
参考图2，步骤s6中，基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号，包括：
[0115]
s61、计算原始声学信号与各个模态分量的关系系数，并确定使所述关系系数达到局部极小值的模态分量作为分界模态信号；
[0116]
s62、对频率小于分界模态信号频率的模态分量进行求和，得到低噪信号；
[0117]
s63、将频率最高的模态分量进行多次平移处理生成多个混合信号并逐个与所述低噪信号相加，得到多个混合噪声信号；
[0118]
s64、基于多个混合噪声信号，通过快速独立成分分析法对所述分界模态信号进行降噪，获得消噪后的分界模态信号；
[0119]
s65、将消噪后的分界模态信号与低噪信号进行相加，得到消噪后的声学信号。
[0120]
需要说明的是，本实施例提供的对声学信号进行降噪的方法，采用了独立成分分析法。独立成分分析法(independent component analysis，ica)又称盲源分离法(blind source separation，bss)，该方法假设观察到的随机信号服从非高斯分布模型，其中源信号为未知源信号，其分量相互独立，采用一个未知混合矩阵进行计算。ica的目的是通过且仅通过观察随机信号来估计混合矩阵以及源信号，该算法需要多个随机信号作为输入信号，从而得到降噪后的源信号，实现盲源分离。因此，本实施例将原始声学信号分解为多个模态信号，并进行一系列处理得到适合作为独立成分分析法输入信号的多个混合噪声信号，从而实现对原始声学信号的降噪，进而达到更好的故障识别效果。
[0121]
步骤s61中，所述关系系数：
[0122][0123]
其中，γn为原始声学信号与第n个模态分量的相关系数，s(t)为原始声学信号，pn(t)为第n个模态分量，n为采样点数量。
[0124]
步骤s62中，确定分界模态信号为pm(t)，将对频率小于分界模态信号频率的模态分量进行求和，而频率大于分界模态信号频率的模态分量，除频率最高的模态分量外，视为噪声进行去除，低噪信号通过如下公式计算：
[0125]
l(t)＝p
m+1
(t)+p
m+2
(t)+
……
+pn(t)；
[0126]
步骤s63中，频率最高的模态分量为p1(t)，保持原取值范围不变，将原p1(t)的波形向坐标轴左侧平移k个单位，再将平移后超出范围的k个单位长度的波形平移至该波形的右侧，形成一个新的混合信号。重复上述步骤q次，得到q个混合信号。多个混合信号逐个与低噪信号相加，通过如下公式表示：
[0127]
ni(t)＝l(t)+hi(t)i＝1,2,
…
,q；
[0128]
其中，ni(t)为第i个混合噪声信号，l(t)为低噪信号，hi(t)为第i个混合信号。
[0129]
步骤s64中，将多个混合噪声信号作为快速独立成分分析法的输入信号进行降噪处理，获得消噪后的分界模态信号pm(t)’。
[0130]
步骤s65中，消噪后的声学信号通过如下公式计算：
[0131]
s(t)’＝pm(t)’+l(t)；
[0132]
其中，s(t)’为消噪后的声学信号，pm(t)’为消噪后的分界模态信号，l(t)为低噪信号。
[0133]
经过上述处理，获得的声学信号可以大幅度的降低噪声影响，有利于提高后续声纹识别的准确性。
[0134]
参考图3，步骤s7中，对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声
纹特征向量，包括：
[0135]
s71、将消噪后的声学信号分为多个声学信号帧，并对所述声学信号帧进行平稳处理；
[0136]
s72、对经过平稳处理的声学信号帧进行加窗；
[0137]
s73、对加窗后的声学信号帧进行傅里叶变换，得到频域声学信号帧；
[0138]
s74、将所述频域声学信号帧转换为预设频域尺度，再进行对数变换以及离散余弦变换，得到声纹特征向量。
[0139]
步骤s71中，电力设备正常运行时所发出的声音为平稳信号，若出现故障或存在环境干扰如雷击等天气因素时，会出现不适用于进行傅里叶变换的非平稳随机信号。通过将消噪后的声学信号分为q个声学信号帧，之后对每个声学信号帧分别进行平稳处理，声学信号在一帧内即可视为平稳随机信号，作为后续傅里叶变换的基础。分帧过程通过如下公式表示：
[0140]
r(t)＝r1(t)+r2(t)+
……
+rq(t)；
[0141]
其中，r(t)为消噪后的声学信号，rq(t)为第q个声学信号帧。
[0142]
步骤s72中，声学信号被采样时往往会产生信号的非周期截断，导致其频谱在整个频带内发生泄露，因此，需将分帧后的每一帧信号进行加窗。窗函数公式如下：
[0143][0144]
其中，a为汉明窗参数，n为声学信号分帧序号，n为声学信号分帧后的帧数。作为一种较优的实施方式，a＝0.46。
[0145]
步骤s73中，对加窗后的声学信号帧进行快速傅里叶变换，算法将时域信号转为频域进行处理，离散傅里叶变换公式如下：
[0146][0147]
其中，x[k]为频域声学信号帧，x[n]为时域声学信号帧，k为频域采样点序号，n为时域采样序号，n为傅里叶变换的点数。
[0148]
步骤s74中，作为一种较优的实施方式，将频域声学信号帧转换为梅尔频域尺度，变换公式如下：
[0149]
mel(f)＝2595
×
lg(1+f/700)；
[0150]
其中，mel(f)为转换得到的梅尔频域尺度的信号，f为信号频率。
[0151]
进行梅尔频域尺度变换后，再通过梅尔滤波突出声学信号的共振峰，对频谱进行平滑化处理。梅尔滤波采用的三角形滤波器组频率响应通过如下公式表示：
[0152][0153]
其中，m为滤波器序号，f(m-1)、f(m)和f(m+1)分别为第m-1个、第m个以及第m+1个
带通滤波器的中心频率，k为信号频率，hm(k)为三角形滤波器组的频率响应函数。
[0154]
进而对经过滤波平滑后的频域声学信号帧进行对数变换，计算上述每个滤波器组输出的对数能量，通过如下公式表：
[0155][0156]
其中，s(m)为滤波器组输出的对数能量，hm(k)为三角形滤波器的频率响应函数，xa(k)为声学信号的dft序列，m为滤波器序号，n为声学信号分帧后的帧数，m为滤波器个数，通常m取22-26。
[0157]
再对其进行离散余弦变换得到n维梅尔频率倒谱系数，通过如下公式表示：
[0158][0159]
其中，c(n)为梅尔频率倒谱系数，s(m)为滤波器组输出的对数能量，l为梅尔频率倒谱系数阶数，m为滤波器个数，n为梅尔倒谱系数向量序号。
[0160]
计算获得消噪后的声学信号的n维梅尔频率倒谱系数向量之后，将n维倒谱梅尔倒谱系数向量作为声学信号的n维声纹特征向量，用于输入训练好的神经网络模型，对采集到的电力设备声学信号进行分类处理，从而识别出电力设备运行状态或故障类型。
[0161]
进一步地，步骤s9中，将所述检测结果发送至远端服务器，应用于电力物联网领域，可以通过边缘计算系统进行原始声学信号的采集、降噪、声纹识别的本地化处理，并将检测结果通过窄带物联网发送至远端服务器，相比传输音频数据供服务器处理的方法大大降低了信道占用，提高了通信效率。
[0162]
本实施例提供的基于声纹识别的电力设备故障检测方法，根据故障声学样本的特征建立神经网络模型并进行迭代训练，并且对用于识别故障的声学样本进行分解和重构，实现样本的充分消噪，将降噪后的样本输入经过训练的神经网络模型进行识别，故障识别准确度高，检测效果好；将故障声学样本分解后，根据各个含噪模态分量与原始声学信号的相关度判定含噪比例，从而确定分界模态信号，以及用于生成多个混合噪声信号，将多个随机的混合噪声信号作为快速独立成分分析法的输入对分界模态信号进行降噪，能够实现更好的降噪效果；基于梅尔频率倒谱特征提取算法与神经网络模型，完成了声学传感器201信号处理与电力设备故障识别本地化集成，大幅降低了系统复杂度，降低通信带宽占用。
[0163]
参考图4，在一些实施例中，提供一种基于声纹识别的电力设备故障检测系统，包括声音采集装置101、处理器102、存储器103以及，所述声音采集装置101用于采集电力设备的原始声学信号，所述存储器103存储有多条指令，所述处理器102用于读取所述指令并执行上述方法。
[0164]
参考图5，在一些实施例中，提供一种基于声纹识别的电力设备故障检测系统，该系统包括用于采集电力设备声学信号的声学传感器201、信号调理电路202、模数转换adc203、主控mcu204、显示终端205和无线模组206，声学传感器201与信号调理电路202连接，信号调理电路202将声学传感器201输出的模拟信号进行放大、滤波与直流偏置处理，信号调理电路202与模数转换adc203连接，模数转换adc203将信号调理电路202输出模拟信号转换为数字量，模数转换adc203、显示终端205和无线模组206均与主控mcu204连接，显示终端205实时显示声学信号波形与无线模组206入网状态，主控mcu204用于执行上述方法。
[0165]
其中，主控mcu204用于采集故障声学样本，建立用于进行电力设备故障检测的神
经网络模型，基于所述故障声学样本对所述神经网络模型进行训练直到收敛，实时获取电力设备产生的原始声学信号；对所述原始声学信号进行分解，获得多个模态分量，基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号，对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量，将所述声纹特征向量输入至训练后的神经网络模型，输出检测结果；通过无线模组206上传相应的检测结果。无线模组206与汇聚节点采用“发送-确认-重传”机制；主控mcu204与无线模组206通过串口进行通信，主控mcu204通过无线模组206上传电力设备运行状态时，无线模组206会在通信链路时延以内收到数据集中器发送的ack应答信号；主控mcu204对ack应答信号进行解析，根据所解析的结果确认所上传数据是否被正确接收，若未被正确接收则重新上传监测结果直至ack应答信号解析无误或超过最大重传次数。
[0166]
本实施例提供的基于声纹识别的电力设备故障检测系统，通过嵌入式平台就地实时提取电力设备声纹特征并进行故障识别，相比传输音频数据供服务器处理的方法大大降低了信道占用，提高了通信效率。通过边缘计算系统使得声学信号本地化处理，识别到电力设备工作异常时再上传数据量极小的告警信号，相比海量声学数据上传至服务器的方式大大降低了信道的占用；该系统与无线传感网络具有兼容性且架构部署简单，可直接接入现有变电站内所部署的网络系统中。并且，基于梅尔频率倒谱系数和神经网络算法进行电力设备运行状态识别，计算方法简单，计算效率高，识别精度高，大大降低了电力运维人员的工作量，科学地识别获得电力设备工作状况。
[0167]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：

1.一种基于声纹识别的电力设备故障检测方法，其特征在于，包括：采集故障声学样本；建立用于进行电力设备故障检测的神经网络模型；基于所述故障声学样本对所述神经网络模型进行训练直到收敛；实时获取电力设备产生的原始声学信号；对所述原始声学信号进行分解，获得多个模态分量；基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号；对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量；将所述声纹特征向量输入至训练后的神经网络模型，输出检测结果；将所述检测结果发送至远端服务器。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括输入层、隐含层以及输出层；建立用于进行电力设备故障检测的神经网络模型，包括：根据所述故障声学样本，确定输入层节点个数、输出层节点个数以及隐含层节点个数；初始化输入层节点与隐含层节点之间的第一权值、隐含层节点与输出层节点之间的第二权值、隐含层节点的第一阈值、输出层的第二阈值。3.根据权利要求2所述的方法，其特征在于，基于所述故障声学样本对所述神经网络模型进行训练直到收敛，包括：重复如下步骤，直至神经网络模型满足停止条件：根据故障声学样本、第一权值以及第一阈值计算隐含层的输出向量；根据隐含层的输出向量、第二权值以及第二阈值计算预测输出向量；计算预测输出向量与期望输出向量之间的误差向量；根据误差向量更新所述第一权值、第二权值、第一阈值以及第二阈值。4.根据权利要求1-3任一所述的方法，其特征在于，每个所述故障声学样本包括一种故障类型，所述故障类型包括局部放电、机械部件松动、绕组松动、过负荷以及直流偏磁。5.根据权利要求3所述的方法，其特征在于，所述隐含层输出向量通过如下公式计算：其中，h
j
为第j个隐含层节点的输出向量的值，w
ij
为第i个输入层节点与第j个隐含层节点之间的第一权值，x
i
为第i个输入层节点的输入值，a
j
为第j个隐含层节点的第一阈值，l为隐含层节点个数，f为隐含层选用的激励函数；所述预测输出向量通过如下公式计算：其中，o
k
为第k个输出层节点的预测输出值，w
jk
为第j个隐含层节点与第k个输出层节点之间的第二权值，h
j
为第j个隐含层节点的输出向量的值，b
k
为第k个输出层节点的第二阈值，m为输出层节点个数。6.根据权利要求1所述的方法，其特征在于，对所述原始声学信号进行分解，获得不同
维度的模态分量，包括：重复如下步骤，将得到的多个模态分量按照频率由高到低进行排列，获得不同维度的模态分量：将所述原始声学信号中所有的最大值和最小值分别进行连线，获得最大值连线和最小值连线；根据所述最大值连线和最小值连线，计算均值信号，并用原始声学信号减去均值信号得到中间信号；判断所述中间信号是否时间轴上对称，若所述中间信号在时间轴上对称，则将所述中心信号作为分解得到的模态分量，若中间信号在时间轴上非对称，则以所述中间信号为基础再次获得最大值连线和最小值连线，再次执行上述步骤，直至达到预设计算次数获得模态分量；将原始声学信号与获得的模态分量的差值信号为基础再次获得最大值连线和最小值连线，执行上述步骤获得模态分量，直到满足停止条件。7.根据权利要求5所述的方法，其特征在于，基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号，包括：计算原始声学信号与各个模态分量的关系系数，并确定使所述关系系数达到局部极小值的模态分量作为分界模态信号；对频率小于分界模态信号频率的模态分量进行求和，得到低噪信号；将频率最高的模态分量进行多次平移处理生成多个混合信号并逐个与所述低噪信号相加，得到多个混合噪声信号；基于多个混合噪声信号，通过快速独立成分分析法对所述分界模态信号进行降噪，获得消噪后的分界模态信号；将消噪后的分界模态信号与低噪信号进行相加，得到消噪后的声学信号。8.根据权利要求6所述的方法，其特征在于，所述关系系数：其中，γ
n
为原始声学信号与第n个模态分量的相关系数，s(t)为原始声学信号，p
n
(t)为第n个模态分量，n为采样点数量。9.根据权利要求1所述的方法，其特征在于，对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量，包括：将消噪后的声学信号分为多个声学信号帧，并对所述声学信号帧进行平稳处理；对经过平稳处理的声学信号帧进行加窗；对加窗后的声学信号帧进行傅里叶变换，得到频域声学信号帧；将所述频域声学信号帧转换为预设频域尺度，再进行对数变换以及离散余弦变换，得到声纹特征向量。10.一种基于声纹识别的电力设备故障检测系统，其特征在于，包括声音采集装置、处理器、存储器和远端服务器，所述声音采集装置用于采集电力设备的原始声学信号，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-9任一所述的方法。

技术总结

本发明公开了一种基于声纹识别的电力设备故障检测方法及系统，包括：采集故障声学样本；建立用于进行电力设备故障检测的神经网络模型；基于所述故障声学样本对所述神经网络模型进行训练直到收敛；实时获取电力设备产生的原始声学信号；对所述原始声学信号进行分解，获得多个模态分量；基于原始声学信号和所述模态分量进行信号处理和重构，获得消噪后的声学信号；对消噪后的声学信号进行分帧、加窗以及傅里叶变换，获得声纹特征向量；将所述声纹特征向量输入至训练后的神经网络模型，输出检测结果；该方法通过对故障声学样本进行分解和重构，实现样本的充分消噪，故障识别准确度高，检测效果好。测效果好。测效果好。