一种基于声音的电容器故障检测方法及相关装置与流程

1.本技术涉及电器设备技术领域，尤其涉及一种基于声音的电容器故障检测方法及相关装置。

背景技术：

2.电力电容器作为电力系统中的无功补偿装置，用来平衡电力系统中的无功需求。而电容器长期的放电会导致其绝缘性能降低，电容器会出现外部或内部局部放电现象，此时的电容器已经在内部绝缘崩溃的先兆，应该及时将电容器从电力系统中切除避免出现更大的损失。因此一种及时以及准确的监测模型尤为重要。
3.现有的电容器故障在线监测技术大多数都是通过测量外部放电实现检测目的，因为内部电流无法监测，所以容易出现故障漏检的情况。

技术实现要素：

4.本技术提供了一种基于声音的电容器故障检测方法及相关装置，用于缓解现有技术进行电容器故障检测容易出现漏检的技术问题。
5.有鉴于此，本技术第一方面提供了一种基于声音的电容器故障检测方法，包括：
6.采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；
7.基于梅尔频率倒谱系数对所述降噪声音信号进行特征提取，得到声音特征向量；
8.将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音。
9.优选地，所述采用vad方法对预置声音信号进行端点检测，得到降噪声音信号，之前还包括：
10.对原始声音信号进行预处理操作，得到预置声音信号，所述预处理操作包括降噪、分帧和加窗。
11.优选地，所述采用vad方法对预置声音信号进行端点检测，得到降噪声音信号，之前还包括：
12.为vad方法配置用于阈值判断的自适应阈值，所述自适应阈值根据电容器运行时间变化。
13.优选地，所述将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音，之后还包括：
14.根据预置transformer算法对所述异常声音进行故障筛选，得到电容器故障声音。
15.本技术第二方面提供了一种基于声音的电容器故障检测装置，包括：
16.端点检测模块，用于采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；
17.特征提取模块，用于基于梅尔频率倒谱系数对所述降噪声音信号进行特征提取，得到声音特征向量；
18.故障检测模块，用于将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音。
19.优选地，还包括：
20.预处理模块，用于对原始声音信号进行预处理操作，得到预置声音信号，所述预处理操作包括降噪、分帧和加窗。
21.优选地，还包括：
22.参数配置模块，用于为vad方法配置用于阈值判断的自适应阈值，所述自适应阈值根据电容器运行时间变化。
23.优选地，还包括：
24.故障筛选模块，用于根据预置transformer算法对所述异常声音进行故障筛选，得到电容器故障声音。
25.本技术第三方面提供了一种基于声音的电容器故障检测设备，所述设备包括处理器以及存储器；
26.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
27.所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于声音的电容器故障检测方法。
28.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于声音的电容器故障检测方法。
29.从以上技术方案可以看出，本技术实施例具有以下优点：
30.本技术中，提供了一种基于声音的电容器故障检测方法，包括：采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；基于梅尔频率倒谱系数对降噪声音信号进行特征提取，得到声音特征向量；将声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，检测结果包括异常声音和正常声音。
31.本技术提供的基于声音的电容器故障检测方法，针对电容器运行过程中会产生一些声响的情况，采集电容器运行过程中的声音进行声响分析，并采用svm分类器对声音进行故障分析，获取到运行过程中的异常声音；直接通过运行声音而不是放电情况进行故障检测，就不存在漏检放电现象的情况。因此，本技术能够缓解现有技术进行电容器故障检测容易出现漏检的技术问题。
附图说明
32.图1为本技术实施例提供的一种基于声音的电容器故障检测方法的流程示意图；
33.图2为本技术实施例提供的一种基于声音的电容器故障检测装置的结构示意图。
具体实施方式
34.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.为了便于理解，请参阅图1，本技术提供的一种基于声音的电容器故障检测方法的
实施例，包括：
36.步骤101、采用vad方法对预置声音信号进行端点检测，得到降噪声音信号。
37.vad(静音抑制)方法是从声音信号流里识别和消除长时间的静音期，以达到在不降低业务质量的情况下节省话路资源的作用。静音抑制可以节省宝贵的带宽资源，可以有利于减少用户感觉到的端到端的时延。本实施例采用vad方法基于声音频率和音量来剔除预置声音信号中的较长静音部分，得到降噪声音信号。
38.进一步地，步骤101，之前还包括：
39.对原始声音信号进行预处理操作，得到预置声音信号，预处理操作包括降噪、分帧和加窗。
40.预处理操作是为了提升原始声音信号的质量，便于后续的声音特征提取和检测，所以可以根据实际情况进行预处理设置，不仅限于本实施例中包括的降噪、分帧和加窗处理。
41.分帧是将原始声音信号的n个采样点集合成一个观测单位，设定每帧涵盖的时间为25ms，为了避免相邻两帧之间的变化太过突兀，将两个相邻帧重叠一段预置区域，该预置区域可以是15ms，每隔10ms取一帧，这些时间并不设限于此，可以根据需要调整。
42.加窗则是在对分帧后的每一帧语音进行加窗处理，避免帧内信号进行fft变换时出现突变，本实施例给出一种加窗方法，即hamming方法：
43.w[n]＝0.54-0.46cos(2πn/m)
[0044]
其中，m为帧长，本实施例为400，n为采样点数量，n为采样点。
[0045]
接着可以进一步的进行降噪处理，本实施例中采用谱减法进行降噪，在此之前，需要将每一帧补充成512位，然后进行512点的fft变化，得到对应的帧频谱；接着根据帧频谱取模平方的方式得到信号的功率谱，功率谱可以绘制成频谱图，且其中包含了不同时间点对应的声音频率。基于谱减法降噪过程为：
[0046][0047]
其中，ω为频率，s(
·
)为降噪后的信息，x(
·
)为输入信号，d(
·
)为噪声，将窗口前5帧定义为噪音，之后的声音信号减去这5帧平均值即可。
[0048]
进一步地，步骤101，之前还包括：
[0049]
为vad方法配置用于阈值判断的自适应阈值，自适应阈值根据电容器运行时间变化。
[0050]
采用vad方法进行端点监测的过程可以表示为：
[0051][0052][0053]
h1:
[0054]
h0:
[0055]
其中，h0代表静默背景音，h1为电容器异响，p(y|h0)为静默背景音概率，p(y|h1)为电容器异响概率，q为频点，λq(t,k)、λ
x
(t,k)分别表示背景音方差和异响方差，x
t,k
为第t帧输入信号，第k个频点的傅里叶系数幅度值，log∧
t,k
表示第t帧信号在第k个频点的对数似然率，δ为自适应阈值。该自适应阈值可以筛选出静默背景音和电容器异常，而自适应阈值的不断更新可以根据声音的前几帧来实现，从而提高判断的准确率。
[0056]
具体的vad方法实施过程为：
[0057]
首先是噪声分类：噪声分类过程利用小波时频分析手段对信号进行特征提取，并利用支持向量机对噪声环境进行分类。通过小波变换来突出异响特征，并且对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，自动适应时频信号分析的要求。公式如下：
[0058]
f(t)＝s(t)+e(t)
[0059][0060]
其中，s(t)表示电容器异响，e(t)表示静默背景音，为小波函数，f(t)表示所采集到的变电站声音，we(a,t)表示小波变换过程，a、u、e(u)分别表示尺度、平移量和平移后的噪声。后续可以利用支持向量机来分割出背景噪音和异响，得到最大间隔平面，用于检测。然后是根据历史判决结果对相应阈值进行自动更新；最后根据自适应阈值进行阈值判断操作，得到降噪声音信号。
[0061]
步骤102、基于梅尔频率倒谱系数对降噪声音信号进行特征提取，得到声音特征向量。
[0062]
梅尔频率倒谱系数是组成梅尔频率倒谱的系数，且是基于声音频率的非线性梅尔刻度的对数能量频谱的线性变换。本实施例将获得的降噪声音信号通过一组梅尔滤波器组进行滤波处理，对梅尔滤波器组输出信号取对数，即可得到预置个梅尔滤波器输出的对数能量，即为声音特征向量。具体可以表达为：
[0063][0064][0065]
其中，x(k)为离散傅里叶变换得到的信号频谱分布信息，e(k)为取模平方后得到的能量谱，s(m)为梅尔滤波器处理后的声音特征向量；k、n、j分别是频点、采样点和相位移，x(n)为第n个采样点的声音信息，hm(k)表示第k个频点处的转换系数。
[0066]
步骤103、将声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，检测结果包括异常声音和正常声音。
[0067]
预置svm分类器是已经训练完成的模型，可以直接执行故障检测任务；在此之前的训练过程为：
[0068]
将获取的历史声音信号进行预处理操作，并划分训练数据集和测试数据集；采用梅尔倒谱系数对训练数据进行特征提取后输入初始svm分类器中进行模型训练；采用测试
集对训练后的svm分类器进行测试，保留测试结果较好的分类器作为预置svm分类器。预置svm分类器为二分类模型，所以得到的检测结果为异常声音和正常声音两种结果。
[0069]
此外，本实施例为了提升预置svm分类器的准确率，采用auc衡量分类器的性能，有助于提升分类器的训练效率，auc相关公式可以表达为：
[0070][0071][0072]
其中，auc为roc曲线下的面积，pauc为部分auc，是从roc曲线的一部分在预定的目标范围内计算出的auc，p为指定目标范围，取值为0.2，n-、n
+
分别为正常测试样本和异常测试样本的数量，a
θ
(
·
)为正负样本概率，分别为正常和异常的测试样本，|
·
|为下限函数，h(*)为硬阈值函数，当“*＞0”则返回1，否则为0。
[0073]
进一步地，步骤103，之后还包括：
[0074]
根据预置transformer算法对异常声音进行故障筛选，得到电容器故障声音。
[0075]
为了能够检测出更加准确的电容器故障情况，还可以采用transformer算法对异常声音进行故障筛选，进一步确定电容器故障声音。因为不是所有的异常声音都是电容器的故障造成的，且电容器的故障声音并不单一，所以可以通过transformer算法作更加准确的故障筛选操作。
[0076]
本实施例中的transformer算法采用了编码解码的结构，每一个编码器含有一个自注意力层和全连接前馈神经网络层；而解码器包含带masked的多头自注意力层，多头自注意力层和全连接前馈神经网络层。通过编码器和解码器之间的配合得到完成声音识别。
[0077]
本技术实施例提供的基于声音的电容器故障检测方法，针对电容器运行过程中会产生一些声响的情况，采集电容器运行过程中的声音进行声响分析，并采用svm分类器对声音进行故障分析，获取到运行过程中的异常声音；直接通过运行声音而不是放电情况进行故障检测，就不存在漏检放电现象的情况。因此，本技术实施例能够缓解现有技术进行电容器故障检测容易出现漏检的技术问题。
[0078]
为了便于理解，请参阅图2，本技术提供了一种基于声音的电容器故障检测装置的实施例，包括：
[0079]
端点检测模块201，用于采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；
[0080]
特征提取模块202，用于基于梅尔频率倒谱系数对降噪声音信号进行特征提取，得到声音特征向量；
[0081]
故障检测模块203，用于将声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，检测结果包括异常声音和正常声音。
[0082]
进一步地，还包括：
[0083]
预处理模块204，用于对原始声音信号进行预处理操作，得到预置声音信号，预处理操作包括降噪、分帧和加窗。
[0084]
进一步地，还包括：
[0085]
参数配置模块205，用于为vad方法配置用于阈值判断的自适应阈值，自适应阈值根据电容器运行时间变化。
[0086]
进一步地，还包括：
[0087]
故障筛选模块206，用于根据预置transformer算法对异常声音进行故障筛选，得到电容器故障声音。
[0088]
本技术还提供了一种基于声音的电容器故障检测设备，设备包括处理器以及存储器；
[0089]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0090]
处理器用于根据程序代码中的指令执行上述方法实施例中的基于声音的电容器故障检测方法。
[0091]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于声音的电容器故障检测方法。
[0092]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0093]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0094]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0095]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：random access memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0096]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：

1.一种基于声音的电容器故障检测方法，其特征在于，包括：采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；基于梅尔频率倒谱系数对所述降噪声音信号进行特征提取，得到声音特征向量；将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音。2.根据权利要求1所述的基于声音的电容器故障检测方法，其特征在于，所述采用vad方法对预置声音信号进行端点检测，得到降噪声音信号，之前还包括：对原始声音信号进行预处理操作，得到预置声音信号，所述预处理操作包括降噪、分帧和加窗。3.根据权利要求1所述的基于声音的电容器故障检测方法，其特征在于，所述采用vad方法对预置声音信号进行端点检测，得到降噪声音信号，之前还包括：为vad方法配置用于阈值判断的自适应阈值，所述自适应阈值根据电容器运行时间变化。4.根据权利要求1所述的基于声音的电容器故障检测方法，其特征在于，所述将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音，之后还包括：根据预置transformer算法对所述异常声音进行故障筛选，得到电容器故障声音。5.一种基于声音的电容器故障检测装置，其特征在于，包括：端点检测模块，用于采用vad方法对预置声音信号进行端点检测，得到降噪声音信号；特征提取模块，用于基于梅尔频率倒谱系数对所述降噪声音信号进行特征提取，得到声音特征向量；故障检测模块，用于将所述声音特征向量输入预置svm分类器中进行故障检测，得到检测结果，所述检测结果包括异常声音和正常声音。6.根据权利要求5所述的基于声音的电容器故障检测装置，其特征在于，还包括：预处理模块，用于对原始声音信号进行预处理操作，得到预置声音信号，所述预处理操作包括降噪、分帧和加窗。7.根据权利要求5所述的基于声音的电容器故障检测装置，其特征在于，还包括：参数配置模块，用于为vad方法配置用于阈值判断的自适应阈值，所述自适应阈值根据电容器运行时间变化。8.根据权利要求5所述的基于声音的电容器故障检测装置，其特征在于，还包括：故障筛选模块，用于根据预置transformer算法对所述异常声音进行故障筛选，得到电容器故障声音。9.一种基于声音的电容器故障检测设备，其特征在于，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于声音的电容器故障检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于声音的电容器故障检测方法。

技术总结

本申请公开了一种基于声音的电容器故障检测方法及相关装置，方法包括：采用VAD方法对预置声音信号进行端点检测，得到降噪声音信号；基于梅尔频率倒谱系数对降噪声音信号进行特征提取，得到声音特征向量；将声音特征向量输入预置SVM分类器中进行故障检测，得到检测结果，检测结果包括异常声音和正常声音。本申请能够缓解现有技术进行电容器故障检测容易出现漏检的技术问题。出现漏检的技术问题。出现漏检的技术问题。