一种电力设备声音识别方法及系统

1.本发明涉及电力设备声音识别领域，特别是涉及一种电力设备声音识别方法及系统。

背景技术：

2.随着中国电力系统规模日益扩大，电网装机容量和规模不断提高，一方面为生产带来了可观的经济效益，另一方面，电力设备发生故障的可能与带来的损失也随之增大。电力设备状态的全面、及时、精准感知是保障设备安全的前提条件，因此，大量研究人员针对多种电力设备，从设备的图像、温度、时序、振动信号等方面展开了系统的研究，旨在提取出能够及时反映设备运行状态的有效特征，结合模式识别等机器学习方法，将人的经验转移到计算机当中。
3.然而在拥有大量研究成果的语音识别领域，梅尔频率倒谱系数(mel frequency cepstral coefficients，mfcc)和伽马音频率倒谱系数(gammatone frequency cepstral coefficients，gfcc)作为被广泛使用的频域特征，mfcc特征具有较高的识别率，gfcc具有更好的鲁棒性，针对不同的研究对象，两种特征表现出了不同的识别效果。此外，两种特征的维数均由滤波器的个数决定，当维数较多时容易存在冗余特征，进而干扰最终的识别结果，而且在实际环境中，电力设备声音受环境噪声影响较大，有效特征难以提取，导致声音识别准确率下降。
4.针对实际电力设备声音受复杂环境声干扰等问题，亟需提出一种融合特征设备声音识别方法或系统，以此为电力设备故障预警和故障识别提供理论基础。

技术实现要素：

5.本发明的目的是提供一种电力设备声音识别方法及系统，能够准确识别电厂高噪声环境中不同类型电力设备的运行声音。
6.为实现上述目的，本发明提供了如下方案：
7.一种电力设备声音识别方法，包括：
8.获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机；
9.对所述声音信号进行预处理；
10.根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征；
11.根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征；
12.采用训练好的svm支持向量机对所述融合特征进行分类识别。
13.可选地，所述对所述声音信号进行预处理，具体包括：
14.对所述声音信号进行切分；
15.利用高通滤波器对切分后的声音信号进行预加重；
16.对预加重后的声音信号进行归一化处理；
17.采用交叠分段方法对归一化后的声音信号进行分帧；
18.采用汉明窗对分帧后的声音信号进行加窗；
19.对加窗后的声音信号进行快速傅里叶变换，确定预处理后的声音信号。
20.可选地，所述根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征，具体包括：
21.对所述预处理后的声音信号，基于梅尔滤波器进行滤波，得到对数能量；并对所述对数能量进行离散余弦变换，得到mfcc特征；
22.对所述预处理后的声音信号，基于伽马滤波器进行音频信号的分解；并利用分解后的声音信号提取gfcc特征。
23.可选地，所述根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征，具体包括：
24.对所述mfcc特征和所述gfcc特征进行中心化；
25.根据中心化后的mfcc特征和中心化后的gfcc特征确定协方差矩阵；
26.根据所述协方差矩阵确定协方差矩阵的特征值和相对应的特征向量；
27.将所述mfcc特征和所述gfcc特征投影到对应的特征向量上，确定降维后的mfcc特征和降维后的gfcc特征。
28.可选地，所述并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征，具体包括：
29.分别确定降维后的mfcc特征和降维后的gfcc特征在不同特征维度的贡献率；并分别选取累计贡献率大于95％的前四维特征进行融合，确定8维融合特征。
30.可选地，所述采用训练好的svm支持向量机对所述融合特征进行分类识别，之前还包括：
31.获取声音信号数据集；所述声音信号数据集包括：不同类型电力设备的声音信号；
32.将不同信噪比的高斯白噪声添加至所述声音信号数据集中的声音信号中，得到更新后的声音信号数据集；
33.根据所述更新后的声音信号数据集中每一声音信号对应的融合特征对svm支持向量机进行训练，确定训练好的svm支持向量机。
34.可选地，所述训练好的svm支持向量机采用rbf高斯径向基核函数。
35.一种电力设备声音识别系统，包括：
36.声音信号获取模块，用于获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机；
37.声音信号预处理模块，用于对所述声音信号进行预处理；
38.特征提取模块，用于根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征；
39.特征降维模块，用于根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的
gfcc特征进行组合，确定融合特征；
40.分类识别模块，用于采用训练好的svm支持向量机对所述融合特征进行分类识别。
41.一种电力设备声音识别系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如所述的一种电力设备声音识别方法。
42.根据本发明提供的具体实施例，本发明公开了以下技术效果：
43.本发明所提供的一种电力设备声音识别方法及系统，运行状态中不同类型电力设备的声音信号中的mfcc特征和gfcc特征进行组合，确定融合特征，并采用训练好的svm支持向量机对所述融合特征进行分类识别。针对实际电力设备声音受复杂环境声干扰等问题，本发明能够准确识别电厂高噪声环境中不同类型电力设备的运行声音。进而为电力设备故障预警和故障识别提供理论基础。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明所提供的一种电力设备声音识别方法流程示意图；
46.图2为本发明对应的软件流程图；
47.图3为本发明整体流程图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
49.本发明的目的是提供一种电力设备声音识别方法及系统，能够准确识别电厂高噪声环境中不同类型电力设备的运行声音。
50.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
51.图1为本发明所提供的一种电力设备声音识别方法流程示意图，图2为本发明对应的软件流程图，如图1和图2所示，本发明所提供的一种电力设备声音识别方法，包括：
52.s101，获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机。
53.作为一个具体的实施例，在处于运行状态的火电厂中，采用96通道声像仪采集供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵、引风机六种设备现场工作的声音信号。
54.s102，对所述声音信号进行预处理。
55.如图3所示，s102具体包括：
56.对所述声音信号进行切分。
57.利用高通滤波器对切分后的声音信号进行预加重。
58.对预加重后的声音信号进行归一化处理。
59.采用交叠分段方法，以160ms为单位，帧长取32ms，帧移取16ms对归一化后的声音信号进行分帧。
60.采用汉明窗对分帧后的声音信号进行加窗。
61.对加窗后的声音信号进行快速傅里叶变换，确定预处理后的声音信号。
62.s103，根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征。
63.s103具体包括：
64.对所述预处理后的声音信号，基于梅尔(mel)滤波器进行滤波，得到对数能量；并对所述对数能量进行离散余弦变换，得到mfcc特征。梅尔滤波器组是一种根据人耳听觉机理特性构造的仿生滤波器，梅尔滤波器组具有低频密集，高频稀疏的特点，梅尔频率与线性频率的近似表达式如下：
[0065][0066]
其中，f为线性频率，单位为hz。
[0067]
计算离散功率谱，通过一组梅尔滤波器进行滤波，得到对数能量；对上一步中计算出的对数能量经离散余弦变换(discrete cosine transform，dct)得到静态mfcc特征：
[0068][0069]
其中，m为滤波器的个数，n表示傅里叶变换的点数，n为mfcc特征阶数，l为mfcc特征最大阶数，s(m)表示每个滤波器组输出的对数能量，m＝1，2，...，l。
[0070]
对所述预处理后的声音信号，基于伽马(gammatone)滤波器进行音频信号的分解；并利用分解后的声音信号提取gfcc特征。gammatone滤波器是一组用来模拟耳蜗频率分解特点的滤波器模型，可以用于音频信号的分解，便于后续进行特征提取，是一个基于人耳听觉机理的标准的耳蜗听觉滤波器，其时域表达式如下：
[0071]hi
(t)＝ct
q-1
exp(-2πbit)cos(2πf
ci
t+φi)u(t)，t≥0，1≤i≤m；
[0072]
其中，c表示滤波器的增益；q为滤波器阶数；i为滤波器的数量；m为滤波器最大数量；fc为滤波器的中心频率，φ是偏移相位；u(t)表示阶跃函数；b为决定当前滤波器对脉冲响应的衰减速度的衰减因子，b越大则滤波时间越短，它与等效矩形带宽erb(fci)的关系为：
[0073]bi
＝1.019erb(f
ci
)；
[0074]
等效矩形带宽为：
[0075][0076]
各滤波器的中心频率在erb域上等间距分布。
[0077]
s104，根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的gfcc特征进行
组合，确定融合特征。
[0078]
s104对所述mfcc特征和所述gfcc特征进行中心化，即去均值：
[0079][0080]
根据中心化后的mfcc特征和中心化后的gfcc特征确定协方差矩阵
[0081]
对角线上分别是特征x1和x2的方差，非对角线上是协方差。协方差大于0表示x1或x2若有一个增，另一个也增；小于0表示一个增，一个减；协方差为0时，两者独立。协方差绝对值越大，两者对彼此的影响越大，反之越小。
[0082][0083]
根据的协方差计算公式就得到了这m个样本在这n维特征下的协方差矩阵c。
[0084]
根据所述协方差矩阵确定协方差矩阵的特征值和相对应的特征向量。
[0085]
利用矩阵的知识，求协方差矩阵c的特征值和相对应的特征向量：
[0086]
cu＝λu；
[0087]
特征值有n个，每一个对应一个特征向量，将特征值按照从大到小的顺序排序，选择最大的前k个，并将其相对应的k个特征向量拿出来，得到一组新的特征向量。
[0088]
将所述mfcc特征和所述gfcc特征投影到对应的特征向量上，确定降维后的mfcc特征和降维后的gfcc特征。
[0089]
降维特征计算公式如下：
[0090][0091]
s104，具体包括：
[0092]
分别确定降维后的mfcc特征和降维后的gfcc特征在不同特征维度的贡献率；并分别选取累计贡献率大于95％的前四维特征进行融合，确定8维融合特征。
[0093]
s105，采用训练好的svm支持向量机对所述融合特征进行分类识别。
[0094]
s105之前还包括：
[0095]
获取声音信号数据集；所述声音信号数据集包括：不同类型电力设备的声音信号。
[0096]
将不同信噪比的高斯白噪声添加至所述声音信号数据集中的声音信号中，得到更新后的声音信号数据集。
[0097]
根据所述更新后的声音信号数据集中每一声音信号对应的融合特征对svm支持向量机进行训练，确定训练好的svm支持向量机。
[0098]
作为一个具体的实施例，为进一步量化评价所提出融合特征的抗噪效果，向原始声音信号数据集中加入20、10db的高斯白噪声，并基于svm算法进行融合特征的准确性、鲁棒性验证。svm是小样本分类算法，使用核函数可以向高维空间进行映射，训练样本数量较
少情况下也能够实现有效分类。我们选用rbf高斯径向基核函数，当gamma值设定为100，惩罚因子c设定为25时，拟合效果最佳。
[0099]
针对上述方法，本发明提供一种电力设备声音识别系统，以进一步说明本发明的有益效果。所述的一种电力设备声音识别系统包括：
[0100]
声音信号获取模块，用于获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机。
[0101]
声音信号预处理模块，用于对所述声音信号进行预处理。
[0102]
特征提取模块，用于根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征。
[0103]
特征降维模块，用于根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征。
[0104]
分类识别模块，用于采用训练好的svm支持向量机对所述融合特征进行分类识别。
[0105]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本发明提供一种电力设备声音识别系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
[0106]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0107]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种电力设备声音识别方法，其特征在于，包括：获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机；对所述声音信号进行预处理；根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征；根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征；采用训练好的svm支持向量机对所述融合特征进行分类识别。2.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述对所述声音信号进行预处理，具体包括：对所述声音信号进行切分；利用高通滤波器对切分后的声音信号进行预加重；对预加重后的声音信号进行归一化处理；采用交叠分段方法对归一化后的声音信号进行分帧；采用汉明窗对分帧后的声音信号进行加窗；对加窗后的声音信号进行快速傅里叶变换，确定预处理后的声音信号。3.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征，具体包括：对所述预处理后的声音信号，基于梅尔滤波器进行滤波，得到对数能量；并对所述对数能量进行离散余弦变换，得到mfcc特征；对所述预处理后的声音信号，基于伽马滤波器进行音频信号的分解；并利用分解后的声音信号提取gfcc特征。4.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征，具体包括：对所述mfcc特征和所述gfcc特征进行中心化；根据中心化后的mfcc特征和中心化后的gfcc特征确定协方差矩阵；根据所述协方差矩阵确定协方差矩阵的特征值和相对应的特征向量；将所述mfcc特征和所述gfcc特征投影到对应的特征向量上，确定降维后的mfcc特征和降维后的gfcc特征。5.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征，具体包括：分别确定降维后的mfcc特征和降维后的gfcc特征在不同特征维度的贡献率；并分别选取累计贡献率大于95％的前四维特征进行融合，确定8维融合特征。6.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述采用训练好的svm支持向量机对所述融合特征进行分类识别，之前还包括：获取声音信号数据集；所述声音信号数据集包括：不同类型电力设备的声音信号；将不同信噪比的高斯白噪声添加至所述声音信号数据集中的声音信号中，得到更新后
的声音信号数据集；根据所述更新后的声音信号数据集中每一声音信号对应的融合特征对svm支持向量机进行训练，确定训练好的svm支持向量机。7.根据权利要求1所述的一种电力设备声音识别方法，其特征在于，所述训练好的svm支持向量机采用rbf高斯径向基核函数。8.一种电力设备声音识别系统，其特征在于，包括：声音信号获取模块，用于获取运行状态中不同类型电力设备的声音信号；所述不同类型电力设备包括：供油泵、连接轴、磨煤机、磨煤机箱体、凝结水泵以及引风机；声音信号预处理模块，用于对所述声音信号进行预处理；特征提取模块，用于根据预处理后的声音信号，基于音频信号特征提取方法，提取mfcc特征和gfcc特征；特征降维模块，用于根据所述mfcc特征和所述gfcc特征，基于主成分分析方法，确定降维后的mfcc特征和降维后的gfcc特征；并将所述降维后的mfcc特征和所述降维后的gfcc特征进行组合，确定融合特征；分类识别模块，用于采用训练好的svm支持向量机对所述融合特征进行分类识别。9.一种电力设备声音识别系统，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结

本发明涉及一种电力设备声音识别方法及系统。该方法包括获取运行状态中不同类型电力设备的声音信号；对所述声音信号进行预处理；根据预处理后的声音信号，基于音频信号特征提取方法，提取MFCC特征和GFCC特征；根据所述MFCC特征和所述GFCC特征，基于主成分分析方法，确定降维后的MFCC特征和降维后的GFCC特征；并将所述降维后的MFCC特征和所述降维后的GFCC特征进行组合，确定融合特征；采用训练好的SVM支持向量机对所述融合特征进行分类识别。本发明能够准确识别电厂高噪声环境中不同类型电力设备的运行声音。类型电力设备的运行声音。类型电力设备的运行声音。