一种变电站中的噪音分析方法与流程

本发明属于变电站设备技术领域，涉及一种变电站中的噪音分析方法。

背景技术：

随着巡检机器人在变电站中的广泛应用，机器人巡检能够完成人工无法完成的一些巡检任务，因此越来越多的人工巡检被机器人巡检所替代，且更智能化的巡检机器人功能也在被慢慢开发。

设备发生故障可能会从外观上体现出来，也可能会从发出的噪音上体现出来，但在机器人巡检过程中，面对某些设备的故障，可能无法从外观或者训练数据中得到设备故障的信息，如果仅仅从设备的运行状态去判断设备是否故障，当设备已经出现故障，却还在运行时，可能就会错误地判断出设备是正常工作的，这就不利于对变电站的巡检，可能造成设备故障的遗漏判断。因此，出现了从设备发出的噪音出发，通过对设备发出的噪音进行分析，从而判断设备是否发生故障的技术。

发明专利申请公开号为cn105206282a的“一种噪音采集方法及装置”，在蓝牙芯片上嵌入噪音采集通道，利用所述的噪音采集通道传递噪音信号至所述的蓝牙芯片内置的数字信号处理器，该方法通过利用现有蓝牙的可编程特性建立噪声采样通道并结合内部dsp计算性能达到较高还原度的噪声采样，但是该方法仅通过一个噪音采集通道来还原噪声，可能会发生对噪音的误判断，即可能设备并没有发出噪音，但是通过该方法却将正常声音错误判断为了噪音，如果将此方法用到巡检机器人上，可能就会造成对设备故障的误判断。

因此，针对上述问题，本发明提出了一种变电站中的噪音分析方法。

技术实现要素：

本发明的目的在于：提供了一种变电站中的噪音分析方法，解决了现有变电站中巡检机器人在判断设备故障时存在遗漏判断和误判断的情况，导致巡检结果不准确的问题。

本发明采用的技术方案如下：

一种变电站中的噪音分析方法，包括以下步骤：

步骤1：采集设备声音，进行预处理，获得能准确代表声音信息的声音段信号，所述预处理包括依次进行预加重、分帧加窗和端点检测；

步骤2：对预处理后的声音段信号进行mfcc特征参数的提取；

步骤3：对mfcc特征参数进行深度学习，构建一个基于卷积神经网络的模型，对该模型进行训练和测试后，输出识别结果。

进一步地，所述步骤1的详细步骤包括：

步骤1.1：通过搭载麦克风阵列对不同设备的声音序列进行采集；

步骤1.2：采用一阶数据滤波器对步骤1.1采集的声音信号进行预加重，所述一阶数据滤波器的表达式为：

h(z)＝t-μz^-1，

其中，μ为预加重系数；

步骤1.3：利用交叉分帧的方法对步骤1.2预加重后的声音信号进行处理，再采用hamming窗进行加窗处理，得到声音信号x(n)，所述hamming窗的表达式为：

其中，n为窗的宽度；

步骤1.4：根据变电站设备的声音具有短时、能量大且容易计算的特点，采用基于短时能量和短时平均过零率的双门限比较法对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，确定声音信号的起始位置和终点位置，从而获得能准确代表声音信息的声音段信号。

进一步地，所述步骤1.4的详细步骤包括：

步骤1.4.1：对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，根据短时能量e(i)，通过一个门限值eh来初步确定声音的大致位置；

步骤1.4.2：通过一个门限值e1进一步确定声音的起始点和终点，从而确定声音信号的声音段，其中，e1＜eh；

步骤1.4.3：通过门限值t，以及根据越过该门限值t的过零率，得到短时平均过零率，再根据短时平均过零率精确判定声音的起始位置和终点位置，从而准确获得能代表声音信息的声音段信号，其中，t＜e1。

更进一步地，所述步骤1.4.1中的短时能量e(i)的表达式为：

其中，e(i)表示声音信号第i帧的短时能量，l为帧长，fn为总帧数，xi(n)是声音信号x(n)被分帧加窗后的第i帧信号：

xi(n)＝w(n)×x((i-1)×inc+n)，1≤n≤l，1≤i≤fn，

其中，inc为帧移长度，w(n)为矩形窗。

更进一步地，所述步骤1.4.3中的短时平均过零率主要考察每一帧信号通过零值的次数，其表达式为：

其中，xi(n)为第i帧声音信号，sgn[]为符号函数。

进一步地，所述步骤2的详细步骤包括：

步骤2.1：对预处理后声音段信号进行快速傅里叶变换，获得声音段信号的线性频谱xa(k)：

步骤2.2：计算线性频谱xa(k)的能量谱|xa(k)|²，将能量谱|xa(k)|²通过一组三角滤波器组进行带通滤波，再对滤波器组的输出取对数，得到s(m)：

其中，hm(k)是每个三角滤波器的频率响应，其表达式为：

其中，f(m)为中心频率，m＝1，2，...，m，m为三角滤波器的个数；

步骤2.3：对s(m)进行离散余弦变换，得到表征声音信号特征的mfcc特征参数c(n)：

进一步地，所述步骤3中基于卷积神经网络的模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层，所述第一池化层和第二池化层均采用最大池化的计算方式。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.一种变电站中的噪音分析方法，通过对变电站设备发生的声音进行采集，通过深度学习的方式进行分析得到识别率，根据识别率的高低来判断设备是否发生故障，不只是根据外观的检测来判断，增加了巡检机器人判定的准确度，防止遗漏判断或误判断的情况发生，减少了设备维护人员的工作量。

2.本发明中步骤1.2中采用一阶数据滤波器对步骤1.1采集的声音信号进行预加重，可以把声音信号中跌落部分的频谱进行提升，从而保持信号频谱的平坦性，保证可以用同样信噪比求得信号整个波段的频谱，为后续的频谱分析工作做准备。

3.本发明中步骤1.3中利用交叉分帧的方法对步骤1.2预加重后的声音信号进行处理，保证了声音信号帧与帧之间的平稳性，确保声音信号的连续性，再采用hamming窗进行加窗处理，保持了每一帧声音两端的平滑性。

4.本发明中步骤1.4中采用基于短时能量和短时平均过零率的双门限比较法对步骤1.3分帧加窗后的声音信号进行端点检测，减少了采集到的声音中包含的一些其他杂音，便于清楚的判断声音的起始位置，减小声音识别的难度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，其中：

图1是一种变电站中的噪音分析方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

本发明较佳实施例提供的一种变电站中的噪音分析方法，如图1所示，包括以下步骤：

步骤1：采集设备声音，进行预处理，获得能准确代表声音信息的符合系统标准的声音段信号，所述预处理包括依次进行预加重、分帧加窗和端点检测；

步骤1.1：通过搭载麦克风阵列对不同设备的声音序列进行采集；

步骤1.2：由于对声音采集时会受到各方面的影响，且在高频部分会以db频程大幅度的跌落，因此采用一阶数据滤波器对步骤1.1采集的声音信号进行预加重，可以把声音信号中跌落部分的频谱进行提升，从而保持信号频谱的平坦性，保证可以用同样信噪比求得信号整个波段的频谱，为后续的频谱分析工作做准备，所述一阶数据滤波器的表达式为：

h(z)＝t-μz^-1，

其中，μ为预加重系数，一般为0.96；

步骤1.3：为了保证帧与帧之间的平稳性，确保声音信号的连续性，利用交叉分帧的方法对步骤1.2预加重后的声音信号进行处理，每一帧声音时长在10ms到30ms之间，帧长设置为256，帧移设置为80，再采用hamming窗进行加窗处理，保持每一帧声音两端的平滑性，得到声音信号x(n)，所述hamming窗的表达式为：

其中，n为窗的宽度，一般为100-200量级；

步骤1.4：由于采集到的声音往往会包含一些其他杂音，无法清楚的判断声音的起始位置，这就给声音识别带来很大的影响，也会导致检测系统的性能下降，因此根据变电站设备的声音具有短时、能量大且容易计算的特点，采用基于短时能量和短时平均过零率的双门限比较法对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，确定声音信号的起始位置和终点位置，从而获得能准确代表声音信息的声音段信号，不仅能提高声音的识别率，同时也能减少计算量；

步骤1.4.1：对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，根据短时能量e(i)，通过一个门限值eh来初步确定声音的大致位置，所述短时能量e(i)的表达式为：

其中，e(i)表示声音信号第i帧的短时能量，l为帧长，fn为总帧数，xi(n)是声音信号x(n)被分帧加窗后的第i帧信号：

xi(n)＝w(n)×x((i-1)×inc+n)，1≤n≤l，1≤i≤fn，

其中，inc为帧移长度，w(n)为矩形窗；

步骤1.4.2：通过一个门限值e1进一步确定声音的起始点和终点，从而确定声音信号的声音段，其中，e1＜eh；

步骤1.4.3：通过门限值t，以及根据越过该门限值t的过零率，得到短时平均过零率，再根据短时平均过零率精确判定声音的起始位置和终点位置，从而准确获得能代表声音信息的声音段信号，其中，t＜e1，所述短时平均过零率主要考察每一帧信号通过零值的次数，其表达式为：

其中，xi(n)为第i帧声音信号，sgn[]为符号函数；

步骤2：对预处理后的声音段信号进行mfcc特征参数的提取；

步骤2.1：对预处理后声音段信号进行快速傅里叶变换，获得声音段信号的线性频谱xa(k)：

步骤2.2：计算线性频谱xa(k)的能量谱|xa(k)|²，将能量谱|xa(k)|²通过一组三角滤波器组进行带通滤波，再对滤波器组的输出取对数，得到s(m)：

其中，hm(k)是每个三角滤波器的频率响应，其表达式为：

其中，f(m)为中心频率，m＝1，2，...，m，m为三角滤波器的个数，一般为24-40；

步骤2.3：对s(m)进行离散余弦变换，得到表征声音信号特征的mfcc特征参数c(n)：

步骤3：对mfcc特征参数进行深度学习，构建一个基于卷积神经网络的模型，对该模型进行训练和测试后，输出识别结果，根据识别结果可以判断设备是否发出了异常噪音，从而说明设备是否存在故障；

所述基于卷积神经网络的模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层，所述第一池化层和第二池化层均采用最大池化的计算方式；

本实施例中，所述基于卷积神经网络的模型的网络配置为：

第一卷积层为激活函数，具体为relu函数，卷积核为5×5，个数为32，步长为4；

第一池化层为过滤器，矩阵大小为3×3，步长为2；

第二卷积层为激活函数，具体为relu函数，卷积核为5×5，个数为16，步长为2；

第二池化层为过滤器，矩阵大小为3×3，步长为2；

全连接层为激活函数，具体为softma函数。

本发明通过对变电站设备发生的声音进行采集，通过深度学习的方式进行分析得到识别率，根据识别率的高低来判断设备是否发生故障，不只是根据外观的检测来判断，增加了巡检机器人判定的准确度，防止遗漏判断或误判断的情况发生，减少了设备维护人员的工作量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。