一种基于两级声纹识别算法的电力设备异常工况监测方法及装置

【】本发明涉及电力设备在线监测，具体涉及一种基于两级声纹识别算法的电力设备异常工况监测方法及装置。

背景技术

0、
背景技术：

1、随着电力行业的不断发展，越来越多的电力设备被投入到电力系统的各个环节中，电力设备的稳定工作是电力系统稳定运行的重要保证。由于电力行业的特殊性，电力设备常常处于长期不间断运行中，且任何小的故障或是不稳定状态都可能造成巨大损失，因此电力设备的监测尤为关键。

2、目前电力设备的主要监测手段较多，包括铁谱、振动、油色谱、光谱、红外和热成像等监测方式，这些监测手段大多造价高昂，体积较大，且传感器大多需要放在变压器内部，安装与维护较为困难。随着人工智能技术的发展，声纹监测方式慢慢成为主流监测手段之一，声纹监测作为非接触式监测方法，不会干扰设备运行，且安装维护便利。但目前电力行业应用声纹监测技术存在训练数据量不足、对场景的依赖性较高，以及与服务器通信效果差、设备集成效果差等问题，大大影响识别准确率以及监测的实时性。

3、边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。

4、增量学习是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。

5、梅尔(mel)频率是由研究人员跟据人耳听觉机理提出，它与赫兹(hz)频率成非线性对应关系。mfcc(mel-frequency cepstral coefficients，简称mfcc)则利用两者之间的非线性关系，计算得到hz频谱特征。mfcc的计算包括预加重，分帧，加窗，快速傅里叶变换，梅尔滤波器组(梅尔频率转换)，离散余弦变换(discrete cosine transform，简称：dct)，动态特征等过程。

6、raspberry pi(中文名为“树莓派”，简写为rpi，或者raspi/rpi)是为学习计算机编程教育而设计，只有信用卡大小的微型电脑，其系统基于linux，随着windows 10iot的发布，将产生运行windows的树莓派。

7、本发明针对现有技术存在的电力行业应用声纹监测技术存在训练数据量不足、对场景的依赖性较高的技术问题，对电力设备异常工况监测方法及装置进行了技术改进。

技术实现思路

0、
技术实现要素：

1、本发明的目的是，提出一种有效降低噪声干扰、识别准确率高的电力设备异常工况监测方法。

2、为实现上述目的，本发明采取的技术方案是一种基于两级声纹识别算法的电力设备异常工况监测方法，包括以下步骤：

3、s1、音频传感器采集电力设备运行音频数据；

4、s2、进行音频数据预处理，通过端点剪切、音频混合、归一化处理、预加重、分帧加窗减小噪声干扰，并加强特征表达；

5、s3、通过多角度混合数据增强方法增强音频数据，根据音频信号的特征，从音调、响度、质量三个角度，利用增加混响、特征时移、音高修正、波形拉伸增强音频数据，不改变音频数据本身结构特性的同时降低音频数据的特殊性；

6、s4、音频数据经过预处理和数据增强后，对音频信号进行mfcc特征向量提取，得到用作训练和/或识别的音频数据；

7、s5、识别时，将特征向量提取后的音频数据输入一级分类算法α-isvm中进行电力设备异常工况识别，若噪声过大或被判定为未学习电力设备异常工况，则进入异常处理流程；否则进入二级分类算法gru中进行电力设备异常工况识别。

8、优选地，所述的一种基于两级声纹识别算法的电力设备异常工况监测方法，还包括以下步骤：

9、s6、训练时，通过一级分类算法α-isvm中的遗忘因子α实现增量学习算法，在逐渐获取音频数据新样本的过程中，根据遗忘因子α按样本权值大小淘汰旧样本中的部分元素，保证后继分类器精度的同时优化分类模型，并降低储存空间。

10、优选地，步骤s6：在收集到音频数据新样本后，利用增量学习算法优化样本分布，选取遗忘因子α＝0.6，选择性遗忘部分旧样本，重新训练分类识别模型。

11、优选地，步骤s3：选择添加均值为0，标准差为1的高斯白噪声增加混响，将部分特征向正方向位移半个周期，音高修正步长设为3，生成更具一般性的特征数据。

12、本发明的又一目的是，提出一种有效降低噪声干扰、识别准确率高的电力设备异常工况监测装置。

13、为实现上述又一目的，本发明采取的技术方案是一种基于两级声纹识别算法的电力设备异常工况监测装置，是基于嵌入式系统主板开发的边缘计算设备，用于执行上述的一种基于两级声纹识别算法的电力设备异常工况监测方法。

14、优选地，所述一种基于两级声纹识别算法的电力设备异常工况监测装置包括5g通信模块，所述5g通信模块用于存储采集到的音频信息和故障信息，连接电力设备工作场景中的服务器，实现前后端通信。

15、优选地，所述一种基于两级声纹识别算法的电力设备异常工况监测装置，基于树莓派4b主板开发，音频信号采集选用respeαker2-mics pi hαt麦克风，5g通信模块采用sim820x-m2 5g hαt扩展版实现。

16、本发明一种基于两级声纹识别算法的电力设备异常工况监测方法及装置有如下有益效果：实现了电力设备声纹自动化监测识别，降低了操作门槛和布控成本；实现了音频数据增强和样本自动化迭代，简化了操作，降低了训练速度，提高了模型识别准确率；基于数据增强和两级分类算法，具有5g通信功能，将基于声纹的电力设备异常工况监测流程集成在一套设备中，使设备具有分类识别、返回识别信息、与服务器通信的功能，同时利用算法优化使设备具有在使用过程中自我优化的能力。

技术特征：

1.一种基于两级声纹识别算法的电力设备异常工况监测方法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种基于两级声纹识别算法的电力设备异常工况监测方法，其特征在于还包括以下步骤：

3.根据权利要求2所述的一种基于两级声纹识别算法的电力设备异常工况监测方法，其特征在于步骤s6：在收集到音频数据新样本后，利用增量学习算法优化样本分布，选取遗忘因子α＝0.6，选择性遗忘部分旧样本，重新训练分类识别模型。

4.根据权利要求1所述的一种基于两级声纹识别算法的电力设备异常工况监测方法，其特征在于步骤s3：选择添加均值为0，标准差为1的高斯白噪声增加混响，将部分特征向正方向位移半个周期，音高修正步长设为3，生成更具一般性的特征数据。

5.一种基于两级声纹识别算法的电力设备异常工况监测装置，其特征在于：是基于嵌入式系统主板开发的边缘计算设备，用于执行权利要求1至权利要求4任一权利要求所述的一种基于两级声纹识别算法的电力设备异常工况监测方法。

6.根据权利要求5所述的一种基于两级声纹识别算法的电力设备异常工况监测装置，其特征在于：包括5g通信模块，所述5g通信模块用于存储采集到的音频信息和故障信息，连接电力设备工作场景中的服务器，实现前后端通信。

7.根据权利要求6所述的一种基于两级声纹识别算法的电力设备异常工况监测装置，其特征在于：基于树莓派4b主板开发，音频信号采集选用respeαker2-mics pi hαt麦克风，5g通信模块采用sim820x-m2 5g hαt扩展版实现。

技术总结
一种基于两级声纹识别算法的电力设备异常工况监测方法及装置，所述方法包括以下步骤：S1、音频传感器采集电力设备运行音频数据；S2、进行音频数据预处理；S3、通过多角度混合数据增强方法增强音频数据；S4、音频数据经过预处理和数据增强后，对音频信号进行MFCC特征向量提取，得到用作训练和/或识别的音频数据；S5、识别时，将特征向量提取后的音频数据输入一级分类算法α‑ISVM中进行电力设备异常工况识别，若噪声过大或被判定为未学习电力设备异常工况，则进入异常处理流程；否则进入二级分类算法GRU中进行电力设备异常工况识别。有益效果是有效降低噪声干扰、识别准确率高。

技术研发人员：李嘉宁,李喆,胡赵宇
受保护的技术使用者：上海交通大学
技术研发日：
技术公布日：2024/1/11