本发明涉及计算机数据处理，特别涉及一种基于ai的电力设备声纹监测系统及方法。
背景技术：
1、目前，声纹是通过电声仪器采集到的具有一定信息内容的声波信号。电力设备的声纹具有一定的周期性和稳定性，包含着设备的特有信息，例如变压器和发电机发出的声音有所不同，电声仪器可以通过采集两者的声纹进行识别。一个正常运行的电力设备和出现故障的电力设备发出的声音也不相同。可以通过采集电力设备的声纹信号判断出电力设备是否出现故障。而故障类型不同，电力设备发出的声纹信号也不同，比如以变压器为例，若发出50hz的“嗡嗡”声纹信号，则表示变压器正常运行；若变压器发出“噼啪”声，则表示变压器内部出现电流短路。
2、现有技术cn114371353a公开了一种基于声纹识别的电力设备异常监测方法及系统，采集预电力设备正常运行的第一声音信号转换成第一声纹数据，并对第一声纹数据进行音频频谱分析，提取第一音频特征存储至第一音频数据库；再采集电力设备运行的第二声音信号转换成第二声纹数据；对第二声纹数据进行音频频谱分析，提取第二音频特征。根据神经网络识别判断第一音频数据库中是否存在第二音频特征：若否，则发出异常报警信号。现有技术cn114371353a从已知的设备中判断是否存在故障，并且通过数据库存储的已知故障进行匹配判断故障类型。而故障电力设备往往包含多种故障，需要进一步确定多种故障类型以及主要故障类型，同时现有技术也没有给出声纹采集的移动和频率。
3、因此，需要对电力设备的故障进一步分析，并为以后电力设备的维修提供了优先顺序。
技术实现思路
1、本发明目的之一在于提供了一种基于ai的电力设备声纹监测系统，获取声纹信号，并进行处理得到声纹信号数据，根据声纹信号数据识别出电力设备，再声纹信号数据判断出是否存在故障，最后根据对应的声纹信号数据识别故障类型以及主要故障，同时确定声纹采集模块的移动路线和采集频率，减少了干扰信号的影响，提高了识别故障类型的准确性。
2、本发明实施例提供的一种基于ai的电力设备声纹监测系统，包括：
3、声纹采集模块,用于采集目标电力设备声纹信号；
4、数据处理模块，用于获取声纹信号并进行预处理，得到声纹信号数据；
5、声纹识别模块，用于根据声纹信号数据识别出目标电力设备；
6、故障识别模块，用于获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；
7、故障预警模块，用于根据判断结果向管理者发出警报。
8、优选地，故障识别模块包括：
9、故障判断子模块，用于根据目标电力设备对应的声纹信号数据与目标电力设备的正常运行声纹信号预测数据计算重合比，根据重合比判断目标电力设备是否出现故障；
10、类型识别子模块，用于若目标电力设备出现故障，获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型。
11、优选地，故障判断子模块，执行如下操作：
12、获取目标电力设备当前时刻的属性数据，其中，属性数据包括设备类型、设备连续运行的天数、历史维保记录和未来维保记录；
13、根据目标电力设备的当前时刻的属性数据预测目标电力设备在未来预设时间后的时间点的属性数据；
14、根据目标电力设备在未来预设时间后的时间点的属性数据检索出目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据和目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据；
15、当目标电力设备运行到未来预设时间后的时间点时，获取目标电力设备对应的声纹信号数据，计算目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史正常运行声纹数据的重合比以及目标电力设备对应的声纹信号数据与目标电力设备在未来预设时间后的时间点的属性数据对应的历史异常声纹数据的重合比，判断目标电力设备在未来预设时间后的时间点是否出现故障。
16、优选地，类型识别子模块，执行如下操作：
17、构建小波变化函数并对目标电力设备所对应的声纹信号数据进行小波分解，得到目标电力设备的声纹谐波；其中，
18、小波基函数g(t),具体表达式为：
19、
20、式中,g(t)是小波基函数，ω0是中心频率，a是常数，t是时间变量，i是虚数符号，i2＝-1；
21、其中，f(t)是声纹信号数据，,-t0,t0]是声纹信号数据f(t)的取值区间，通过小波基函数g(t)进行小波变换得到目标电力设备的声纹谐波ψf(b,τ)，具体表达式是：
22、
23、式中，ψf(b,τ)是目标电力设备的声纹谐波，b是尺度因子,τ是时间位移量；
24、获取目标电力设备正常运行的声纹数据并进行小波变换，得到设备正常谐波信息；其中，
25、设备正常谐波信息的具体表达式为：
26、
27、式中，是设备正常谐波信息，是目标电力设备正常运行的声纹数据，
28、对目标电力设备的声纹谐波滤除掉设备正常谐波信息，得到异常谐波信息；其中，
29、异常谐波信息ψy(b,τ)具体表达式是：
30、
31、式中，ψy(b,τ)是异常谐波信息；
32、将异常谐波信息进行小波变换重构，得到故障时域信号；其中，故障时域信号的表达式为：
33、
34、式中，y(t)是故障时域信号，cg是小波变换收敛系数；
35、逐一计算故障时域信号与已知故障信号的相似度并根据相似度进行排序；其中，相似度的具体表达式为：
36、
37、式中，η是相似度，h(t)是某一类型的已知故障信号；
38、设定相似度阈值，根据相似度超过相似度阈值所对应的已知故障信号得到目标电力设备的故障类型。
39、优选地，声纹识别模块包括：
40、特征提取单元，用于构建特征提取网络模型并获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对目标电力设备的进行特征提取，得到目标电力设备的特征数据；
41、特征识别单元，用于获取电力设备的历史特征数据训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；
42、设备信号单元，用于根据识别出的目标电力设备获取对应的声纹信号数据。
43、优选地，声纹识别模块，执行如下操作：
44、构建特征提取网络模型；
45、获取电力设备的历史声纹信号对特征提取网络模型进行训练，训练完成后利用特征提取网络模型对声纹信号数据进行特征提取，得到特征数据；
46、构建电力设备特征识别模型；
47、获取电力设备的历史特征数据对电力设备特征识别模型进行训练，训练完成后利用电力设备特征识别模型对特征数据进行识别出目标电力设备；
48、根据识别出的目标电力设备获取对应的声纹信号数据；
49、获取电力设备的历史声纹信号对电力设备特征识别模型进行训练，其中，所述电力设备特征识别模型是卷积神经网络；
50、训练完成后利用电力设备特征识别模型对声纹信号数据进行特征识别，得到目标电力设备；
51、根据识别出的目标电力设备获取对应的声纹信号数据。
52、优选地，声纹采集模块包括：
53、若干个声音传感器，用于采集目标电力设备的声纹信号；
54、摄像机，用于对目标电力设备进行实时摄像监控；
55、升降单元，用于能够使的声音传感器11上下移动；
56、水平移动单元，设置在升降单元上，用于声音传感器11进行水平方向上的移动；
57、采集控制单元，分别与声音传感器、摄像机、水平移动单元和升降单元相连，用于根据各个电力设备位置规划出最短监测路径以及根据电力设备的类型和故障率，控制声音传感器的采集频率。
58、优选地，所述数据处理模块包括：
59、降噪单元，用于对声纹信号进行降噪；
60、分段单元，用于根据声纹信号的周期性对声纹信号分成若干个数据区间片段；
61、拟合单元，用于对降噪后的若干个数据区间片段按均方差最小进行拟合，得到声纹信号数据；
62、存储单元，用于对声纹信号数据进行存储。
63、优选地，基于ai的电力设备声纹监测系统还包括：
64、实时监测模块，用于对目标电力设备进行实时摄像监测并及时处理；
65、其中，实时监测模块包括：
66、温度传感器，用于对目标电力设备进行温度测量；
67、电流表，用于对目标电力设备的电流进行测量；
68、电源切断单元，用于根据重合比以及目标电力设备的电流对目标电力设备决定是否停止供电；
69、设备冷却单元，用于根据重合比以及目标电力设备测得的温度对目标电力设备决定是否采取降温；
70、灭火单元，用于通过采集到的实时摄像判断是否对目标电力设备进行灭火。
71、本发明还提供了一种基于ai的电力设备声纹监测方法，包括：
72、采集目标电力设备声纹信号；
73、对声纹信号并进行预处理，得到声纹信号数据；
74、根据声纹信号数据识别出目标电力设备以及目标电力设备对应的声纹信号数据；
75、获取目标电力设备所对应的声纹信号数据并进行小波变换，并根据小波变换识别目标电力设备的故障类型以及主要故障；
76、根据判断结果向管理者发出警报。
77、本发明的有益效果为：
78、本发明通过对采集到的声纹信号进行小波变换识别出目标电力设备并通过计算重合比判断目标电力设备判断是否出现故障并根据判断结果向管理者发出警报。本发明通过小波变换剔除了干扰信号，提高了识别故障类型的准确性。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
79、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。