本发明涉及人工智能，具体而言，涉及一种基于人工智能的水轮发电机声纹监测方法及系统。
背景技术：
1、人工智能(artificial intelligence，简称ai)，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能技术的应用场景较多，例如，可以基于人工智能技术对声纹信息进行分析。
2、在现有技术中，在利用人工智能技术对水轮发电机的声纹监测结果（水轮发电机的声纹信息），即对水轮发电机的声纹信息进行异常分析的过程中，存在着效率不高的问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于人工智能的水轮发电机声纹监测方法及系统，以在一定程度上提高水轮发电机声纹监测的效率。
2、为实现上述目的，本发明实施例采用如下技术方案：
3、一种基于人工智能的水轮发电机声纹监测方法，所述水轮发电机声纹监测方法包括：
4、提取到初始声纹分析网络，所述初始声纹分析网络包括声纹处理复杂子网络，所述声纹处理复杂子网络用于挖掘示例性声纹信息的关键数据内容，所述声纹处理复杂子网络包括至少两个处理单元；
5、将所述声纹处理复杂子网络的至少两个处理单元进行调整操作，以形成声纹处理简化子网络，所述声纹处理简化子网络包括的处理单元的处理单元数量小于所述声纹处理复杂子网络包括的处理单元的处理单元数量，所述声纹处理简化子网络用于挖掘出目标声纹信息的关键数据内容，所述目标声纹信息通过对目标水轮发电机进行声纹监测以得到；
6、利用所述声纹处理简化子网络，代替所述初始声纹分析网络中的声纹处理复杂子网络，以形成目标声纹分析网络；
7、利用所述目标声纹分析网络，将所述目标声纹信息进行声纹信息优化操作，以输出对应的优化声纹信息；
8、基于所述优化声纹信息，对所述目标水轮发电机进行运行异常分析操作，以输出所述目标水轮发电机对应的目标运行异常分析数据，所述目标运行异常分析数据用于反映所述目标水轮发电机的运行状态。
9、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述声纹处理复杂子网络包括的处理单元数量等于第一数量，所述将所述声纹处理复杂子网络的至少两个处理单元进行调整操作，以形成声纹处理简化子网络的步骤，包括：
10、基于配置的处理单元选择方式，在所述声纹处理复杂子网络的第一数量个处理单元中抽选出第二数量个抽选处理单元，所述第二数量小于或等于所述第一数量；
11、将所述第二数量个抽选处理单元进行调整操作，以形成声纹处理简化子网络。
12、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述第二数量个抽选处理单元属于第一处理方式的处理单元，所述第一处理方式的处理单元用于将所述声纹处理复杂子网络的加载待处理信息进行关键信息挖掘操作，所述第一处理方式的处理单元包括至少一个特征挖掘层；以及，所述将所述第二数量个抽选处理单元进行调整操作，以形成声纹处理简化子网络的步骤，包括：
13、将所述第二数量个抽选处理单元中的特征挖掘层进行第一方式的调整操作，以形成第二数量个包括第一特征挖掘结构的处理单元；以及，对所述第二数量个包括第一特征挖掘结构的处理单元进行单元整合操作，以形成对应的声纹处理简化子网络；
14、其中，所述将所述第二数量个抽选处理单元中的特征挖掘层进行第一方式的调整操作，以形成第二数量个包括第一特征挖掘结构的处理单元的步骤，包括：
15、在第x个抽选处理单元中的特征挖掘层的层数量等于一的情况下，对所述第x个抽选处理单元中的特征挖掘层标记为第一特征挖掘结构，所述第x个抽选处理单元属于所述第二数量个抽选处理单元中的一个抽选处理单元；以及，在第x个抽选处理单元中的特征挖掘层的层数量大于一的情况下，将所述第x个抽选处理单元中的特征挖掘层进行挖掘层的整合操作，以及，将整合操作形成的特征挖掘层标记为第一特征挖掘结构。
16、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述第二数量个抽选处理单元包括第一处理方式的处理单元和第二处理方式的处理单元；所述第一处理方式的处理单元用于将所述声纹处理复杂子网络的加载待处理信息进行特征挖掘操作，所述第一处理方式的处理单元包括至少一个特征挖掘层；所述第二处理方式的处理单元用于将所述声纹处理复杂子网络的加载待处理信息进行输入输出链接操作，所述第一处理方式的处理单元数量等于第三数量，所述第三数量小于所述第二数量；以及，所述将所述第二数量个抽选处理单元进行调整操作，以形成声纹处理简化子网络的步骤，包括：
17、将所述第三数量个第一处理方式的处理单元进行第一方式的调整操作，以形成第三数量个包括第一特征挖掘结构的处理单元；以及，将第四数量个第二处理方式的处理单元进行第二方式的调整操作，以形成第四数量个包括第二特征挖掘结构的处理单元，所述第四数量等于所述第二数量和所述第三数量之间的差值；以及，对所述第三数量个包括第一特征挖掘结构的处理单元和所述第四数量个包括第二特征挖掘结构的处理单元进行整合操作，以形成对应的声纹处理简化子网络；
18、其中，所述第一处理方式的处理单元还包括参数映射处理结构，所述参数映射处理结构用于将所述第一处理方式的处理单元中特征挖掘层挖掘出的关键数据内容进行参数映射操作。
19、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述第一数量个处理单元中包括第一处理方式的处理单元，所述第一处理方式的处理单元包括至少一个特征挖掘层；以及，所述基于配置的处理单元选择方式，在所述声纹处理复杂子网络的第一数量个处理单元中抽选出第二数量个抽选处理单元的步骤，包括：
20、在所述声纹处理复杂子网络的第一数量个处理单元中，任意抽选出第二数量个抽选处理单元；或者
21、基于预先确定的目标尺寸大小，在所述第一处理方式的处理单元中抽选出对应的第二数量个抽选处理单元，所述第二数量个抽选处理单元中的特征挖掘层的尺寸大小与所述目标尺寸大小相等；或者
22、基于预先确定的目标抽选数量，在所述第一处理方式的处理单元中抽选出第二数量个抽选处理单元，所述第二数量个抽选处理单元中的特征挖掘层的挖掘层数量与所述目标抽选数量相等。
23、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述目标声纹分析网络包括的声纹处理简化子网络的数量等于第五数量；所述目标声纹分析网络还包括关键信息连接处理单元；所述利用所述目标声纹分析网络，将所述目标声纹信息进行声纹信息优化操作，以输出对应的优化声纹信息的步骤，至少包括：
24、利用所述关键信息连接处理单元，对所述目标声纹信息的待定关键数据内容和第y个声纹处理简化子网络挖掘出的关键数据内容进行整合操作，以形成所述目标声纹信息的整合关键数据内容，所述第y个声纹处理简化子网络属于所述第五数量个声纹处理简化子网络中的一个声纹处理简化子网络；
25、利用后一个声纹处理简化子网络，将所述目标声纹信息的整合关键数据内容进行关键信息挖掘操作，以输出所述目标声纹信息的关键信息挖掘输出数据，所述后一个声纹处理简化子网络是指级联连接在所述第y个声纹处理简化子网络后的一个声纹处理简化子网络；
26、依据所述目标声纹信息的关键信息挖掘输出数据，进行特征还原操作，以输出所述目标声纹信息对应的优化声纹信息。
27、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述水轮发电机声纹监测方法还包括：
28、利用包括所述声纹处理复杂子网络的初始声纹分析网络，将示例性声纹信息进行声纹信息优化操作，以输出所述示例性声纹信息对应的示例性优化声纹信息；
29、依据所述示例性声纹信息对应的示例性优化声纹信息和所述示例性声纹信息对应的示例性标签声纹信息之间的区别信息，将所述声纹处理复杂子网络包括的网络参数进行优化操作，以形成优化后的初始声纹分析网络。
30、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述声纹处理复杂子网络包括的处理单元数量为第一数量，所述第一数量大于一，所述利用包括所述声纹处理复杂子网络的初始声纹分析网络，将示例性声纹信息进行声纹信息优化操作，以输出所述示例性声纹信息对应的示例性优化声纹信息的步骤，包括：
31、利用所述第一数量个处理单元，将示例性声纹信息分别进行关键信息挖掘操作，以输出所述示例性声纹信息对应的第一数量个关键数据局部内容，所述关键数据局部内容和所述关键数据内容通过向量的形式表示；
32、将所述第一数量个关键数据局部内容进行整合操作，以形成所述示例性声纹信息对应的整合关键数据内容；
33、依据所述示例性声纹信息对应的整合关键数据内容，进行特征还原操作，以输出所述示例性声纹信息对应的示例性优化声纹信息。
34、在一些优选的实施例中，在上述基于人工智能的水轮发电机声纹监测方法中，所述将所述第一数量个关键数据局部内容进行整合操作，以形成所述示例性声纹信息对应的整合关键数据内容的步骤，包括：
35、对所述第一数量个关键数据局部内容进行级联组合操作，以形成所述第一数量个关键数据局部内容对应的级联组合特征分布；
36、对所述第一数量个关键数据局部内容进行叠加操作，以形成所述第一数量个关键数据局部内容对应的叠加特征分布，所述级联组合特征分布和所述叠加特征分布通过向量的形式表示；
37、对所述第一数量个关键数据局部内容和所述级联组合特征分布分别进行特征分布尺寸的调整操作，以形成多个第一待处理特征分布，所述多个第一待处理特征分布之间特征分布尺寸一致；
38、对所述第一数量个关键数据局部内容和所述叠加特征分布分别进行特征分布尺寸的调整操作，以形成多个第二待处理特征分布，所述多个第二待处理特征分布之间特征分布尺寸一致；
39、利用经过网络优化形成的第一深度特征挖掘单元，分析出所述多个第一待处理特征分布中的每一个第一待处理特征分布对所述级联组合特征分布的聚焦特征参数分布，以形成对应的第一聚焦特征分析结果，所述第一聚焦特征分析结果通过向量的形式表示；
40、利用经过网络优化形成的第二深度特征挖掘单元，分析出所述多个第二待处理特征分布中的每一个第二待处理特征分布对所述叠加特征分布的聚焦特征参数分布，以形成对应的第二聚焦特征分析结果，所述第二聚焦特征分析结果通过向量的形式表示；
41、将所述第一聚焦特征分析结果和所述第二聚焦特征分析结果进行分析结果的聚合操作，以形成所述示例性声纹信息对应的整合关键数据内容，所述分析结果的聚合操作包括向量的级联组合或叠加。
42、本发明实施例还提供一种基于人工智能的水轮发电机声纹监测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的水轮发电机声纹监测方法。
43、本发明实施例提供的基于人工智能的水轮发电机声纹监测方法及系统，可以先提取到初始声纹分析网络；将声纹处理复杂子网络的至少两个处理单元进行调整操作，以形成声纹处理简化子网络；利用声纹处理简化子网络，代替初始声纹分析网络中的声纹处理复杂子网络，以形成目标声纹分析网络；利用目标声纹分析网络，将目标声纹信息进行声纹信息优化操作，以输出优化声纹信息；基于优化声纹信息，对目标水轮发电机进行运行异常分析操作，输出目标运行异常分析数据。基于前述的内容，由于声纹处理简化子网络的处理单元数量小于声纹处理复杂子网络的处理单元数量，使得目标声纹分析网络的处理效率提高，因此，可以在一定程度上提高水轮发电机声纹监测的效率。另外，由于是利用目标声纹信息进行声纹信息优化操作，使得运行异常分析操作的依据是优化声纹信息，而不是采集到的目标声纹信息，因此，依据可以更可靠，使得结果也更可靠。
44、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。