本发明涉及一种嵌入式语音信息分析方法及装置，属于语音识别技术领域，具体是涉及一种断路器在线监测和故障诊断装置及其工作方法。
背景技术：
断路器应用场合及其广泛，其工作状态影响着整个电力系统的工作稳定性。如今，电力设备的检修方式已经发生了改变，不再以设备的动作次数为依据，而是以设备的状态为依据，这就意味着对断路器状态进行在线监测变得至关重要。
统计结果表明，断路器的操动机构是发生问题的常见地方，而且机械特性是造成大多数断路器故障主要原因。经过几十年的研究发展，断路器的监测手段不断的创新，其中应用最为广泛的是行程/时间曲线分析法，因为它能检测断路器的机械特性，但是还存在着接线复杂、操作繁琐、传感器安装困难等缺点；图像测量方法刚刚开始被用于断路器的故障诊断研究，该方法尚在研究发展之中。
高压断路器的合(分)闸操作主要由其机械部件来完成，机械部件运行的可靠性直接关系到断路器的正常运行，机械特性状态监测意义重大。但是，机械特性在线监测和故障诊断方法存在受周围强电磁场的影响较大的问题，而且断路器之间的差异及环境的差异性使得断路器的工作特性并不是完全相同的，断路器机械特性的变化，要求对处理数据得到算法进行改进，才能达到对断路器的稳定监测的效果。
为更加精确地获取断路器的运行状态，本发明提出增加一种基于语音信息分析实现断路器故障检测的方法，在特征参数层将机械特性参数与语音信息特征参数相结合，得到一个新的特征参数，再将新的特征参数输入到训练好的高斯混合模型中，判断更接近哪个状态的模型，据此作出对断路器运行状态的判断。断路器的在线监测和故障诊断能够在故障出现之前发出警示，从而提高断路器运行的可靠性。
技术实现要素：
本发明解决的问题是：为弥补环境因素对断路器机械特性在线监测结果影响较大的缺陷，同时提出一种全新的基于语音信号分析的断路器运行状态在线监测方法，结合以上背景和需求，本发明提供一种基于语音信号分析和机械特性分析的断路器在线监测和故障诊断装置及其工作方法。这种系统既能够兼顾断路器机械特性的在线监测，又能够通过语音信息分析在线监测来弥补不同环境下机械特性的差异性导致的误差，达到更加精准的在线监测和故障判断结果。
为解决本发明的技术问题，所采用的技术方案为：
一种断路器在线监测和故障诊断装置，该装置包括中央处理器及与其相连的电源、rtc定时器、复位电路、位移传感器、模拟/数字转换器、语音模块、rs485接口、rs232接口、jtag接口、开关量输入接口、报警电路、sram和eeprom；
中央处理器，为信号采集及处理的控制芯片，采用ti公司生产的tms320f28335芯片；
位移传感器，测量断路器行程-时间特性，采用wdl25-2型直滑式导电塑料电位器；其输出端接模拟/数字转换器的输入端；
模拟/数字转换器完成传感器采集信号的模拟/数字转换；模拟/数字转换器并行接口与处理器的数据总线相连，其中片选端与处理器的xzcs0相连，即将ad转换的数据存放在处理器的片外存储区xintf区0，读写控制信号端与处理器的xrd和xwe信号相连；
语音模块，与处理器通过spi接口连接，包括存储模块和处理模块，存储模块内预存有语音识别模型，处理模块用于基于语音识别模型及当前的语音信息判断出当前断路器的运行状况；
sram和eeprom，为片外扩展的存储器，分别为保存系统运行时的数据及参数做准备；sram并行接口与处理器的数据总线相连，片选端与处理器的xzcs6信号相连，表示外部ram位于处理器的片外存储区xintf6；eeprom与处理器提供的iic主机控制器直接相连；
开关量输入接口，即断路器分、合闸信号的监测以及报警电路；
rs485接口，为与上位机通信的串行接口；采用ti公司生产的3.3v供电芯片sn65hvd12作为485收发芯片，收发控制端通过gpio口接到处理器，通过控制gpio口的高低电平来切换485的收发状态，接收发送端与处理器通过scic接口相连；
rs232接口可作为调试或接其他满足232电平标准的串口设备；采用maxim公司生产的max3232芯片完成电平转换，并与处理器通过scib接口相连；
jtag接口，为仿真调试接口，以及程序烧写接口；
报警电路，通过gpio口与处理器相连。
一种断路器在线监测和故障诊断装置的工作方法，包括以下步骤：
步骤a：获得断路器分、合闸发生信号；
步骤b：接收语音片断输入，提取语音特征参数f1，该特征参数为12维美尔频率倒谱系数；
步骤c：接收位移传感器输出信号，求取真空断路器机械特性参数f2：合、分闸时间、触头行程、开距、超行程、合、分闸平均速度以及刚合刚分速度，并通过rs485传输到上位机；
步骤d：获得18维的特征参数
本发明相对于现有技术的有益效果是：
(1)本发明在常用的机械特性在线监测和故障诊断方法的基础上增加了语音信息分析的方法，机械特性在线监测和故障诊断方法存在受周围强电磁场的影响较大的问题，而且断路器之间的差异及环境的差异性使得断路器的工作特性并不是完全相同的，断路器机械特性的变化，要求对处理数据得到算法进行改进，才能达到对断路器的稳定监测的效果，语音信息分析的方法则不会受环境因素的影响，一定程度上弥补了单纯使用机械特性方法引起的误差。
(2)本发明综合机械特性方法和语音信息方法分析断路器运行状态的思路是，在特征参数层，将机械特性方法和语音信息分析方法的特征参数结合成一个新的特征参数，再将这个新的特征参数输入到训练好的高斯混合模型中，判断更接近哪种运行状态下的模型，据此判断出断路器的运行状态；这种思路既保留了最直接反映断路器状态的参数，又引用了不易受外界环境影响的语音特征参数，给断路器运行状态在线准确监测和故障诊断提供了保障。
附图说明
以下结合实施例和附图对本发明作出进一步的详述。
图1为本发明的系统结构框图；
图2为语音模块的结构框图；
图3为本发明的机械特性采集模块软件总体框图；
图4为本发明的机械特性采集软件流程图；
图5为本发明的特征提取流程图。
具体实施方式
实施例1
请参阅图1和2所示，一种断路器在线监测和故障诊断装置，包括中央处理器101及与其相连的电源102、rtc定时器103、复位电路104、位移传感器105、模拟/数字转换器106、语音模块107、rs485接口108、rs232接口109、jtag接口110、开关量输入接口111、报警电路112、sram113和eeprom114。
中央处理器101，为信号采集及处理的控制芯片，采用ti公司生产的tms320f28335芯片。
位移传感器105，测量断路器行程-时间特性，采用wdl25-2型直滑式导电塑料电位器。其输出端接模拟/数字转换器106的输入端。
模拟/数字转换器106完成传感器采集信号的模拟/数字转换。模拟/数字转换器106并行接口与处理器101的数据总线相连，其中片选端与处理器101的xzcs0相连，即将ad转换的数据存放在处理器101的片外存储区xintf区0，读写控制信号端与处理器101的xrd和xwe信号相连。
语音模块107，与处理器101通过spi接口连接，包括存储模块1071和处理模块1072，存储模块1071内预存有语音识别模型，处理模块1072用于基于语音识别模型及当前的语音信息判断出当前断路器的运行状况。
sram113和eeprom114，为片外扩展的存储器，分别为保存系统运行时的数据及参数做准备。sram113并行接口与处理器101的数据总线相连，片选端与处理器101的xzcs6信号相连，表示外部ram位于处理器101的片外存储区xintf6。eeprom114与处理器101提供的iic主机控制器直接相连。
开关量输入接口111，即断路器分、合闸信号的监测以及报警电路。
rs485接口108，为与上位机通信的串行接口。采用ti公司生产的3.3v供电芯片sn65hvd12作为485收发芯片，收发控制端通过gpio口接到处理器101，通过控制gpio口的高低电平来切换485的收发状态，接收发送端与处理器101通过scic接口相连。
rs232接口109可作为调试或接其他满足232电平标准的串口设备。采用maxim公司生产的max3232芯片完成电平转换，并与处理器101通过scib接口相连。
jtag接口110，为仿真调试接口，以及程序烧写接口。
报警电路112，通过gpio口与处理器101相连。
实施例2
请一并参阅图3-5，断路器在线监测和故障诊断装置的工作方法，包括以下步骤：
步骤a：获得断路器分、合闸发生信号。
步骤b：接收语音片断输入，提取语音特征参数f1，该特征参数为12维美尔频率倒谱系数。
步骤c：接收位移传感器输出信号，求取真空断路器机械特性参数f2：合、分闸时间、触头行程、开距、超行程、合、分闸平均速度以及刚合刚分速度，并通过rs485传输到上位机。
步骤d：获得18维的特征参数
在本实施例中，步骤b中提取语音特征参数f1采用如下方法：
步骤1：接收待识别的语音片断输入。
步骤2：对待识别的语音片断数字化以提供数字语音信号。
步骤3：对待识别的数字语音信号x(n)进行预处理，包括预加重、分帧、加窗、端点检测：
步骤3.1：对待识别的数字语音信号x(n)按下面进行预加重：
式中α＝0.9375，n表示待识别的情感数字语音离散点序号。
步骤3.2：采用交叠分段的方法进行分帧，前一帧与后一帧之间有交叠的部分，称为帧移，此处帧移取7ms，即在11.025khz采样率下取80个点，每一帧长取23ms，即取256个点。
步骤3.3：选择汉明窗对语音信号进行加窗处理，窗口函数如下：
式中n′表示每一帧数字语音离散点序号，n表示每一帧数字语音离散点点数，此处n＝256。
步骤3.4：采用公知的能量过零率双门限判决法来完成端点检测，即依据环境噪声的能量和过零率都低于语音信号的短时能量和短时过零率的原则，首先用短时能量作第一级判别，然后在此基础上再用短时过零率作第二级判别，计算出短时能量上限、下限和过零率门限的值，然后对每帧数据进行判断，端点检测后得到每一帧数字语音x(n′)。
步骤4：对经过预处理的数字语音提取语音特征参数f1，该特征参数为12维美尔频率倒谱系数：
步骤4.1：在时域信号x(n′)后增补0，使得增补0后的序列的长度为n′，使n′为2的整数次幂，然后经过离散傅立叶变换dft后得到线性频谱x(k)，转换公式为：
步骤4.2：将上述线性频谱x(k)通过美尔频率滤波器组hm(k)得到美尔频谱，并通过对数能量的处理，得到对数频谱s(m)，由线性频谱x(k)到对数频谱s(m)的总传递函数为：
其中对于有m个带通滤波器的滤波器组，m＝1,2,…,m，每个带通滤波器的传递函数为：
步骤4.3：将上述对数频谱s(m)经过离散余弦变换，变换到倒谱频域，即得到美尔频率倒谱系数c(n′)：
在本实施例中，步骤c中提取真空断路器机械特性参数f2采用如下方法：
步骤1：接收位移传感器输出信号。
步骤2：模拟/数字转换器将采样模拟电压信号转换为数字信号。
步骤3：对采样信号进行预处理，即对其进行数字滤波：
步骤3.1：对行程-时间曲线作频谱分析，采用快速傅里叶变换得到频谱图。
步骤3.2：分析频谱图，得到数字滤波器的设计指标。
步骤3.3：根据指标，分析需要使用的数字滤波器类型以及相关参数。最终确定使用fir低通数字滤波器，选用窗函数法对理想滤波器序列进行加汉宁窗n＝80，fs＝40800hz，fc＝3000hz。
汉宁窗的窗函数为：
步骤4：采取双极值法对分(合)闸曲线求取合、分闸换位点：
步骤4.1：在采样程序中设置采样4000个点的信息，每隔20us采样一次，经过试验可知前3000个点包含了断路器所有的断路器动触头行程信息。
步骤4.2：获得位移数据后，对其进行两次差分，获得速度-时间曲线和加速度-时间曲线。
步骤4.3：通过查找算法可找到速度-时间曲线上相邻的极大值点和极小值点对(即相邻的波峰和波谷)，并根据此判断出换位点的位置。
步骤5：根据得到的合、分闸换位点求取真空断路器机械特性参数f2：合、分闸时间、触头行程、开距、超行程、合、分闸平均速度以及刚合刚分速度。
上述步骤4.3中判断换位点位置的方法为：
在合闸过程中，从零开始，若极值点对能首次满足以下两个条件，即可判定该极值点对中的极大值点为合闸换位点。
1)在极值点对所对应的加速度-时间曲线中加速度连续小于0的点数超过预先设置的阀值k1。
2)极值点对所对应的速度-时间曲线中速度之差的绝对值大于预先设置的阀值k2。
在分闸过程中，从零时刻开始，当极值点对首次满足以下两个条件时即可判定此极值点对中的速度极小值点所对应的位置为分闸换位点。
1)在极值点所对应的加速度-时间曲线段上，加速度连续大于零的时间超过预先设定的阀值m1。
2)极值点对所对应的速度之差的绝对值大于预先设定的阀值m2。
上述步骤5中对f2各项参数的具体计算方法如下：
合、分闸时间：从合、分闸线圈中有电流通过开始，一直到动触头运动到换位点的时间，即为合、分闸时间。合、分闸时间是否稳定反映了断路器机构灵活性及磨损情况。
动触头行程：计算动触头合闸前的稳态位置到合闸后的稳态位置之间的位移量之差，即可得到动触头合闸行程。
动触头开距：将合闸行程减去超行程即可得到相应的动触头开距。
动触头超行程：动触头与静触头刚接触到稳态位置间的位移量。
断路器平均速度：断路器平均速度包括合闸平均速度和分闸平均速度。计算动触头在合闸换位点之前6ms的速度即可得到合闸平均速度。计算动触头在分闸换位点之后6ms的速度即可得到分闸平均速度。
刚合速度：计算动触头在合闸换位点之前2ms的速度可得刚合速度。
刚分速度：计算动触头在分闸换位点之后2ms的速度可得刚分速度。
在本实施例中，步骤d中状态识别模型的训练方法包括以下步骤：
步骤1：接收两种运行状态的训练语音片断输入。
步骤2：对训练语音片断数字化以提供数字语音信号x(n1)，其中n1表示状态训练数字语音离散点序号。
步骤3：对数字语音信号x(n1)进行预处理，包括预加重、分帧、加窗、端点检测，得到运行状态训练数字语音信号x(n1′)。
步骤4：对经过预处理的数字语音x(n1′)提取语音特征参数f1，该特征参数为12维美尔频率倒谱系数。
步骤5：分别接收两种运行状态下位移传感器输出信号。
步骤6：模拟/数字转换器将采样模拟电压信号转换为数字信号。
步骤7：对采样信号进行预处理，即对其进行数字滤波。
步骤8：采取双极值法对分(合)闸曲线求取合、分闸换位点。
步骤9：根据得到的合、分闸换位点求取真空断路器机械特性参数f2。
步骤10：得到18维的特征参数
步骤11：利用特征参数f3来训练状态识别模型，具体步骤如下：
步骤11.1：设置状态识别模型的高斯混合模型的阶数为4。
步骤11.2：用k均值方法(kmeans)初始化状态识别模型，得到各高斯分布的初始化参数：均值向量μk，协方差矩阵∑k，混合分量权值ck，其表示第k个运行状态对应的初始化子模型参数。
步骤11.3：设第c个状态训练语音的第t个特征参数
步骤11.4：状态识别模型为高斯混合模型，将上面得到的各运行状态识别子模型参数代入下面的公式，形成训练好的各运行状态识别子模型，这些训练好的子模型集合即为最终运行状态识别模型：
该高斯混合模型用4个单高斯分布的线性组合来描述帧特征在特征空间中的分布，具体描述如下：
其中，
其中，d为特征维数，此处d＝12，bk(x)称为核函数，是均值向量为
状态识别高斯混合模型参数集λ1就是由上述的各均值分量、协方差矩阵及混合分量的权值组成，表示成如下三元组的形式：
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。