基于声纹识别的电厂设备运行状态研究与应用制造技术

本发明专利技术涉及基于声纹识别的电厂设备运行状态研究与应用，包括终端层、边缘层以及云平台层，其中，终端层：部署声纹采集装置,实现变压器运行声纹的高精度采集；边缘层：将主变压器声纹指纹大数据中心的算法模型下沉到变电站，并通过接口实时调用声纹采集装置采集的音频信息，进行声纹初步诊断，同时边缘智能服务提供公共的接口，向边缘物联代理平台等其他业务系统实时提供诊断信息，也可将初步诊断信息实时传输至声纹数据中心。有益效果：本发明专利技术对非正常状态的故障现象进行人工智能的深度学习，为运检人员提供设备全生命周期的变化监测曲线，为正确运检决策做出辅助研判，提高工作效率，提升信息化管理水平。提升信息化管理水平。提升信息化管理水平。

【技术实现步骤摘要】
基于声纹识别的电厂设备运行状态研究与应用


[0001]本专利技术涉及电力设备声纹识别系统
，具体涉及基于声纹识别的电厂设备运行状态研究与应用。

技术介绍

[0002]电厂主设备在运行全寿命周期内，需要开展必要的检修工作以使设备保持、恢复或改善其运行状态。随着电力行业的发展和进步，设备的检修方式历经变化。目前实施的状态检修仍以周期性停电例行试验为基础，虽然停电例行试验次数已显著减少，但仍存在供电可靠性和设备可用系数受限、试验数据时效性不强、试验缺陷检出率低以及设备陪试率高等问题。
[0003]近年来，随着电厂设备不停电检测技术(带电检测、在线监测)的不断完善，部分以前必须通过例行停电试验获取的设备关键状态量，现在可以通过不停电手段获取，大幅度减少停电时间。同时可以提高关键状态量获取的及时性，有利于提前发现设备隐患。考虑到供电可靠性及检修、试验人员的作业安全以及检修成本和运检人员的承载力，基于不停电检测的状态检修将更适应未来智能运检工作的需要。
[0004]通过不停电检测工作的开展，发现了大量设备潜伏性缺陷，现有检测方法及检测维度对变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷不能及时作响应，它们的检测和诊断方法也越来越受到公司各单位的重视；而与此同时，声音、振动作为机械信息的直接载体，其特征量的状态识别技术在军工领域、桥梁监测、爆破实施、航空航天、铁路监测等领域都有广泛应用，而该技术的成熟和推广为上述电厂主设备的状态评价与机械缺陷的诊断提供了有效的技术手段。
[0005]大量事件表明，变压器在运行过程中由于受到电磁力、机械应力的作用，铁芯、绕组、操纵机构等会发生振动并产生机械波，经过绝缘介质与腔体的传播，产生的振动声学信号包含了大量的设备状态信息。尤其是当设备发生缺陷或故障后，内部组件或结构发生机械形变，会使其声学指纹改变，可以作为诊断缺陷及故障的重要特征参量。另一方面，基于振动声学信号的声纹检测法与许多传统检测方法相比，可以实现在设备外部对其运行状态进行不停电检测，与电气设备没有任何电气连接，不影响系统的正常运行；在安全的监测设备状态的同时，又能解决红外、紫外等远距离成像手段检测特征有限与检测纵深不足的问题。因此，有足够的理论和实践依据表明，声纹不停电检测在电厂主设备状态检修领域中具有良好的应用前景。
[0006]而人工智能技术的发展又给基于声纹检测的电厂主设备智能诊断提供了前所未有的机遇。基于深度学习的信号识别模式相比传统的信息处理模式拥有更多层的非线性变换，更适合解决电力设备中复杂的非线性问题；在表达和建模能力上更加强大，能灵活高效的处理海量复杂声纹信息的同时，提供更加准确和智能的判断结果。

技术实现思路

[0007]本专利技术目的是提供基于声纹识别的电厂设备运行状态研究与应用，解决了电力设备存在潜伏性缺陷、现有检测方法会对变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷、从而不利于装置的正常使用的技术问题，是通过如下方案实现的。
[0008]为了实现以上目的，本专利技术采用的技术方案为：基于声纹识别的电厂设备运行状态研究与应用，包括终端层、边缘层以及云平台层，其中；
[0009]终端层：部署声纹采集装置,实现变压器运行声纹的高精度采集；
[0010]边缘层：将主变压器声纹指纹大数据中心的算法模型下沉到变电站，并通过接口实时调用声纹采集装置采集的音频信息，进行声纹初步诊断，同时边缘智能服务提供公共的接口，向边缘物联代理平台等其他业务系统实时提供诊断信息，也可将初步诊断信息实时传输至声纹数据中心；
[0011]云平台层：开展算法的训练迭代和标准样本库的建设，同时提供声纹识别算法的应用能力，同时提供变压器状态信息等可视化界面。
[0012]进一步的，所述采集装置包括与电力设备相连接的传感器，所述传感器输出端通过采集器连接有网关，所述采集器将传感器的音频信号信号实时传递给网关，所述网关用于筛选故障音频并上报至云引擎，所述网关输出端通过服务系统连接有甲方系统。
[0013]进一步的，所述服务系统包括声纹引擎、中间服务、后台管理系统、异常队列服务和HTTP接口服务。
[0014]进一步的，所述网关接收到的音频文件进行音频切片，将收集好的音频切片进行暂存队列排放，然后让暂存队列排放的音频切片传输至引擎断言中判断是否有故障，有故障时上报至分析引擎，无故障时重新输入到音频文件中等待音频切片。
[0015]进一步的，所述分析引擎将接收到的网关信息和音频文件进行数据记录，并分别传输到查询服务和与甲方系统相连接的消息队列中。
[0016]进一步的，所述声纹算法模型包括如下步骤：
[0017](1)、将变压站产生的噪声信号进行预处理，在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，考虑重叠的信号分帧关系可表示为：
[0018]M＝n
‑
Lb/[L(1
‑
b)][0019]其中M为帧数；n为噪声信号长度；L为帧长；b为重叠率；
[0020](2)、预处理后信号需进行离散傅里叶变换，对每个分帧信号先施加汉明窗再变换，以增加信号两端连续性，从而减小傅里叶变换造成的失真现象；
[0021](3)、提取MFCC特征向量，基于Mel频率域的倒谱系数，根据分帧信号分别求取一特征向量，组成特征向量组，其中，Mel频率是根据人听觉感知特性变换的频率域：B(h)＝2595lg(1h/700)；
[0022](4)、通过分帧信号对应的特征向量，从而得到信号滤波后得到的相应参数：
[0023][0024]其中，p为滤波器个数，m
i
为信号经滤波后可得到p个参数，N为FFT 点数；X(k)为预处理后分帧信号的FFT；Hi(k)为滤波器参数；
[0025][0026]B(f[i
‑
1])
‑
B(f[i])＝B(f[i])
‑
B(f[i
‑
1])
[0027]其中，f[i]为三角滤波器中心频率；
[0028](5)、计算得到mi后，对其取对数，并进行离散余弦变换，计算得到的 c(i)即为分帧信号的MFCC特征向量；
[0029](6)、在分析变压器的噪声信号时，PCA算法对计算得到的高维MFCC特征向量，进行降维精简，PCA算法如下：
[0030]1)设有e个特征向量组成矩阵G，每个特征
[0031]向量的维数为h，则G可以表示
[20]为
[0032][0033]2)计算G的相关矩阵R，为
[0034]R＝G
T
G/(e
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0035]据此计算出相关矩阵R的特征值λ1，λ2，...λ
h
[0036]和对应的特征向量u1，u2，...，u
h
。
[0037]3)计算方差贡献率η
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于声纹识别的电厂设备运行状态研究与应用，其特征在于，包括终端层、边缘层以及云平台层，其中，终端层：部署声纹采集装置，实现变压器运行声纹的高精度采集；边缘层：将主变压器声纹指纹大数据中心的算法模型下沉到变电站，并通过接口实时调用声纹采集装置采集的音频信息，进行声纹初步诊断，同时边缘智能服务提供公共的接口，向边缘物联代理平台等其他业务系统实时提供诊断信息，也可将初步诊断信息实时传输至声纹数据中心；云平台层：开展算法的训练迭代和标准样本库的建设，同时提供声纹识别算法的应用能力，同时提供变压器状态信息等可视化界面。2.根据权利要求1所述的基于声纹识别的电厂设备运行状态研究与应用，其特征在于，所述采集装置包括与电力设备相连接的传感器，所述传感器输出端通过采集器连接有网关，所述采集器将传感器的音频信号信号实时传递给网关，所述网关用于筛选故障音频并上报至云引擎，所述网关输出端通过服务系统连接有甲方系统。3.根据权利要求2所述的基于声纹识别的电厂设备运行状态研究与应用，其特征在于，所述服务系统包括声纹引擎、中间服务、后台管理系统、异常队列服务和HTTP接口服务。4.根据权利要求3所述的基于声纹识别的电厂设备运行状态研究与应用，其特征在于，所述网关接收到的音频文件进行音频切片，将收集好的音频切片进行暂存队列排放，然后让暂存队列排放的音频切片传输至引擎断言中判断是否有故障，有故障时上报至分析引擎，无故障时重新输入到音频文件中等待音频切片。5.根据权利要求4所述的基于声纹识别的电厂设备运行状态研究与应用，其特征在于，所述分析引擎将接收到的网关信息和音频文件进行数据记录，并分别传输到查询服务和与甲方系统相连接的消息队列中。6.根据权利要求1所述的基于声纹识别的电厂设备运行状态研究与应用，其特征在于，所述声纹算法模型包括如下步骤：(1)、将变压站产生的噪声信号进行预处理，在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，考虑重叠的信号分帧关系可表示为：M＝n
...

【专利技术属性】
技术研发人员：肖毓增，杨胜仪，陈文清，
申请(专利权)人：福建华电福瑞能源发展有限公司池潭水力发电厂，
类型：发明
国别省市：