【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，涉及一种基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法。
技术介绍
1、在通信、电力等行业中，铁塔是基础设施的重要组成部分。
2、如公开号为cn116839883a的中国专利公开了一种基于声纹识别的铁塔螺丝松动诊断方法及装置，涉及故障诊断
获取目标铁塔的实时铁塔信息，根据实时铁塔信息自适应确定声波发生器产生的目标声波信号；向目标铁塔发射目标声波信号，采集目标铁塔各螺丝连接处的声纹信号；针对每一螺丝连接处的声纹信号，提取该声纹信号的mfcc特征向量，对mfcc特征向量进行加权降维优化得到目标特征向量；将目标特征向量输入预设的声学模型，获得螺丝是否松动诊断识别结果。采用自适应主动发声体制，发声内容根据塔体型号大小环境等情况自行分析适配，大大优化声纹分析效率，通过预设的声学模型高效扫描分析全塔螺栓紧固状况，判定螺栓松动情况，提升了检测精度和工作效率。
3、又如公开号为cn112786059a的中国专利公开了一种基于人工智能的声纹特征提取方法及装置。本专利技术包括如下步骤：采集语音数据和非语音数据，建立样本数据库；从样本数据库中取一音频文件，进行处理得到音频帧序列；对音频帧序列中每一帧进行傅里叶变化，得到该帧对应的频谱图信息；将时域信息和频域信息进行提取，得到时域特征和频域特征；将时域特征和频域特征进行特征聚合，得到聚合后的特征；对聚合后的特征进行向量嵌入，得到声纹特征向量；将声纹特征向量输入至卷积神经网络模型进行训练，得到声纹特征模型；获取待识别语音数据进行预处理；
4、再如公开号为cn111076960b的中国专利公开了一种基于人工智能算法的声纹质量检测方法，包括pc机内的声纹储存模块、标记模块；实现方法包括如下步骤，第一步：先将空调已知故障的声纹特征经标记模块进行数据标注，并将这些数据按照一定比例分为训练集和测试集；第二步：针对空调声纹的特征设计适合的人工智能深度学习类型；第三步：用标注过的声纹数据对模型进行训练；第四步：用测试集对实证模型进行测试其是否正确；第五步：将待检测声纹输入模型中，模型给出检测声纹的数据；第六步：对实证模型进行持续优化。本专利技术在干扰、多变的情况下，仍旧精确找到空调等各种质量问题，涵盖了空调主要四大类故障问题判别，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。
5、为了确保铁塔的正常运行和使用安全，需要定期对其进行检查和维护，其中一项关键的任务就是检查铁塔螺栓是否松动。
6、传统的检测方法主要依赖人工巡查，但这种方式效率低下且存在安全风险。此外，由于大量的铁塔分布在偏远地区，人工检查的难度更大，且上述现有技术相对常规，就是简单的声纹特征提取然后进行特征识别，其中一件的专利技术点主要是应用在了“铁塔螺丝松动诊断”这一较为特殊的场景下，但铁塔螺栓的松动却关联了很多条件，如松动位置的定位和维护就无法实现。
7、因此，如何利用现代化的技术手段，实现铁塔螺栓松动位置的快速、准确和自动化定位，是当前亟待解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法。
2、第一方面，本专利技术实施例提供一种基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法，包括：
3、获取基于预设传感器采集的针对铁塔螺栓的当前反馈声纹数据；
4、调用预先训练的铁塔螺栓松动位置定位模型对所述当前反馈声纹数据进行处理，得到当前铁塔螺栓松动位置；
5、确定出当前铁塔螺栓松动位置对应的目标铁塔螺栓；
6、获取所述目标铁塔螺栓在整体监测周期的反馈声纹数据，计算得到所述目标铁塔螺栓所处铁塔结构的结构损坏风险系数；
7、基于所述结构损坏风险系数，确定出针对所述目标铁塔螺栓的维护策略。
8、第二方面，本专利技术实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面所述的方法。
9、相比现有技术，本专利技术提供的有益效果包括：采用本专利技术公开的基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法，包括：首先，通过预设的传感器获取铁塔螺栓的当前反馈声纹数据。然后，调用预先训练好的深度学习模型对声纹数据进行处理，得到当前铁塔螺栓的松动位置。接着，确定出当前松动位置对应的目标铁塔螺栓，并获取该目标螺栓在整体监测周期的反馈声纹数据，从而计算出该目标螺栓所处铁塔结构的结构损坏风险系数。最后，基于该结构损坏风险系数，确定出对目标铁塔螺栓的维护策略。如此设计，充分利用了深度学习技术的自动化和精确性，能够实现铁塔螺栓松动位置的快速、准确定位，提高了铁塔维护的效率和安全性。
本文档来自技高网...【技术保护点】
1.基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述铁塔螺栓松动位置定位模型是通过以下方式获取的，包括：
3.根据权利要求2所述的方法，其特征在于，所述异常声纹实例集中还包括所述第一异常声纹实例对应的目标变量，所述目标变量用于指示所述第一异常声纹实例中的所述样本铁塔螺栓松动位置的真值，所述铁塔螺栓松动位置定位模型包括第一中间网络结构和第二中间网络结构；所述将所述第一异常声纹实例加载至铁塔螺栓松动位置定位模型中执行训练流程，得到已学习的第一代价参量，包括：
4.根据权利要求2所述的方法，其特征在于，所述铁塔螺栓松动位置定位模型包括第一中间网络结构和第二中间网络结构；所述将所述第二异常声纹实例加载至所述铁塔螺栓松动位置定位模型中，通过所述铁塔螺栓松动位置定位模型对所述第二异常声纹实例中的所述样本铁塔螺栓松动位置进行推断，得到第一推断结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述得到已学习的第二代价参量，包括：
6.根据权利要求1所述的方法，其
7.根据权利要求6所述的方法，其特征在于，所述获取所述目标铁塔螺栓在整体监测周期的反馈声纹数据，包括：
8.根据权利要求6所述的方法，其特征在于，所述目标声纹采集时间节点包括位于首位的声纹采集时间节点以及位于末位的声纹采集时间节点，所述基于所述第一声纹特征参数对所述监测时段的目标声纹采集时间节点进行数据转换，得到所述监测时段的部分声纹趋势数据，包括：
9.根据权利要求6所述的方法，其特征在于，在对所述目标铁塔螺栓的整体声纹趋势数据进行置信度数据转换，得到所述目标铁塔螺栓的结构损坏风险系数之前，所述方法还包括：
10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。
...【技术特征摘要】
1.基于深度学习和声纹的铁塔螺栓松动位置定位及维护方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述铁塔螺栓松动位置定位模型是通过以下方式获取的，包括：
3.根据权利要求2所述的方法，其特征在于，所述异常声纹实例集中还包括所述第一异常声纹实例对应的目标变量，所述目标变量用于指示所述第一异常声纹实例中的所述样本铁塔螺栓松动位置的真值，所述铁塔螺栓松动位置定位模型包括第一中间网络结构和第二中间网络结构；所述将所述第一异常声纹实例加载至铁塔螺栓松动位置定位模型中执行训练流程，得到已学习的第一代价参量，包括：
4.根据权利要求2所述的方法，其特征在于，所述铁塔螺栓松动位置定位模型包括第一中间网络结构和第二中间网络结构；所述将所述第二异常声纹实例加载至所述铁塔螺栓松动位置定位模型中，通过所述铁塔螺栓松动位置定位模型对所述第二异常声纹实例中的所述样本铁塔螺栓松动位置进行推断，得到第一推断结果，包括：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：胡骏，李捷，毛艳芳，徐天朗，蒋嘉豪，乔聪锐，卜振兴，徐鹏鹏，袁亮，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。