[发明专利]一种基于DNN算法的电力设备音频信号分析方法

说明书

本发明公开了一种基于DNN算法的电力设备音频信号分析方法。该方法为：电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理；采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息；采用误差反向传播方法训练深度神经网络声学模型；电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机。本发明丰富了电力巡检机器人的故障检测功能，能够对无人值守的变电站电力设备故障进行实时检测，同时提高了电力设备故障监测的速度、可靠性和准确性。

技术领域

本发明涉及电力设备音频信号分析领域，特别是一种基于DNN算法的电力设备音频信号分析方法。

背景技术

随着社会的进步，各行各业的发展都离不开电力系统的安全运行，因此电力工业在生产生活中的地位至关重要。电力巡检机器人可以对电力设备进行自主巡检，并且通过智能技术对电力设备运行状态进行分析识别，从而保证电力设备的可靠安全运行，因此，电力巡检机器人逐渐替代了人工巡检，其市场应用前景十分广泛。

电力设备结构复杂，容易在运行时出现故障，因此需要对电力设备进行故障监测，从而维护电力设备的安全运行。传统的电力设备故障检测方式有专业工作人员经验检测以及停止运行试验检测等，但是这些方式人力成本大、效率低，易影响电力系统的正常运行。电力设备在出现超负荷运行、电路故障、机械故障等情况时，在其不同位置测取的音频信号包含了丰富的信息。专业的电力设备检测人员也会根据现场的异常运行声音判断设备的运行状况，但是现场采集的音频信号具有较强的背景噪声以及其他干扰信号，从而影响音频信号的特征提取。

发明内容

本发明的目的在于提供一种基于DNN算法的电力设备音频信号分析方法，从而提高电力设备故障监测的快速性、可靠性、准确性。

实现本发明目的的技术解决方案为：一种基于DNN算法的电力设备音频信号分析方法，包括以下步骤：

步骤1、电力巡检机器人通过安装的数字拾音器采集电力设备正常与故障运行时的音频信号数据，进行音频信号数据预处理；

步骤2、采用MFCC特征参数从已预处理过的音频信号数据中提取特征信息；

步骤3、基于提取的特征信息，采用误差反向传播方法训练深度神经网络声学模型；

步骤4、电力巡检机器人通过数字拾音器采集现场电力设备运行时的音频信号数据，经过预处理、特征参数提取后，将特征信息输入深度神经网络声学模型进行音频信号数据识别，并将识别结果传输至变电站监控主机。

作为一种具体示例，步骤1中所述的音频信号数据预处理，具体步骤为：

步骤1-1、音频信号数据的预加重：将音频信号数据通过一阶FIR高通数字滤波器进行处理，提升音频信号的高频成分，抑制随机噪声与直流漂移；

步骤1-2、音频信号数据的降噪处理：使用LMS自适应算法进行降噪，首先将实际输出信号与期望信号相对比，从而产生一个误差信号，然后根据误差信号调整权值向量；

步骤1-3、音频信号数据的分帧与加窗：帧长选取为10～30ms，帧移选择为帧长的1/3～1/2，选用汉明窗作为窗函数；

步骤1-4、音频信号数据的双门限端点检测：通过基于短时能量和过零率的双门限端点检测来检测音频信号有声部分，当同时出现连续设定帧的短时能量与过零率都大于设定阈值时，则判定音频信号有声部分的开始；当连续设定帧的短时能量与过零率小于设定阈值，则判定音频信号有声部分的结束；

步骤1-5、音频信号数据的快速傅立叶变换：将音频信号使用快速傅立叶变换从时域转换到频域，得到线性频谱X(k)，从而进行特征提取。