[发明专利]电力设备故障声音智能诊断方法、系统、终端及介质

权利要求书

1.一种电力设备故障声音智能诊断方法，其特征在于，包括：

建立电力设备故障音频样本数据库，并划分训练集与测试集；

分别对所述训练集和测试集的音频样本进行预处理操作；

从预处理后的每一帧音频信号中提取n维梅尔倒谱系数作为一帧的特征向量；

以相邻m帧音频信号作为一组样本，利用注意力机制优化该组样本的特征向量，形成优化后的特征向量，具体包括以下步骤：

步骤4.1，输入信号，用X＝{x₁,x₂,...,x_n}表示n个输入信号；

步骤4.2，注意力分布计算，为了方便理解，假设key_i＝value_i＝x_i，则注意力分布为：

α_i＝softmax(s(key_i,q))＝softmax(s(x_i,q)) (8)

式中α_i——第i个输入信息的权值；

softmax——把输入映射到0-1之间，并且归一化保证和为1；

s(key_i,q)——注意力打分机制，本文选用点积模型，即

步骤4.3，信息加权平均，得到注意力向量：

式中α_i——第i个输入信息的权值；

将优化后的特征向量输入到音频识别模型中进行判决，完成对音频识别模型的训练及测试；

将待识别音频输入至所述音频识别模型，识别输出相应类型的电力设备故障声音。

2.根据权利要求1所述的电力设备故障声音智能诊断方法，其特征在于，所述建立电力设备故障音频样本数据库，并划分训练集与测试集，包括：

收集常见电力设备不同工况及缺陷下的音频，并对音频进行类型标注，形成完备的电力设备故障音频样本数据库；

对于每种类型的音频样本，按比例随机抽取其中一部分作为训练集，用以训练模型，其余部分作为测试集，用以验证模型的有效性；

所述训练集和测试集中的所有音频样本及其对应标签均随机排列。

3.根据权利要求1所述的电力设备故障声音智能诊断方法，其特征在于，所述预处理操作，包括：预加重、去静音、分帧及加窗处理。

4.根据权利要求3所述的电力设备故障声音智能诊断方法，其特征在于，还包括如下任意一项或任意多项：

-所述预加重系数为0.97；

-所述去静音阈值为40％的平均能量；

-所述分帧包括：将音频样本切分成25ms的片段，帧位移为10ms；

-所述加窗包括：利用汉明窗对每一帧音频信号进行加窗处理。

5.根据权利要求1所述的电力设备故障声音智能诊断方法，其特征在于，所述n为维梅尔倒谱系数n取值为13-20；

所述m取值为10-50。

6.根据权利要求1所述的电力设备故障声音智能诊断方法，其特征在于，所述音频识别模型的构建方法，包括：

采用深度神经网络，在深度神经网络的每一层全连接层后均设置Dropout层，构建得到音频识别模型。

7.根据权利要求1所述的电力设备故障声音智能诊断方法，其特征在于，所述对音频识别模型的训练，包括如下任意一项或任意多项：

-以基于MFCC和注意力机制形成的优化后的特征向量作为音频识别模型的输入，通过前向传播以及误差反向传播不断更新参数使深度神经网络进行学习，最终泛化出能够对电力设备不同运行状态及缺陷下的音频识别分类的权重模型；

-网络训练的激活函数采用tanh函数。