一种基于数据增强的电力设备故障声音识别方法与流程

[0001]
本发明涉及信号处理和深度学习技术领域，具体涉及一种基于数据增强的电力设备故障声音识别方法。


背景技术：

[0002]
电力设备在电力系统的发、输、配电等各个生产环节都起着重要的作用，电力系统中的任何一个关键电力设备出现故障都将会引起运行失稳甚至生产中断，造成巨大的经济损失、带来灾难性的后果，威胁人民的生活和人身安全。因此开发实用的电力设备故障检测系统就显得尤为重要，其意义在于，打破了预防性维修的局限性，提高风险分析能力，检测系统的用户可以随时看到设备的检测参数信息和由参数处理分析得到的故障结果和预警报告。维护人员能够及时得到设备故障预警信息来及时查看问题并解决，加强了电力设备的可靠性，大大降低了关键设备的非计划停机时间。
[0003]
除了传统广泛用于检测的信号外，随着声音采集和处理技术能力的提高，声音用于电力设备检测的概念亦被部分学者提出。声音是一种电力设备机械波由振动向传声介质辐射能量，声信号蕴含着大量的振动信息，是分析设备运行状态的一项重要指标。设备在正常运行时，机身与固件、零件之间、零件本身的相互运动的不同状态对应设备发出的声音也不同，运行状态发生变化时电力设备产生的声音也随之改变。目前电力设备故障音频数据海量增长，但是有准确标签的音频样本非常少，需要在有限的有标签的样本上构建更加多样性的样本数据库，来提升分类器的泛化能力。为了克服有标签的电力设备故障声音样本数量不足的问题，需要采用数据增强的方法，丰富训练样本的多样性，从而提升模型的泛化能力。在对电力设备故障声音识别时，本方法可以取得更好的识别效果。


技术实现要素：

[0004]
本发明针对现有技术中存在的上述不足，提供了一种基于数据增强的电力设备故障声音识别方法。
[0005]
本发明是通过以下技术方案实现的。
[0006]
一种基于数据增强的电力设备故障声音识别方法，包括：
[0007]
利用声音传感器采集常见电力设备故障音频样本并进行标注，然后按照比例划分训练集与测试集；
[0008]
分别对训练集和测试集音频样本进行分帧、加窗的预处理操作；
[0009]
从预处理后的音频样本中提取特征向量；
[0010]
对提取出的特征向量进行数据增强，构造新的特征向量；
[0011]
将增强后的特征向量集合输入到resnet网络中进行判决，识别出不同电力设备的故障声音。
[0012]
进一步地，所述利用声音传感器采集常见电力设备故障音频样本，并进行标注，然后按照比例划分训练集与测试集，包括：
[0013]
利用声音传感器采集常见电力设备故障音频样本：在电力设备不同故障工况下，记录相应故障工况的音频样本，采样率为44100hz，频率范围为20-20000hz。
[0014]
按照比例划分训练集与测试集：将标注好的音频样本按照4：1的比例随机分为训练集和测试集。
[0015]
进一步地，所述分别对训练集和测试集音频样本进行分帧、加窗的预处理操作，包括：
[0016]
分帧：将音频样本切分成25ms的片段，帧位移为10ms。
[0017]
加窗：利用汉明窗对每一帧音频信号实现加窗处理。
[0018]
进一步地，所述从预处理后的音频样本中提取特征向量，包括：
[0019]
从预处理后的每一帧音频信号中提取20维梅尔倒谱系数作为一帧的特征向量，对相邻10帧信号的20维梅尔倒谱系数取平均值构成一个新的特征向量。
[0020]
进一步地，所述对提取出的特征向量进行数据增强，构造新的特征向量，包括：
[0021]
利用mix up技术对提取出的特征向量进行数据增强，构造新的特征向量。
[0022]
进一步地，所述将增强后的特征向量集合输入到resnet网络中进行判决，识别出不同电力设备的故障声音，包括：
[0023]
搭建resnet网络架构，网络训练的激活函数采用tanh函数，网络的训练过程就是通过反向传播和梯度下降相结合是损失函数取得最小值。训练并调试网络结构参数至最优后，对测试集样本重复预处理和特征提取步骤，并将特征向量输入resnet网络，得到每一故障声音的对应的概率，取概率最高的那类故障作为该音频样本的识别结果。
[0024]
由于采用了上述技术方案，本发明具有如下至少一项有益效果：
[0025]
本发明将resnet网路应用于电力设备故障声音识别，能够有效地建立基于声学的电力设备故障诊断模型，相比于传统的支持向量机、随机森林等浅层分类器具有更好的识别效果。
[0026]
本发明对可用的有限的故障音频样本进行数据增强，丰富了样本的多样性，提高分类器的泛化能力。此外，数据增强也挖掘出了故障音频数据之间潜在的特征，是识别效果更加优异。
附图说明
[0027]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
[0028]
图1为本发明所提供的一种基于数据增强的电力设备故障声音识别方法的流程图。
具体实施方式
[0029]
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
[0030]
实施例
[0031]
一种基于数据增强的电力设备故障声音识别方法，该方法可以有效解决在实际电力设备故障声音识别系统中训练数据不足的问题，并且提升模型的泛化能力。在对电力设备故障声音识别时，本方法可以取得更好的识别效果。
[0032]
如图1所示，该方法包括如下步骤：
[0033]
步骤1，利用声音传感器采集常见电力设备故障音频样本并进行标注，然后按照比例划分训练集与测试集。
[0034]
在本实施例中，该步骤具体包括以下步骤：
[0035]
步骤1.1，在电力设备不同故障工况下，通过非接触式声音采集系统记录相应故障工况的音频样本，采样率为44100hz，频率范围为20-20000hz。
[0036]
步骤1.2，按照比例划分训练集与测试集：采用数字0～9对不同故障音频样本进行标注，将标注好的样本按照4∶1的比例随机分为训练集和测试集。
[0037]
步骤2，分别对训练集和测试集音频样本进行分帧、加窗的预处理操作；
[0038]
在本实施例中，该步骤具体包括以下步骤：
[0039]
步骤2.1，分帧：将多个采样点集合成一个观测单位，称为分帧。涵盖的时间为as 左右。两相邻帧之间设有一段重叠区域，此重叠区域包含了多个取样点，涵盖的时间为 bs左右。
[0040]
本实施例中，采样点为400个；涵盖的时间为0.025s；重叠区域包含了160个取样点，涵盖的时间为0.01s。
[0041]
步骤2.2，利用汉明窗对每一帧音频信号实现加窗处理。汉明窗窗函数表达为：
[0042][0043]
式中，n表示帧长，α为窗函数参数，一般取0.46；
[0044]
步骤3，从预处理后的音频样本中提取特征向量，具体包括以下步骤：
[0045]
步骤3.1，对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱，并对声音信号(声音样本)的频谱取模平方得到声音信号的功率谱。
[0046]
设声音信号x
a
(k)的dft为：
[0047][0048]
式中，k表示傅里叶变换的第k次频率，x(n)为输入的语音信号，n表示傅里叶变换的点数。
[0049]
步骤3.2，将能量谱通过一组mel尺度的三角形滤波器组，三角滤波器的频率响应 h
m
(k)为：
[0050]
[0051]
式中，f(
·
)表示中心频率，m为滤波器个数。
[0052]
步骤3.3，计算每个滤波器组输出的对数能量s(m)，形式如下：
[0053][0054][0055]
步骤3.4，经离散余弦变换(dct)得到mfcc系数c(n)，形式如下：
[0056][0057]
步骤3.5，对相邻10帧信号的20维梅尔倒谱系数取平均值构成一个新的特征向量：
[0058][0059]
式中x
i
表示第i帧的20维梅尔倒谱系数特征向量，i＝1，2，...，20。
[0060]
步骤4，对提取出的特征向量进行数据增强，构造新的特征向量，具体包括以下步骤：
[0061]
利用mix up技术对提取出的特征向量进行数据增强，构造新的特征向量：
[0062][0063]
y＝λy
i
+(1-λy
j
)
ꢀꢀꢀꢀ
(7)
[0064]
式中(x
i
，y
i
)和(x
j
，y
j
)是从训练数据中随机抽取的两个样本，x
i
和x
j
表示样本的特征向量， y
i
和y
j
是样本对应的标签。表示生成的新训练样本，表示新样本的特征向量，y表示相应的新标签；且λ∈[0.1]。
[0065]
步骤5，将增强后的特征向量集合输入到resnet网络中进行判决，识别出不同电力设备的故障声音，具体包括以下步骤：
[0066]
步骤5.1，搭建resnet网络架构，网络训练的激活函数采用relu函数：
[0067][0068]
网络的训练过程就是通过反向传播和梯度下降相结合是损失函数取得最小值。具体的训练方法参考文献：he k，zhang x，ren s，et al.deep residual learning for imagerecognition[j].2015。
[0069]
步骤5.2，训练并调试网络结构参数至最优后，对测试集样本重复预处理和特征提取步骤，并将特征向量输入网络，得到每一故障声音的对应的概率，取概率最高的那类故障作为该音频样本的识别结果，从而判断此设备是否有故障并给出故障的类别。
[0070]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。