单兵装备与云端平台联动方法、装置和计算机设备与流程

本技术涉及配电站，特别是涉及一种单兵装备与云端平台联动方法、装置和计算机设备。

背景技术：

1、随着配电运维的发展和智能化技术趋于成熟，越来越多的技术运用到配电站的运维中。配电站场景运维过程需要频繁的进行设备检查，故障排除和数据监测。为了保障电网的稳定运行和安全性，配电站的运维工作变得愈发重要。

2、现如今，智能技术在不断的发展与进步，已经将智能技术应用在配电站的运维中，提高了运维效率和安全性。除此之外，云计算和物联网技术的兴起为配电站的智能化运维提供了支持。通过将配电站的设备和数据连接至云端平台，可以实现远程监测、数据分析和智能控制，为运维决策提供更多的依据。并且语音识别作为人工智能的一个重要的组成部分逐渐成熟并应用在各个领域。这种技术可以将人类的语音指令转化为可操作的数据，为操作人员提供了一种更加自然，高效的交互方式。

3、然而，在语义识别技术中在运用的过程中，由于运维环境中存在的环境噪声以及运维人员口音和语速变化的情况均会影响对语音指令的识别，进而无法有效使得单兵装置与云端平台联动结合。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高在配电站嘈杂环境中对语音的识别准确率的单兵装备与云端平台联动方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种单兵装备与云端平台联动方法，包括：

3、根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型；

4、获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息；

5、对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令；

6、将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息。

7、在其中一个实施例中，根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型，包括：

8、根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得待训练语音识别模型；

9、基于待训练语音识别模型对当前训练语音信号进行特征提取，获得当前语音特征；

10、对当前语音特征进行时序卷积神经网络卷积处理，获得当前语音特征间绝对位置关系；

11、基于语音初始模型对上一训练语音信号对应的上一文本信息进行特征提取，获得上一文本特征；

12、对上一文本特征进行时序卷积神经网络卷积处理，获得上一文本特征间绝对位置关系；

13、根据当前语音特征间绝对位置关系和上一文本特征间绝对位置关系对待训练语音识别模型进行更新，获得更新后语音识别模型；

14、直至完成训练，获得目标语音识别模型。

15、在其中一个实施例中，获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息，包括：

16、获取语音联动信号；

17、基于目标语音识别模型对语音联动信号进行识别分析，获得语音文本信息；

18、根据预设语音加密算法对联动文本信息进行加密，获得处理后语音文本信息，以及将处理后语音文本信息传输至管理云端平台。

19、在其中一个实施例中，对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令，包括：

20、在接收处理后语音文本信息后，根据预设语音加密算法对处理后语音文本信息进行解密，获得解密后语音文本信息；

21、根据预设单兵装置信息对解密后语音文本信息进行解析，获得各单兵装置对应的待操作文本信息；

22、基于各单兵装置对应的待操作文本信息生成各单兵装置对应的设备调节指令。

23、在其中一个实施例中，在获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息之前，方法还包括：

24、获取各单兵装置的上一监测反馈信息；其中，上一监测反馈信息包括上一装置运行信息；

25、将上一装置运行信息与装置运行阈值进行比较，获得状态判断结果；

26、当状态判断结果为设备运行状态异常，生成告警信息，以及将告警信息传输至操作人员的单兵装置。

27、在其中一个实施例中，在将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息之前，方法还包括：

28、根据监测反馈信息中设备监测信息和预设监测阈值进行比较，获得监测比较结果；

29、根据监测比较结果对配电站场景区域进行区域划分，获得危险告警位置信息；

30、根据危险告警位置信息和操作人员位置信息，获得危险告警结果；

31、当危险告警结果为操作人员处于危险告警位置内，生成告警信息，以及将告警信息传输至操作人员的单兵装置。

32、第二方面，本技术还提供了一种单兵装备与云端平台联动装置，包括：

33、模型构建模块，用于根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型；

34、语音识别模块，用于根据预构建语音识别模型对获取的语音联动信号进行识别处理，获得处理后语音文本信息；

35、指令生成模块，用于对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令；

36、通信传输模块，用于将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息。

37、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

38、根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型；

39、获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息；

40、对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令；

41、将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息。

42、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

43、根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型；

44、获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息；

45、对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令；

46、将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息。

47、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

48、根据时序卷积神经网络和基于自注意力机制的神经网络进行模型构建，获得目标语音识别模型；

49、获取语音联动信号，根据目标语音识别模型对语音联动信号进行识别处理，获得处理后语音文本信息；

50、对处理后语音文本信息进行解析，获得各单兵装置对应的设备调节指令；

51、将设备调节指令下发至各单兵装置，以及获取各单兵装置的监测反馈信息。

52、上述单兵装备与云端平台联动方法、装置、计算机设备、存储介质和计算机程序产品，将时序卷积神经网络引入到基于自注意力机制的神经网络中，构建语音识别模型，通过语音识别模型对采集的语音联动信号识别转化，得到相应的文本信息，基于文本信息生成设备调节指令并将其发送至各单兵设备，然后再获取各单兵设备基于设备调节指令完成调节之后的监测反馈信息，通过利用时序卷积神经网络对语音特征隐含的位置信息进行学习并维护后续层之间的位置信息流动，减少了环境对语音识别的影响，进而提高对嘈杂环境中语音的识别准确率。