一种基于声音识别的事故配压阀多模态工况异常监测方法与流程

本发明属于水电站故障诊断，特别是涉及一种基于声音识别的事故配压阀多模态工况异常监测方法。

背景技术：

1、事故配压阀工作原理是：当调速器失去控制（如导叶反馈断线），或由于其他原因使机组自动判断或人为给出事故停机令后，监控会立即出跳开发电机出口开关和励磁开关令而甩负荷，同时给信号予事故配压阀（也可手动操作），此阀动作后，接力器的开启腔与回油箱接通，同时接力器的关闭腔与压力油直接接通。如此，导水机构便在重锤的作用下将导叶关闭（不需要通过调速器)。由此可见，事故配压阀与重锤结合使用，相当于立式机组中的紧急关闭阀（快速阀门）。

2、事故配压法常见故障包括阀内外部泄露，阀芯卡滞、操作机构故障、事故配压阀拒动、频繁抽动等。在大型水电站设置事故配压阀其主要原因是：考虑当调速器不能正常工作而失去控制时，需要通过一个装置来绕过调速器（不通过调速器）将机组的导叶关闭，使其停机，以确保机组和电厂的安全。这个装置就是事故配压阀，它与导水机构的重锤结合使用可快速关闭导叶，将机组停下。一旦事故配压法发生故障，轻则阀体内部泄露、阀芯卡顿，机组有无法停机风险；重则会出现事故配压阀拒动，导致机组无法停机失控等重大事故。

3、现有技术的异常监测手段往往直接检测故障，例如外观质量检验：首先对事故配压阀进行外观检查，查看是否有明显的损伤、腐蚀、裂纹或者其他异常情况。同时检查阀门的标识是否清晰，以确保它是正确型号和规格；手动操作检查：尝试手动操作配压阀，检查其是否能够顺畅地开启和关闭。操作时应注意是否有异常声音或者阻力增大的现象；密封性能检查：对配压阀进行压力测试，检查其密封性能是否符合要求。通常会在阀门关闭状态下施加一定的压力，并观察是否有泄漏发生；动作时间测试：检验配压阀的反应速度是否满足设计要求。这通常涉及模拟超速情况，观察配压阀从接收到信号到实际切断油路的时间；压力释放性能测试：检验配压阀在压力释放时的性能，确保其能够迅速且有效地降低油路中的压力；现有技术存在以下缺点：

4、现有技术均不能实现远程综合判断，设备发生故障则需要运维人员巡检或者专业部门现场实验检验。如密封性能检查、手动操作检查、动作时间测试，需人工现场试验检查，费时费力。还有部分外部故障如外观质量检验，需要运维人员主动巡视观察；因此，需要设计一种基于声音识别的事故配压阀多模态工况异常监测方法来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于声音识别的事故配压阀多模态工况异常监测方法，该方法用于解决现有技术无法进行事故配压阀远程监测，故障检测依赖人工现场核查，故障识别的效率和准确率都较低的问题，通过对各个数据参数进行深度学习以及故障判断流程逻辑设计，实现事故配压阀故障综合监测，大大提高事故配压阀设备工况异常或故障判断的识别率和准确率。

2、为实现上述技术效果，本发明所采用的技术方案是：

3、一种基于声音识别的事故配压阀多模态工况异常监测方法，包括以下步骤：

4、s1，通过综合数据采集模块采集声纹识别相关数据，综合数据采集模块包括液位传感器、骨传导拾音器、振动传感器和红外测温摄像头；声纹识别相关数据包括液位数据、音频数据、振摆模拟量数据、测温图像数据、有功功率数据以及导叶开度数据；

5、s2，通过网络传输模块，将综合数据采集模块采集的声纹识别相关数据传输至云服务器平台；

6、s3，通过声纹打分模块对音频数据进行识别并进行打分；

7、s4，通过故障综合判定模块进行故障判定。

8、优选地，步骤s1中，液位传感器设置在集油槽和压油罐处，采集集油槽和压油罐的油位数据；骨传导拾音器设置在事故配压阀外壳，采集音频数据；振动传感器设置在事故配压阀外壳，采集事故配压阀外壳的振摆模拟量数据；红外测温摄像头设置在事故配压阀一侧墙体，采集事故配压阀运行过程测温图像数据；有功功率数据以及导叶开度数据通过接入水轮机组运行管理系统中进行采集；测温图像数据包括温度数据和温度对应的图像数据。

9、进一步地，液位传感器设置2个，骨传导拾音器设置1个，振动传感器设置1个；骨传导拾音器采用zkhy-ivod-001工业诊断拾音器，频率响应为20-20khz；振动传感器采用dsp振动传感器，测量范围为0-50g。

10、优选地，步骤s2中，网络传输模块包括光电交换机和汇聚交换机组成的交换机模块；有功功率数据、油位数据、导叶开度数据和振摆模拟量数据分别通过光电交换机与汇聚交换机通讯连接，测温图像数据和音频数据通过现地控制单元提取特征值，将测温图像数据和音频数据通过光电交换机与汇聚交换机通讯连接；汇聚交换机与云服务器平台通讯连接。

11、进一步地，pc设备经过网络隔离设备后连接至云服务器平台，云服务器平台通过路由器与移动终端进行通讯；汇聚交换机还与本地服务器通讯连接进行数据存储。

12、优选地，步骤s3中，通过声纹打分模块对音频数据进行识别并进行打分包括在现地控制单元中，通过mfcc算法对音频数据进行加权降维优化：

13、首先对音频数据进行预加重，然后对预加重后的音频数据进行分帧；对分帧后的音频数据进行快速傅里叶变换，将波形数据转化到频，然后进行mel系数滤波处理；最后进行端点检测，对最终的mfcc结果进行检测，保证数据的可用性，对其中的无效数据进行处理。

14、进一步地，mel系数滤波处理中，mel标度是频率域提取出来的倒谱参数，描述了人耳频率的非线性特性，它与频率的关系为：mel(f)=2585×log(1+f/700)；mel(f)表示mel标度。

15、优选地，步骤s3中，通过声纹打分模块对音频数据进行识别并进行打分包括在现地控制单元中，对加权降维优化后的音频数据进行提取i-vector处理，具体方法为：

16、使用gmm-ubm模型得到baum-welch统计量ubm；

17、将得到的mfcc向量输入gmm-ubm中进行训练，目标的mfcc向量输入gmm-ubm模型中，在原有的ubm的基础上通过map算法自适应得到目标设备的gmm参数m；

18、通过dnn神经网络处理baum-welch 统计量，提取 i-vector：

19、判断音频样本y是否是来自设备s：

20、假设h0表示y 来自设备s，h1表示y 不来自设备s，则似然度公式为：

21、lr=p(y|h0)/p(y|h1)；

22、log（lr）=log(p(y|h0))-log(p(y|h1))；

23、式中，p表示似然函数；当lr>θ时则保留结果h1，否则保留结果h0；θ为预定的阈值。

24、优选地，步骤s3中，通过声纹打分模块对音频数据进行识别并进行打分包括在云服务器平台中，执行plda判别分析，具体方法为：

25、将声音数据作为训练音频，化分为i个设备的音频，每个设备有 j 段不同的音频，定义第i个设备的第j条音频为xij；根据因子分析，定义xij的生成模型为：

26、；

27、式中，μ表示全体训练数据的均值；f为身份空间，包含了可以用来表示各种设备的信息；hi是具体的一个设备的身份或者是设备在身份空间中的位置；g是误差空间，包含了可以用来表示同一设备不同音频变化的信息；wij表示设备在g空间中的位置；ϵij是最后的残留噪声项；该项为零均高斯分布，方差为σ；

28、计算两条音频是否由设备空间中的特征hi生成或者计算两条音频由hi生成的似然程度，得到打分值；具体公式为：

29、；

30、式中，score表示打分值；n1和n2分别是两个音频的i-vector矢量，这两条音频来自同一空间的假设为hs，来自不同的空间的假设为hd，其中p(n1,n2|hs)为两条音频来自同一空间的似然函数；p(n1|hd)，p(n2|hd)分别为n1和n2来子不同空间的似然函数；通过计算对数似然比来计算两条音频的相似程度：

31、比值、打分值以及两条音频属于同一设备的可能性三者之间成正相关；比值越高，得分越高，两条音频属于同一设备的可能性越大；比值越低，得分越低，则两条音频属于同一设备的可能性越小；

32、对打分值设定正常值区间，落在正常值区间内的打分值判定为正常，否则判定为异常。

33、进一步地，在步骤s3中，将采集的音频数据分为训练集和测试集，测试集又划分为注册集和验证集，对三个集合分别提取i-vector，训练集的数据用于训练plda判别分析模型，测试集的数据用于打分。

34、优选地，步骤s4中，通过故障综合判定模块进行故障判定的方法为：

35、s401，将骨传导拾音器采集的实时音频数据通过声纹打分模块进行打分，根据打分值进行判定，若打分值正常，则判定事故配压阀设备正常；若打分值异常，则进行故障类型判定；

36、s402，执行故障类型判定，将该打分值与数据库对比查找，判定是已知故障或是未知故障，若比对到数据库中的历史数据记录，则判定为已知故障并输出判定结果；若没有比对到数据库中的历史数据记录，则判定为未知故障，进入步骤s403执行未知故障类型判定；

37、s403，执行未知故障类型判定：

38、通过液位数据、振摆模拟量数据、有功功率数据、导叶开度数据以及测温摄像头采集的温度数据共同判断故障为内部故障或外部故障；若判断为内部故障，则直接通知专业组现场检查，确认故障；若判断为外部故障，则通过测温摄像头执行巡查，定位故障位置，并通知专业组现场检查，确认故障；

39、s404，确认故障后，将故障进行标注下发，更新进步骤s402的打分数据库中。

40、本发明的有益效果如下：

41、本发明通过多种类型采集传感器的安装，实现事故配压阀设备区域多模态在线实时监测，真正实现无人值班；本发明采用骨传导拾音器采集50hz-4khz的音频数据，能采集几乎所有事故配压阀设备区域的异常情况，同时还有压力、振动、流量、开关量等数据辅助，因此本方案能识别设备事故配压阀设备区域的所有故障，大大提高事故配压阀设备工况异常监测的准确率；通过声纹识别技术，同时通过流量、振动、压力、图像、开关量等多模态数据的综合判断分析，能大大提高事故配压阀设备工况异常监测的精确率，并节省人力资源的同时降低了故障识别所需的时间，为电力系统事故应急处理提供先机，大大提高了电力系统稳定性。