本發(fā)明一種基于融合特征和殘差神經(jīng)網(wǎng)絡(luò)的高壓斷路器機(jī)械故障聲紋識別方法涉及的是利用人工智能技術(shù)對電力設(shè)備在線監(jiān)測與故障診斷的方法。

背景技術(shù)：

1、高壓斷路器作為電網(wǎng)重要設(shè)備，在運(yùn)行過程中由于受到電磁力、機(jī)械應(yīng)力的作用，其操縱機(jī)構(gòu)會(huì)發(fā)生振動(dòng)并產(chǎn)生聲紋信號，聲紋信號包含了大量的設(shè)備狀態(tài)信息。尤其是當(dāng)設(shè)備發(fā)生缺陷或故障后，內(nèi)部組件或結(jié)構(gòu)發(fā)生機(jī)械形變，會(huì)使其聲紋改變，具有辨識特征。準(zhǔn)確識別聲紋信息，有助于運(yùn)維人員診斷設(shè)備缺陷，鎖定故障原因。因此可以作為診斷缺陷及故障的重要特征參量?；诼暭y檢測法與許多傳統(tǒng)檢測方法相比，可以實(shí)現(xiàn)在設(shè)備外部對其運(yùn)行狀態(tài)進(jìn)行不停電檢測，與電氣設(shè)備沒有任何電氣連接，不影響系統(tǒng)的正常運(yùn)行；在安全監(jiān)測設(shè)備狀態(tài)的同時(shí)，又能解決紅外、紫外遠(yuǎn)距離成像手段檢測特征有限與檢測縱深不足的問題。因此，理論和實(shí)踐表明，聲紋不停電檢測在電網(wǎng)主設(shè)備狀態(tài)檢修領(lǐng)域中具有良好的應(yīng)用前景，但目前利用聲紋檢測在該領(lǐng)域尚未得到廣泛的應(yīng)用。

2、傳統(tǒng)的基于聲紋識別技術(shù)故障診斷方法，在特征提取階段，大多采用基于梅爾濾波器組的梅爾頻譜特征(mel?spectrogram)或者梅爾倒譜系數(shù)特征(mfcc)和基于線性頻率尺度上均勻分布的濾波器的濾波器組特征(fbank)特征。而經(jīng)過傅里葉變化(fft)，發(fā)現(xiàn)10kv高壓斷路器機(jī)械故障聲紋特征主要集中于低頻。因此選擇能夠更精細(xì)地捕捉低頻信息的基于梅爾濾波器組梅爾頻譜特征(mel?sp?ectrogram)或者梅爾倒譜系數(shù)特征(mfcc)而前者提取的特征維度較大，導(dǎo)致識別時(shí)間過慢，無法滿足10kv高壓斷路器故障識別快速性的要求。后者通過dct將信號在頻率維度上進(jìn)行壓縮，得到緊湊的特征表示。但進(jìn)行離散余弦變換(dct)操作可能會(huì)引入信息損失。這可能導(dǎo)致一些動(dòng)態(tài)和時(shí)序信息的丟失，造成10kv高壓斷路器運(yùn)行狀態(tài)的識別準(zhǔn)確率沒有以梅爾頻譜特征(mel?spectrogram)作為診斷依據(jù)高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)中的不足，提出了一種基于融合特征和殘差神經(jīng)網(wǎng)絡(luò)的高壓斷路器機(jī)械故障聲紋識別方法。首先選用能夠更精細(xì)地捕捉低頻信息的梅爾倒譜系數(shù)特征(mfcc)。而采用梅爾倒譜系數(shù)特征(mfcc)又會(huì)導(dǎo)致信息丟失，導(dǎo)致識別率下降。因此提取同樣在頻域中表現(xiàn)良好且對于一些環(huán)境噪聲的干擾能力的色度特征(chroma?features)進(jìn)行拼接構(gòu)成初步的融合特征。但是進(jìn)行簡單的拼接將導(dǎo)致維度上升，為此通過fisher比計(jì)算各個(gè)維度的貢獻(xiàn)度，刪除貢獻(xiàn)度低的維度。對數(shù)據(jù)進(jìn)行降維處理。最后輔之以一維的平均短時(shí)能量和頻譜質(zhì)心對聲紋信息進(jìn)行增強(qiáng)，最終構(gòu)建融合特征。

2、同時(shí)引入殘差神經(jīng)網(wǎng)絡(luò)的思想對神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，抑制梯度消失、梯度爆炸和網(wǎng)絡(luò)退化問題。使得大幅提升實(shí)際場景下高壓斷路器不同狀態(tài)(即正常或不同故障)的分類準(zhǔn)確率，具備診斷準(zhǔn)確率高、模型泛化性好的技術(shù)優(yōu)勢。

3、將二者結(jié)合以構(gòu)建更全面、魯棒的聲紋識別系統(tǒng)。經(jīng)驗(yàn)證該方法能夠?qū)?0種10kv高壓斷路器狀態(tài)進(jìn)行有效的識別。識別準(zhǔn)確率可達(dá)99.99％，相較于單一的單一的聲紋特征，識別準(zhǔn)確性提升了3.59％，并且單次識別速度僅為0.05s。該技術(shù)已在內(nèi)部進(jìn)行了驗(yàn)證與試驗(yàn)。

4、本發(fā)明一種基于融合特征和殘差神經(jīng)網(wǎng)絡(luò)的高壓斷路器機(jī)械故障聲紋識別方法方法，其步驟如下，

5、s1，采集高壓斷路器各種工作動(dòng)作及故障時(shí)發(fā)生的聲紋信息，并進(jìn)行預(yù)處理，構(gòu)建聲紋數(shù)據(jù)庫；對采集的高壓斷路器的故障聲紋進(jìn)行傅里葉變化(fft)，并分析其頻域特點(diǎn)；

6、s2，將采集的聲紋數(shù)據(jù)進(jìn)行提取，并對不同特征的聲紋數(shù)據(jù)進(jìn)行初步融合，通過對特征的差異性進(jìn)行增強(qiáng)，最終構(gòu)成融合特征；

7、s3，構(gòu)建殘差神經(jīng)網(wǎng)絡(luò)，殘差神經(jīng)網(wǎng)絡(luò)由卷積層、池化層、激活函數(shù)、歸一化層、全連接層和輸出層構(gòu)成；將得到的融合特征系數(shù)送入殘差神經(jīng)網(wǎng)絡(luò)當(dāng)中經(jīng)過卷積、池化及激活的步驟，最終輸出各類別推理概率，并確定其中概率最大對應(yīng)的聲紋類別，輸出分類結(jié)果；

8、s4，將預(yù)測值與真實(shí)值進(jìn)行比對，通過損失函數(shù)和優(yōu)化器對權(quán)重和偏置進(jìn)行尋優(yōu)，不停迭代更新超參數(shù)，直至能夠正確識別各種高壓斷路器的常見狀態(tài)，輸出保存好權(quán)重和偏置的模型；

9、s5，對高壓斷路器進(jìn)行實(shí)時(shí)監(jiān)測預(yù)警；放置聲紋采集設(shè)備在高壓斷路器兩旁，實(shí)時(shí)采集聲紋數(shù)據(jù)，將采集出來的聲紋數(shù)據(jù)進(jìn)行預(yù)處理和聲紋特征提取，將提出的結(jié)果送至保存的模型當(dāng)中，模型會(huì)將將結(jié)果可能性最大的輸出為結(jié)果，實(shí)時(shí)監(jiān)測高壓斷路器運(yùn)行狀況。

10、所述步驟s1中的構(gòu)建10kv高壓斷路器機(jī)械故障聲紋數(shù)據(jù)庫的具體方法為：

11、將聲紋采集設(shè)備放置于高壓斷路器兩旁，采集環(huán)境保持安靜；采集高壓斷路器的機(jī)械故障包括合閘正常、分閘正常、儲能電機(jī)空轉(zhuǎn)、合閘脫扣板松動(dòng)、鏈條卡澀、假合、鏈條斷裂、行程大、鐵芯撞桿變形、行程不足及分閘不到位的聲紋信息，將采集的信號統(tǒng)一切片長度為10s，采樣率為48khz。將各個(gè)故障聲音與正常聲音進(jìn)行分類貼標(biāo)簽；通過對采集的高壓斷路器故障聲紋進(jìn)行傅里葉變化(fft)，分析其頻域特點(diǎn)。

12、所述步驟s2的具體方法為：

13、依據(jù)傅里葉變換(fft)結(jié)果，提取能夠更精細(xì)地捕捉低頻信息的梅爾倒譜系數(shù)特征(mfcc)，和在頻域中表現(xiàn)良好且對于環(huán)境噪聲具有抗干擾能力的色度特征(chromafeatures)，并將梅爾倒譜系數(shù)特征(mfcc)和色度特征(chroma?features)進(jìn)行拼接構(gòu)成初步的融合特征，通過fisher比對數(shù)據(jù)進(jìn)行降維，最后輔之以一維的平均短時(shí)能量和頻譜質(zhì)心；在不再增加維度的情況下，對特征的差異性進(jìn)行增強(qiáng)，最終構(gòu)成融合特征。

14、梅爾倒頻譜系數(shù)(mfcc)特征提取過程如下：

15、首先將高壓斷路器分合閘產(chǎn)生的信號經(jīng)過一系列的預(yù)加重、分幀和加窗的預(yù)處理，得到時(shí)域分幀信號x(n)，再將時(shí)域分幀信號x(n)通過快速傅里葉變換轉(zhuǎn)換得到線性頻譜x(k)，變換公式為：

16、

17、將上述線性頻譜x(k)通過m維的梅爾濾波器；m的取12，然后由上式求得mel頻譜的對數(shù)能量s(m)，公式為：

18、

19、式中hm(k)為梅爾濾波器。

20、將上述對數(shù)能量譜s(m)經(jīng)過離散余弦變換(dct)得到mfcc系數(shù)c(n)

21、

22、式中m為濾波器組的數(shù)量，m為m維的梅爾濾波器，n為傅里葉變換點(diǎn)數(shù)。

23、色度特征提取過程如下：

24、首先對采集的聲紋信號進(jìn)行短時(shí)傅里葉變換(stft)，然后將短時(shí)傅里葉變換(stft)映射到色度特征(chroma)刻度上捕捉了音頻信號的重要音調(diào)特征，其頻譜峰值能量表示為：

25、

26、式中：ai為第i個(gè)信號的幅值；fi為第i個(gè)信號頻率；w(n,fi)為頻率對于半音的權(quán)重；n為幅度值點(diǎn)個(gè)數(shù)；這樣可保證每一幀包含一個(gè)八度完整的能量而不受音階關(guān)系的約束。

27、平均短時(shí)能量提取過程如下

28、

29、式中m為信號x(n)分幀后第m幀數(shù)；n為信號x(n)第n個(gè)采樣點(diǎn)；w(n)為窗函數(shù)。

30、頻譜質(zhì)心提取過程如下

31、

32、其中xi(k),k＝1,…,n是第i幀的離散傅里葉變換，n為幀長度。

33、融合特征的構(gòu)建方法

34、將色度特征和梅爾倒頻譜系數(shù)融合構(gòu)成初步的融合特征，通過fisher準(zhǔn)則對初步融合特征維度進(jìn)行篩選，篩選出對識別結(jié)果貢獻(xiàn)度高的特征維度；下面是特征維度貢獻(xiàn)度計(jì)算公式：

35、

36、式中的rfisher為特征分量的fisher比，可以用來反映特征分量的分離度，某特征分量的rfisher越大，說明該特征分量相比于其他特征分量更具鑒別性；σbetween為特征分量的類間方差；σwithin為特征分量的類內(nèi)方差；σbetween和σwithin具體計(jì)算方法如式所示：

37、

38、式中mall表示所以故障類型在該特征分量的平均值，mi表示第i個(gè)故障聲紋在該特征分量的平均值，n為故障類型的個(gè)數(shù)，n為每個(gè)故障的樣本數(shù)，mj,i表示第i個(gè)故障的第j個(gè)語音樣本中的特征分量平均值；

39、由于特征篩選不可避免會(huì)出現(xiàn)信息丟失，因此選用一維特征平均短時(shí)能量和頻譜質(zhì)心進(jìn)行信息補(bǔ)充，這樣既能保證快速性要求也能保證準(zhǔn)確性要求。

40、所述步驟s3的具體實(shí)現(xiàn)方式為，殘差神經(jīng)網(wǎng)絡(luò)(resnet)由50個(gè)層組成；resnet-50的架構(gòu)可以分為5個(gè)階段，每個(gè)階段包含多個(gè)卷積層和一個(gè)下采樣操作；

41、1)resnet-50的第一階段由一個(gè)帶有64個(gè)過濾器的卷積層組成，然后是一個(gè)最大池化操作。然后將這一階段的輸出輸入到下一階段；

42、2)resnet-50的第二階段包括三個(gè)殘差塊，每個(gè)殘差塊包含兩個(gè)64個(gè)濾波器的卷積層和一個(gè)恒等映射；恒等映射允許網(wǎng)絡(luò)學(xué)習(xí)殘差函數(shù)，該殘差函數(shù)可以添加到輸入中以產(chǎn)生塊的輸出，這有助于緩解梯度消失的問題，因?yàn)樘荻痊F(xiàn)在可以直接從輸出流向塊的輸入；

43、3)resnet-50的第三階段包含四個(gè)殘差塊，每個(gè)殘差塊包含兩個(gè)卷積層，其中包含128個(gè)濾波器，并進(jìn)行下采樣操作；下采樣操作降低了輸出的空間維度，同時(shí)增加了濾波器的數(shù)量，這使得網(wǎng)絡(luò)能夠捕獲更復(fù)雜的特征；

44、4)resnet-50的第四階段包含6個(gè)殘差塊，每個(gè)殘差塊包含兩個(gè)卷積層，256個(gè)濾波器，并進(jìn)行下采樣操作；

45、5)resnet-50的第五階段和最后階段包含三個(gè)殘差塊，每個(gè)殘差塊包含兩個(gè)卷積層和512個(gè)濾波器，以及一個(gè)下采樣操作；

46、6)在最后階段結(jié)束時(shí)，有一個(gè)全局平均池化層，它計(jì)算輸出空間維度上激活的平均值；然后將該層的輸出饋送到具有10個(gè)單元的完全連接層中，該層產(chǎn)生網(wǎng)絡(luò)的最終輸出；

47、其中卷積層計(jì)算公式為：

48、

49、式中，kw，h是卷積核，也稱形狀尺寸為m×m的權(quán)重矩陣，卷積核與第i個(gè)輸入數(shù)據(jù)ci進(jìn)行卷積運(yùn)算獲得卷積層的輸出結(jié)果；w，h為賦值索引；conv2d()為卷積函數(shù)；

50、其中池化層計(jì)算公式為：

51、

52、其中激活函數(shù)計(jì)算公式為：

53、

54、式中，z為激活層的輸入數(shù)據(jù)；relu為激活函數(shù)

55、其中歸一化層計(jì)算公式為：

56、

57、式中，e[s]和var[s]為輸入數(shù)據(jù)s的均值和方差，ε為無窮小數(shù)；γ和β分別為尺度因子和平移參數(shù)向量；

58、其中最終分類函數(shù)softmax函數(shù)為：

59、

60、式中，c表示類別數(shù)，sj表示第j個(gè)節(jié)點(diǎn)的輸出值，i表示第i類，yi表示第i類的真實(shí)標(biāo)簽，syi表示第i類真實(shí)標(biāo)簽上的概率。

61、所述步驟s4的具體實(shí)現(xiàn)方式為：

62、將輸出的結(jié)果與原樣本集的結(jié)果進(jìn)行對比，將此誤差反向傳播給網(wǎng)絡(luò)中每層的權(quán)重和偏置，通過優(yōu)化器對其進(jìn)行適應(yīng)性的調(diào)整，使網(wǎng)絡(luò)的權(quán)值和偏置項(xiàng)可以更好的預(yù)測結(jié)果；同時(shí)在反饋過程中，優(yōu)化器也會(huì)對超參數(shù)進(jìn)行修正；進(jìn)行指定次數(shù)的迭代之后，再次檢查誤差是否在標(biāo)準(zhǔn)范圍之內(nèi)，若不滿足需要分析是否網(wǎng)絡(luò)存在無法收斂的問題，然后再進(jìn)行學(xué)習(xí)和訓(xùn)練過程，直到滿足標(biāo)準(zhǔn)后，保存最終的權(quán)值和偏置項(xiàng)；本次損失函數(shù)使用交叉熵?fù)p失函數(shù)，交叉熵?fù)p失函數(shù)能夠很好的適用于多分類問題；優(yōu)化器采用adam優(yōu)化器，adam可以隨著層數(shù)的不同，自適應(yīng)的調(diào)節(jié)學(xué)習(xí)率的大小。

63、其中交叉熵?fù)p失函數(shù)為：

64、

65、式中，t為標(biāo)簽類別數(shù)，yn和分別為真實(shí)標(biāo)簽和預(yù)測標(biāo)簽；

66、其中adam的公式為：

67、mt＝μ*mt-1+(1-μ)*gt

68、nt＝v*nt-1+(1-ν)*(gt)2

69、

70、

71、

72、mt，nt分別是梯度的一階矩估計(jì)和二階矩估計(jì)，分別是對mt，nt的校正，而ε對學(xué)習(xí)率形成一個(gè)動(dòng)態(tài)約束；參數(shù)設(shè)置為：μ＝0.9,ν＝0.999,ε＝10-8。

73、所述步驟s5的具體實(shí)現(xiàn)方式為：放置聲紋采集設(shè)備在高壓斷路器兩旁，實(shí)時(shí)采集聲紋數(shù)據(jù)，將采集出來的聲紋數(shù)據(jù)進(jìn)行預(yù)處理和聲紋特征提取，將提出的結(jié)果送至保存的模型當(dāng)中，模型會(huì)將將結(jié)果可能性最大的輸出為結(jié)果，實(shí)時(shí)監(jiān)測高壓斷路器運(yùn)行狀況。

74、所述的高壓斷路器為10kv高壓斷路器。

75、一種基于融合特征和殘差神經(jīng)網(wǎng)絡(luò)的高壓斷路器機(jī)械故障聲紋識別方法方法所利用的識別裝置為：

76、具有云端、邊緣端和終端，其中云端與邊緣端數(shù)據(jù)連接，邊緣端又與終端數(shù)據(jù)連接；云端、邊緣端和終端的整體架構(gòu)遵從物聯(lián)網(wǎng)“端-邊-云”協(xié)同的應(yīng)用模式；

77、所述的終端為聲紋采集設(shè)備，所述的聲紋采集設(shè)備數(shù)量不限于一個(gè)，以便實(shí)際應(yīng)用中，多個(gè)高壓斷路器同時(shí)進(jìn)行聲紋的檢測和分析，提高工作效率。

78、所述的聲紋采集設(shè)備為拾音器，優(yōu)選為骨傳導(dǎo)拾音器，相較于麥克風(fēng)這樣的聲音信號采集設(shè)備，骨傳導(dǎo)拾音器由于其采集的是通過固體傳導(dǎo)的聲波，能夠更順捷地采集聲紋信息，且采集的聲紋信息相較于空氣傳播的信息更豐富更清晰，從而更有利于后續(xù)的信號分析。

79、邊緣端具有數(shù)據(jù)采集模塊、前端處理模塊、存儲模塊和通信模塊一；

80、其中前端處理模塊分別信號連接數(shù)據(jù)采集模塊、存儲模塊和通信模塊一；

81、數(shù)據(jù)采集模塊用于對采集的數(shù)據(jù)進(jìn)行數(shù)模轉(zhuǎn)換，前端處理模塊對用于對采集到的聲音信號進(jìn)行預(yù)處理和濾波；存儲模塊對預(yù)處理完的數(shù)據(jù)進(jìn)行存儲；通信模塊一通過有線網(wǎng)絡(luò)(光纖)/4g/wifi發(fā)送至云端。

82、所述的云端為聲紋系統(tǒng)服務(wù)器，包括云端服務(wù)模塊、通信模塊二和智能聲紋全景平臺模塊；

83、其中智能聲紋全景平臺模塊分別數(shù)據(jù)連接云端服務(wù)模塊和通信模塊二；

84、云端服務(wù)模塊包括聲紋服務(wù)子模塊、聲紋模型訓(xùn)練子模塊和云端存儲子模塊；

85、聲紋服務(wù)子模塊用于將聲音數(shù)據(jù)轉(zhuǎn)換為特征向量，提供聲紋特征提取服務(wù)；

86、聲紋模型訓(xùn)練子模塊用于訓(xùn)練聲紋模型的算法、框架和工具聲紋模型訓(xùn)練；

87、云端存儲子模塊用于供本地存儲，用于存儲采集到的數(shù)據(jù)、模型參數(shù)以及臨時(shí)計(jì)算結(jié)果的存儲模塊；

88、智能聲紋全景平臺模塊包括管理和監(jiān)控界面服務(wù)欄、數(shù)據(jù)分析報(bào)告服務(wù)欄、日記記錄欄和審計(jì)欄；

89、通信模塊二用于和邊緣端數(shù)據(jù)之間進(jìn)行傳輸。

90、本發(fā)明的有益效果是：

91、(1)傳統(tǒng)的高壓斷路器維護(hù)通常需要人工巡視和檢測，耗時(shí)耗力且效率低下。而且在檢修過程中易造成嚴(yán)重的缺陷故障，因此對10kv高壓斷路器機(jī)械故障的實(shí)時(shí)監(jiān)控和智能化診斷技術(shù)的探索有著重要的價(jià)值。針對電流監(jiān)測或者振動(dòng)監(jiān)測對測點(diǎn)選擇的苛刻性、泛化性能差的問題。提出了一種基于聲學(xué)特征的10kv高壓斷路器機(jī)械故障診斷方法，該方法具有較高的泛化性和魯棒性。

92、(2)針對傳統(tǒng)梅爾頻譜特征(mel?spectrogram)、梅爾倒譜系數(shù)特征(mfcc)、濾波器組特征(fbank)特征的不足。提出了一種融合特征的聲紋特征提取方法。該方法不僅相較于單一的聲紋識別方法具有更高的識別準(zhǔn)確性，準(zhǔn)確率可達(dá)99.99％，而且單次的識別時(shí)間僅為0.05s，滿足10kv高壓斷路器故障診斷快速性的要求。

93、(3)通過搭建不同的深度學(xué)習(xí)模型，進(jìn)行準(zhǔn)確率比較。根據(jù)結(jié)果可以看出resnet在識別準(zhǔn)確性上高于其他常見的深度學(xué)習(xí)模型。可見殘差神經(jīng)網(wǎng)絡(luò)對以上10種10kv高壓斷路器機(jī)械故障的診斷更為科學(xué)有效。