[發(fā)明專利]一種基于DNN算法的電力設備音頻信號分析方法

有效

• 申請?zhí)枺?/td>: 201811025805.6
• 申請日: 2018-09-04
• 公開（公告）號: CN109357749B
• 公開（公告）日: 2020-12-04
• 發(fā)明（設計）人: 李勝;史一露;郭健;吳益飛;袁佳泉;施佳偉;朱禹璇;趙超;危海明
• 申請（專利權）人: 南京理工大學
• 主分類號: G01H17/00
• 分類號: G01H17/00
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

1.一種基于DNN算法的電力設備音頻信號分析方法，其特征在于，包括以下步驟：

步驟1、電力巡檢機器人通過安裝的數(shù)字拾音器采集電力設備正常與故障運行時的音頻信號數(shù)據(jù)，進行音頻信號數(shù)據(jù)預處理；

步驟2、采用MFCC特征參數(shù)從已預處理過的音頻信號數(shù)據(jù)中提取特征信息；

步驟3、基于提取的特征信息，采用誤差反向傳播方法訓練深度神經(jīng)網(wǎng)絡聲學模型；

步驟4、電力巡檢機器人通過數(shù)字拾音器采集現(xiàn)場電力設備運行時的音頻信號數(shù)據(jù)，經(jīng)過預處理、特征參數(shù)提取后，將特征信息輸入深度神經(jīng)網(wǎng)絡聲學模型進行音頻信號數(shù)據(jù)識別，并將識別結果傳輸至變電站監(jiān)控主機；

步驟1中所述的音頻信號數(shù)據(jù)預處理，具體步驟為：

步驟1-1、音頻信號數(shù)據(jù)的預加重：將音頻信號數(shù)據(jù)通過一階FIR高通數(shù)字濾波器進行處理，提升音頻信號的高頻成分，抑制隨機噪聲與直流漂移；

步驟1-2、音頻信號數(shù)據(jù)的降噪處理：使用LMS自適應算法進行降噪，首先將實際輸出信號與期望信號相對比，從而產(chǎn)生一個誤差信號，然后根據(jù)誤差信號調(diào)整權值向量；

步驟1-3、音頻信號數(shù)據(jù)的分幀與加窗：幀長選取為10～30ms，幀移選擇為幀長的1/3～1/2，選用漢明窗作為窗函數(shù)；

步驟1-4、音頻信號數(shù)據(jù)的雙門限端點檢測：通過基于短時能量和過零率的雙門限端點檢測來檢測音頻信號有聲部分，當同時出現(xiàn)連續(xù)設定幀的短時能量與過零率都大于設定閾值時，則判定音頻信號有聲部分的開始；當連續(xù)設定幀的短時能量與過零率小于設定閾值，則判定音頻信號有聲部分的結束；

步驟1-5、音頻信號數(shù)據(jù)的快速傅立葉變換：將音頻信號使用快速傅立葉變換從時域轉換到頻域，得到線性頻譜X(k)，從而進行特征提取；

步驟2所述的采用MFCC特征參數(shù)從已預處理過的音頻信號數(shù)據(jù)中提取特征信息，具體步驟為：

步驟2-1、將步驟1-5中得到的線性頻譜X(k)通過Mel頻率濾波器組得到Mel頻譜，并通過對數(shù)能量處理，得到對數(shù)頻譜S(m)；

步驟2-2、將對數(shù)頻譜S(m)經(jīng)過離散余弦變化得到倒頻譜域，即得到Mel頻率倒譜系數(shù)，即MFCC系數(shù)c(n)，選取前N_DNN維對音頻的區(qū)分性能較大的MFCC系數(shù)，用于聲學模型的建立以及音頻分析識別；

步驟3所述的基于提取的特征信息，采用誤差反向傳播方法訓練深度神經(jīng)網(wǎng)絡聲學模型，具體步驟為：

步驟3-1、初始化各閾值與各權值，將線性系數(shù)矩陣W和偏移向量b置為隨機數(shù)，并提供M_sample個訓練樣本，S＝{(x^m,y^m)|0≤m＜M_sample}，其中，m為訓練樣本中樣本編號，x^m為輸入向量即為第m個樣本的N_DNN維MFCC系數(shù)，y^m為期望輸出向量，輸出向量維數(shù)為需識別的電力設備運行狀態(tài)個數(shù)；

步驟3-2、通過前向傳播算法，計算網(wǎng)絡第m個樣本各個隱藏層的第l層狀態(tài)a^m,l以及實際輸出；通過反向傳播算法計算網(wǎng)絡樣本m的輸出層的局域梯度δ^m,L與第l層的局域梯度δ^m,l；

步驟3-3、更新第l層的線性系數(shù)矩陣W^l和偏移向量b^l；

步驟3-4、當所有W^l與b^l的變化值都小于停止迭代閾值∈時，則輸出各隱藏層與輸出層的線性系數(shù)矩陣W和偏移向量b，完成深度神經(jīng)網(wǎng)絡聲學模型的建立，否則轉步驟3-2。

2.根據(jù)權利要求1所述的基于DNN算法的電力設備音頻信號分析方法，其特征在于，步驟4中所述的電力巡檢機器人通過數(shù)字拾音器采集現(xiàn)場電力設備運行時的音頻信號數(shù)據(jù)，經(jīng)過預處理、特征參數(shù)提取后，將特征信息輸入深度神經(jīng)網(wǎng)絡聲學模型進行音頻信號數(shù)據(jù)識別，具體如下：

巡檢現(xiàn)場采集的電力設備音頻信號數(shù)據(jù)的預處理、特征參數(shù)提取的步驟如步驟1與步驟2中所示，然后將提取的N維MFCC系數(shù)輸入步驟3中建立的深度神經(jīng)網(wǎng)絡聲學模型，通過音頻識別對該電力設備的運行狀態(tài)進行識別分類。