一种基于数据增强的电力设备故障声音识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112435686A(43)申请公布日2021.03.02(21)申请号202011304659.8G10L25/30(2013.01)(22)申请日2020.11.19G10L25/51(2013.01)G06K9/62(2006.01)(71)申请人中国南方电网有限责任公司超高压G06N3/04(2006.01)输电公司G06N3/08(2006.01)地址510000广东省广州市黄埔区高新技术产业开发区科学大道223号申请人上海交通大学(72)发明人洪乐洲江一林睿徐明月廖毅陆国生李喆石延辉田霖(74)专利代理机构上海恒慧知识产权代理事务所(特殊普通合伙)31317代理人张宁展(51)Int.Cl.G10L25/03(2013.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于数据增强的电力设备故障声音识别方法(57)摘要本发明提供了一种基于数据增强的电力设备故障声音识别方法，包括下列步骤：首先采集常见电力设备故障音频样本并进行标注；然后通过预处理操作对音频样本进行分帧、加窗；接着从预处理后的音频样本中提取梅尔倒谱系数作为特征向量；再利用mixup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；最后将上述增强后的训练集输入到ResNet网络中进行判决，识别出不同电力设备的故障声音。本发明的一种基于数据增强的电力设备故障声音识别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。CN112435686ACN112435686A权利要求书1/1页1.一种基于数据增强的电力设备故障声音识别方法，其特征在于，包括：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n：1的比例划分训练集与测试集；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；从预处理后的音频样本中提取特征向量；对提取出的特征向量进行数据增强，构造新的特征向量；将新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。2.根据权利要求1所述的一种基于数据增强的电力设备故障声音识别方法，其特征在于，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：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。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。3.根据权利要求1所述的一种基于数据增强的电力设备故障声音识别方法，其特征在于，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：分帧：将音频样本切分成25ms的片段，帧位移为10ms。加窗：利用汉明窗对每一帧音频信号进行加窗处理。4.根据权利要求1所述的一种基于数据增强的电力设备故障声音识别方法，其特征在于，所述从预处理后的音频样本中提取特征向量，包括：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N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，N一般取5～15。5.根据权利要求1所述的一种基于数据增强的电力设备故障声音识别方法，其特征在于，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：利用mixup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。6.根据权利要求1所述的一种基于数据增强的电力设备故障声音识别方法，其特征在于，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：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。2CN112435686A说明书1/4页一种基于数据增强的电力设备故障声音识别方法技术领域[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，