【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及換流閥故障識(shí)別，尤其涉及一種基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方。
技術(shù)介紹
1、換流閥是特高壓直流輸電系統(tǒng)的核心裝備，其狀態(tài)直接影響到電網(wǎng)安全和能源送出消納能力。換流閥裝備成本通常占直流輸電工程總建設(shè)成本的20％以上，且由于規(guī)模化新能源工程容量往往為gw級(jí)，一旦設(shè)備發(fā)生故障損壞并導(dǎo)致輸電系統(tǒng)停運(yùn)，將對(duì)電網(wǎng)系統(tǒng)穩(wěn)定性產(chǎn)生極強(qiáng)的沖擊，導(dǎo)致巨大的直接及間接經(jīng)濟(jì)損失及社會(huì)影響。當(dāng)換流閥出現(xiàn)不同故障時(shí)，其發(fā)出的不同聲音信號(hào)包含了非常豐富的狀態(tài)信息，能很大程度反應(yīng)換流閥的運(yùn)行狀態(tài)。隨著人工智能的快速發(fā)展，利用聲紋識(shí)別技術(shù)對(duì)換流閥設(shè)備機(jī)械狀態(tài)的故障診斷成為新的研究熱點(diǎn)。
2、聲紋識(shí)別技術(shù)，屬于生物信息識(shí)別技術(shù)的一種，是一種通過提取人聲音信號(hào)的特征來判斷說話人的方法，包括說話人辨認(rèn)和說話人確認(rèn)。它通過提取不同說話人聲音信號(hào)的特征向量組成特征向量庫(kù)，進(jìn)而比較特征向量相似度來確定說話人身份。相對(duì)于其他生物識(shí)別技術(shù)，聲紋識(shí)別技術(shù)不僅有著非常高的安全性以及便捷性，而且還具有設(shè)備成本低、應(yīng)用靈活、用戶接受程度高等特點(diǎn)，目前已被應(yīng)用至多個(gè)領(lǐng)域中，如國(guó)防、公共安全、金融等領(lǐng)域。由于運(yùn)行中的換流閥聲音信號(hào)蘊(yùn)含著豐富的設(shè)備信息，且與換流閥結(jié)構(gòu)、運(yùn)行狀態(tài)等密切相關(guān)，因此可將現(xiàn)有聲紋識(shí)別技術(shù)應(yīng)用于換流閥故障識(shí)別，對(duì)復(fù)雜的噪聲機(jī)理進(jìn)行有效去除并識(shí)別出不同的故障狀態(tài)，為換流閥故障的預(yù)警和診斷提供重要依據(jù)。
3、基于深度學(xué)習(xí)的聲紋識(shí)別模型通過大量語(yǔ)音數(shù)據(jù)訓(xùn)練時(shí)，可自動(dòng)學(xué)習(xí)豐富的聲學(xué)特征(頻譜、基音、共振峰等)，提高了聲紋識(shí)別率，但是
4、目前前端使用的主流降噪算法為譜減法、維納濾波、最小均方誤差濾波等傳統(tǒng)算法，這些算法并不能完全濾除噪聲，而且會(huì)對(duì)換流閥的聲音信息造成一定損失。
5、現(xiàn)有的聲音信號(hào)特征向量主要有線性預(yù)測(cè)倒譜系數(shù)lpcc(linearpredictioncestrum?coefficient)和梅爾頻率倒譜系數(shù)mfcc(mel?frequency?cestrum?coefficient)等，其中mfcc是目前主流的聲紋識(shí)別特征向量，但mfcc的特征參數(shù)設(shè)計(jì)是基于人對(duì)聲音的感知特性的，而換流閥聲音和人聲存在較大差異，若直接將mfcc應(yīng)用于換流閥聲紋識(shí)別其效果有限，仍需進(jìn)一步研究。
6、目前使用的從端到端的聲紋識(shí)別模型大多基于循環(huán)神經(jīng)網(wǎng)絡(luò)rnn(recurrentneural?network)或卷積神經(jīng)網(wǎng)絡(luò)cnn(convolutional?neural?network)。考慮到升溫特征本質(zhì)上是一個(gè)時(shí)間序列數(shù)據(jù)，部分方法在特征提取過程中僅采用cnn提取其空間特征是存在一定缺陷的。與此同時(shí)，當(dāng)采用rnn對(duì)較長(zhǎng)的時(shí)間序列數(shù)據(jù)直接進(jìn)行特征提取時(shí)，由于模型的復(fù)雜度較高，訓(xùn)練時(shí)收斂速度通常較為緩慢。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，有必要提供一種基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，以解決現(xiàn)有的換流閥聲紋識(shí)別技術(shù)中存在的對(duì)含噪聲場(chǎng)景聲紋識(shí)別準(zhǔn)確度較低并且識(shí)別效率不高的技術(shù)問題。
2、一種基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法包括以下步驟：
3、步驟s1：獲取包括換流閥周圍環(huán)境噪聲在內(nèi)的換流閥待識(shí)別音頻數(shù)據(jù)；
4、步驟s2：基于頻率循環(huán)卷積循環(huán)網(wǎng)絡(luò)frcrn模型對(duì)待識(shí)別音頻數(shù)據(jù)進(jìn)行降噪處理，獲得降噪增強(qiáng)音頻；
5、步驟s3：基于梅爾頻率倒譜系數(shù)mfcc和gammatone濾波器組倒譜系數(shù)gfcc對(duì)降噪增強(qiáng)音頻進(jìn)行特征提取并將兩種特征進(jìn)行串聯(lián)拼接，再基于主成分分析法pca對(duì)拼接特征進(jìn)行降維，獲得特征向量；
6、步驟s4：將特征向量輸入至基于聲紋小樣本訓(xùn)練完備的聲紋識(shí)別模型中進(jìn)行識(shí)別，獲得識(shí)別結(jié)果。
7、有益效果：與現(xiàn)有技術(shù)相比，本換流閥聲紋識(shí)別方法具有簡(jiǎn)便的操作步驟，無需特殊設(shè)備，僅需常規(guī)的麥克風(fēng)陣列傳感器和電腦就可完成數(shù)據(jù)采集、數(shù)據(jù)處理以及神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和待識(shí)別音頻的識(shí)別分類。本專利技術(shù)為換流閥環(huán)境提供的聲紋識(shí)別方法，通過基于頻率循環(huán)卷積循環(huán)網(wǎng)絡(luò)對(duì)待識(shí)別音頻進(jìn)行降噪處理，可濾除環(huán)境中的大部分噪音，保留與換流閥相關(guān)的聲音，實(shí)現(xiàn)了即使待識(shí)別音頻中包括大量環(huán)境噪聲，也可對(duì)待識(shí)別音頻進(jìn)行準(zhǔn)確識(shí)別的技術(shù)效果。其次，本專利技術(shù)通過結(jié)合mfcc和gfcc兩種特征，克服了單一mfcc特征基于人對(duì)聲音的感知特性設(shè)計(jì)特征參數(shù)的不足，能夠更好地?cái)M合表示換流閥聲音的特性。再次，本專利技術(shù)通過采用在大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練、聲紋小樣本上微調(diào)的訓(xùn)練方式，無需采集大量的聲紋數(shù)據(jù)就能提高聲紋識(shí)別模型的識(shí)別準(zhǔn)確率。進(jìn)一步地，本專利技術(shù)通過設(shè)置聲紋識(shí)別模型包括選擇編碼器-解碼器，通過調(diào)節(jié)編碼解碼的深度以調(diào)節(jié)不同大小的感受野，從而增強(qiáng)特征的表示能力，有助于提取更豐富、更準(zhǔn)確的時(shí)間和空間特征信息，提高了聲紋識(shí)別模型對(duì)帶有環(huán)境噪音的待識(shí)別換流閥聲音的識(shí)別準(zhǔn)確度；并且，通過在編碼器-解碼器結(jié)構(gòu)當(dāng)中設(shè)置壓縮-擴(kuò)張的注意力模塊，可增強(qiáng)特征之間的關(guān)聯(lián)性，從而提高聲紋識(shí)別模型的表現(xiàn)力和準(zhǔn)確性，進(jìn)而進(jìn)一步提高了聲紋識(shí)別模型對(duì)帶有環(huán)境噪音的待識(shí)別換流閥聲音的識(shí)別準(zhǔn)確度，同時(shí)提高了聲紋識(shí)別效率。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟S1中，獲取包括換流閥周圍環(huán)境噪聲在內(nèi)的換流閥待識(shí)別音頻數(shù)據(jù)具體的方式為：基于麥克風(fēng)陣列傳感器組成的聲紋采集設(shè)備實(shí)時(shí)采集獲得待識(shí)別音頻。
3.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟S2中，基于FRCRN模型對(duì)待識(shí)別音頻數(shù)據(jù)進(jìn)行降噪處理，獲得降噪增強(qiáng)音頻步驟如下：
4.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟S3中，基于梅爾頻率倒譜系數(shù)MFCC和Gammatone濾波器組倒譜系數(shù)GFCC對(duì)降噪增強(qiáng)音頻進(jìn)行特征提取包括以下步驟：
5.如權(quán)利要求4所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：S32中，對(duì)上述降噪增強(qiáng)的音頻提取GFCC特征包括以下步驟：
6.如權(quán)利要求6所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：通過Gammatone濾波器組進(jìn)行濾波并求其對(duì)數(shù)能量包括以下步驟：p>
7.如權(quán)利要求4所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟S34中，基于主成分分析法PCA，對(duì)拼接的特征向量進(jìn)行降維，獲得降維特征向量包括以下步驟：
8.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：聲紋識(shí)別模型的訓(xùn)練包括預(yù)訓(xùn)練階段、聲紋小樣本微調(diào)階段，其中預(yù)訓(xùn)練階段包括以下步驟：
9.如權(quán)利要求8所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：微調(diào)階段包括以下步驟：
10.如權(quán)利要求9所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：本專利技術(shù)的聲紋識(shí)別模型的識(shí)別步驟包括：
...【技術(shù)特征摘要】
1.一種基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟s1中，獲取包括換流閥周圍環(huán)境噪聲在內(nèi)的換流閥待識(shí)別音頻數(shù)據(jù)具體的方式為：基于麥克風(fēng)陣列傳感器組成的聲紋采集設(shè)備實(shí)時(shí)采集獲得待識(shí)別音頻。
3.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟s2中，基于frcrn模型對(duì)待識(shí)別音頻數(shù)據(jù)進(jìn)行降噪處理，獲得降噪增強(qiáng)音頻步驟如下：
4.如權(quán)利要求1所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：步驟s3中，基于梅爾頻率倒譜系數(shù)mfcc和gammatone濾波器組倒譜系數(shù)gfcc對(duì)降噪增強(qiáng)音頻進(jìn)行特征提取包括以下步驟：
5.如權(quán)利要求4所述的基于聲紋小樣本學(xué)習(xí)的換流閥故障識(shí)別方法，其特征在于：s32中，對(duì)上...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：崔鵬，趙欣洋，楊晨，安燕杰，吳明凱，杜巍，王玄之，趙希洋，劉志遠(yuǎn)，黎煒，鄒洪森，尹琦云，于曉軍，史磊，陸洪建，邵永浩，尹磊，陳昊陽(yáng)，仇利輝，
申請(qǐng)(專利權(quán))人：國(guó)網(wǎng)寧夏電力有限公司超高壓公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。