一种基于特征变换的开关柜声纹故障检测方法与流程

本发明涉及电力设备故障分析，特别涉及一种基于特征变换的开关柜声纹故障检测方法。

背景技术：

1、开关柜是电力系统中的重要设备，而开关柜的故障会对电力系统的正常运行和设备的可靠性产生影响，为了提高故障检测的效率和准确性，研究人员开始关注声纹技术在开关柜故障检测中的应用。

2、声纹技术是基于声音信号的特征进行故障识别和分类，可以通过分析和比较声音信号的频率、振幅、谐波等参数来检测开关柜中的故障。声纹技术是一种非侵入性的检测方法，不需要对设备进行破坏性或接触式的检测，只需通过收集设备产生的声音信号即可进行故障检测，这意味着可以在设备正常运行的情况下进行检测，无需停机或拆卸设备。并且声纹技术可以实时采集和分析设备的声音信号，能在局部放电和过热现象发生之前就实现对开关柜故障的检测与诊断，提前预警潜在的故障，避免设备故障导致的生产停止或事故发生。

3、在现有的声纹技术中，声纹识别通常包括以下步骤：对采集的声音信号进行特征提取，然后利用这些提取的特征进行声纹识别。其中，广义s变换是特征提取方法之一，在使用广义s变换时，首先将声音信号划分为连续的帧，每帧的大小由窗函数所决定；然后对每个帧中的信号进行广义s变换，生成对应的时频矩阵；基于这个时频矩阵，进一步进行特征提取的操作，然后利用提取的特征进行声纹识别。

4、但是在上述步骤中，窗口函数的大小在人为设置好后就固定不变，无法实现自适应，当窗口大小选择过大时，可能会导致一个窗口包含的声纹信息频率波动较大，基于该窗口获得的时频矩阵包含多个特征，缺乏区分能力，进一步造成所提取的特征没有代表性；相反，如果窗口大小选择过小，可能会导致多个窗口捕捉到的声纹信息高度重复，造成信息冗余，这些冗余信息可能会掩盖一些细微但重要的声纹特征，从而导致基于该窗口获得的时频矩阵失去了区分能力，造成所提取的特征没有代表性。

技术实现思路

1、本发明提供一种基于特征变换的开关柜声纹故障检测方法，可以解决现有技术中，根据固定大小的窗口获得的时频矩阵区分能力差的问题。

2、本发明提供一种基于特征变换的开关柜声纹故障检测方法，包括：

3、采集开关柜的观测声纹信号，初始化一个随机大小的高斯窗口，通过该高斯窗口将观测声纹信号划分成多个固定长度的帧；

4、根据广义s变换获得所有帧对应的时频矩阵，计算相邻的帧a、帧b对应的时频矩阵相关系数r(at，bt)；

5、如果相邻的帧a、帧b对应的时频矩阵相关系数r(at，bt)小于所设第一阈值，则当前相邻的帧a、帧b对应的时频矩阵at、bt为最终时频矩阵；

6、如果相邻的帧a、帧b对应的时频矩阵相关系数r(at，bt)不小于所设第一阈值，则通过迭代当前高斯窗口的大小来调整相邻的帧a、帧b的长度，计算调整长度后相邻的帧a、帧b的综合瞬时频率，当某次迭代的高斯窗口大小所对应的综合瞬时频率与上一次迭代的高斯窗口大小所对应的综合瞬时频率的差距大于所设第二阈值时，停止迭代，获得最优高斯窗口，基于最优窗口获得最终时频矩阵；

7、对最终时频矩阵进行降维处理，获得特征向量，将所述特征向量输入到训练好的残差神经网络中进行开关柜故障检测。

8、进一步的，还包括：对采集的观测声纹信号进行降噪预处理：

9、使用短时傅里叶变换将观测声纹信号转换到频域，提取观测声纹信号的频谱；

10、对观测声纹信号的频谱进行谱图分解：

11、f＝wh      (1)

12、其中，

13、f是观测声纹信号的频谱；

14、w是将观测声纹信号的频谱分解后获得的源谱非负矩阵，它的每一列代表一个源信号在频域上的能量分布；

15、h是将观测声纹信号的频谱分解后获得的混合系数非负矩阵，它的每一行代表一个时间段的混合系数，用于描述每个源信号在观测声纹信号中的贡献程度；

16、设计目标函数，通过梯度下降法最小化目标函数，获得目标源谱非负矩阵和目标混合系数非负矩阵

17、

18、其中，

19、argmin表示找到使目标函数取得最小值的参数；

20、||f—wh||2是目标函数；

21、分别是使得目标函数最小的源谱非负矩阵和混合系数非负矩阵；

22、通过乘法逆谱图变换，将目标源谱非负矩阵和目标混合系数非负矩阵相乘，得到噪声分离后的开关柜声纹信号的谱图：

23、对噪声分离后的开关柜声纹信号的谱图进行逆短时傅里叶变换，将谱图转换为时域信号，获得降噪后的观测声纹时域信号。

24、进一步的，所述初始化一个随机大小的高斯窗口，通过移动该高斯窗口将观测声纹信号划分成多个固定长度的帧，包括：

25、人为设定帧移的参数值，所述帧移用于确定相邻的帧a、帧b之间的时间间隔；

26、根据帧移的参数值，沿观测声纹信号移动初始化随机大小的高斯窗口，并将该初始化随机大小的高斯窗口与对应位置的观测声纹信号相乘，获得多个固定长度的帧：

27、x(n)＝s(n)*g(n)   (3)

28、其中，s(n)是观测声纹信号，g(n)是高斯窗口，x(n)是获得的帧。

29、进一步的，所述根据广义s变换获得所有帧对应的时频矩阵，包括：

30、使用广义s变换对每个帧进行变换：

31、

32、

33、其中，

34、gstk(t，f)是广义s变换在给定时刻t和频率f处由第k个帧的观测声纹信号得到的能量值；

35、xk(u)是第k个帧的观测声纹信号，u是被积函数的自变量；

36、g(t，u)是高斯窗口函数，σ是高斯窗口函数对应的标准差；

37、e-i2πfu是频率调制项，i是虚数单位，π是圆周率；

38、将每个帧的所有能量值进行整合，形成每个帧的时频矩阵，所述时频矩阵的行表示时刻，列表示频率，时频矩阵的每个元素是在对应时刻t和频率f上的能量值。

39、进一步的，所述计算相邻的帧a、帧b对应的时频矩阵相关系数r(at，bt)，包括：

40、

41、其中，

42、r(at，bt)是相邻的帧a、帧b对应的时频矩阵相关系数；

43、at、bt是相邻的帧a、帧b对应的时频矩阵；

44、cov(at，bt)表示相邻的帧a、帧b对应的时频矩阵at、bt的协方差；

45、std(at)、std(bt)分别为相邻的帧a、帧b对应的时频矩阵at、bt的标准差。

46、进一步的，所述通过迭代当前高斯窗口的大小来调整相邻的帧a、帧b的长度，包括：

47、以步长p对当前高斯窗口大小进行迭代，每次迭代中，将相邻的帧a、帧b中的帧a所对应的高斯窗口大小扩大p个长度、帧b所对应的高斯窗口大小缩小p个长度；

48、每次迭代中，将改变大小后的高斯窗口与对应位置的观测声纹信号相乘，获得调整长度后的相邻的帧a、帧b。

49、进一步的，所述计算调整长度后相邻的帧a、帧b的综合瞬时频率，包括：

50、

51、其中，

52、βip是将帧a对应的高斯窗口扩大了ip个长度后、帧b对应的高斯窗口缩小了ip个长度后所获得的综合瞬时频率；

53、分别是扩大了ip个长度后帧a对应的高斯窗口大小、缩小了ip个长度后帧b对应的高斯窗口大小；

54、分别是调整长度后的帧a、帧b中每个时刻的瞬时频率。

55、进一步的，所述瞬时频率，包括：

56、将相邻的帧a、帧b进行短时傅里叶变换，得到帧a、帧b的频谱表示；

57、计算相邻的帧a、帧b的相位差

58、

59、其中，分别表示帧a、帧b在频谱中频率索引为k的相位；

60、利用相位差计算局部频率估计值f_approx(k)：

61、

62、其中，δt是帧移；

63、对所述局部频率估计值f_approx(k)进行线性时间插值，获得帧a、帧b每个时刻的瞬时频率。

64、进一步的，所述当某次迭代的高斯窗口大小所对应的综合瞬时频率与上一次迭代的高斯窗口大小所对应的综合瞬时频率的差距大于所设第二阈值时，停止迭代，获得最优高斯窗口，包括：

65、确定迭代停止条件：

66、|βip-β(i-1)p|＞θ2       (10)

67、其中，

68、βip是将帧a对应的高斯窗口扩大了ip个长度后、帧b对应的高斯窗口缩小了ip个长度后所获得的综合瞬时频率；

69、β(i-1)p是将帧a对应的高斯窗口扩大了(i-1)p个长度后、帧b对应的高斯窗口缩小了(i-1)p个长度后所获得的综合瞬时频率；

70、θ2是所设第二阈值；

71、将扩大了(i-1)p个长度的高斯窗口、缩小了(i-1)p个长度的高斯窗口作为最优高斯窗口。

72、进一步的，所述对所述时频矩阵进行降维处理，获得特征向量，包括：

73、对所述时频矩阵的每一行进行标准化处理，使其均值为0，方差为1；

74、对标准化后的时频矩阵计算协方差矩阵；

75、通过对协方差矩阵进行特征分解，得到特征值和对应的特征向量。

76、本发明实施例提供一种基于特征变换的开关柜声纹故障检测方法，与现有技术相比，其有益效果如下：

77、本发明首先通过一个随机大小的高斯窗函数将声音信号划分为帧，对每个帧中的信号进行广义s变换，生成每个帧对应的时频矩阵，然后计算相邻帧对应的时频矩阵相关系数，当相邻帧对应的时频矩阵相关系数大于所设第一阈值时对高斯窗口进行调整，在调整高斯窗口大小的过程中通过瞬时频率变化情况获得最优高斯窗口，根据最优高斯窗口获得最终时频矩阵，对最终时频矩阵进行降维处理，获得特征向量，将所述特征向量输入到训练好的残差神经网络中进行开关柜故障检测。

78、本发明通过相邻帧对应的时频矩阵相关系数衡量相邻帧的相似程度，当相邻帧相似时，通过扩大对应帧的窗口大小，使得一个窗口可以包含更多相似的声纹信息，从而根据该包含更多相似的声纹信息的帧所获的时频矩阵更加就有区分性。然后根据瞬时频率变化来精准的调整窗口扩大范围，当调整窗口大小的过程中瞬时频率的变化较大，可能表示声音信号中的重要频谱变化，通过停止调整窗口可以使得这些重要的频率成分区分开，根据声纹信号的瞬时频率变化情况来决定最佳的窗口大小，基于该窗口获得的时频矩阵能更准确地反映声纹信号的频谱特性，从而根据该时频矩阵获得的特征更具有代表性，有助于提高声纹特征的稳定性和可靠性。