一种电力设备声纹识别监测系统的制作方法

本发明涉及声纹识别，尤其涉及一种电力设备声纹识别监测系统。

背景技术：

1、电力设备声纹识别是电力行业中的一个新兴领域，随着传感技术、大数据和人工智能的进步，设备生成的声音可以更容易地采集和分析、大数据技术的普及使得处理大量声音数据变得更加可行、人工智能技术的进步提供了更强大的声纹识别工具，这些都使得电力设备声纹识别也随之不断发展。在设备健康监测、安全性和可靠性提升、实时监测、自动化运维和能源效率提升方面均有广泛的应用前景。

2、现有的电力设备声纹识别监测系统通过以下技术实现，包括：声音分析：声音分析是通过监测和分析电力设备产生的声音来了解其状态和性能的技术。这包括声学特征提取和信号处理。机器学习和深度学习：机器学习和深度学习技术被广泛应用于声纹识别，用于训练模型以区分设备特定声音特征。噪音过滤和降噪技术：电力设备通常在嘈杂的环境中运行，因此需要噪音过滤和降噪技术来提高声音信号的质量。

3、例如公开号为：cn114371353a公开了一种基于声纹识别的电力设备异常监测方法及系统，包括：通过采集预设周期内电力设备正常运行的第一声音信号并进行去噪处理、ad转换获取第一声纹数据；对第一声纹数据进行音频频谱分析，提取第一音频特征存储至第一音频数据库；实时采集电力设备运行的第二声音信号并进行去噪处理、ad转换获取第二声纹数据；对第二声纹数据进行音频频谱分析，提取第二音频特征；通过神经网络识别判断第一音频数据库中是否存在第二音频特征：若否，则发出异常报警信号。

4、例如公开号为：cn116705039a公开了一种基于ai的电力设备声纹监测系统及方法，包括：声纹采集模块用于采集声纹信号；数据处理模块用于获取声纹信号并进行预处理；声纹识别模块用于识别出目标电力设备以及目标电力设备对应的声纹信号数据；故障识别模块用于判断目标电力设备是否出现故障以及对故障类型的识别；故障预警模块，用于向管理者发出警报。

5、但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

6、现有技术中，由于电力设备变化的工况和设备多样性使得声音特征繁杂多样使得监测系统无法正确识别不同类型的声音特征，存在不能有效提高电力设备声纹识别监测的综合正确率的问题。

技术实现思路

1、本技术实施例通过提供一种电力设备声纹识别监测系统，存在不能有效提高电力设备声纹识别监测的综合正确率的问题，实现了提高电力设备声纹识别监测的准确性的效果。

2、本技术实施例提供了一种电力设备声纹识别监测系统，包括：声纹数据采集模块，用于采集电力设备声纹数据；声纹识别综合监测模块，用于根据声纹监测评估数据，构建声纹识别综合监测系数模型；声纹监测分析模块，用于获取声纹识别综合监测模块计算得到的声纹识别综合监测系数，并将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，判断电力设备是否出现故障。

3、进一步的，所述声纹监测分析模块具体分析方法为：故障监测对比判断：将声纹识别综合监测系数与预定义声纹识别综合监测系数阈值对比，若声纹识别综合监测系数在预定义误差允许范围外，则判断出现电力设备故障；故障类型判断：根据历史电力设备故障监测数据，生成电力设备故障监测训练集，将当前电力设备故障数据与训练集中的数据进行对比，若对比的两组数据相同，则判断为历史故障，否则，判断为新故障；数据训练和反馈：对新故障数据加入电力设备故障监测训练集并对电力设备故障监测训练集进行数据训练，判断故障的准确性并反馈。

4、进一步的，所述声纹数据采集模块，用于采集电力设备声纹数据的具体方法为：电力设备各部件编号：将待监测电力设备中各类别电力设备部件记为各类电力设备部件，将各类电力设备部件按照预定义顺序依次编号；电力设备机械运动声纹采集：采集各类电力设备部件中机械运动的声纹数据，提取各类电力设备部件中机械运动的声纹参数特征数据，得到各类机械运动声纹数据组；电力设备电器元件声纹采集：采集各类电力设备部件中电器元件的声纹数据，提取各类电力设备部件中电器元件的声纹参数特征数据，得到各类电器元件声纹数据组；电力设备材料特征声纹采集：采集各类电力设备部件中材料特征的声纹数据，提取各类电力设备部件中材料特征的声纹参数特征数据，得到各类材料特征声纹数据组；电力设备工况变化声纹采集：采集各类电力设备部件中工况变化的声纹数据，提取各类电力设备部件中工况变化的声纹参数特征数据，得到各类工况变化声纹补正数据组；电力设备振动频率声纹采集：采集各类电力设备部件中振动频率的声纹数据，提取各类电力设备部件中振动频率的声纹参数特征数据，得到各类振动频率声纹补正数据组。

5、进一步的，所述构建声纹识别综合监测系数模型公式如下：式中，a0＝1,2,...,a，a0表示各类电力设备部件的类别编号，a表示各类电力设备部件的类别编号总数，α表示声纹识别综合监测系数；表示第a0类机械运动声纹评估指数，表示第a0类电器元件声纹评估指数，表示第a0类材料特征声纹评估指数，表示第a0类工况变化声纹评估补正系数，表示第a0类振动频率声纹评估补正系数，和分别表示第a0类机械运动声纹评估指数和第a0类电器元件声纹评估指数对声纹识别综合监测系数的准确性权重因子，和分别表示第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数对声纹识别综合监测系数的补正权重因子，表示各类时间点采样频率对第a0类工况变化声纹评估补正系数和第a0类振动频率声纹评估补正系数的影响匹配因子，e表示自然常数。

6、进一步的，所述机械运动声纹评估指数的具体计算公式为：式中，表示第a0类机械运动声纹数据组的电动机声纹特征数据，表示第a0类机械运动声纹数据组的预定义电动机声纹特征标准数据，表示第a0类机械运动声纹数据组的发电机声纹特征数据，表示第a0类机械运动声纹数据组的预定义发电机声纹特征标准数据，表示第a0类机械运动声纹数据组的齿轮声纹特征数据，表示第a0类机械运动声纹数据组的预定义齿轮声纹特征标准数据，和分别表示第a0类机械运动声纹数据组的电动机声纹特征数据、发电机声纹特征数据和齿轮声纹特征数据对应第a0类机械运动声纹评估指数的权重因子。

7、进一步的，所述电器元件声纹评估指数的具体计算公式为：式中，表示第a0类电器元件声纹数据组的电器元件声纹特征数据综合重合度，表示第a0类电器元件声纹数据组的变压器声纹特征数据，表示第a0类电器元件声纹数据组的预定义变压器声纹特征标准数据，表示第a0类电器元件声纹数据组的电气开关声纹特征数据，表示第a0类电器元件声纹数据组的预定义电气开关声纹特征标准数据，表示第a0类电器元件声纹数据组的电容器声纹特征数据，表示第a0类电器元件声纹数据组的预定义电容器声纹特征标准数据，表示第a0类电器元件声纹数据组的预定义电容器电气特性声纹影响修正因子，和分别表示第a0类电器元件声纹数据组的变压器声纹特征数据、电气开关声纹特征数据、电容器声纹特征数据和电器元件声纹特征数据综合重合度对应第a0类电器元件声纹评估指数的权重因子。

8、进一步的，所述材料特征声纹评估指数的具体计算公式为：式中，表示实际环境综合特征数据，θ表示实际环境影响材料声纹特征匹配影响系数，表示第a0类材料特征声纹数据组的金属材料声纹特征数据，表示第a0类材料特征声纹数据组的塑料材料声纹特征数据，表示第a0类材料特征声纹数据组的橡胶材料声纹特征数据，μ表示橡胶材料声纹特征数据对各类材料特征声纹评估指数的负向影响匹配系数,和分别表示第a0类材料特征声纹数据组的变压器金属材料声纹特征数据、塑料材料声纹特征数据、橡胶材料声纹特征数据对应第a0类材料特征声纹评估指数的影响匹配因子，表示第a0类材料特征声纹评估指数对应的第a0类机械运动声纹评估指数匹配修正系数。

9、进一步的，所述工况变化声纹评估补正系数的具体计算公式为：式中，将第a0类工况变化声纹补正数据组对应的电力设备部件启停工况到正常运行工况的时间段按照预定义监测时间点间隔启停工况到正常运行工况的时间段并依次编号对应的监测时间点记为启停时间点，b0＝1,2,...,b，b0表示启停时间点的编号，b表示启停时间点的编号总数，将第a0类工况变化声纹补正数据组对应的电力设备部件过载工况到正常运行工况的时间段按照预定义监测时间点间隔过载工况到正常运行工况的时间段并依次编号对应的监测时间点记为过载时间点，c0＝1,2,...,c，c0表示过载时间点的编号，c表示过载时间点的编号总数，表示第a0类工况变化声纹补正数据组第b0个启停时间点的声纹特征数据，表示第a0类工况变化声纹补正数据组第b0个过载时间点的声纹特征数据，表示第a0类工况变化声纹补正数据组对应的电力设备部件正常运行工况的声纹特征数据，γ1表示电力设备部件启停工况对应机械振动的补正因子，γ2表示电力设备部件过载工况对应机械振动的补正因子，和分别表示第a0类电器元件声纹数据组对应的电力设备部件启停工况的声纹特征数据和第a0类电器元件声纹数据组对应的电力设备部件过载工况的声纹特征数据对应第a0类工况变化声纹评估补正系数的权重因子。

10、进一步的，所述振动频率声纹评估补正系数的具体计算公式为：式中，将第a0类振动频率声纹补正数据组对应的电力设备部件声纹数据采集频率点按照预定义采集频率采集的时间点记为采样时间点，d0＝1,2,...,d，d0表示采样时间点的编号，d表示采样时间点的编号总数，表示第a0类振动频率声纹补正数据组第d0个采样时间点的主要振动频率声纹特征数据，表示第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据，和分别表示第a0类振动频率声纹补正数据组对应的第d0个采样时间点的主要振动频率声纹特征数据和第a0类振动频率声纹补正数据组第d0个采样时间点的谐波频率声纹特征数据对应第a0类振动频率声纹评估补正系数的权重因子。

11、进一步的，所述数据训练和反馈还包括：若检测到新故障，则根据预定义故障监测算法对电力设备故障监测训练集计算生成电力设备故障解决方案，立即通知相关人员按照电力设备故障解决方案处理电力设备故障并将电力设备故障处理实际情况反馈，根据反馈的电力设备故障处理实际情况判断电力设备声纹识别监测的准确性并加入已有的电力设备故障监测训练集，并根据电力设备故障监测训练集对新故障数据进行数据训练。

12、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

13、1、通过构建声纹识别综合监测系数模型并对电力设备声纹数据进行机械运动声纹评估、电器元件声纹评估、材料特征声纹评估、工况变化声纹评估和振动频率声纹评估得到声纹识别综合监测系数，从而根据声纹识别综合监测系数在声纹监测分析模块中判断电力设备是否出现故障，对判断结果分析准确性并根据相关人员现场处理反馈结果进行数据训练，进而提高电力设备声纹识别监测的准确性，有效解决了现有技术中，存在不能有效提高电力设备声纹识别监测的综合正确率的问题。

14、2、通过声纹监测分析模块故障监测对比判断、故障类型判断和数据训练和反馈，便于进行早期故障检测和故障类型准确判断，将新的故障数据加入训练集，并对训练集进行数据训练，从而通过历史故障数据的分析，可以为未来的设备维护和改进提供数据支持，进而实现了提高电力设备声纹识别监测的决策支持性。

15、3、通过数据训练和反馈，通过在检测到新故障时及时生成故障解决方案并通知相关人员，将反馈数据加入训练集有助于提高声纹识别监测的准确性，从而提高了电力设备声纹识别监测系统的快速响应能力，有效的故障解决方案和准确的监测系统可以降低维护成本，进而实现了提高电力设备声纹识别监测的可持续性。