[发明专利]一种基于变电站巡检机器人的设备声音识别方法

说明书

技术领域

本发明涉及一种基于变电站巡检机器人的设备声音识别方法。

背景技术

长期以来，我国电力行业变电站设备多采用人工巡检作业方式。在高压、超高压以及雷雨等恶劣气象条件下，人工巡检存在较大安全风险，并且检测到的数据也无法准确、及时地接入管理信息系统，对电网安全运行带来一定隐患。

采用机器人技术进行变电站巡检，既具有人工巡检的灵活性和智能性，又能克服和弥补人工巡检作业过程中存在的缺陷和不足，是智能和无人值守变电站巡检技术的发展方向。变电站设备巡检机器人系统以自主或遥控的方式，在无人值守或少人值守的变电站对室外高压设备进行巡检，可及时发现电力设备的热缺陷、异物悬挂等设备异常现象，自动报警或进行预先设置好的故障处理，巡检机器人运行灵活自由，真正起到减员增效的作用，能更快地推进变电站无人值守的进程。

变压器和高抗是变电站中的两种重要设备，以往有经验的工作人员通过判断设备发出声音是否异常了解设备的运行状况，甚至还能通过异常声音得到故障的原因。然而，目前巡检机器人还不具备设备声音识别的功能，因而无法通过声音识别的方式对变电站设备运行状态进行有效识别。

在语音识别技术领域中，特征提取是关键，采用什么样的特征进行语音识别将直接关系到识别效果，因此需要得到能够有效代表信号又彼此相互独立的特征量。语音识别中经常用到的特征有子带特征、MFCC或LPCC等特征，此类特征多以频带作为特征提取单位。

例如MFCC通常的做法是将信号有效频段划分为24个频带，利用24个MEL三角形滤波器对每个频带进行加权求和得到24维特征矢量并且采用倒谱方法，由于语音信号的产生模型包括声门激励模型和声道模型，而倒谱方法刚好可以把这两个乘性关系的模型转化成线性加性模型，因此此类特征应用于语音信号识别等问题时具有较好的效果，但是变电站设备运行声音的产生模型和语音不同。LPCC特征是基于线性预测分析得到的倒谱参数，虽然线性预测LPC方法可以用于声音信号分析，但LPC方法是一种参数化的模型方法，建模时需要知道信号所包含频率分量的个数，对于变电站设备运行声音而言，包含的频率分量存在较大波动，难以确定信号中边包含频率分量的个数。

综上所述，常用的语音识别类特征不宜用于设备声音识别。

发明内容

本发明为了解决上述问题，提出一种基于变电站巡检机器人的设备声音识别方法，该方法基于声音谐波特征及矢量量化实现对设备运行状态的准确识别，有助于更快地推进变电站无人值守的进程。

为了实现上述目的，本发明采用如下技术方案：

一种基于变电站巡检机器人的设备声音识别方法，具体包括以下步骤：

(1)变电站巡检机器人拾音器采集巡检过程中的变压器和高抗设备声音作为声音样本，组成样本库；

(2)对样本库中的各种变压器和高抗设备运行声音进行加窗、分帧和傅里叶变换，得到每种变压器和高抗设备运行声音对应的声音频谱，在设定的声音频谱范围内提取出巡检机器人拾音器工频倍数位置处的谐波频谱作为特征量，得到各种变压器和高抗设备运行声音对应的特征矢量并组成特征矢量库；

(3)利用LBG算法对得到的特征矢量库进行训练，得到最佳变压器码本和最佳高抗码本并组成码本样本库；

(4)计算步骤(2)中得到的特征矢量与步骤(3)得到的码本样本库中各码字间的距离，选取最小值与设定阈值对比，若距离最小值小于设定阈值，判定识别为正常状态，若距离最小值大于设定阈值，判定识别为异常状态并报警。

所述步骤(2)中，特征矢量的提取方法包括以下步骤：

(2-1)利用汉宁窗对输入的样本声音信号进行加窗、分帧；

(2-2)对每一帧加窗后的声音信号进行离散傅里叶变换计算；

(2-3)从离散傅里叶变换后得到的每帧声音信号中得到设定范围内每50Hz时对应的谐波频谱。

所述步骤(2-1)的具体方法为：汉宁窗的计算公式如下：

加窗后的信号为：

y_hw(n)＝y(n)·h(n)，0≤n≤N-1，其中，y(n)为原样本声音信号，N为窗口长度，N取1600，n代表窗口长度内的第n个值。

所述步骤(2-2)的具体方法为：对每一帧加窗后的声音信号进行离散傅里叶变换计算，0≤n≤N-1，

此处得到的频谱分辨率为：f_s为采样频率。