[发明专利]一种变压器声纹异常检测方法

说明书

本发明公开了一种变压器声纹异常检测方法，属于人工智能技术领域，包括：获取待检测的变压器声纹数据；利用去躁模型U‑net对变压器声纹数据进行去躁处理，得到去躁后的变压器声纹数据；使用Mel频谱特征提取方法，对去躁后的变压器声纹数据进行特征提取，得到Mel频谱特征；利用检测模型G‑MADE对Mel频谱特征进行检测，得到变压器声纹数据的得分；根据变压器声纹数据的得分，判断变压器是否正常。本发明对相关噪声进行去躁，确保数据准确，检测模块使用了可以体现数据时序关系的模型，更符合客观业务场景，建模时，主要使用了无标注的正常样本数据，解决了大数据环境下，标注数据少，标注成本高，异常样本少的问题。

技术领域

本发明涉及人工智能技术领域，特别涉及一种变压器声纹异常检测方法。

背景技术

声纹识别技术是生物识别技术的一种，根据语音波形中反映说话人生理和行为特征的语音参数，自动识别说话人身份的技术。声纹识别的原理是通过预先录入说话人的声音样本，提取说话人独一无二的语音特征并保存在数据库中，应用时将待验证的声音与数据库中的特征进行匹配，从而决定说话人的身份。

将声纹识别技术应用在工业领域，通过设备在正常运行/各类故障状态下声纹表现不同，收集、标注设备各类工况下历史声纹数据并构建模型，进而在实际场景中自动化的识别设备故障隐患。但是由于实际场景中，设备数据基本都是正常数据，很少有异常数据出现，因此传统的监督学习方法不能很好的应用在这里，因而使用一种无监督学习方法——G-MADE(Group-Maskedautoencoder)自编码器。

现有的一些技术方案存在的缺陷在于：

(1)从数据预处理的角度，现有的方案中，大多数考虑的是理想情况下的数据，没有考虑实际场景下数据噪声的问题(如车声、脚步声等)，一些方案中提到了数据降噪的问题，但是处理方法是将降噪过程与用于检测异常的自编码模型构建过程融合，降低了降噪效果的可解释性。

(2)从特征提取的角度，现有的方案中，有使用自然语言技术对声纹数据进行特征的提取；亦有使用关联规则挖掘技术对声纹数据进行特征的提取，但是都没有使用更加适用于声纹数据的频谱特征提取方法，有些方案中提到了频谱特征提取，不过并未将提取到的频谱特征当作图像数据进行后续模型构建，忽略了数据内在的时间序列关系。

(3)从模型的角度，现有的方案中，有使用传统的自编码器结构，该结构无法利用训练好的模型重构数据，即不能定性的评价模型的好坏。而且这种像素点对应的学习方式一定程度上违背了对于正常数据模式学习的目标；有使用了变分自编码器，其是一种学习数据分布的自编码器，可以用于数据的生成，优化了传统自编码器的不足，但是该模型没有对时间序列关系建模。

发明内容

本发明的目的在于克服上述背景技术中的不足，提高变压器声纹异常检测的准确性。

为实现以上目的，采用一种变压器声纹异常检测方法，包括：

获取待检测的变压器声纹数据；

利用去躁模型U-net对变压器声纹数据进行去躁处理，得到去躁后的变压器声纹数据；

使用Mel频谱特征提取方法，对去躁后的变压器声纹数据进行特征提取，得到Mel频谱特征；

利用检测模型G-MADE对Mel频谱特征进行检测，得到变压器声纹数据的得分；

根据变压器声纹数据的得分，判断变压器是否正常。

进一步地，所述去躁模型U-net的损失函数采用加权SDR损失，公式表示如下：

其中，为所述去躁模型U-net的输出，y为实际标签值，作为去躁模型U-net的输入值，∝表示正比于。

进一步地，在所述获取待检测的变压器声纹数据之前，还包括：