[发明专利]一种多算法融合声音识别电力设备故障方法及系统

说明书

本发明涉及一种多算法融合声音识别电力设备故障方法及系统，所述方法包括以下步骤：S1、多算法融合声音识别模型预训练，根据多算法声音识别情况，赋予多算法不同的权重，使得经过加权后的多算法融合声音识别模型能有效地识别不同情况下的电力设备故障声音样本；S2、对电力设备声音样本进行处理、分类，乘以赋予的不同权重得到电力设备声音样本最终分类结果，根据最终分类结果识别电力设备故障；S3、工作人员对识别的电力设备故障是否正确进行反馈，使用正确的电力设备故障声音样本训练多算法融合声音识别模型，更新多算法参数、调整多算法权重，进一步提高多算法融合声音识别模型识别准确率。有益效果是覆盖面全、准确率不断提高。

【技术领域】

本发明涉及电站设备故障分类技术领域，具体涉及一种多算法融合声音识别电力设备故障方法及系统。

【背景技术】

在计算机领域，基于机器学习的声音检测、分类技术是一个重要的人工智能应用方向。声音检测技术的研究目标是根据采集的声音，提取其有效特征，利用算法对音频进行分类。

在电力行业，利用声音对电力设备状态进行检测，正逐渐成为智能电网的一个重要组成部分。传统的电力设备检测方式，存在检测设备笨重，移动和安装困难，故障分析手段复杂，依赖人工判断等问题，无法长时间对电力设备进行检测，只能采取巡检的方式。而利用电力设备的声音来对其运行状态进行监测和诊断，声音传感器和服务器分离，只需将传感器部署在电力设备附近，就能长时间地检测电力设备的运行状况，简单方便。但是，电力设备声音检测存在工作环境复杂、声音样本多样的情况，使用算法对声音进行识别可能存在覆盖面不足的问题。

梅尔(Mel)频率是由研究人员跟据人耳听觉机理提出，它与赫兹(Hz)频率成非线性对应关系。MFCC(Mel-frequency cepstral coefficients，简称MFCC)则利用两者之间的非线性关系，计算得到Hz频谱特征。MFCC的计算包括预加重，分帧，加窗，快速傅里叶变换，梅尔滤波器组(梅尔频率转换)，离散余弦变换(Discrete Cosine Transform，简称:DCT)，动态特征等过程。

Raspberry Pi(中文名为“树莓派”，简写为RPi，或者RasPi/RPI)是为学习计算机编程教育而设计，只有信用卡大小的微型电脑，其系统基于Linux，随着Windows 10IoT的发布，将产生运行Windows的树莓派。

本发明针对现有技术存在的电力设备声音识别覆盖面不足的技术问题，对基于声音特征识别电力设备故障方法进行了技术改进。

【发明内容】

本发明的目的是，提出一种基于声音特征，覆盖面全、准确率不断提高的电力设备故障诊断方法。

为实现上述目的，本发明采取的技术方案是一种多算法融合声音识别电力设备故障方法，包括以下步骤：

S1、多算法融合声音识别模型预训练，根据多算法声音识别情况，赋予多算法不同的权重，使得经过加权后的多算法融合声音识别模型能有效地识别不同情况下的电力设备故障声音样本；

S2、使用步骤S1训练好的多算法融合声音识别模型使用多算法对电力设备声音样本进行处理、分类，乘以步骤S1赋予的不同权重得到电力设备声音样本最终分类结果，根据最终分类结果识别电力设备故障；

S3、工作人员对步骤S2识别的电力设备故障是否正确进行反馈，使用正确的电力设备故障声音样本训练多算法融合声音识别模型，更新多算法参数、调整多算法权重，进一步提高多算法融合声音识别模型识别准确率。

优选地，所述多算法融合声音识别模型是指随机森林算法、ResNet算法、Transformer算法三算法融合声音识别模型。

优选地，上述的一种多算法融合声音识别电力设备故障方法，步骤S1具体包括以下步骤：

S11、首先，通过在实验室进行实验或者现场采集的方式，得到电力设备在不同状态下的声音；