[发明专利]一种变电站中的噪音分析方法

权利要求书

1.一种变电站中的噪音分析方法，其特征在于，包括以下步骤：

步骤1：采集设备声音，进行预处理，获得能准确代表声音信息的声音段信号，所述预处理包括依次进行预加重、分帧加窗和端点检测；

步骤2：对预处理后的声音段信号进行MFCC特征参数的提取；

步骤3：对MFCC特征参数进行深度学习，构建一个基于卷积神经网络的模型，对该模型进行训练和测试后，输出识别结果。

2.根据权利要求1所述的一种变电站中的噪音分析方法，其特征在于：所述步骤1的详细步骤包括：

步骤1.1：通过搭载麦克风阵列对不同设备的声音序列进行采集；

步骤1.2：采用一阶数据滤波器对步骤1.1采集的声音信号进行预加重，所述一阶数据滤波器的表达式为：

H(z)＝1-μz^-1，

其中，μ为预加重系数；

步骤1.3：利用交叉分帧的方法对步骤1.2预加重后的声音信号进行处理，再采用Hamming窗进行加窗处理，得到声音信号x(n)，所述Hamming窗的表达式为：

其中，n为窗的宽度；

步骤1.4：根据变电站设备的声音具有短时、能量大且容易计算的特点，采用基于短时能量和短时平均过零率的双门限比较法对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，确定声音信号的起始位置和终点位置，从而获得能准确代表声音信息的声音段信号。

3.根据权利要求2所述的一种变电站中的噪音分析方法，其特征在于：所述步骤1.4的详细步骤包括：

步骤1.4.1：对步骤1.3分帧加窗后的声音信号x(n)进行端点检测，根据短时能量E(i)，通过一个门限值E_h来初步确定声音的大致位置；

步骤1.4.2：通过一个门限值E₁进一步确定声音的起始点和终点，从而确定声音信号的声音段，其中，E₁＜E_h；

步骤1.4.3：通过门限值T，以及根据越过该门限值T的过零率，得到短时平均过零率，再根据短时平均过零率精确判定声音的起始位置和终点位置，从而准确获得能代表声音信息的声音段信号，其中，T＜E₁。

4.根据权利要求3所述的一种变电站中的噪音分析方法，其特征在于：所述步骤1.4.1中的短时能量E(i)的表达式为：

其中，E(i)表示声音信号第i帧的短时能量，L为帧长，fn为总帧数，x_i(n)是声音信号x(n)被分帧加窗后的第i帧信号：

x_i(n)＝w(n)×x((i-1)×inc+n)，1≤n≤L，1≤i≤fn，

其中，inc为帧移长度，w(n)为矩形窗。

5.根据权利要求3所述的一种变电站中的噪音分析方法，其特征在于：所述步骤1.4.3中的短时平均过零率主要考察每一帧信号通过零值的次数，其表达式为：

其中，x_i(n)为第i帧声音信号，sgn[]为符号函数。

6.根据权利要求1所述的一种变电站中的噪音分析方法，其特征在于：所述步骤2的详细步骤包括：

步骤2.1：对预处理后声音段信号进行快速傅里叶变换，获得声音段信号的线性频谱X_a(k)：

步骤2.2：计算线性频谱X_a(k)的能量谱|X_a(k)|²，将能量谱|X_a(k)|²通过一组三角滤波器组进行带通滤波，再对滤波器组的输出取对数，得到S(m)：

其中，H_m(k)是每个三角滤波器的频率响应，其表达式为：

其中，f(m)为中心频率，m＝1，2，...，M，M为三角滤波器的个数；

步骤2.3：对S(m)进行离散余弦变换，得到表征声音信号特征的MFCC特征参数C(n)：

7.根据权利要求1所述的一种变电站中的噪音分析方法，其特征在于：所述步骤3中基于卷积神经网络的模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层，所述第一池化层和第二池化层均采用最大池化的计算方式。