[发明专利]基于机器学习的电力设备多特征音频指纹故障诊断方法及系统

权利要求书

1.基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，包括：

训练阶段：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

诊断阶段：

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

2.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，所述电力设备包括二次设备及一次设备，一次设备可为：变电站的变压器、开关、母线以及刀闸。

3.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对训练样本进行预处理包括：预加重处理、加窗处理、端点检测处理、去噪处理，去掉冗余信息。

4.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对于观测序列提取多种特征参数分别进行识别或多个参数进行组合识别。

5.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，参数训练后得到多个HMM模型参数，其中每类故障对应一个HMM参数模型，正常工作情况下的声音也对应一个HMM参数模型。

6.如权利要求1所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，对于测试样本，提取特征，从预处理过的声音信号中提取足以代表信号特征的26维MFCC参数和26维ΔMFCC参数作为观测序列。

7.如权利要求6所述的基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，当经过结果处理后认为该观测序列为故障状态下发生时，发出报警声音，进行报警提醒。

8.基于机器学习的电力设备多特征音频指纹故障诊断系统，其特征是，包括：

音频信号采集设备、多路光电模数转换装置及计算机；

所述音频信号采集设备提取电力设备正常工作和出现故障时音频数据经过多路光电模数转换装置进行处理后转换成数字信号，并传输至数据服务器；

所述数据服务器被配置为执行以下内容：

提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；

根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；

根据观测序列对参数的初始值进行重估，进行训练；

保存重估后的HMM模型参数，则HMM模型建立完成；

获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。

9.如权利要求8所述的基于机器学习的电力设备多特征音频指纹故障诊断系统，其特征是，音频信号采集设备为光纤音频传感器，对于每个电力设备，其周边布置多个光纤音频传感器，多个光纤音频传感器将采集的信号传输至多路光电模数转换装置。

10.如权利要求9所述的基于机器学习的电力设备多特征音频指纹故障诊断系统，其特征是，多路光电模数转换装置包括光电转换器及高速模数转换器，将模拟信号转换成数字信号。