[发明专利]一种基于改进MFCC和K近邻的变压器故障声音识别方法

说明书

本发明公开了一种基于改进MFCC和K近邻的变压器故障声音识别方法。首先使用Z‑score标准化等手段对音频进行预处理；然后提取MFCC特征参数矩阵；接着使用PCA进行数据降维，减少特征数；再对MFCC特征参数矩阵沿时轴做平均将其降为特征向量；最后使用K近邻算法识别改进的MFCC特征向量得到识别结果。本发明能够实现对变压器故障声音的在线监测，同时相比传统MFCC其数据量与运算量大幅度缩小，而识别率小幅度提升。

技术领域

本发明涉及的是一种基于改进MFCC和K近邻的变压器故障声音识别方法，属于变压器故障在线监测领域。

背景技术

近年来，对变压器的故障识别从线下检修向在线监测逐渐转变。相比传统的电气设备故障识别方式，声音识别具有非接触式，体积小，成本低廉，传声器安装便捷等天然优点。随着科大讯飞、云知声等独角兽企业的崛起以及人工智能语音识别技术的不断发展，该技术在工业监测领域应用具备可行性。在电力设备常规巡检过程中，一些有经验的巡检人员可以通过设备的可听声来辨别其运行工况及异常和故障。使用声音识别技术，采用人工智能的方法替代人工巡检中的巡检“老员工”将是泛在电力物联网的发展方向。通过对放电声音识别的研究，也有将技术成果推广至部件松动和过负荷等其他伴随声信号发射的电气设备故障类型的可能，具有相当的社会经济效益。

目前对电气设备故障声音的识别主要采用MFCC特征提取算法加上支持向量机等辨识算法的模式。然而传统的MFCC特征参数提取方法提取的特征数目庞大，容易在算法训练中造成过拟合，也对样本数量，硬件运算能力等提出了比较高的要求。因此提出了一种基于改进MFCC和K近邻的变压器故障声音识别方法，通过将声音信号预处理后提取MFCC特征构成声谱图，再对MFCC特征参数矩阵进行PCA降维和时轴平均处理，最后使用K近邻算法辨识，可以很大程度上减少对样本数量的要求并降低运算量。

发明内容

为解决上述问题，本发明提出一种基于改进MFCC和K近邻的变压器故障声音识别方法。

本发明是通过以下技术方案实现的：

首先使用Z-score标准化等手段对音频进行预处理；然后提取MFCC特征参数矩阵；接着使用PCA进行数据降维，减少特征数；再对MFCC特征参数矩阵沿时轴做平均将其降为特征向量；最后使用K近邻算法识别改进的MFCC特征向量得到识别结果。

具体实现如下：

一种基于改进MFCC和K近邻的变压器故障声音识别方法，其特点在于：该方法包括如下步骤：

步骤1：通过Z-score标准化对采样音频进行标准化预处理；

步骤2：提取MFCC特征参数矩阵，具体步骤如下：

步骤2.1：将音频信号通过高通滤波器，进行高频预加重，突出高频共振峰，高通滤波器的传递函数H(z)如下

H(z)＝1-μz^-1,0.9＜μ＜1.0 (6)

式中，z是z变换后的信号，μ为每一帧的均值；

步骤2.2：进行内部分帧加窗处理，对每一帧通过快速傅里叶变换，得到音频各短时片段的频谱，对其取模的平方后即为功率谱；

步骤2.3：将功率谱通过三角滤波器组，三角滤波器组的传递函数H_m(z)如下：

式中，f(m)表示第m个三角滤波器的中心频率，z是z变换后的信号；

步骤2.4：对滤波器组输出的取对数并进行离散余弦变换得到MFCC系数矩阵A，其纵轴指示时间，横轴指示频率，各元素分别代表对应时间点的频谱能量，公式如下：