[发明专利]声音识别及电力设备故障预警方法、系统、终端及介质

权利要求书

1.一种声音识别方法，其特征在于，包括：

获取声音数据集，对所述声音数据集中的声音数据进行标注，得到标注音频信息；

对所述声音数据集中的声音数据依次通过数字信号处理和卡尔曼滤波去噪后，提取声音数据的频谱特征；

构建机器学习分类模型，采用所述标注音频信息和所述声音数据的频谱特征对所述机器学习模型进行训练后，得到基于机器学习的声音识别模型；

获取待识别音频数据，并将所述待识别音频数据依次通过数字信号处理和卡尔曼滤波去噪后，输入至所述声音识别模型，得到相应的分类结果，实现对声音的识别。

2.根据权利要求1所述的声音识别方法，其特征在于，所述对所述声音数据集中的声音数据进行标注，得到标注音频信息，采用如下方法：

采集音频文件，构建声音数据集，并对所述音频文件对应的故障类型进行标注。

3.根据权利要求2所述的声音识别方法，其特征在于，所述构建声音数据集，包括：

通过采集和/或实验室模拟的方式收集变电站中线圈类电气设备典型缺陷的音频信息；

通过采集和/或实验室模拟的方式收集变电站中开关类电气设备不同工作状态下的音频信息；

将所述线圈类电气设备和/或所述开关类电气设备的音频信息进行整理归类，构建相应的声音数据集。

4.根据权利要求1所述的声音识别方法，其特征在于，所述对所述声音数据集中的声音数据依次通过数字信号处理和卡尔曼滤波去噪后，提取声音数据的频谱特征，还包括如下任意一项或任意多项：

-所述数字信号处理，包括：预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组和离散余弦变换；

-所述卡尔曼滤波，包括：

通过电力设备本身的机械特征和放电模型特征构建其故障时的声学模型，并从中抽象出电力设备噪声离散域内的状态转移方程和观测方程，利用卡尔曼滤波器进行电力设备声音的最优估计；考虑电力设备所处的环境噪声为加性环境噪声和瞬时冲击噪声叠加构成的噪声信号，选择卡尔曼滤波器模型中的自递归模型阶数对电力设备噪声进行声增强，从而从环境噪声背景中提取出电力设备噪声，提高后续识别的准确率；-所述提取声音数据的频谱特征，包括：

根据人耳听觉特性提出基于梅尔倒谱系数MFCC的声音信号特征；声音信号经过卡尔曼滤波进行增强去噪处理和预加重后，经过若干个梅尔滤波器组，将声音信号转变为梅尔尺度下的功率谱，从而从音频信号中提取出便于进行分类的一系列特征。

5.一种声音识别系统，其特征在于，包括：

数据获取模块，该模块获取声音数据集以及待识别音频数据；

标注音频信息获取模块，该模块对所述声音数据集中的声音数据进行标注，得到标注音频信息；

数据处理模块，该模块对输入的数据进行数字信号处理和卡尔曼滤波去噪；

频谱特征获取模块，该模块针对所述数据处理模块处理后的声音数据集中的声音数据提取声音数据的频谱特征；

声音识别模型模块，该模块构建机器学习分类模型，采用所述标注音频信息和所述声音数据的频谱特征对所述机器学习模型进行训练后，得到基于机器学习的声音识别模型；将所述数据处理模块处理后的待识别音频数据输入至所述声音识别模型，得到相应的分类结果，实现对声音的识别。

6.一种电力设备故障预警方法，其特征在于，包括：

获取电力设备故障声音数据集，对所述故障声音数据集中的声音数据进行标注，得到标注音频信息；

对所述故障声音数据集中的声音数据依次通过数字信号处理和卡尔曼滤波去噪后，提取声音数据的频谱特征；

构建机器学习分类模型，采用所述标注音频信息和所述声音数据的频谱特征对所述机器学习模型进行训练后，得到基于机器学习的故障声音识别模型；

获取待识别音频数据，并将所述待识别音频数据依次通过数字信号处理和卡尔曼滤波去噪后，输入至所述故障声音识别模型，得到相应的分类结果，实现对电力设备故障声音的识别，进而根据声音识别结果对电力设备故障进行预警。