[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

说明书

本发明提供了一种声音识别方法及系统，对声音数据集中的声音数据进行标注，得到标注音频信息；对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，采用标注音频信息和声音数据的频谱特征对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，输入至声音识别模型，得到相应的分类结果，实现对声音的识别。同时提供了一种基于该声音识别方法的电力设备故障预警方法及系统，根据声音识别结果对电力设备故障进行预警。本发明提高了声音识别的准确率，进而提高了电力设备故障检测的准确率。

技术领域

本发明涉及声音检测技术领域，具体地，涉及一种基于卡尔曼滤波和机器学习的声音识别及电力设备故障预警方法、系统、终端及介质。

背景技术

在电力行业中，电力设备的检测存在检测过程影响设备正常工作、故障分析困难等问题；同时，由于电力设备的运行环境复杂，在其运行时录制的音频存在着许多杂音，影响最后的识别效率，且影响对故障预测的准确度。因此，如何对获取的声音信号进行预处理和去噪成为了本领域中的一个技术难题。本发明采用了利用卡尔曼滤波器进行信号增强从而降低环境噪音对待检测音频的影响，通过对电力设备的声学特征进行建模构造卡尔曼滤波器中的转移模型和观测模型，实现了对特定电力设备采集声音的环境噪音去除。

在计算机领域，基于机器学习的声音检测、分类技术是人工智能的一个重要部分。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，根据特征对音频进行分类。现有的电气设备声音检测技术，通常采用振动检测法的方法，这种方法一般存在如下技术问题：

声音的产生由质点的振动引起，变压器的噪声主要来源是油箱、绕组、铁芯及冷却装置风扇等发生振动，由此可通过检测变压器箱体的振动来判断变压器内部的绝缘状况。振动检测法所得到的数据通常不能明显的表征电气设备的故障信息，而且振动参量比较难以检测，且得到的信号强度较弱和杂乱，很难即使判断设备的故障类型以及信息。许多电气设备发生故障时其振动参量的变化很小，给后续数据处理以及算法分类工作造成了许多麻烦。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种基于卡尔曼滤波和机器学习的声音识别及电力设备故障预警方法、系统、终端及介质。

根据本发明的第一个方面，提供了一种声音识别方法，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。

优选地，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，包括：

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。

优选地，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。