[发明专利]一种基于多频段自监督的变压器声纹异常检测方法

权利要求书

1.一种基于多频段自监督的变压器声纹异常检测方法，其特征在于：该方法包括下列顺序的步骤：

(1)对变压器的声纹数据进行采集和预处理；

(2)对采集的声纹数据进行特征提取，得到针对变压器的压缩频率特征；

(3)设计一个自监督的多层全连接神经网络模型，并自监督学习变压器的工作声纹数据特征，判断声纹数据特征之间的差异；

(4)在自监督学习中，当输入连续的声纹数据特征时，多层全连接神经网络模型输出连续的声纹数据异常监测差异度结果，获得异常频率特征向量集合；

(5)使用模板匹配算法进行异常频率特征向量的识别检测，对异常频率特征进行分离注册，实现泛化性的识别检测。

2.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(1)具体是指：对采集的变压器的声纹数据进行分段、分帧与加窗处理，将输入的每个声纹数据划分为一系列时域谱数据帧，共Z帧，记为：

W＝[w₁,w₂,...,w_Z]

使用离散傅里叶变换，将时域谱数据帧转换为频域谱数据帧，记为：

F＝[f₁,f₂,...,f_Z]。

3.根据权利要求1所述的基于多频段自监督的变压器声纹异常检测方法，其特征在于：所述步骤(2)具体包括以下步骤：

(2a)针对变压器声纹频率范围[f_low,f_high]，按照1000Hz为一个区间，将频率分为一组频率区间集合{F₁,F₂,…,F_N}；

(2b)对F₁区间，压缩频率c_i与原始频率f_i对应关系如下，

其中，A₁为频率补偿系数，k₁为该区间压缩倍率，k₁取5、10、20三种倍率；

(2c)对除F₁以外的区间F_n≠1，压缩频率c_i与原始频率f_i对应关系如下，

其中，A_n、A_m为第n与第m区间的补偿系数，k_n、k_m为第n与第m区间的压缩倍率，k_m≠1满足：

其中，B为指数补偿系数；

(2d)F₁区间中50Hz的倍频集合记为F_50Hz＝{50,100,...,950,1000}，对应的压缩频率集合记为：

C_50Hz＝{c_50Hz,...,c_1000Hz}

非F₁区间的压缩区间关键频率集合记为：

C_m≠1＝∪_m≠1C_m

其中，C_m表示第m区间的压缩频率集合；

按照计算精度要求，按照频段I选取：

其中，D_m表示第m区间的密度补偿系数，floor(·)表示向下取整操作，由此获得全部关键频率的对应压缩频率集合：

C_key＝C_50Hz∪C_m≠1＝{c₁,c₂,...,c_K}

其中，K为关键频率总数，则对应的原始关键频率记为：

F_key＝{f₁^key,f₂^key,...,f_K^key}；

(2e)以每个关键帧为区间中心，选取左右相邻关键帧中间距离作为区间边界，使用区间内频谱幅度最大值作为该关键帧的代表值，表示为：

其中，为声纹频率谱线，由此获得关键频率向量作为针对变压器的压缩频率特征，P为特征向量维度的数量，表示为：

v_key＝[v₁,...,v_P]。