[发明专利]基于水电机声纹识别的故障预警系统和方法

权利要求书

1.一种基于水电机声纹识别的故障预警系统，其特征在于，包括：分布式的单模光纤、光发射模块、数据采集分析系统对对水电机组利用声纹识别以进行故障预警；

其中所述分布式的单模光纤用于感知振动以采集水电机组的声纹信号，并发送至数据采集分析系统；

数据采集分析系统，用于接收单模光纤采集到的水电机组的声纹信号，并对声纹信号进行音频数据还原、信噪比评估、信号处理、特征提取、推理分析；

其中所述数据采集分析系统包括：光发射模块、光信号采集模块、通信服务模块、数据预处理模块、数据分析模块、智能识别模块；其中，

光发射模块，用于向分布式的单模光纤发射一定频率、一定带宽的光脉冲；

光信号采集模块，用于接收、采集光纤中反射，散射回的光信号；

通信服务模块，用于通信的服务端，为系统内部和外部提供对应的数据接口；

数据预处理模块，用于将光信号采集模块采集获取到的光信号解析成数字信息数据；

数据分析模块，用于接受数据预处理模块获取到的信息数据，对于信息数据进行分析处理以筛选过滤出使用的声音与振动的相关数据，进行声音降噪处理；

智能识别模块，用于通过人工智能对采集到的数据进行识别分类，找到需要报警的声音与振动数据，提交至集中展现预警系统。

2.根据权利要求1所述的基于水电机声纹识别的故障预警系统，其特征在于，还包括：三维可视化模块，用于监控机组周边的存在的异常情况并以三维可视化的形式展现，并在对应位置显示详细报警信息；

通信接收交互模块，接收并显示来自通信服务器端的各种数据与信息；声光报警器联动模块，当机组声纹识别过程中有报警信息产生，以声光设备的蜂鸣和闪动进行声光报警；

视频监控联动模块：当机组声纹识别过程中有报警信息产生，机组最近的摄像机发送命令信号进行视频联动。

3.一种利用如权利要求1或2任一项所述的系统进行基于水电机声纹识别的故障预警方法，包括：

机组声纹数据采集步骤，用于对机组运行过程中的声纹数据进行采集；以进行振动感知和数据传输，以通过分布式的单模光纤作为振动检测传感器，实现模拟信号转换为数字信号，并进行传输；

机组实时监测诊断步骤，用于将采集到的机制声纹数据进行在线监测诊断；以进行音频数据还原、信噪此评估、信号处理、特征提取、推理分析；其中，音频还原，是将单模光纤发射的载有检测回波的数字信号进行模拟信号的转换，实现音频文件的还原；信噪此评估，是通过信噪此估计算法，判断输入语音的信噪此，并分为低信噪此和高信噪此；信号处理，是将低信噪此通过短时能量和过零率算法，高信噪此通过熵谱算法，分别得到不同噪音环境中的语音信息；特征提取，是从时域上按长期、中期、短期，较短时等特征，描述每一帧的能量和信号长度；对此分析，是将提取到的特征振动事件与振动音频专家库进行决策树算法进行匹配度分析；

算法模型强化训练步骤，用于根据离线历史样本数据持续对无监督算法模型进行训练；具体包括：离线获取历史音频数据，进行降噪处理、特征提取、神经网络模型训练；

预警交互识别联动步骤，用于对机组发生的预警进行交互识别和声光设备报警；以进行事件识别、联动报警；其中，事件识别，是指经对此分析得出该振动事件的类型，进一步定义为异常事件或有害事件；联动报警，是当有报警信息产生，声光设备的蜂鸣和闪动联动的方式进行报警。

4.根据权利要求3所述的基于水电机声纹识别的故障预警方法，其中，通过以下方式进行音频降噪的过程：

采用信噪此估计算法，判断输入语音的信噪此；按照低信噪此强度划分为低信噪此和高信噪此，为信号处理提供不同分类的样本数据；其中，信噪此估计算法采用改进型先验信噪此估计语音增强算法，具体推导过程如下：

步骤1、用y(m)、x(m)、v(m)分别表示m时刻K维噪音、纯净音和加性噪声向量；假设纯净音信号和噪声互不相关，有：

上式中，y、x、v分别表示噪音、纯净音、加性噪声向量；i，j分别表示在T时间的纯净音信号和噪声信号；E表示声音的能量；

对公式(1)进行DCT离散余弦变换，得出：

Y_m，k＝X_m，k+V_m，k，k＝0，…，k-1 (2)

上式中，Y_m，k，X_m，k，V_m，k分别表示向量y(m)、x(m)、v(m)在m时刻的第k个DCT离散余弦变换谱分量；

步骤2、从带噪音谱分量{Y_m，k}中恹复纯净音谱分量{X_m，k}进行DCT离散余弦变换实现对纯净音信号x(m)的估计；假设频率点间的谱分量相关独立，则m时刻纯净音谱分量{X_m，k}的短时估计为：

X′_m，k＝G(m，k)Y_m，k (3)

上式中，G(m，k)为增强因子，用来表示先验信噪此SNR_prio和后验信噪此SNR_post的形式为：

G(m，k)＝g{SNR_post(m，k)，SNR_prio(m，k)} (4)

上式中，g表示影响因子；

上式中，λ表示振幅，v表示纯净音；

上式中，E表示声音能量；λ_v(m，k)＝E{V_m，k²)为噪声分量方差，用于噪声起始阶段或信号非活动期间的估计；

步骤3、在m时刻先验信噪此SNR_prio(m，k)的估计采用DD直接判决算法进行推导，得出：

上式中，DD表示直接判决算法，β为加权系数，X′_m-1，k为前一帧对纯净音谱分量的估计；

步骤4、结合维纳滤波器，得出：

步骤5、基于步骤3、步骤4的结果，联合估计当前帧语音的先验信噪此SNR_prio^TSNR(m，k)进行两步噪声消除算法，得出：

上式中，DD表示直接判决算法，TSNR表示两步噪声消除算法；

步骤6、令|X′_m，k|²为纯净音短时谱能量|X_m，k|²的估计，ε＝|X_m，k|²-|X′_m，k|²为估计误差，则在最小均方误差意义下ε的贝叶斯风险公式为：

步骤7、基于步骤(6)进行公式最小化，实现贝叶斯风险公式下短时谱能量的估计，得出：

上式中，E表示声音的能量，d表示取样间隔；p{·}为概率分布函数；

步骤8、根据中心极限定律，假设纯净音和噪声谱分量均服从零均值的高斯分布，得出：

上式中，λ_x(m，k)＝E{X_m，k²}，由于X_m，k和V_m，k互不相关，得出：

步骤9、将得到的公式(13)、(15)代入到公式(12)得出：

上式中，X，Y，d分别表示纯净音、噪音、取样间隔；

令化解上式得出：

上式中，Γ(·)为gamma函数

其中，h表示实数域的正整数，t表示时间取样间隔；

当h＝1.5时，通过DD直接判决算法计算获得的先验信噪此估计代入到公式(16)，得出：

利用公式(7)计算当前帧的先验信噪此，最后得到：

在信号处理的过程中，低信噪此通过短时能量和过零率算法，高信噪此通过熵谱算法，分别得到不同噪音环境中的语音信息；其中，低信噪此短时能量和过零率算法的推导过程如下：

下式为语音能量的计算公式：

E＝x(n)² (21)

上式中，E表示语音的能量，x表示语音信号，n表示语音信号帧数：

在语音能量的计算公式基础上进行语音短时能量的定义，得到短时能量的计算公式：

上式中，E_n表示n时刻某语音信号的短时平均能量；x表示语音信号，m表示语音信号帧数：w为窗口函数，n为窗长，可见短时能量为一帧样点值的加权平方和：h(n)表示滤波器；

其中，h(n)＝w(n)²，w(n)是窗口函数，因此上式可以简写成：

由于短时能量是语音的时域特征，在不进行傅里叶算法变换的情况下，w(n)是一种方窗，即：

因此，可以得出，语音短时能量相当于每一帧中所有语音信号的平方和；

然后，采用短时平均过零率的方式来表示每一帧语音中语音信号波形穿过横轴(零点平)的次数；对于连续的语音信号，过零即意味着时域波形通过时间轴；而对于离散的语音信号，如果相邻的取样值改变符号，则称为过零；短时平均过零率就是样本数值改变符号的次数；

定义语音信号x_n(m)的短时平均过零率为Z_n，具体公式如下：

其中，s9n[*]是符号函数，即：

上式中，先对语音信号序列x(n)进行成对处理，检查是否有过零现象，若符号有变化，则表示有一次过零现象：然后进行一阶差分计算，取绝对值；最后进行低通滤波；

高信噪此熵谱算法的推导过程如下：

(1)设置阶数p＝1，确定初始条件：

e₀(n)＝b₀(n)＝x(n)，0＜x＜1 (27)

上式中，x(n)表示已知时间信号序列，利用此序列即可进行递推得到e₀(n)和b₀(n)，分别表示前向预测误差功率和后向预测误差功率；

上式中，σ₀²表示预测误差平均功率，N表示时间信息序列长度；

(2)k＝1且阶数p递增，根据公式(28)计算K_k的反射系数：

上式中，K_k表示反射系数，k表示自变量；

(3)更新发射系数，计算a_ki(i＝1，2...，k-1)：

a_ki＝a_k-1，i+a_kka_k-1，k-i (30)

(4)根据预测误差格型滤波器，计算e_k(n)：

e_k(n)＝e_p-1(n)+K_pb_p-1(n-1) (31)

b_k(n)＝b_p-1(n)+K_pe_p-1(n) (32)

上式中，e_k(n)，b_k(n)分别表示前向预测误差和后向预测误差，K_p表示p阶发射系数；

(5)递归计算σ_k²：

σ_k²＝(1-K_p²)σ_k-1² (33)

上式中，σ_k²表示预测误差平均估计；

k＝k+1，重复(2)(3)(4)(5)直至所需要的阶数为止。