[发明专利]一种基于声纹特征的变压器故障检测方法

权利要求书

1.一种基于声纹特征的变压器故障检测方法，其特征在于，所述方法包括以下步骤：

1)通过对声纹样本进行频谱分析，对现有声纹样本中样本的4类状态：“正常运行”，“直流偏磁”，“附件松动”，“局部放电”进行识别，系统识别的结果为四类之一或四类中的多类；

2)输入由声学设备采集到的声纹库数据，采样率为22050Hz；使用谱减法对声纹信号进行降噪；

3)对输入的声纹数据进行预处理，得到一个抽象的声纹特征；

4)搭建Resnet-34神经网络框架，主体结构沿用了常规的Resnet-34神经网络，残差块上采用的是IRBlock；使用在中文语音语料数据集上训练好的权重作为本次任务的初始权重；

5)使用步骤4)搭建的神经网络框架在现有声纹库上学习识别模型；

6)将待测声纹数据经过步骤2)，3)，生成对应的特征向量，将其特征向量输入到训练好的模型中，得到一个声纹数据的输出特征，使用基于余弦相似度的匹配方法将其与现有各类异常的特征模板进行匹配，从而判断变压器此时的状态。

2.如权利要求1所述的一种基于声纹特征的变压器故障检测方法，其特征在于，所述步骤3)的过程如下：

3.1)对声纹信号进行预加重，目的是为了对声音的高频部分进行加重，增加声音的高频分辨率，假设输入信号第i个采样点为x[n]，预加重公式如下:

y[n]＝x[n]-αx[n-1]

α的取值范围一般为0.9-1，这里α取了0.97；

3.2)数据拼接，为了更加有效地利用声纹数据，对较短的声纹数据进行拼接延长，并在拼接时随机取反；

3.3)对处理后的声纹信号短时傅里叶变换STFT，窗长取800个采样点，步长为250个采样点，重叠率为68.75％，不断做1024点的傅里叶变换；具体实现是调用了librosa库，得到的结果为一个[513，n]的矩阵，其中n为采样窗的平移次数；

3.4)对短时傅里叶处理完的矩阵求其对数功率谱；

3.5)对上面得到的矩阵进行随机裁剪，以增强模型的泛化能力，由于n与时间相关，对此特征矩阵进行裁剪实质上是在时域上随机取样，这里随机截取257次平移的结果，表示的是一段2.95秒的语音，之后再对裁剪完的矩阵进行归一化处理。