[发明专利]基于机器学习的电力设备多特征音频指纹故障诊断方法及系统在审
| 申请号： | 201910507832.5 | 申请日： | 2019-06-12 |
| 公开（公告）号： | CN110208022A | 公开（公告）日： | 2019-09-06 |
| 发明（设计）人： | 田学刚;李强;张增寿;王占超;刘宇鹏;齐同飞;尹娜娜;刘彩霞 | 申请（专利权）人： | 济南雷森科技有限公司 |
| 主分类号： | G01M99/00 | 分类号： | G01M99/00;G01H9/00 |
| 代理公司： | 济南圣达知识产权代理有限公司 37221 | 代理人： | 李圣梅 |
| 地址： | 250014 山东*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本公开提出了基于机器学习的电力设备多特征音频指纹故障诊断方法及系统，包括：训练阶段：对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；根据观测序列对参数的初始值进行重估，进行训练；保存重估后的HMM模型参数，则HMM模型建立完成；诊断阶段：获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率。本公开通过声音的音色、音量的大小、频率的高低等音频特征的变化就可以判断设备是否处于不正常运行状态，甚至可以判断故障的类型和严重程度。 | ||
| 搜索关键词： | 测试样本 电力设备 故障诊断 观测序列 基于机器 特征提取 音频指纹 预处理 正常运行状态 存储参数 连续混合 判断设备 输出概率 信号特征 训练阶段 训练样本 音频特征 初始化 音量 高斯 音色 诊断 保存 学习 观察 | ||
【主权项】：
1.基于机器学习的电力设备多特征音频指纹故障诊断方法，其特征是，包括：训练阶段：提取电力设备正常工作和出现故障时有效样本，作为训练样本，对训练样本进行预处理，然后进行特征提取，提取获得足以代表信号特征的12维MFCC参数和12维ΔMFCC参数作为观测序列；根据连续混合高斯HMM的特点初始化HMM模型参数，并存储参数的初始值；根据观测序列对参数的初始值进行重估，进行训练；保存重估后的HMM模型参数，则HMM模型建立完成；诊断阶段：获得测试样本，对测试样本进行特征提取，根据已经建立的HMM模型计算出观察值序列在各HMM模型下的输出概率，概率最大的模型即为识别结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于济南雷森科技有限公司，未经济南雷森科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910507832.5/，转载请声明来源钻瓜专利网。
