电力设备声音诊断方法及系统与流程

本发明涉及电力设备监测技术领域，具体地，涉及一种具有边缘计算能力的电力设备声音诊断方法及系统。

背景技术：

对于电力行业而言，设备管理是一项非常重要的工作，其直接关系到设备运行的稳定性。近年来，我国电网规模的不断扩大，这在一定程度上增加了设备的管理难度。由于大部分电力设备都需要长时间、不间断地运行，难免会出现故障，当电力设备出现故障时，会对电力系统及电网运行造成影响，因此需要定时对电力设备进行故障检测。

在电力行业，传统的电力设备检测方式，通常采用对电力设备的电压、电流、油色谱等物理量进行监测的方式预判设备故障，这种方式价格昂贵、体积庞大、安装复杂、对设备运行有影响、智能化程度低，且对电力设备进行监测和诊断，往往需要结构复杂、价格昂贵的设备对电气量进行监测，或是需要大量的人力来定时巡逻检查，因此存在故障分析困难、检测过程影响设备工作、工作效率低等问题，无法对电力设备进行长时间的监测。。

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。

技术实现要素：

本发明针对现有技术中存在的上述不足，提供了一种具有边缘计算能力的电力设备声音诊断方法及系统。

根据本发明的一个方面，提供了一种电力设备声音诊断方法，包括：

获取电力设备声音；

对获取的所述电力设备声音进行数字信号处理，提取所述电力设备声音的频谱特征；

对获取的所述电力设备声音进行声音种类标注，得到标注信息；

利用所述电力设备声音的频谱特征和所述标注信息，训练得到声音分类模型；

获取电力设备现场声音，并对所述现场声音进行数字信号处理，提取所述现场声音的频谱特征提取；

将所述现场声音的频谱特征输入至所述声音分类模型，获取所述现场声音的种类，进而判断电力设备的运行状态。

优选地，所述数字信号处理包括：预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组和离散余弦变换，将声音信号转化为频谱信号。

优选地，所述方法还包括：

对判断结果及相应的现场声音的频谱特征数据进行存储。

优选地，所述方法还包括：

当电力设备运行状态为故障时，发出预警报告。

优选地，所述方法还包括：

对所述电力设备的运行状态进行展示。

优选地，所述方法还包括：

利用存储的所述判断结果及现场声音的频谱特征数据对所述声音分类模型进行更新。

根据本发明的另一个方面，提供了一种电力设备声音诊断系统，包括集成于边缘设备端的：

声音采集模块，该模块获取作为样本的电力设备声音及需要判断的电力设备现场声音；

声音信号处理模块，该模块对获取的所述电力设备声音及所述电力设备现场声音进行数字信号处理，提取所述电力设备声音及所述电力设备现场声音的频谱特征；同时，对获取的所述电力设备声音进行声音种类标注，得到标注信息；

运行状态判断模块，该模块利用所述电力设备声音的频谱特征和所述标注信息，训练得到声音分类模型，并利用所述声音分类模型获取所述现场声音的种类，进而判断电力设备的运行状态。

优选地，所述系统还包括集成于服务器端的：

显示模块，该模块对所述电力设备的运行状态进行展示。

优选地，所述系统还包括集成于服务器端的：

存储模块，该模块对判断结果及相应的现场声音的频谱特征数据进行存储。

优选地，所述系统还包括集成于服务器端的：

更新模块，该模块利用存储的所述判断结果及现场声音的频谱特征数据对所述声音分类模型进行更新。

由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：

本发明提供的电力设备声音诊断方法及系统，具备边缘计算能力，利用数字信号处理技术来提取音频特征，并利用机器学习模型对音频特征进行分类，其具有自学习能力。

本发明提供的电力设备声音诊断方法及系统，通过实时录制电力设备声音，并利用机器学习模型自动判断声音种类，最终上传到服务器进行存储和可视化展示的方式的自动化的方式降低了监测的成本，提高了监测的效率，为长时间监测电力设备运行状态提供了新的解决方式。

本发明提供的电力设备声音诊断方法及系统，利用历史数据更新迭代声音分类模型，使声音分类模型的准确率不断提高。

本发明提供的电力设备声音诊断方法及系统，直接通过声音对电力设备进行监测，具有占地小、干扰小、成本低等优势。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例中电力设备声音诊断方法流程图。

图2为本发明一优选实施例中电力设备声音诊断方法流程图。

图3为本发明一优选实施例中声音分类模型训练流程图。

图4为本发明一实施例中电力设备声音诊断系统组成结构示意图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

图1为本发明一实施例提供的电力设备声音诊断方法流程图。

如图1所示，该实施例提供的电力设备声音诊断方法，可以包括如下步骤：

s100，获取电力设备声音；

s200，对获取的所述电力设备声音进行数字信号处理，提取所述电力设备声音的频谱特征；

s300，对获取的所述电力设备声音进行声音种类标注，得到标注信息；

s400，利用所述电力设备声音的频谱特征和所述标注信息，训练得到声音分类模型；

s500，获取电力设备现场声音，并对所述现场声音进行数字信号处理，提取所述现场声音的频谱特征提取；

s600，将所述现场声音的频谱特征输入至所述声音分类模型，获取所述现场声音的种类，进而判断电力设备的运行状态。

在步骤s200中，作为一优选实施例，所述数字信号处理可以包括：预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组和离散余弦变换，将声音信号转化为频谱信号。

在该实施例中，作为一优选实施例，还可以包括如下步骤：

s700，对判断结果及相应的现场声音的频谱特征数据进行存储。

在该实施例中，作为一优选实施例，还可以包括如下步骤：

s800，当电力设备运行状态为故障时，发出预警报告。

在该实施例中，作为一优选实施例，还可以包括如下步骤：

s900，对所述电力设备的运行状态进行展示。

在该实施例中，作为一优选实施例，还可以包括如下步骤：

sa00，利用存储的所述判断结果及现场声音的频谱特征数据对所述声音分类模型进行更新。

图2为本发明一优选实施例提供的电力设备声音诊断方法流程图。

如图2所示，该优选实施例提供的电力设备声音诊断方法，可以包括如下步骤：

步骤1，构建预训练的声音分类模型，如图3所示，可以包括如下步骤：

步骤1.1，实验室先采集电力设备在不同状态下的声音，并标注他们的种类；之后，将声音进行数字信号处理为频谱图，和标注数据一起作为训练数据训练初始的分类模型，构建得到声音分类模型；

步骤2，利用边缘设备定期采集声音；

步骤3，将声音进行数字信号处理，如预加重，分帧，加窗，快速傅里叶变换(fft),梅尔滤波器组,离散余弦变换(dct)等，从而得到音频的频谱特征；

步骤4，将声音的频谱信号输入预训练的模型中，得到相应的分类结果，完成对电力设备声音的诊断。

作为一优选实施例，还可以包括如下步骤：

步骤4，对得到的结果进行判断，假如是设备的故障信号，则发出预警信号，通知相应的人员，再将结果和声音上传到服务器中；假如设备工作正常，则直接将结果和声音上传到服务器中。

作为一优选实施例，还可以包括如下步骤：

步骤5，可以通过服务器端将结果通过前端界面进行可视化展示。

作为一优选实施例，还可以包括如下步骤：

步骤6，可以通过服务器端定期根据所存储的数据训练模型，并通过网络更新边缘设备端中的模型。

在本发明部分实施例中：

该实施例提供的方法，包括：采集现场声音(可以通过声音采集模块采集声音信号)、对声音进行数字信号处理、训练声音分类模型(可以采用svm等多种形式的分类模型)、对声音进行分类，得到的分类结果和样本送入服务器端存储。服务器端能根据已有的程序或者用户的操作，对边缘计算设备进行远程操作，如模型的更新等。

将电力设备声音诊断技术中的各个步骤进行整合，包括样本的获取、模型的训练与更新，这些步骤均自动化方式完成，简化了操作。其中：

样本的获取和识别可以通过传感器终端的定时录音程序和算法程序来实现；

得到的声音样本和检测结果可以通过传感器和服务器的网络通信程序来传输；

服务器端可以根据新接收的样本，对已有的模型进行训练和更新；

新的算法模型可以再通过网络通信部署到传感器终端。

利用预加重、分帧、加窗、快速傅里叶变换(fft)、梅尔滤波器组、离散余弦变换(dct)等技术，将声音信号转化为(mfcc)频谱信号，方便后续的分类模型从音频中提取特征。

服务器端能与边缘设备端建立有效的网络连接，并自动或手动地向边缘设备端发送指令，以及能检测边缘设备端的状态，并反映在用户界面上。

图4为本发明一实施例提供的电力设备声音诊断系统的组成结构示意图。

如图4所示，该实施例提供的一种电力设备声音诊断系统，可以包括：集成于边缘设备端的声音采集模块、声音信号处理模块及运行状态判断模块。其中：

声音采集模块，该模块获取作为样本的电力设备声音及需要判断的电力设备现场声音；

声音信号处理模块，该模块对获取的所述电力设备声音及所述电力设备现场声音进行数字信号处理，提取所述电力设备声音及所述电力设备现场声音的频谱特征；同时，对获取的所述电力设备声音进行声音种类标注，得到标注信息；

运行状态判断模块，该模块利用所述电力设备声音的频谱特征和所述标注信息，训练得到声音分类模型，并利用所述声音分类模型获取所述现场声音的种类，进而判断电力设备的运行状态。

在该实施例中，作为一优选实施例，还可以包括集成于服务器端的如下模块：

显示模块，该模块对所述电力设备的运行状态进行展示。

在该实施例中，作为一优选实施例，还可以包括集成于服务器端的如下模块：

存储模块，该模块对判断结果及相应的现场声音的频谱特征数据进行存储。

在该实施例中，作为一优选实施例，还可以包括集成于服务器端的如下模块：

更新模块，该模块利用存储的所述判断结果及现场声音的频谱特征数据对所述声音分类模型进行更新。

在本发明部分实施例中：

集成了声音采集和边缘计算、声音信号处理、svm等机器学习、前端用户界面展示和服务器端后台运行等功能模块。其中，声音采集模块采集电力设备的声音，将声音数字信号处理手段得到其mfcc频谱，再将mfcc频谱通过svm等分类模型实现对声音的种类分类，进而实现对电力设备故障的诊断。为提高诊断的实时性和可靠性，声音的采集、处理和分类都在边缘设备端进行，再将结果和样本返回服务器端；为提高算法的准确性，服务器端将根据边缘设备端反馈的结果和样本更新分类模型，定期更新边缘设备的分类模型。

边缘设备端主体为树莓派，是一种流行的开源硬件，有足够的计算能力和外设接口，通过外挂麦克风模块实现声音的采集功能，通过通信模块实现与服务器端的网络通信。

声音信号处理模块采用了经典的音频处理手段，包括预加重，分帧，加窗，快速傅里叶变换(fft),梅尔滤波器组,离散余弦变换(dct)等，从而得到音频的频谱特征。

声音分类模型可以采用svm模型，该模型是经典的机器学习模型，用于对音频信号进行分类处理。svm模型先使用实验室的数据来进行预训练，之后根据实际数据来不断更新。

显示模块作为前端用户界面功能模块，为用户操作和查看提供了可视化的界面，方便用户与设备的交互。

存储模块和跟新模块作为服务器端后台运行功能模块，能够实现服务器端与边缘设备端之间的通信、音频和结果的存储以及分类模型的更新训练。

本发明上述实施例提供的电力设备声音诊断方法及系统，具有边缘计算能力，整合了电力设备监测中对电力设备声音诊断的各个步骤。首先，边缘设备端的声音采集模块采集电力设备的声音，声音信号处理模块将声音通过fft算法以及滤波器等数字信号处理手段得到其mfcc频谱，再将mfcc频谱通过svm等声音分类模型实现对声音的种类分类，进而实现对电力设备故障的诊断。本发明上述实施例提供的方法及系统，将声音的采集、处理和分类都在边缘侧进行，再将结果和样本返回服务器端，提高了诊断的实时性和可靠性；服务器端将根据边缘设备端反馈的结果和样本更新分类模型，定期更新边缘设备端的分类模型，提高了诊断的准确性。

需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。