一种变压器声纹异常检测方法与流程

技术特征：
1.一种变压器声纹异常检测方法，其特征在于，包括：获取待检测的变压器声纹数据；利用去躁模型u
‑
net对变压器声纹数据进行去躁处理，得到去躁后的变压器声纹数据；使用mel频谱特征提取方法，对去躁后的变压器声纹数据进行特征提取，得到mel频谱特征；利用检测模型g
‑
made对mel频谱特征进行检测，得到变压器声纹数据的得分；根据变压器声纹数据的得分，判断变压器是否正常。2.如权利要求1所述的变压器声纹异常检测方法，其特征在于，所述去躁模型u
‑
net的损失函数采用加权sdr损失，公式表示如下：其中，为所述去躁模型u
‑
net的输出，y为实际标签值，作为去躁模型u
‑
net的输入值，
∝
表示正比于。3.如权利要求1所述的变压器声纹异常检测方法，其特征在于，在所述获取待检测的变压器声纹数据之前，还包括：收集连续的变压器设备声纹数据作为原始数据；对连续的变压器设备声纹数据添加噪声，得到噪声数据；将噪声数据和原始数据分别作为所述去躁模型u
‑
net的输入和输出，对所述去躁模型u
‑
net进行训练，得到训练好的去躁模型u
‑
net。4.如权利要求1所述的变压器声纹异常检测方法，其特征在于，所述使用mel频谱特征提取方法，对去躁后的变压器声纹数据进行特征提取，得到mel频谱特征，包括：对所述去躁后的变压器声纹数据进行分帧处理，得到多帧数据；对每一帧数据进行加窗处理，得到加窗后的数据；对加窗后的数据进行短时傅里叶变换，将加窗后的数据由时域转换到mel频率上，得到频谱序列；利用包含k个滤波器的mel滤波器组对频谱序列进行mel特征提取，得到所述mel频谱特征。5.如权利要求4所述的变压器声纹异常检测方法，其特征在于，所述mel滤波器组中的mel滤波器的函数形式如下：其中，k待计算点的频率值，m表示是第m个mel滤波器，f(m)表示第m个滤波器频率的平均值，f(m
‑
1)表示第m个滤波器频率的最小值，f(m 1)表示第m个滤波器频率的最大值。
6.如权利要求4所述的变压器声纹异常检测方法，其特征在于，所述提取得到的mel频谱特征表示形式为：其中，f(ω)表示短时傅里叶变换，f
‑1表示逆傅里叶变换。7.如权利要求1所述的变压器声纹异常检测方法，其特征在于，所述检测模型g
‑
made的损失函数定义为整体的整体的负对数似然函数：其中，p(.)为正态分布或混合正态分布，d表示样本总数，x
d
表示第d个样本，w、v表示为模型权重矩阵。8.如权利要求3所述的变压器声纹异常检测方法，其特征在于，在所述获取待检测的变压器声纹数据之前，还包括：对所述去躁模型u
‑
net输出的所述原始数据进行mel频谱特征提取；利用提取的mel频谱特征对所述检测模型g
‑
made进行训练，得到训练好的检测模型g
‑
made。9.如权利要求1所述的变压器声纹异常检测方法，其特征在于，所述根据变压器声纹数据的得分，判断变压器是否正常，包括：将所述变压器声纹数据的得分与设定的检测阈值进行比较；若得分大于检测阈值，则确定所述变压器正常；若得分小于或等于检测阈值，则确定所述变压器异常。

技术总结
本发明公开了一种变压器声纹异常检测方法，属于人工智能技术领域，包括：获取待检测的变压器声纹数据；利用去躁模型U


技术研发人员：刘颜鹏 吴道平 章海兵 汪中原
受保护的技术使用者：合肥科大智能机器人技术有限公司
技术研发日：2021.07.30
技术公布日：2021/11/4