变电站设备声音异常识别方法、装置和计算机设备与流程

1.本技术涉及变电站设备技术领域，特别是涉及一种变电站设备异常识别方法、装置和计算机设备。


背景技术：

2.随着社会经济地快速发展，城市用电的需求也越来越大，电力设备的负荷也越来越大，电力设备一旦出现故障停机，就会给周边居民以及企业带来极大的不便甚至是损失。在实际应用过程中发现，变电站现有的设备故障监测，包括基本的工作参数监测以及基于振动的故障监测，都会出现漏检或者不能及时报警的情况。
3.然而，在实际变电站设备检测过程中，采用人工听检方式来发现设备运转异常的细微表现，但是，人工检测存在人为的主观因素的影响，且存在设备故障监测的效率和有效性低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高变电站设备故障监测的效率和有效性的变电站设备声音异常识别方法、装置、计算机设备和存储介质。
5.一种变电站设备声音异常识别方法，所述方法包括：
6.实时获取变电站中被监测设备的运行声音数据；
7.对所述运行声音数据进行特征提取，得到用于表征所述被监测设备运行状态的待判别声音模型；
8.通过故障判别模型对所述待判别声音模型和用于表征所述被监测设备正常运行的正常声音模型进行故障判别，输出所述待判别声音模型的偏移量；
9.根据所述偏移量确定所述被监测设备的运行状态。
10.在其中一个实施例中，所述实时获取变电站中被监测设备的运行声音数据，包括：
11.获取由采集设备实时采集的变电站中被监测设备的运行声音数据；所述采集设备包括用于变电站环境的专用传声器和声音数据采集卡。
12.在其中一个实施例中，所述对所述运行声音数据进行特征提取，得到用于表征所述被监测设备运行状态的待判别声音模型，包括：
13.对所述运行声音数据进行特征提取，得到所述运行声音数据的实时特征参数；
14.根据所述实时特征参数构建矩阵集合，得到用于表征所述被监测设备运行状态的待判别声音模型。
15.在其中一个实施例中，所述根据所述偏移量确定所述被监测设备的运行状态，包括：
16.当所述偏移量在预设值区间，确定所述被监测设备处于正常运行状态。
17.在其中一个实施例中，所述方法还包括：
18.获取所述被监测设备的运行参数；
19.当所述运行参数为预设运行参数时，将所述正常声音模型更新为所述待判别声音模型以及更新所述预设概率值区间，执行所述获取变电站中被监测设备的运行声音数据步骤。
20.在其中一个实施例中，所述根据所述偏移量确定所述被监测设备的运行状态，包括：
21.当所述偏移量不在预设值区间时，确定所述被监测设备处于异常运行状态，并生成报警指令；所述报警指令用于触发所述被监测设备上的报警设备进行响应，生成报警信息。
22.在其中一个实施例中，所述方法还包括：
23.将所述运行状态发送至显示终端以不同的形式进行可视化显示。
24.一种变电站设备声音异常识别装置，所述装置包括：
25.获取模块，用于实时获取变电站中被监测设备的运行声音数据；
26.特征提取模块，用于对所述运行声音数据进行特征提取，得到用于表征所述被监测设备运行状态的待判别声音模型；
27.故障判别模块，用于通过故障判别模型对所述待判别声音模型和用于表征所述被监测设备正常运行的正常声音模型进行故障判别，输出所述待判别声音模型的偏移量；
28.确定模块，用于根据所述偏移量确定所述被监测设备的运行状态。
29.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30.实时获取变电站中被监测设备的运行声音数据；
31.对所述运行声音数据进行特征提取，得到用于表征所述被监测设备运行状态的待判别声音模型；
32.通过故障判别模型对所述待判别声音模型和用于表征所述被监测设备正常运行的正常声音模型进行故障判别，输出所述待判别声音模型的偏移量；
33.根据所述偏移量确定所述被监测设备的运行状态。
34.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
35.实时获取变电站中被监测设备的运行声音数据；
36.对所述运行声音数据进行特征提取，得到用于表征所述被监测设备运行状态的待判别声音模型；
37.通过故障判别模型对所述待判别声音模型和用于表征所述被监测设备正常运行的正常声音模型进行故障判别，输出所述待判别声音模型的偏移量；
38.根据所述偏移量确定所述被监测设备的运行状态。
39.上述变电站设备声音异常识别方法、装置、计算机设备和存储介质，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；根据偏移量确定被监测设备的运行状态；即通过实时采集被监测设备的运行声音数据，确定对应的待判别声音模型，通过比较待判别声音模型与正常声音模型之间的偏移量，来被监测设备的运行状态，排除
人为的主观因素的影响，提高了变电站设备故障监测的效率和有效性。
附图说明
40.图1为一个实施例中变电站设备声音异常识别方法的应用环境图；
41.图2为一个实施例中变电站设备声音异常识别方法的流程示意图；
42.图3为一个实施例中变电站设备声音异常识别步骤的流程示意图；
43.图4为另一个实施例中变电站设备声音异常识别方法的流程示意图；
44.图5为一个实施例中变电站设备声音异常识别的应用场景示意图；
45.图6为一个实施例中变电站设备声音异常识别装置的结构框图；
46.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.本技术提供的变电站设备声音异常识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取终端102实时采集的变电站中被监测设备的运行声音数据；对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；根据偏移量确定被监测设备的运行状态。其中，终端102可以但不限于是用于采集变电站设备运行数据的采集终端，采集终端可以但不仅限于是集成有变电站专用采集设备(例如，专用传声器)的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
49.在一个实施例中，如图2所示，提供了一种变电站设备声音异常识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
50.步骤202，实时获取变电站中被监测设备的运行声音数据。
51.其中，运行声音数据是通过采集终端上的采集设备响应实时采集指令进行采集得到的，采集设备包括用于变电站环境的专用传声器和声音数据采集卡，专用传声器用于有效屏蔽外界环境噪声的影响，即过滤外界环境的噪声，得到去噪后的被监测设备运行时的声音数据；声音数据采集卡是指对去噪后的被监测设备运行时的声音数据进行数据采集，并在声音的可听频率范围内保证更好的频率响应、动态范围和信噪比，声音数据采集卡适应不同的工业现场环境，支持有线网络、4g网络和wifi网络等不同网络制式的数据传输方式。
52.具体地，通过采集终端上的采集设备响应实时采集指令进行采集，得到变电站中至少一种被监测设备的运行声音数据，将实时采集的运行声音数据上传至服务器的设备声音数据库进行存储，并将采集的运行声音数据与对应的被监测设备标识进行关联。
53.步骤204，对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型。
54.其中，特征提取是指对采集的运行声音数据进行声纹特征提取，即梅尔倒谱系数特征提取(mel
‑
scalefrequency cepstral coefficients，mfcc)；mfcc特征提取的方式可以通过现有的任意一种方式实现，在此不做赘述。
55.具体地，对接收的运行声音数据进行mfcc特征提取，得到运行声音数据的实时特征参数；根据实时特征参数构建矩阵集合，得到用于表征被监测设备运行状态的待判别声音模型。其中，声音模型用于表征特定设备在某一时刻的运行状态，例如，正常运行或异常运行；不同设备的声音模型是不同的。
56.步骤206，通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量。
57.其中，正常声音模型是预先根据设备正常运行时刻采集的运行声音数据，对正常运行时刻采集的运行声音数据进行预处理(例如，预加重、分帧、加窗等方式)，对预处理后的运行声音数据进行mfcc特征提取，得到正常状态下的运行声音数据的特征参数；根据特征参数构建矩阵集合得到的。
58.故障判别模型是预先训练好的，用于检测待判别声音模型与正常声音模型之间的偏移量，即将被监测设备不同时刻的待判别声音模型中的特征值跟设备正常运行时的正常声音模型的特征值进行比对，以此判断待判别声音模型是否跟已建立模型发生重大偏移，并根据偏离程度判断此时设备运行是否正常。
59.具体地，通过预先训练好的故障判别模型对不同时刻的待判别声音模型和被监测设备正常运行的正常声音模型进行故障判别，输出不同时刻的待判别声音模型的偏移量。
60.步骤208，根据偏移量确定被监测设备的运行状态。
61.其中，被监测设备的运行状态包括正常运行和异常运行。
62.具体地，将偏移量与预设值区间进行比较，当偏移量在预设值区间，确定被监测设备处于正常运行状态；当偏移量不在预设值区间时，确定被监测设备处于异常运行状态；其中，预设概率值是预先确定的。例如，偏移量是一个0
‑
1 的数值，预设值区间为0.8
‑
1，当偏移量在这个预设值区间且数值越接近于1，说明待判别声音越接近已建立的模型(即，相似度越高)；反之，越接近0，说明待判别声音模型越偏离已建立模型(即相似度很低)。
63.上述变电站设备声音异常识别方法中，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；根据偏移量确定被监测设备的运行状态；即通过实时采集被监测设备的运行声音数据，确定对应的待判别声音模型，通过比较待判别声音模型与正常声音模型之间的偏移量，来被监测设备的运行状态，排除人为的主观因素的影响，提高了变电站设备故障监测的效率和有效性。
64.在一个实施例中，如图3所示，提供了一种变电站设备声音异常识别步骤，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
65.步骤302，获取变电站中被监测设备的运行声音数据。
66.步骤304，对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型。
67.步骤306，对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进
行故障判别，输出待判别声音模型的偏移量。
68.步骤308，判断偏移量是否在预设值区间，若是，执行步骤310；否则执行步骤316。
69.步骤310，确定被监测设备处于正常运行状态。
70.步骤312，获取被监测设备的运行参数。
71.其中，运行参数包括变电站设备的运行时长。
72.步骤314，当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新预设概率值区间。
73.其中，变电站设备随着运行时长的增加，设备会产生损耗，导致正常运行的声音数据也会发生改变，即对正常运行声音数据进行特征提取，得到的特征参数也会发生改变；也就是说，随着变电站设备的运行，在不同时段下正常声音模型的特征参数也是不同的。
74.具体地，当变电站设备的运行时长达到预设时长时，获取当前时刻正常运行状态下的运行声音数据，对运行声音数据进行特征提取，得到运行声音数据的当前特征参数，根据当前特征参数构建矩阵集合，将得到的当前声音模型作为正常声音模型，并更新，执行获取变电站中被监测设备的运行声音数据，对变电站被监测设备的运行状态进行监测。
75.步骤316，确定被监测设备处于异常运行状态。
76.可选地，在一个实施例中，将被监测设备的运行状态发送至显示终端进行可视化显示，可以获取变电站各设备的运行状态；当被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息；并将报警信息发送至维修人员所在终端，及时通知维修人员，对设备故障进行及时检修。
77.上述变电站设备声音异常识别步骤中，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；通过比较偏移量与预设偏移量区间的关系，确定被监测设备的运行状态，通过比较待判别声音模型与正常声音模型之间的偏移量，来被监测设备的运行状态，排除人为的主观因素的影响，提高了变电站设备故障监测的效率和有效性；除此之外，根据被监测设备的运行参数对被监测设备的正常声音模型进行更新，进一步，提高了故障监测的准确性。
78.在另一个实施例中，如图4所示，提供了一种变电站设备声音异常识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
79.步骤402，实时获取变电站中被监测设备的运行声音数据。
80.步骤404，对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型。
81.步骤406，通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量。
82.步骤408，根据偏移量确定被监测设备的运行状态。
83.可选地，在一个是实施例中，将运行状态发送至显示终端以不同的形式进行可视化显示。
84.具体地，将被监测设备的运行状态发送至显示终端，将运行状态以web网页的形式进行可视化显示或者以超文本语言将运行状态显示在界面上，可以直观获取被监测设备的
实时运行状态。
85.步骤410，当被监测设备处于正常运行状态时，获取被监测设备的运行参数。
86.步骤412，当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新预设概率值区间。
87.具体地，当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新预设概率值区间，执行获取变电站中被监测设备的运行声音数据步骤，获取被监测设备的实时运行状态。
88.步骤414，将运行状态发送至显示终端以不同的形式进行可视化显示。
89.可选地，在一个实施例中，当偏移量不在预设值区间时，确定被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息；并将报警信息发送至维修人员所在终端，及时通知维修人员，对设备故障进行及时检修。
90.以下为变电站设备声音异常识别的应用场景，如图5所示，通过采集终端上传声器获取变电站中被监测设备的运行声音数据，通过与传声器相连的采集卡(例如，双通道采集卡)将采集的运行声音数据通过有线网络、4g网络和wifi 网络等不同网络制式的数据传输方式传输至服务器(可以是云端，也可以是本地服务器)中，在服务器中对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型，通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量，根据偏移量确定被监测设备的运行状态，将得到的运行状态进行发送至监控平台(例如，客户监控终端)进行可视化显示；即通过实时采集被监测设备的运行声音数据，确定对应的待判别声音模型，通过比较待判别声音模型与正常声音模型之间的偏移量，来被监测设备的运行状态，排除人为的主观因素的影响，提高了变电站设备故障监测的效率和有效性。
91.上述变电站设备声音异常识别步骤中，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；通过比较偏移量与预设偏移量区间的关系，确定被监测设备的运行状态，当确定被监测设备处于正常运行状态下时，根据被监测设备的运行参数对被监测设备的正常声音模型进行更新，在提高了变电站设备故障监测的效率和有效性的基础上进一步提高故障监测的准确性。
92.应该理解的是，虽然图2
‑
4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2
‑
4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
93.在一个实施例中，如图6所示，提供了一种变电站设备声音异常识别装置，包括：获取模块602、特征提取模块604、故障判别模块606和确定模块608，其中：
94.获取模块602，用于实时获取变电站中被监测设备的运行声音数据。
95.特征提取模块604，用于对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型。
96.故障判别模块606，用于通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量。
97.确定模块608，用于根据偏移量确定被监测设备的运行状态。
98.上述变电站设备声音异常识别装置，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；根据偏移量确定被监测设备的运行状态；即通过实时采集被监测设备的运行声音数据，确定对应的待判别声音模型，通过比较待判别声音模型与正常声音模型之间的偏移量，来被监测设备的运行状态，排除人为的主观因素的影响，提高了变电站设备故障监测的效率和有效性。
99.在另一个实施例中，提供了一种变电站设备声音异常识别装置，除包括获取模块602、特征提取模块604、故障判别模块606和确定模块608之外，还包括：构建模块、更新模块和可视化模块，其中：
100.在一个实施例中，获取模块602还用于获取由采集设备实时采集的变电站中被监测设备的运行声音数据；采集设备包括用于变电站环境的专用传声器和声音数据采集卡。
101.在一个实施例中，特征提取模块604还用于对运行声音数据进行特征提取，得到运行声音数据的实时特征参数。
102.构建模块，根据实时特征参数构建矩阵集合，得到用于表征被监测设备运行状态的待判别声音模型。
103.在一个实施例中，确定模块608还用于当偏移量在预设值区间，确定被监测设备处于正常运行状态。
104.在一个实施例中，获取模块602还用于获取被监测设备的运行参数。
105.更新模块，用于当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新预设概率值区间。
106.在一个实施例中，确定模块608还用于当偏移量不在预设值区间时，确定被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息。
107.可视化模块，用于将运行状态发送至显示终端以不同的形式进行可视化显示。
108.在一个实施例中，通过将实时获取变电站中被监测设备的运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；通过比较偏移量与预设偏移量区间的关系，确定被监测设备的运行状态，当确定被监测设备处于正常运行状态下时，根据被监测设备的运行参数对被监测设备的正常声音模型进行更新，从而避免因为设备运行时间的变化而导致的误报警；也就是说在提高了变电站设备故障监测的效率和有效性的基础上进一步提高故障监测的准确性；当偏移量不在预设值区间时，确定被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息；并将报警信息发送至维修人员所在
终端，及时通知维修人员，对设备故障进行及时检修，提高了变电站的安全性。
109.关于变电站设备声音异常识别装置的具体限定可以参见上文中对于变电站设备声音异常识别方法的限定，在此不再赘述。上述变电站设备声音异常识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
110.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种变电站设备声音异常识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
111.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
112.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
113.实时获取变电站中被监测设备的运行声音数据；
114.对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；
115.通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；
116.根据偏移量确定被监测设备的运行状态。
117.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
118.获取由采集设备实时采集的变电站中被监测设备的运行声音数据；采集设备包括用于变电站环境的专用传声器和声音数据采集卡。
119.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
120.对运行声音数据进行特征提取，得到运行声音数据的实时特征参数；
121.根据实时特征参数构建矩阵集合，得到用于表征被监测设备运行状态的待判别声音模型。
122.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
123.当偏移量在预设值区间，确定被监测设备处于正常运行状态预设值区间。在一个实施例中，处理器执行计算机程序时还实现以下步骤：
124.获取被监测设备的运行参数；
125.当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新
预设概率值区间，执行获取变电站中被监测设备的运行声音数据步骤。
126.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
127.当偏移量不在预设值区间时，确定被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息。
128.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
129.将运行状态发送至显示终端以不同的形式进行可视化显示。
130.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
131.实时获取变电站中被监测设备的运行声音数据；
132.对运行声音数据进行特征提取，得到用于表征被监测设备运行状态的待判别声音模型；
133.通过故障判别模型对待判别声音模型和用于表征被监测设备正常运行的正常声音模型进行故障判别，输出待判别声音模型的偏移量；
134.根据偏移量确定被监测设备的运行状态。
135.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
136.获取由采集设备实时采集的变电站中被监测设备的运行声音数据；采集设备包括用于变电站环境的专用传声器和声音数据采集卡。
137.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
138.对运行声音数据进行特征提取，得到运行声音数据的实时特征参数；
139.根据实时特征参数构建矩阵集合，得到用于表征被监测设备运行状态的待判别声音模型。
140.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
141.当偏移量在预设值区间，确定被监测设备处于正常运行状态。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
142.获取被监测设备的运行参数；
143.当运行参数为预设运行参数时，将正常声音模型更新为待判别声音模型以及更新预设概率值区间，执行获取变电站中被监测设备的运行声音数据步骤。
144.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
145.当偏移量不在预设值区间时，确定被监测设备处于异常运行状态，并生成报警指令；报警指令用于触发被监测设备上的报警设备进行响应，生成报警信息。
146.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
147.将运行状态发送至显示终端以不同的形式进行可视化显示。
148.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random accessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种
形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
149.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
150.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。