基于水电机声纹识别的故障预警系统和方法与流程

1.本技术提出了一种数据处理方法，特别是指基于水电机声纹识别的故障 预警系统和方法。


背景技术：

2.电力领域是关系到国计民生的重大项目，一直是国家最关注的重点领域 之一。而水电是利用水利资源进行发电的一种重要的发电方式，是一种高效 低污染的发电方式。水力发电是利用水力发电机组(也称为水轮发电机组) 进行发电的一种发电方式，水电站上每台水轮机与配套的发电机联合形成发 电单元，在水流经过水轮机时将水能转换为驱使机械旋转的机械能从而进行 发电。
3.水电机组停机检测通常会导致巨大的经济损失，因此如何能在水电机组 运行过程中发现问题并及时消除，对于水电机组的安全运行有种极其重大的 意义。


技术实现要素：

4.本技术提供了一种基于水电机声纹识别的故障预警方法，能够通过声纹 技术对水电机组进行动态监测，以尽可能的早期发现故障。
5.为了达到上述目的，本技术实施例提出了一种基于水电机声纹识别的故 障预警系统，其特征在于，包括：分布式的单模光纤、光发射模块、数据采 集分析系统对对水电机组利用声纹识别以进行故障预警；
6.其中所述分布式的单模光纤用于感知振动以采集水电机组的声纹信号， 并发送至数据采集分析系统；
7.数据采集分析系统，用于接收单模光纤采集到的水电机组的声纹信号， 并对声纹信号进行音频数据还原、信噪比评估、信号处理、特征提取、推理 分析；
8.其中所述数据采集分析系统包括：光发射模块、光信号采集模块、通信 服务模块、数据预处理模块、数据分析模块、智能识别模块；其中，
9.光发射模块，用于向分布式的单模光纤发射一定频率、一定带宽的光脉 冲；
10.光信号采集模块，用于接收、采集光纤中反射，散射回的光信号；
11.通信服务模块，用于通信的服务端，为系统内部和外部提供对应的数据 接口；
12.数据预处理模块，用于将光信号采集模块采集获取到的光信号解析成数 字信息数据；
13.数据分析模块，用于接受数据预处理模块获取到的信息数据，对于信息 数据进行分析处理以筛选过滤出使用的声音与振动的相关数据，进行声音降 噪处理；
14.智能识别模块，用于通过人工智能对采集到的数据进行识别分类，找到 需要报警的声音与振动数据，提交至集中展现预警系统。
15.进一步的，还包括：三维可视化模块，用于监控机组周边的存在的异常 情况并以三维可视化的形式展现，并在对应位置显示详细报警信息；
16.通信接收交互模块，接收并显示来自通信服务器端的各种数据与信息； 声光报警器联动模块，当机组声纹识别过程中有报警信息产生，以声光设备 的蜂鸣和闪动进行声光报警；
17.视频监控联动模块：当机组声纹识别过程中有报警信息产生，机组最近 的摄像机发送命令信号进行视频联动。
18.同时，本技术还提出了一种利用如前任一项所述的系统进行基于水电机 声纹识别的故障预警方法，包括：
19.机组声纹数据采集步骤，用于对机组运行过程中的声纹数据进行采集； 以进行振动感知和数据传输，以通过分布式的单模光纤作为振动检测传感器， 实现模拟信号转换为数字信号，并进行传输；
20.机组实时监测诊断步骤，用于将采集到的机制声纹数据进行在线监测诊 断；以进行音频数据还原、信噪比评估、信号处理、特征提取、推理分析； 其中，音频还原，是将单模光纤发射的载有检测回波的数字信号进行模拟信 号的转换，实现音频文件的还原；信噪比评估，是通过信噪比估计算法，判 断输入语音的信噪比，并分为低信噪比和高信噪比；信号处理，是将低信噪 比通过短时能量和过零率算法，高信噪比通过熵谱算法，分别得到不同噪音 环境中的语音信息；特征提取，是从时域上按长期、中期、短期，较短时等 特征，描述每一帧的能量和信号长度；对比分析，是将提取到的特征振动事 件与振动音频专家库进行决策树算法进行匹配度分析；
21.算法模型强化训练步骤，用于根据离线历史样本数据持续对无监督算法 模型进行训练；具体包括：离线获取历史音频数据，进行降噪处理、特征提 取、神经网络模型训练；
22.预警交互识别联动步骤，用于对机组发生的预警进行交互识别和声光设 备报警；以进行事件识别、联动报警；其中，事件识别，是指经对比分析得 出该振动事件的类型，进一步定义为异常事件或有害事件；联动报警，是当 有报警信息产生，声光设备的蜂鸣和闪动联动的方式进行报警。
23.所述的基于水电机声纹识别的故障预警方法，其中，通过以下方式进行 音频降噪的过程：
24.采用信噪比估计算法，判断输入语音的信噪比；按照低信噪比强度划分 为低信噪比和高信噪比，为信号处理提供不同分类的样本数据；其中，信噪 比估计算法采用改进型先验信噪比估计语音增强算法，具体推导过程如下：
25.步骤1、用y(m)、x(m)、v(m)分别表示m时刻k维噪音、纯净音和加 性噪声向量；假设纯净音信号和噪声互不相关，有：
[0026][0027]
上式中，y、x、v分别表示噪音、纯净音、加性噪声向量；i,j分别表示在t 时间的纯净音信号和噪声信号；e表示声音的能量；
[0028]
对公式(1)进行dct离散余弦变换，得出：
[0029]ym,k
＝x
m,k
v
m,k
,k＝0,
…
,k-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0030]
上式中，y
m,k
,x
m,k
,v
m,k
分别表示向量y(m)、x(m)、v(m)在m时刻的 第k个dct离散余弦变换谱分量；
[0031]
步骤2、从带噪音谱分量{y
m,k
}中恢复纯净音谱分量{x
m,k
}进行dct离 散余弦变换实现对纯净音信号x(m)的估计；假设频率点间的谱分量相关独立， 则m时刻纯净音谱分量{x
m,k
}的短时估计为：
[0032]
x
′
m,k
＝g(m,k)y
m,k
ꢀꢀ
(3)
[0033]
上式中，g(m,k)为增强因子，用来表示先验信噪比snr
prio
和后验信噪 比snr
post
的形式为：
[0034]
g(m,k)＝g{snr
post
(m,k)，snr
prio
(m,k)}
ꢀꢀ
(4)
[0035]
上式中，g表示影响因子；
[0036][0037]
上式中，λ表示振幅,v表示纯净音；
[0038][0039]
上式中，e表示声音能量；λv(m,k)＝e{v
m,k2
)为噪声分量方差，用于 噪声起始阶段或信号非活动期间的估计；
[0040]
步骤3、在m时刻先验信噪比snr
prio
(m,k)的估计采用dd直接判决算 法进行推导，得出：
[0041][0042]
上式中，dd表示直接判决算法，β为加权系数，x
′
m-1,k
为前一帧 对纯净音谱分量的估计；
[0043]
步骤4、结合维纳滤波器，得出：
[0044][0045]
步骤5、基于步骤3、步骤4的结果，联合估计当前帧语音的先验信噪 比snr
priotsnr
(m,k)进行两步噪声消除算法，得出：
[0046][0047][0048]
上式中，dd表示直接判决算法，tsnr表示两步噪声消除算法；
[0049]
步骤6、令|x
′
m,k
|2为纯净音短时谱能量|x
m,k
|2的估计，ε＝|x
m,k
|2‑ꢀ
|x
′
m,k
|2为估计误差，则在最小均方误差意义下ε的贝叶斯风险公式为：
[0050][0051]
步骤7、基于步骤(6)进行公式最小化，实现贝叶斯风险公式￡下短时 谱能量￡的
估计，得出：
[0052][0053]
上式中，e表示声音的能量，d表示取样间隔；p{
·
}为概率分布函数；
[0054]
步骤8、根据中心极限定律，假设纯净音和噪声谱分量均服从零均值的 高斯分布，得出：
[0055][0056][0057]
上式中，λ
x
(m,k)＝e{x
m,k2
}，由于x
m,k
和v
m,k
互不相关，得出：
[0058][0059]
步骤9、将得到的公式(13)、(15)代入到公式(12)得出：
[0060][0061][0062]
上式中，x，y，d分别表示纯净音、噪音、取样间隔；
[0063]
令化解上式得出：
[0064][0065]
上式中，γ(
·
)为gamma函数
[0066][0067]
其中，h表示实数域的正整数，t表示时间取样间隔；
[0068]
当h1.5时，通过dd直接判决算法计算获得的先验信 噪比估计代入到公式(16)，得出：
[0069][0070]
利用公式(7)计算当前帧的先验信噪比，最后得到：
[0071][0072]
在信号处理的过程中，低信噪比通过短时能量和过零率算法，高信噪比 通过熵谱算法，分别得到不同噪音环境中的语音信息；其中，低信噪比短时 能量和过零率算法的推导过程如下：
[0073]
下式为语音能量的计算公式：
[0074]
ex(n)2ꢀꢀ
(21)
[0075]
上式中，e表示语音的能量，x表示语音信号，n表示语音信号帧数；
[0076]
在语音能量的计算公式基础上进行语音短时能量的定义，得到短时能量 的计算公式：
[0077][0078]
上式中，en表示n时刻某语音信号的短时平均能量；x表示语音信号，m表 示语音信
号帧数；w为窗口函数，n为窗长，可见短时能量为一帧样点值的加 权平方和；h(n)表示滤波器；
[0079]
其中，h(n)＝w(n)2,w(n)是窗口函数，因此上式可以简写成：
[0080][0081]
由于短时能量是语音的时域特征，在不进行傅里叶算法变换的情况下， w(n)是一种方窗，即：
[0082][0083]
因此，可以得出，语音短时能量相当于每一帧中所有语音信号的平方和；
[0084]
然后，采用短时平均过零率的方式来表示每一帧语音中语音信号波形穿 过横轴(零点平)的次数；对于连续的语音信号，过零即意味着时域波形通 过时间轴；而对于离散的语音信号，如果相邻的取样值改变符号，则称为过 零；短时平均过零率就是样本数值改变符号的次数；
[0085]
定义语音信号xn(m)的短时平均过零率为zn,具体公式如下：
[0086][0087]
其中，sgn[*]是符号函数，即：
[0088][0089]
上式中，先对语音信号序列x(n)进行成对处理，检查是否有过零现象， 若符号有变化，则表示有一次过零现象；然后进行一阶差分计算，取绝对值； 最后进行低通滤波；
[0090]
高信噪比熵谱算法的推导过程如下：
[0091]
(1)设置阶数p＝1,确定初始条件：
[0092]
e0(n)＝b0(n)＝x(n),0＜x＜1
ꢀꢀ
(27)
[0093]
上式中，x(n)表示已知时间信号序列，利用此序列即可进行递推得到 e0(n)和b0(n)，分别表示前向预测误差功率和后向预测误差功率；
[0094][0095]
上式中，σ
02
表示预测误差平均功率，n表示时间信息序列长度；
[0096]
(2)k＝1且阶数p递增，根据公式(28)计算kk的反射系数：
[0097][0098]
上式中，kk表示反射系数，k表示自变量；
[0099]
(3)更新发射系数，计算a
ki
(i＝1,2
…
,k-1)：
[0100]aki
＝a
k-1,i
a
kkak-1,k-i
ꢀꢀ
(30)
[0101]
(4)根据预测误差格型滤波器，计算ek(n)：
[0102]ek
(n)＝e
p-1
(n) k
pbp-1
(n-1)
ꢀꢀ
(31)
[0103]bk
(n)＝b
p-1
(n) k
pep-1
(n)
ꢀꢀ
(32)
[0104]
上式中，ek(n),bk(n)分别表示前向预测误差和后向预测误差，k
p
表示p阶发射系数；
[0105]
(5)递归计算σ
k2
：
[0106]
σ
k2
＝(1-k
p2
)σ
k-12
ꢀꢀ
(33)
[0107]
上式中，σ
k2
表示预测误差平均估计；
[0108]
k＝k 1,重复(2)(3)(4)(5)直至所需要的阶数为止。
[0109]
本技术的上述技术方案的有益效果如下：本公开实施例的方案，结合分 布式光纤侦听传感技术和人工智能深度学习神经网络学习技术，采用分布式 光纤声音还原主机对水电机组设备进行监听，实现水电机组声纹进行人工智 能分析。利用已经训练好的模型来分离实时采集到的设备音频中的不同特征 属性，然后根据特征属性的量化来对比判断设备现在的状况和对未来的故障 预测。本公开实施例的方案能够提升水电机组防护等级，加强对水电机组运 行状态监测和健康预测分析能力，弥补对水电机组缺少故障监测和寿命监测 系统的不足。
附图说明
[0110]
下面附图用来提供对本发明的进一步理解，本发明的示意性实例及其说 明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0111]
图1是本公开实施例中的水电机组声纹识别人工智能预警方法示意图；
[0112]
图2是本公开实施例中的机组实时监测诊断流程图；
[0113]
图3是本公开实施例中的算法模型强化训练流程图；
[0114]
图4是本公开实施例中的水电机组声纹识别人工智能预警装置示意图；
[0115]
图5是本公开实施例中的数据采集分析系统组成示意图；
[0116]
图6是本公开实施例中的集中展现预警系统组成示意图；图7是本公开实施例中的短时平均过零率的计算原理示意图。
具体实施方式
[0117]
需要说明的是，在不冲突的情况下，本技术中的实例及实例中的特征可 以相互组合，除非明确要求，否则单独的组件和功能是可选的，并且操作的 顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方 案的部分和特征。本公开实施例中的的实施方案的范围包括权利要求书的整 个范围，以及权利要求书的所有可获得的等同物。下面将参考附图并结合实 例来详细说明本公开实施例中的。
[0118]
分布式光纤侦听传感技术是光纤传感技术的一个细分领域，该技术可以 对长达几十公里光纤附近的几赫兹到几万赫兹频率的声音进行采集并还原。 光纤本质是传感器也是传输介质，不需要增加任何设备，结合人工智能识别 技术，可以有效判断事件的类型及状态。该技术应用于水电机组领域，通过 光纤对机组的重要位置实现实时运行状态的监测，摆脱对传统点式传感器的 依赖，减少施工成本、减少人员巡检频率、减少设备检维修次数，延长设备 使用寿命，提升经济效益。
[0119]
本公开实施例提出了一种应用分布式光纤侦听传感技术对水电机组进 行声纹识别以实现基于水电机声纹识别的故障预警。为此，本公开实施例提 出了一种基于水电机声纹识别的故障预警方法，包括：
[0120]
机组声纹数据采集步骤，用于对机组运行过程中的声纹数据进行采集；
[0121]
机组实时监测诊断步骤，用于将采集到的机制声纹数据进行在线监测诊 断；
[0122]
算法模型强化训练步骤，用于根据离线历史样本数据持续对无监督算法 模型进行训练；
[0123]
预警交互识别联动步骤，用于对机组发生的预警进行交互识别和声光设 备报警。
[0124]
其中，机组声纹数据采集包括：振动感知、数据传输。其中，振动感知 和数据传输是以单模光纤作为振动检测传感器，实现模拟信号转换为数字信 号，并进行传输。
[0125]
其中，机组实时监测诊断包括：音频数据还原、信噪比评估、信号处理、 特征提取、推理分析。其中，音频还原，将单模光纤发射的载有检测回波的 数字信号进行模拟信号的转换，实现音频文件的还原；信噪比评估，通过信 噪比估计算法，判断输入语音的信噪比，并分为低信噪比和高信噪比；信号 处理，低信噪比通过短时能量和过零率算法，高信噪比通过熵谱算法，分别 得到不同噪音环境中的语音信息；特征提取，从时域上按长期、中期、短期， 较短时等特征，描述每一帧的能量和信号长度；对比分析，将提取到的特征 振动事件与振动音频专家库进行决策树算法进行匹配度分析。
[0126]
其中，所述算法模型强化训练包括：离线获取历史音频数据、降噪处理、 特征提取、神经网络模型训练。
[0127]
其中，所述预警交互识别联动包括：事件识别、联动报警。其中，事件 识别，经对比分析得出该振动事件是什么类型事件，进一步定义为异常事件 或有害事件；联动报警，当有报警信息产生，声光设备的蜂鸣和闪动联动的 方式进行报警。
[0128]
在实现本公开实施例的方法时，可以借助本公开实施例提出的用于
[0129]
单模光纤，用于振动感知，采集机组声纹信号，并发送至数据采集分析 系统；
[0130]
数据采集分析系统，用于接收到的音频数据还原、信噪比评估、信号处 理、特征提取、推理分析；集中展现预警系统，用于比对分析、事件识别， 形成可视化报警。
[0131]
光发射模块，向主机连接的光纤中发射一定频率，一定带宽的光脉冲； 光信号采集模块，负责接收、采集光纤中反射，散射回的光信号；通信服务 模块，作为通信的服务端，为系统内部和外部提供对应的数据接口。数据预 处理模块用于将光信号采集模块采集获取到的光信号，解析成数字信息数据； 数据分析模块：从数据预处理模块获取到的信息数据，会经过本模块做初步 的分析处理，从中筛选过滤出本系统要使用的声音与振动的相关数据，进行 声音降噪处理。智能识别模块，通过人工智能对采集到的数据进行识别分类， 找到需要报警的声音与振动数据，提交至集中展现预警系统。
[0132]
三维可视化模块，机组周边的存在的异常情况以三维可视化的形式展现， 并在对应位置显示详细报警信息。通信接收交互模块，接收并显示来自通信 服务器端的各种数据与信息；声光报警器联动模块，当机组声纹识别过程中 有报警信息产生，以声光设备的蜂鸣和闪动进行声光报警。视频监控联动模 块：当机组声纹识别过程中有报警信息产生，机组最近的摄像机发送命令信 号进行视频联动。
[0133]
在进行音频降噪的过程中，可以采用如下所述的信噪比估计算法，判断 输入语音
的信噪比。按照低信噪比强度划分为低信噪比和高信噪比，为信号 处理提供不同分类的样本数据。其中，信噪比估计算法采用改进型先验信噪 比估计语音增强算法，具体推导过程如下：
[0134]
(步骤1)用y(m)、x(m)、v(m)分别表示m时刻k维噪音、纯净音和加性 噪声向量。假设纯净音信号和噪声互不相关，有：
[0135][0136]
上式中，y、x、v分别表示噪音、纯净音、加性噪声向量。i,j分别表示在t 时间的纯净音信号和噪声信号。e表示声音的能量。
[0137]
对公式(1)进行dct离散余弦变换，得出：
[0138]y,,k
＝x
,,k
v
m,k
,k＝0,
…
,k-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0139]
上式中，y
m,k
,x
m,k
,v
m,k
分别表示向量y(m)、x(m)、v(m)在m时刻的 第k个dct离散余弦变换谱分量。
[0140]
(步骤2)从带噪音谱分量{y
m,k
}中恢复纯净音谱分量{x
m,k
}进行dct离散 余弦变换实现对纯净音信号x(m)的估计。假设频率点间的谱分量相关独立， 则m时刻纯净音谱分量{x
m,k
}的短时估计为：
[0141]
x
′
m,k
＝g(m,k)y
m,k
ꢀꢀ
(3)
[0142]
上式中，g(m,k)为增强因子，用来表示先验信噪比snr
prio
和后验信噪 比snr
post
的形式为：
[0143]
g(m,k)＝g{snr
post
(m,k)，snr
prio
(m,k)}
ꢀꢀ
(4)
[0144]
上式中，g表示影响因子。
[0145][0146]
上式中，λ表示振幅,v表示纯净音。
[0147][0148]
上式中，e表示声音能量。λv(m,k)＝e{v
m,k2
)为噪声分量方差，用于 噪声起始阶段或信号非活动期间的估计。
[0149]
(步骤3)在m时刻先验信噪比snr
prio
(m,k)的估计采用dd直接判决算法 进行推导，得出：
[0150][0151]
上式中，dd表示直接判决算法，β为加权系数，x
′
m-1,k
为前一帧 对纯净音谱分量的估计。
[0152]
(步骤4)结合维纳滤波器，得出：
[0153][0154]
(步骤5)基于步骤3、步骤4的结果，联合估计当前帧语音的先验信噪比 snr
priotsnr
(m,k)进行两步噪声消除算法，得出：
[0155][0156][0157]
上式中，dd表示直接判决算法，tsnr表示两步噪声消除算法。
[0158]
(步骤6)令|x
′
m,k
|2为纯净音短时谱能量|x
m,k
|2的估计，ε＝|x
m,k
|
2-|x
′
m,k
|2为估计误差，则在最小均方误差意义下ε的贝叶斯风险公式为：
[0159]
￡＝e{(|x
m,k
|
2-|x
′
m,k
|2)2}
ꢀꢀ
(11)
[0160]
(步骤7)基于步骤(6)进行公式最小化，实现贝叶斯风险公式￡下短时谱 能量￡的估计，得出：
[0161][0162]
上式中，e表示声音的能量，d表示取样间隔。p{
·
}为概率分布函数。
[0163]
(步骤8)根据中心极限定律，假设纯净音和噪声谱分量均服从零均值的高 斯分布，得出：
[0164][0165][0166]
上式中，λ
x
(m,k)＝e{x
m,k2
}，由于x
m,k
和v
m,k
互不相关，得出：
[0167][0168]
(步骤9)将得到的公式(13)、(15)代入到公式(12)得出：
[0169][0170]
上式中，x，y，d分别表示纯净音、噪音、取样间隔。
[0171]
令化解上式得出：
[0172][0173][0174]
上式中，γ(
·
)为gamma函数
[0175][0176]
其中，h表示实数域的正整数，t表示时间取样间隔。
[0177]
当h1.5时，通过dd直接判决算法计算获得的先验信 噪比估计代入到公式(16)，得出：
[0178][0179]
利用公式(7)计算当前帧的先验信噪比，最后得到：
[0180][0181]
优先地，在信号处理的过程中，低信噪比通过短时能量和过零率算法， 高信噪比通过熵谱算法，分别得到不同噪音环境中的语音信息。其中，低信 噪比短时能量和过零率算法的推导过程如下：
[0182]
下式为语音能量的计算公式：
[0183]
ex(n)2ꢀꢀ
(21)
[0184]
上式中，e表示语音的能量，x表示语音信号，n表示语音信号帧数。
[0185]
在语音能量的计算公式基础上进行语音短时能量的定义，得到短时能量 的计算公式：
[0186][0187]
上式中，en表示n时刻某语音信号的短时平均能量。x表示语音信号，m表 示语音信号帧数。w为窗口函数，n为窗长，可见短时能量为一帧样点值的加 权平方和。h(n)表示滤波器。
[0188]
其中，h(n)＝w(n)2,w(n)是窗口函数，因此上式可以简写成：
[0189][0190]
由于短时能量是语音的时域特征，在不进行傅里叶算法变换的情况下， w(n)是一种方窗，即：
[0191][0192]
因此，可以得出，语音短时能量相当于每一帧中所有语音信号的平方和。
[0193]
然后，采用短时平均过零率的方式来表示每一帧语音中语音信号波形穿 过横轴(零点平)的次数。对于连续的语音信号，过零即意味着时域波形通 过时间轴；而对于离散的语音信号，如果相邻的取样值改变符号，则称为过 零。短时平均过零率就是样本数值改变符号的次数。
[0194]
定义语音信号xn(m)的短时平均过零率为zn,具体公式如下：
[0195][0196]
其中，sgn[*]是符号函数，即：
[0197][0198]
上式中，先对语音信号序列x(n)进行成对处理，检查是否有过零现象， 若符号有变化，则表示有一次过零现象；然后进行一阶差分计算，取绝对值； 最后进行低通滤波。
[0199]
高信噪比熵谱算法的推导过程如下：
[0200]
(1)设置阶数p＝1,确定初始条件：
[0201]
e0(n)＝b0(n)＝x(n),0＜x＜1
ꢀꢀ
(27)
[0202]
上式中，x(n)表示已知时间信号序列，利用此序列即可进行递推得到 e0(n)和b0(n)，分别表示前向预测误差功率和后向预测误差功率。
[0203][0204]
上式中，σ
02
表示预测误差平均功率，n表示时间信息序列长度。
[0205]
(2)k＝1且阶数p递增，根据公式(28)计算kk的反射系数：
[0206][0207]
上式中，kk表示反射系数，k表示自变量。
[0208]
(3)更新发射系数，计算a
ki
(i＝1,2
…
,k-1)：
[0209]aki
＝a
k-1,i
a
kkak-1,k-i
ꢀꢀ
(30)
[0210]
(4)根据预测误差格型滤波器，计算ek(n)：
[0211]ek
(n)＝e
p-1
(n) k
pbp-1
(n-1)
ꢀꢀ
(31)
[0212]bk
(n)＝b
p-1
(n) k
pep-1
(n)
ꢀꢀ
(32)
[0213]
上式中，ek(n),bk(n)分别表示前向预测误差和后向预测误差，k
p
表示p阶发射系数。
[0214]
(5)递归计算σ
k2
：
[0215]
σ
k2
＝(1-k
p2
)σ
k-12
ꢀꢀ
(33)
[0216]
上式中，σ
k2
表示预测误差平均估计。
[0217]
k＝k 1,重复(2)(3)(4)(5)直至所需要的阶数为止。
[0218]
优先地，算法模型强化训练流程，如图3所示：
[0219]
(1)分布式光纤声音还原主机采集水电机组正常运行状态的历史音频。
[0220]
(2)分布式光纤声音还原主机采用时频变换方法提取其规则特征。
[0221]
(3)通过神经网络训练模型，利用循环的模型获取设备的摩擦、振动、 功率、质量等特征属性。
[0222]
优先地，进行大量的机器学习过程。将音频特征进行提取，通过大数据 学习，将各种音频特征归类为振动音频专家库，并在专家库设有黑白名单。 经过长时间的机器学习后。在正式投入使用后，新的振动事件与振动音频专 家库进行决策树算法分析比对。以最短的时间找到相似度最高的音频特征。 最终分析出该振动事件是什么类型事件。事件类型判断完毕后，查找专家库 黑白名单，将需要告警的事件，推送给用户界面。最终完成有害事件或异常 事件的告警功能。
[0223]
根据本发明实施例，还提供一种水电机组声纹识别人工智能预警装置。
[0224]
优先地，水电机组声纹识别人工智能预警装置，如图4所示，包括：单 模光纤，用于振动感知，采集机组声纹信号，并发送至数据采集分析系统； 数据采集分析系统，用于接收到的音频数据还原、信噪比评估、信号处理、 特征提取、推理分析；集中展现预警系统，用于
比对分析、事件识别，形成 可视化报警。
[0225]
优先地，数据采集分析系统，如图5所示，包括：光发射模块，向主机 连接的光纤中发射一定频率，一定带宽的光脉冲；光信号采集模块，负责接 收、采集光纤中反射，散射回的光信号；通信服务模块，作为通信的服务端， 为系统内部和外部提供对应的数据接口。数据预处理模块用于将光信号采集 模块采集获取到的光信号，解析成数字信息数据；数据分析模块：从数据预 处理模块获取到的信息数据，会经过本模块做初步的分析处理，从中筛选过 滤出本系统要使用的声音与振动的相关数据，进行声音降噪处理。智能识别 模块，通过人工智能对采集到的数据进行识别分类，找到需要报警的声音与 振动数据，提交至集中展现预警系统。
[0226]
优先地，集中展现预警系统，如图6所示，包括：三维可视化模块，机 组周边的存在的异常情况以三维可视化的形式展现，并在对应位置显示详细 报警信息。通信接收交互模块，接收并显示来自通信服务器端的各种数据与 信息；声光报警器联动模块，当机组声纹识别过程中有报警信息产生，以声 光设备的蜂鸣和闪动进行声光报警。视频监控联动模块：当机组声纹识别过 程中有报警信息产生，机组最近的摄像机发送命令信号进行视频联动。