一种变压器声纹检测系统的声纹预处理方法与流程

该分段信号中第n个信号值，e为自然常数，i为虚数单位； s03、功率分谱形成步骤； 将每个所述分段信号的频谱转换为每个所述分段信号的功率分谱， 功率分谱计算方式为频谱*频谱的共轭复数/频率分辨率c； 频率分辨率c的计算方式为采样率/分段信号长度； s04、功率总谱形成步骤； 将所有的分段信号的功率分谱进行平均处理，形成一张总的功率总谱。
8.作为本发明的优选，在s01步骤中还存在补零步骤，对最后一个所述分段信号进行补零操作，使该段分段信号的数据长度等于分段信号的指定长度。
9.作为本发明的优选，在s01步骤中还存在加窗步骤，对分段完毕的所有的分段信号进行加窗操作。
10.作为本发明的优选，在所述加窗步骤中，采用平顶窗或矩形窗或凯塞窗或布莱克曼窗作为加窗窗口。
11.作为本发明的优选，在所述加窗步骤中，采用汉宁窗作为加窗窗口。
12.作为本发明的优选，在s04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为能量平均法或最小保持平均法或最大保持平均法。
13.作为本发明的优选，在s04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为加权平均的算法，公式为：，
ꢀꢀ
为当前的功率分谱的向量值，为包括当前z向量的移动平均值 ，即为移动平均值到前一个z向量，为应用于当前z向量的加权因子，而其计算方式为：，其中，为遗忘因子，由用户指定。
14.综上所述，本发明具有如下有益效果：1、一个冗长的信号被分隔成多段相互独立的分段信号，且能被处理器同时并行处理，大大降低处理时间，提升声纹检测系统的运行效率。
15.2、在本发明中，把时域录音整个转换到频域进行处理，更有效区分特征与噪声，后期的去偏置与去噪效果提升。
16.3、各个分段进行加窗处理，避免分段的端点会由于数据不稳定产生能量冲击的问题。
17.4、汉宁窗能更好地平衡分辨率与旁瓣衰减的关系，其主瓣带宽窄，而旁瓣衰减值较快，这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
18.5、加权平均计算，数据增加时可以基于当前平均数与新数据作平均，无需全部数据重新计算。
19.6、不同的放电情况预先存储不同的滤波策略，处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减，突出每种模式在频谱图信号中的特征。
具体实施方式
20.以下对本发明作进一步详细说明。
21.本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
22.实施例1，一种变压器声纹检测系统的声纹预处理方法，其在硬件设备上依然使用原本的变压器声纹检测系统，无需额外变化。该种预处理方法主要是在处理器正式检测声纹信号之前，对声纹信号做了优化处理。
23.具体的，其包含如下步骤：s01、分段信号形成步骤。
24.该步骤中，需要将一个完整的采样信号分割成若干段分段信号。此时需要确定分段信号的指定长度，这个长度一般为2的整数次方，例如1024、2048、4096等。在本实施例中，将2048作为分段的指定长度。而采样信号的长度为取决于采样率和采样时间，如，在本实施例中，采样率为48k采样，采样时间为2秒，则一个完整的采样信号的长度为48k*2=96000。既然2048作为分段长度，则这里就分成了96000/2048=46.875段，即形成了47段的分段信号。
25.在本步骤中还存在有补零步骤，即第47段的末尾受总长的影响，并没有数据，此时需要在第47段的末尾做补零操作，即，没有数据的部分都补上数据0，使47段的总长度同样为2048。
26.进一步的，在本实施例中，这里还存在加窗步骤。
27.这是由于，分段之后，各个分段的端点会由于数据不稳定产生能量冲击的问题，需要对分段后的数据进行加窗处理。
28.加窗可以直接选用现有技术中的窗口方式，如平顶窗、矩形窗、凯塞窗、布莱克曼窗。然而，所使用的窗口类型也会影响分辨率。在本实施例中，需要平衡分辨率与旁瓣衰减的关系。在本实施例中，选择采用汉宁窗，这是因为其主瓣带宽窄，为1.44（db），而旁瓣衰减值较快，为-60（db per 10 oct），这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
29.s02、频域信号转换步骤。
30.该步骤为关键步骤之一，是将所有的每个分段信号做傅里叶变换，让分段信号从时域信号转换为频域信号y。
31.由于做了分段处理，每个分段信号的数据长度都比较小，做傅里叶变换这一处理的时间都大为缩短。而这个过程不是串行处理，而是并行处理，即47段分段信号一起同步进行傅里叶变换，得到各自的频域信号y。傅里叶变换公式如下：在该公式中，n为分段信号长度，在本实施例中，即为2048。n为信号值的编号，该分段信号中第n个信号值，e为自然常数，e = 2.71828182845904523536 ...i为虚数单位，，π为圆周率，k为频率信号的编号值，为0、1、2、3
……
n-1。
32.至此，每段信号的频域信号转换完成，即每段信号的频谱都已自然形成。
33.需要说明的是，现有技术中，往往是去噪滤波在时域上处理，而在本发明中，把时
域录音整个转换到频域进行处理，更有效区分特征与噪声，后期的去偏置与去噪效果提升。
34.s03、功率分谱形成步骤。
35.在本步骤中，就是根据s02末尾形成的频谱转换计算为功率谱。
36.而功率谱的计算方式为：“频谱”乘以“共轭复数”除以“频率分辨率”。频谱即是上文中的y，而共轭复数为y’，由于y为复数形式，表示为：y=a bi,则共轭复数y’=a-bi。频率分辨率c的计算方式为采样率/分段信号长度。例如在本实施例中，如上文所述，采样率为48k采样，分段信号长度为2048，则c=48k/2048=23.4375hz。
37.至此，每段分段信号的功率谱也以形成，在本实施例中，由于存在47段分段信号，故一共形成了47段功率分谱。
38.s04、功率总谱形成步骤。
39.该步骤是将47段功率分谱进行整合，最后形成一张总的功率总谱。这个整合是指对47段功率分谱进行平均操作。平均的方式有较多选择，可以选择能量平均法、最小保持平均法、最大保持平均法或其他平均的算法。
40.在本实施例中，采用了加权平均的算法。具体的公式为：， 为当前的功率分谱的向量值，为包括当前z向量的移动平均值 ，即为移动平均值到前一个z向量。
41.为应用于当前z向量的加权因子。而其计算方式为：，其中，为遗忘因子，由用户指定，而最初始的加权因子w0也由用户指定。
42.这样的平均处理方式，当前数据与前一数据进行加权计算，相较于其他平均，这种平均对实时数据处理友好。数据增加时可以基于当前平均数与新数据作平均，无需全部数据重新计算。
43.而这个总的功率总谱即为本技术方案的最终结果，至此，所有预处理都已结束，可进行后续的声纹识别声纹检测。
44.实施例2，在实施例1的基础上还有s05、放电匹配步骤和s06、滤波步骤。
45.放电是指变压器的表面会出现放电现象，从而使得总的功率图谱的图像质量有影响。在s05中，主要是对变压器的表面的放电情况进行评估和判断，从而选择合适的滤波策略在s06中，对功率图谱进行滤波操作。
46.具体的，在s05步骤中，处理器对功率图谱进行图像识别。在本实施例中，先进行分帧处理，随后处理器对分帧后的功率图谱进行图像识别。在实际工作中，往往存在以下四种放电识别结果，情况一：悬浮电位体放电；这种情况从功率图谱图像上看，放电脉冲幅值稳定，且相邻放电时间间隔基本一致。当悬浮金属体不对称时，正负半波检测信号有极性差异。情况二：沿面放电；这种情况从功率图谱图像上看，放电幅值分散性较大，放电时间间隔不稳定，极性效应不明显。情况三：金属尖端/电晕放电；这种情况从功率图谱图像上看，放电次数较多，放电幅值分散性小，时间间隔均匀。放电的极性效应非常明显，通常仅在工频相位的负半周出现。情况四：绝缘件内部气隙放电。这种情况从功率图谱图像上看，放电次
数少，周期重复性低。放电幅值也较分散，但放电相位较稳定，无明显极性效应。
47.识别过程可以通过人工识别，也可以处理器通过视觉识别程序来实现。
48.识别之后，不同的放电情况预先存储不同的滤波策略，处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减，突出每种模式在频谱图信号中的特征。比如电晕放电，会进行半周期滤波操作，使特征中正周期的干扰信号衰减，滤波后使负周期放电信号更清晰。