一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測方法
【專利摘要】本發(fā)明涉及一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測方法，包括步驟：采用麥克風(fēng)陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)；采用基于負(fù)熵最大的獨(dú)立分量分析法Fast-ICA算法針對(duì)采用麥克風(fēng)陣列采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)；提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過模式匹配算法識(shí)別聲音信號(hào)，將待測試聲音模板與所有的參考樣本模板匹配后，匹配距離最小的參考樣本模板是電氣設(shè)備工作音識(shí)別的結(jié)果：如匹配距離最小的參考樣本模板為正常音，則與之匹配的電氣設(shè)備工作音為正常音；如匹配距離最小的參考樣本模板為故障音，則與之匹配的電氣設(shè)備工作音為故障音。本發(fā)明用定點(diǎn)迭代算法，使收斂更加穩(wěn)定和迅速。
【專利說明】一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測方法，屬于電氣設(shè)備維 護(hù)的【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 現(xiàn)如今電氣設(shè)備故障診斷以及狀態(tài)檢測最常用的方法就是電氣測量法，但是電氣 量通常不能夠明顯地表征電氣設(shè)備故障信息，且這種參數(shù)比較難以檢測，我們很難準(zhǔn)確及 時(shí)的判斷設(shè)備故障類型及信息，且電氣設(shè)備在發(fā)生故障之前能夠正常工作且電氣量沒有太 大變化。除非電氣量之外，很多的變化信息如電氣設(shè)備故障時(shí)發(fā)出異常的聲音包含了電氣 設(shè)備將要發(fā)生故障或已經(jīng)發(fā)生故障的信號(hào)。因此，非電氣量檢測方法的一些參數(shù)指標(biāo)能夠 更有效更方便我們對(duì)電氣設(shè)備進(jìn)行診斷，例如電氣設(shè)備聲音信號(hào)。
[0003] 實(shí)時(shí)地電氣設(shè)備在線監(jiān)測技術(shù)早已應(yīng)用并發(fā)揮重要的作用。以往的電氣設(shè)備故障 音診斷方法一般要通過接觸式傳感器檢測來實(shí)現(xiàn)，在高電壓和強(qiáng)電磁場的輸變電站的復(fù)雜 環(huán)境下，可能對(duì)設(shè)備的監(jiān)測結(jié)果會(huì)產(chǎn)生一定的影響。此外，接觸式的傳感器安裝和維護(hù)十分 不便，一旦傳感器發(fā)生問題還可能帶來意想不到的后果。
[0004] 從20世紀(jì)80年代開始，基于聲音信號(hào)處理的故障檢測手段已經(jīng)廣泛應(yīng)用于工業(yè) 生產(chǎn)領(lǐng)域來對(duì)各種機(jī)械進(jìn)行故障診斷，如內(nèi)燃機(jī)和發(fā)動(dòng)機(jī)等；90年代更是快速發(fā)展和延伸 到其他許多領(lǐng)域如醫(yī)學(xué)，獲得了巨大的成功。目前基于聲音信號(hào)處理的產(chǎn)品已經(jīng)廣泛應(yīng)用 于科技、工業(yè)、生活和教育的方方面面，產(chǎn)品也越來越成熟，越來越受歡迎，如Google公司 的產(chǎn)品谷歌翻譯的語音輸入，手機(jī)的語音撥號(hào)，騰訊公司的社交應(yīng)用微信和QQ的語音搜索 等技術(shù)，以及各種導(dǎo)航中的語音交互控制等。目前的電力設(shè)備網(wǎng)絡(luò)已經(jīng)擁有了比較有效的 在線故障監(jiān)測系統(tǒng)，本文提出一種基于獨(dú)立分量分析法Fast-ICA算法檢測電氣設(shè)備故障 音的方法來實(shí)時(shí)監(jiān)控電氣設(shè)備的運(yùn)行情況，它可以作為當(dāng)今電氣設(shè)備監(jiān)測方法的一種有效 補(bǔ)充手段。


【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測 方法。
[0006] 本發(fā)明的技術(shù)方案如下：
[0007] -種基于獨(dú)立分量分析的電氣設(shè)備故障音方法，包括步驟如下：
[0008] (1)采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)；
[0009] (2)采用基于負(fù)熵最大的獨(dú)立分量分析法Fast-ICA算法針對(duì)步驟（1)采用麥克風(fēng) 陣列采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)；
[0010] (3)提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過模式匹 配算法識(shí)別聲音信號(hào)，將待測試聲音模板與所有的參考樣本模板進(jìn)行匹配后，匹配距離最 小的參考樣本模板就是電氣設(shè)備工作音識(shí)別的結(jié)果：如果匹配距離最小的參考樣本模板為 正常音，則與之相匹配的電氣設(shè)備工作音為正常音；如果匹配距離最小的參考樣本模板為 故障音，則與之相匹配的電氣設(shè)備工作音為故障音。
[0011] MIC陣列通過對(duì)拾取的多路聲音信號(hào)進(jìn)行分析和處理，使陣列形成的波束方向圖 主瓣對(duì)準(zhǔn)目標(biāo)聲源，"零點(diǎn)"指向干擾源以抑制干擾信號(hào)，從而盡可能得獲取目標(biāo)聲音，波束 的形成不但消除了使用單個(gè)或兩個(gè)麥克風(fēng)時(shí)需要不斷調(diào)節(jié)麥克風(fēng)指向性的問題，而且使輸 出聲音信號(hào)的信噪比大幅提高，獲得高質(zhì)量的聲音信號(hào)。
[0012] 根據(jù)本發(fā)明優(yōu)選的，所述的步驟（2)中分離獨(dú)立聲源信號(hào)的具體步驟為：
[0013] a、步驟（1)中采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)記為：x =[X" x2,…，χη]，η = 1，2, 3…η,其中，

【權(quán)利要求】
1. 一種基于獨(dú)立分量分析的電氣設(shè)備故障音檢測方法，其特征在于，包括步驟如下： (1) 采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)； (2) 采用基于負(fù)熵最大的獨(dú)立分量分析法Fast-ICA算法針對(duì)步驟（1)采用麥克風(fēng)陣列 采集的聲音信號(hào)分離各個(gè)獨(dú)立聲源信號(hào)； (3) 提取獨(dú)立聲源信號(hào)的Mel頻率倒譜系數(shù)MFCC作為聲音特征參數(shù)，通過模式匹配算 法識(shí)別聲音信號(hào)，將待測試聲音模板與所有的參考樣本模板進(jìn)行匹配后，匹配距離最小的 參考樣本模板就是電氣設(shè)備工作音識(shí)別的結(jié)果：如果匹配距離最小的參考樣本模板為正常 音，貝 1J與之相匹配的電氣設(shè)備工作音為正常音；如果匹配距離最小的參考樣本模板為故障 音，貝1J與之相匹配的電氣設(shè)備工作音為故障音。
2. 根據(jù)權(quán)利要求1所述的一種基于獨(dú)立分量分析法Fast-ICA算法檢測電氣設(shè)備故障 音的方法，其特征在于，所述的步驟（2)中分離獨(dú)立聲源信號(hào)的具體步驟為： a. 步驟（1)中采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)記為：x =


^ ^ )
，為獨(dú)立信號(hào)源發(fā)出的聲音信號(hào)， 是實(shí)系數(shù)，月
首先，對(duì)步驟a中所述的采用麥克風(fēng)陣列，即MIC陣列采集電氣設(shè)備運(yùn)行的聲音信號(hào)進(jìn) 行中心化處理，得到的聲音信號(hào)
，通過式（? )所得：
(? ) 然后，對(duì)中心化處理后得到的聲音信號(hào)[ = 3進(jìn)行白化處理，得到聲音信號(hào) ζ，通過式（iii)所得： -
(iii) 在式（iii )中，z的各分量Zi互不相關(guān)，且具有單位方_

是相關(guān)陣
的η個(gè)最大特征值組成的對(duì)角陣；
，是η 個(gè)對(duì)應(yīng)的特征矢量組成的矩陣； b. 基于峭度和負(fù)熵兩個(gè)非高斯性度量間取得很好折中的負(fù)熵近似估計(jì)J(x)，如式 (iv )所示： J(x) - [E(G(x))-E(G(v))]2 (iv) 在式（iv )中，G為任意的非二次函數(shù)，v是零均值單位方差的高斯變量； c. 近似的牛頓迭代算法如式（v )所示： (v ) 上式（V)兩邊同時(shí)乘以
，簡化為：
(vi ) 將式（vi )中的w標(biāo)準(zhǔn)化，得到式（vii):
(vii) 上述式（v )中，w是一個(gè)可隨機(jī)選取的具有單位范數(shù)的初始化向量，z是式（iii)得 到的白化數(shù)據(jù)，即得到聲音信號(hào)，g是非二次函數(shù)G的導(dǎo)數(shù)，如下式：
上述式子中，β是一個(gè)常數(shù)，另
是FastICA的基本公式，如果不收斂，則返回步 驟（v )。
3.根據(jù)權(quán)利要求2所述的一種基于獨(dú)立分量分析法Fast-ICA算法檢測電氣設(shè)備故障 音的方法，其特征在于，所述的步驟（3)具體步驟為： a. 對(duì)步驟（2)中分離出的獨(dú)立聲源信號(hào)進(jìn)行預(yù)加重、分幀和加窗操作； b. 對(duì)步驟（3) a中處理后的每幀聲音信號(hào)進(jìn)行FFT變換，即快速傅里葉變換，獲得其頻 譜，再取模的平方作為離散功率譜S(k); c. 計(jì)算S (k)通過帶通濾波器組后所得的功率值，得到Μ個(gè)參數(shù)Pm，m = 0, 1，…，M-1 ; 接著計(jì)算Pm的自然對(duì)數(shù)，得到Lm，m = 0, 1，…，M-1 ;最后計(jì)算Lm的DCT離散余弦變換，獲得 Dm，m = 0, 1，...，M-1，去掉 DoWD"％，…，Dk 作為 MFCC 的參數(shù)； d. 所述模式匹配算法為動(dòng)態(tài)時(shí)間規(guī)整DTW算法進(jìn)行聲音識(shí)別的具體步驟為： 設(shè)步驟（3) a的聲音信號(hào)分了 N幀矢量即{T (1)，T (2)，…，Τ (η)，…，T (N)}，Τ (η)是第η 幀的語音特征矢量，參考樣本有Μ幀矢量即{R (1)，R (2)，…，R (m)，…，R (Μ)}，R (m)為第m幀 的語音特征矢量，則動(dòng)態(tài)時(shí)間規(guī)整DTW算法利用時(shí)間規(guī)整函數(shù)j =w(i)完成待測試矢量與 參考模板矢量時(shí)間軸的映射，且這個(gè)規(guī)整函數(shù)w滿足下式（ix):
(ix) 在式（ix)中，d[T(i)，R(w(i))]是待測試矢量T(i)和參考模板矢量R(j)之間的距 離測度；T(i)表示T中第i幀的語音特征矢量；R(w(i))表示R中第j幀語音特征矢量；D 則待測試矢量與參考樣本矢量之間的最小距離； 利用DTW將待測試聲音模板與所有參考樣本模板進(jìn)行匹配后，匹配距離最小的參考樣 本模板就是電氣設(shè)備工作音識(shí)別的結(jié)果。
【文檔編號(hào)】G10L25/51GK104064186SQ201410298218
【公開日】2014年9月24日 申請(qǐng)日期:2014年6月26日 優(yōu)先權(quán)日:2014年6月26日
【發(fā)明者】田嵐, 馬昕, 張康榮, 杜世斌 申請(qǐng)人:山東大學(xué)