|
2.2.3音频特征识别器的训练 利用神经网络对音频数据进行自动分类，首先需要收集各种电气设备良好和故障状态下的音频数据进行训练.在变电站设备中采集m个音频信号的样本，经MFCC算法分别提取m个样本的特征参数，作为该状态的训练样本.每个特征参数是含有N个元素的向量，根据神经网络的模型及权值修正方法，设计了如下训练方法. 3实验与仿真 3.1实验设备介绍 无人值守变电站的音频监控系统已在河南省信阳供电公司220kV沙港集控中心和110kV工业城变电站试运行，且沙港集控中心离工业城变电站相距50km.系统设备包括：集控站主机1台、变电站主机2台、数据采集器8个，还有端子箱、配电箱、交换机、通讯电缆等.集控站主机设在信阳供电公司220kV沙港集控中心，其余主要设备安装在信阳供电公司110kV工业城变电站.到目前为止，音频监控系统性能稳定、运行良好，其安装现场如图7所示. 由图13可知，变压器音频信号的频率主要集中在50～500Hz，主要原因是变压器铁心振动产生的声音集中在5个频率范围.实验表明：不同运行状态下的音频信号，幅频图的频率峰值和幅度明显不同，所以有必要根据这个特点设置MFCC计算的初始条件，提取稳定可靠的音频信号特征作为识别的根据. 3.2.2变压器音频信号特征提取 利用Matlab计算主变压器音频数据的MFCC特征参数，结果如图14所示. 当变压器处于同一工作状态时，其声音具有持续稳定的不变性，而且不同时期获得同一状态的MFCC特征曲线具有相似性，如图15所示. 3.2.3正弦基神经网络识别分类 选取前面所述变压器5种状态下的音频数据各2000组共10000组（采样频率为8kHz）.首先从每种状态中随机抽取1500组共7500组进行神经网络训练，将每种状态剩下的500组特征向量作为测试数据，进行正弦基神经网络识别测试，得到变压器各种状态的正确识别率如表1所示. 4结论 监听电气设备运行时发出的声音信号能有效发现设备异常情况，及时采取措施隔离和消除故障，避免事态扩大.本文提出一种利用神经网络准确识别音频特征、判断设备故障类型的方法，从根本上改进了传统人工监听设备、判断故障的方法，提高了电气设备故障检测水平，丰富了无人值守变电站的设备在线监测和检修技术，在未来的智能电网建设中具有重要的应用价值. 参考文献 [1]丁正胜.无人值班变电站远程图像监控系统应用[J].大众用电，2009，3：24-25. [2]孔英会.无人值守变电站监控视频异常模式识别方法[J].华北电力大学学报：自然科学版，2011，38（6）：11-16. [3]徐林.变电站音频实时监测系统初探[J].机电信息，2009（36）：155-156. [4]杨新杰.配电变压器异常现象的分析与判断[J].北京电力高等专科学校学报，2011，12：2-3. [5]蔡声镇.高压变电站室内分布式SF6监测系统的研制[J].仪器仪表学报，2006，27（9）：1033-1036. [6]陈勇.语音特征参数MFCC的提取及其应用[J].湖南农业大学学报：自然科学版，2009，35（1）：106-107. [7]张小玫.基于小波Mel倒谱系数的抗噪语音识别[J].中国电子科学研究院学报，2008，3（2）：187-189. [8]郭春霞.基于MFCC的说话人识别系统[J].电子科技，2005（11）：53-56. [9]江星华.基于LPCMCC的音频数据检索方法[J].计算机工程，2009，35（11）：246-248. [10]薛峰.噪声环境下MFCC特征提取[J].信号处理，2010，26（1）：127-131. [11]邹阿金.正弦基函数神经网络滤波器设计[J].长沙电力学院学报：自然科学版，2001，16（2）：16-18. [12]张林.噪声环境下基于MFCC的鲁棒语音识别研究[D].长沙：湖南大学电气与信息工程学院，2009. [13]王小华，何怡刚.神经网络在4型FIR滤波器的优化设计研究[J].电路与系统学报，2003，8（10）：97-100 |
|
核心期刊网（www.hexinqk.com）秉承“诚以为基，信以为本”的宗旨，为广大学者老师提供投稿辅导、写作指导、核心期刊推荐等服务。 核心期刊网专业期刊发表机构，为学术研究工作者解决北大核心、CSSCI核心、统计源核心、EI核心等投稿辅导咨询与写作指导的问题。 投稿辅导咨询电话：18915033935 投稿辅导客服QQ： 投稿辅导投稿邮箱：1003158336@qq.com |
| 你好，欢迎来到！ 设为首页 ｜收藏本站 | ||
|
