一种基于声学检测的电能表内异物自动识别方法技术

本发明专利技术公开了一种基于声学检测的电能表内异物自动识别方法，它包括：采集电能表内的声音信号数据；对采集到的声音信号数据进行通道变换，提取含有异物通道的声音信号数据；对提取的声音信号数据进行去噪处理；对去噪后的声音信号数据进行预处理，组合成特征矩阵，对特征矩阵进行处理得到最大特征值对应的特征向量；将特征向量输入基于Adaboost的神经网络弱分类器中，以该特征向量作为电能表内异物声音信号的特征进行分类识别。本发明专利技术提高了的电能表的检测效率，有利于提高电能表检测的自动化进程；缩短了电能表检测的时间，提高了生产效率和设备的利用率，实现了快速、高效、安全可靠的电能表异物声音检测工作；大大提高了异物电能表的识别率。

【技术实现步骤摘要】
一种基于声学检测的电能表内异物自动识别方法
本专利技术涉及电能表
，特别是一种基于声学检测的电能表内异物自动识别方法。
技术介绍
现有电能表内异物的检测一般采用“手摇+人耳听”的方式。在检定车间内，检定人员晃动电能表听声音，每次只能摇一只表，检测效率较低；此外，手工摇表方式动作的一致性差，会导致检测结果不稳定。针对现在手工摇表检测效率低和一致性差的问题，急需一种能自动检测电能表异物声音的系统。声音检测技术日趋成熟，采用声音检测技术用于电能表异物检测已经成为可能，但是受限于电能表本身特征和电能表生产线环境噪音的影响，如何对电能表进行固定及如何屏蔽削弱电能表异物检测过程中的外界干扰音等问题亟待解决。在目前异常声音检测过程中，主要采用特征参数与分类器结合进行识别，因此特征参数与分类器的选择将会直接影响异物声音的识别率。文献《基于MFCC和短时能量混合的异常声音识别算法》将MFCC、差分MFCC以及短时能量三种特征用于GMM的训练与识别，虽然识别率可达90％以上，相对复杂度不高，但处理不同的研究对象和研究背景时，需通过大量实验重新确定不同阶高斯混合模型的参数，所以对GMM混合阶数的选择存在局限性；此外，由于只提取了三种特征参数，并不能全面的反映声音特征，在声音识别上不能够得到精准的判断与识别。专利《一种基于噪声特征统计量的矿山设备健康状态判决方法》(专利号：CN201610841099.7)基于噪声特征统计量的矿山设备健康状态判决方法，通过计算的特征参数，计算出其均值和方差两个统计量，形成一维的特征统计向量，并利用改进的短时模糊C均值聚类算法实现测试样本状态的汇聚，从而实现设备健康状态的判决，由于仅存在特征统计量，判定的准确率不高。专利《基于时频域统计特征提取的自然环境声音识别方法》(专利号：CN201610634966.X)对声音样本信号的加窗分帧处理，提取所有帧信号在时域上的统计特征并标记特征向量所属声音来源的种类，建立样本特征库，利用支持向量机对目标声音的特征向量进行匹配分类。该方法虽然弥补了传统的声音LPCC和MFCC特征提取方法在时频结合方面的不足，能够判断各类目标声音的所属类型，但是并没有对声音信号进行降噪处理，采样提取的声音信号含有环境中的噪音，会受到噪声信号的干扰，提取的特征参数会与实际声音信号的特征参数有较大的误差，会影响声音信号的识别。并且现有技术还存在如下缺陷：(1)人工检测方式容易因为人为因素造成检测结果不准确人工晃动过程中由于电能表自带铅封、表壳固定螺钉没有拧紧等因素会在晃动过程中产生和异物相近频率的噪音造成听声识别方法判断错误。(2)现有声音信号识别系统的检测正确率不高现有的声音信号识别系统，通常采用提取声音短时能量、梅尔倒谱系数或LPC系数组成混合特征参数，用训练样本的特征系数向量对分类器进行训练，最后将测试样本声音信号的特征系数向量输入到训练好的分类器中进行分类识别。针对上述问题，亟需一套集成度高、可扩展性强、高效的电能表内异物声音识别方法来实现电能表内异物检测的自动化。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术的目的就是提供一种基于声学检测的电能表内异物自动识别方法，提高了的电能表的检测效率，有利于提高电能表检测的自动化进程；缩短了电能表检测的时间，提高了生产效率和设备的利用率，实现了快速、高效、安全可靠的电能表异物声音检测工作；大大提高了异物电能表的识别率。本专利技术的目的是通过这样的技术方案实现的，一种基于声学检测的电能表内异物自动识别方法，它包括有：S1：采集电能表内的声音信号数据；S2：对采集到的声音信号数据进行通道变换，提取含有异物通道的声音信号数据；S3：通过变步长LMS自适应滤波算法对提取的声音信号数据进行去噪处理；S4：对去噪后的声音信号数据进行预处理，提取短时能量、MFCC系数和LPC系数并将其组合成特征矩阵，对特征矩阵进行降维处理得到最大特征值对应的特征向量；S5：将所述特征向量输入基于Adaboost的多个BP神经网络弱分类器中，以该特征向量作为电能表内异物声音信号的特征进行分类识别。进一步，步骤S3中变步长LMS自适应滤波算法的计算公式如下：u(n)＝αu(n-1)+βe(n)2(1)；式(1)中，α,β为参数，α主要是控制步长变化函数的陡峭程度；β主要用来控制步长的变化范围。进一步，所述步骤S4中对去噪后的声音信号数据进行预处理的流程包括有：通道转换、归一化、预加重、分帧和加窗。进一步，还包括有判断电能表内异物声音信号幅度是否正常，判断公式如下：S41：设这种变换或运算用T[]表示，x(n)为输入语音信号，W(n)为窗序列，h(n)是与W(n)有关的滤波器，则各帧经处理后的输出可以表示为：S42：声音的能量随时间而变化，经过预处理之后计算第i帧声音信号xi(n)的短时能量的公式为：其中，E(i)反应声音信号的幅度或能量随时间缓慢变化的规律；S43：由于需要计算信号样值的平方和，在定点实现时很容易产生溢出；为了克服这个缺点，定义一个短时平均幅度函数Mn来衡量声音幅度变化：S44：单位时间内过零的次数称为过零率，一段长时间内的过零率称为平均过零率；过零率在一定程度上可以反映信号的频率信息；短时平均过零率的定义为：S45：自相关函数用于衡量信号自身时间波形的相似性，时域离散确定信号的自相关函数定义为：S46：由语音信号序列求出一组线性预测系数ai，将这组预测系数当做语音产生模型中系统函数H(z)的参数。进一步，所述步骤S4还包括有对声音信号的时域和频域的特征处理：将短时能量、LPC系数和MFCC系数构成混合特征矩阵，第一维为短时能量，第二维为LPC系数，第三维到第二十六维为MFCC系数。进一步，所述步骤S5还包括有：S51：采用留出法将数据集分为互斥的两部分，将m组数据作为训练集，剩余的作为测试集；初始化测试集数据的分布权值和初始化BP神经网络权值和阈值；S52：用训练集数据训练第i个弱分类器BP神经网络并预测训练数据输出，得到预测序列g(i)和预测误差ei；ei＝∑iDi(i)(7)；S53：根据预测序列的预测误差计算序列的权重ai；S54：然后根据预测序列权重调整下一轮训练样本的权重，调整公式为，其中Bi为归一化因子，目的是在权重比例不变的情况下使分布权值和为1；S55：训练i轮之后的到i组弱分类函数f(gi,ai)，由这些弱分类函数可以得到强分类函数h(x)；S56：通过强分类函数h(x)对电能表内异物声音信号的特征进行分类识别。由于采用了上述技术方案，本专利技术具有如下的优点：(1)利用声卡采集声音信号，采集到的声音信号中含有大量的工业背景噪声。故将背景噪音与有用声音信号分开是正确识别的关键点所在。本专利技术专利提出的一种新的变步长LMS自适应滤波算法，建立了一种新的步长和误差的非线性关系，此算法在一定程度上解决了收敛速度和稳态误差的矛盾关系，计算简单，复杂度低。而且新算法能够使步长在收敛稳态期不会产生较大的变化，增大算法的适应性，有利于算法稳定性。(2)基于传统时频域提取的短时能量、MFCC系数构成组合特征参数，并不能全面反映声音信号特征，会导致声音识别出现较大的误差，不能达到精准判断的结果。本专利技术采用对声音信号进行时、频域和倒谱分析并同时本文档来自技高网...

【技术保护点】
1.一种基于声学检测的电能表内异物自动识别方法，其特征在于，所述方法的具体步骤如下：S1：采集电能表内的声音信号数据；S2：对采集到的声音信号数据进行通道变换，提取含有异物通道的声音信号数据；S3：通过变步长LMS自适应滤波算法对提取的声音信号数据进行去噪处理；S4：对去噪后的声音信号数据进行预处理，提取短时能量、MFCC系数和LPC系数并将其组合成特征矩阵，对特征矩阵进行降维处理得到最大特征值对应的特征向量；S5：将所述特征向量输入基于Adaboost的多个BP神经网络弱分类器中，以该特征向量作为电能表内异物声音信号的特征进行分类识别。

【技术特征摘要】
1.一种基于声学检测的电能表内异物自动识别方法，其特征在于，所述方法的具体步骤如下：S1：采集电能表内的声音信号数据；S2：对采集到的声音信号数据进行通道变换，提取含有异物通道的声音信号数据；S3：通过变步长LMS自适应滤波算法对提取的声音信号数据进行去噪处理；S4：对去噪后的声音信号数据进行预处理，提取短时能量、MFCC系数和LPC系数并将其组合成特征矩阵，对特征矩阵进行降维处理得到最大特征值对应的特征向量；S5：将所述特征向量输入基于Adaboost的多个BP神经网络弱分类器中，以该特征向量作为电能表内异物声音信号的特征进行分类识别。2.如权利要求1所述的基于声学检测的电能表内异物自动识别方法，其特征在于，步骤S3中变步长LMS自适应滤波算法的计算公式如下：u(n)＝αu(n-1)+βe(n)2(1)；式(1)中，α,β为参数，α主要是控制步长变化函数的陡峭程度；β主要用来控制步长的变化范围。3.如权利要求1所述的基于声学检测的电能表内异物自动识别方法，其特征在于，所述步骤S4中对去噪后的声音信号数据进行预处理的流程包括有：通道转换、归一化、预加重、分帧和加窗。4.如权利要求1所述的基于声学检测的电能表内异物自动识别方法，其特征在于，还包括有判断电能表内异物声音信号幅度是否正常，判断公式如下：S41：设这种变换或运算用T[]表示，x(n)为输入语音信号，W(n)为窗序列，h(n)是与W(n)有关的滤波器，则各帧经处理后的输出可以表示为：S42：声音的能量随时间而变化，经过预处理之后计算第i帧声音信号xi(n)的短时能量的公式为：其中，E(i)反应声音信号的幅度或能量随时间缓慢变化的规律；S43：由于需要...

【专利技术属性】
技术研发人员：张进，周全，欧习洋，李享友，吴华，冯凌，欧熙，胡晓锐，宫林，吉畅，周游，陈术，吴健，唐皇，
申请(专利权)人：国网重庆市电力公司电力科学研究院，国家电网有限公司，四川福德机器人股份有限公司，
类型：发明
国别省市：重庆,50