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