识别模型的生成方法、识别方法、系统、设备和介质技术方案

本发明专利技术公开了一种识别模型的生成方法、识别方法、系统、设备和介质，所述生成方法包括：获取多组声音信号并对所述多组声音信号打方位标签；所述方位标签表征所述多组声音信号对应的声源的位置坐标；对多组声音信号进行特征提取，以获得多组特征信息及方位标签；将多组特征信息及方位标签输入至深度学习分类器中进行训练，以生成声源位置识别模型；所述声源位置识别模型用于声音信号对应的声源的位置；所述声音信号为电池的安全阀打开时产生的声音信号。音信号。音信号。

【技术实现步骤摘要】
识别模型的生成方法、识别方法、系统、设备和介质


[0001]本专利技术涉及电化学储能电站的安全的
，尤其涉及一种识别模型的生成方法、识别方法、系统、设备和介质。

技术介绍

[0002]目前，电站的安全主要依赖bms(电池系统)的各类参数阈值进行安全防护。例如，对电站中的电池充放电时的电压、电流、温度等参数进行监测，当监测上述参数超过设定阈值时，进行报警。上述安全防护方式存在一定的缺陷，当bms可靠性降低会导致阈值的控制失效，从而导致过充，或者电站在停止工作时的运维过程导致误操作。由此可见，通过bms无法完成安全防护作用，会对电站安全产生极大的影响。
[0003]储能系统中使用的方形铝壳锂离子电池顶部设置有安全阀。电池受热时，内部化合物受热反应产生大量气体，使电池外壳承受的压力增大。当压力过大时，顶部安全阀会开启，避免电池内部因压力过大而爆炸。安全阀打开时产生的声音信号，可以被捕获和识别。如果能及时探测到安全阀声音信号，便可判定电池故障，进而采取措施，通过对储能电站安全阀打开时产生的声音信号的辨识可以有效地补充bms监控不足产生的安全隐患。
[0004]在建立储能电站安全阀声音泄漏识别模型之后，如何准确定位安全阀泄漏位置且鲁棒性好，是急需解决的问题。

技术实现思路

[0005]本专利技术要解决的技术问题是为了克服现有技术中尚无在建立储能电站安全阀声音泄漏识别模型之后，准确定位安全阀泄漏位置且鲁棒性好的缺陷，提供一种识别模型的生成方法、识别方法、系统、设备和介质。
[0006]本专利技术是通过下述技术方案来解决上述技术问题：
[0007]本专利技术公开了一种声源位置识别模型的生成方法，所述生成方法包括：
[0008]获取多组声音信号并对所述多组声音信号打方位标签；所述方位标签表征所述多组声音信号对应的声源的位置坐标；
[0009]对多组声音信号进行特征提取，以获得多组特征信息及方位标签；
[0010]将多组特征信息及方位标签输入至深度学习分类器中进行训练，以生成声源位置识别模型；
[0011]所述声源位置识别模型用于声音信号对应的声源的位置；所述声音信号为电池的安全阀打开时产生的声音信号。
[0012]较佳地，所述获取多组声音信号并对所述多组声音信号打方位标签的步骤包括：
[0013]对所述电池所在的空间进行位置划分，以获得空间位置信息；
[0014]基于空间位置信息生成若干个声源点，并根据若干个所述声源点生成若干组声音信号；
[0015]对若干个所述声源点，打方位标签并将所述方位标签作为对应的声音信号的方位
标签。
[0016]较佳地，所述对多组声音信号进行特征提取的步骤包括：
[0017]通过时域拼接序列的方式对多组声音信号进行特征提取；
[0018]和/或，通过直接互相关序列的方式对多组声音信号进行特征提取；
[0019]和/或，通过广义互相关序列的方式对多组声音信号进行特征提取；
[0020]和/或，通过最小均方自适应滤波序列的方式对多组声音信号进行特征提取。
[0021]本专利技术还提供一种声源位置的识别方法，所述识别方法包括：
[0022]获取待识别的声音信号；
[0023]对所述待识别声音信号进行特征提取，以获得特征信息及方位标签；
[0024]将特征信息及方位标签输入至声源位置识别模型中，以确定所述待识别声音信号对应的声源的位置；
[0025]所述声源位置识别模型使用如权利要求1至3中任意一项所述的声源位置识别模型的生成方法生成。
[0026]本专利技术还提供一种声源位置识别模型的生成系统，所述生成系统包括：
[0027]第一获取模块，用于获取多组声音信号并对所述多组声音信号打方位标签；所述方位标签表征所述多组声音信号对应的声源的位置坐标；
[0028]第一特征提取模块，用于对多组声音信号进行特征提取，以获得多组特征信息及方位标签；
[0029]生成模块，用于将多组特征信息及方位标签输入至深度学习分类器中进行训练，以生成声源位置识别模型；
[0030]所述声源位置识别模型用于声音信号对应的声源的位置；所述声音信号为电池的安全阀打开时产生的声音信号。
[0031]较佳地，所述第一获取模块包括：
[0032]获取单元，用于对所述电池所在的空间进行位置划分，以获得空间位置信息；
[0033]生成单元，用于基于空间位置信息生成若干个声源点，并根据若干个所述声源点生成若干组声音信号；
[0034]打标签单元，用于对若干个所述声源点打方位标签并将所述方位标签作为对应的声音信号的方位标签。
[0035]较佳地，所述第一特征提取模块具体用于：
[0036]通过时域拼接序列的方式对多组声音信号进行特征提取；
[0037]和/或，通过直接互相关序列的方式对多组声音信号进行特征提取；
[0038]和/或，通过广义互相关序列的方式对多组声音信号进行特征提取；
[0039]和/或，通过最小均方自适应滤波序列的方式对多组声音信号进行特征提取。
[0040]本专利技术还提供一种声源位置的识别系统，所述识别系统包括：
[0041]第二获取模块，用于获取待识别的声音信号；
[0042]第二特征提取模块，用于对所述待识别声音信号进行特征提取，以获得特征信息及方位标签；
[0043]输入模块，用于将特征信息及方位标签输入至声源位置识别模型中，以确定所述待识别声音信号对应的声源的位置；
[0044]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并用于处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的声源位置识别模型的生成方法或如前述的声源位置的识别方法。
[0045]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的声源位置识别模型的生成方法或如前述的声源位置的识别方法。
[0046]本专利技术的积极进步效果在于：
[0047]本专利技术通过将深度学习方法引入，采用大量的数据训练出一个神经网络模型，可以准确预测出声源的方位，并且达到很高的环境鲁棒性。
附图说明
[0048]图1为本专利技术实施例1中的声源位置识别模型的生成方法的流程图；
[0049]图2为本专利技术实施例1中的步骤S101的流程图；
[0050]图3为本专利技术实施例1中的储能集装箱空间的模拟空间的第一示意图；
[0051]图4为本专利技术实施例1中的储能集装箱空间的模拟空间的第二示意图；
[0052]图5为本专利技术实施例1中的方位分布示意图；
[0053]图6为本专利技术实施例2中的声源位置的识别方法的流程图；
[0054]图7为本专利技术实施例3中的声源位置识别模型的生成系统的模块示意图；
[0055]图8为本专利技术实施例3中第一获取模块的模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种声源位置识别模型的生成方法，其特征在于，所述生成方法包括：获取多组声音信号并对所述多组声音信号打方位标签；所述方位标签表征所述多组声音信号对应的声源的位置坐标；对多组声音信号进行特征提取，以获得多组特征信息及方位标签；将多组特征信息及方位标签输入至深度学习分类器中进行训练，以生成声源位置识别模型；所述声源位置识别模型用于声音信号对应的声源的位置；所述声音信号为电池的安全阀打开时产生的声音信号。2.如权利要求1所述的声源位置识别模型的生成方法，其特征在于，所述获取多组声音信号并对所述多组声音信号打方位标签的步骤包括：对所述电池所在的空间进行位置划分，以获得空间位置信息；基于空间位置信息生成若干个声源点，并根据若干个所述声源点生成若干组声音信号；对若干个所述声源点打方位标签并将所述方位标签作为对应的声音信号的方位标签。3.如权利要求1所述的声源位置识别模型的生成方法，其特征在于，所述对多组声音信号进行特征提取的步骤包括：通过时域拼接序列的方式对多组声音信号进行特征提取；和/或，通过直接互相关序列的方式对多组声音信号进行特征提取；和/或，通过广义互相关序列的方式对多组声音信号进行特征提取；和/或，通过最小均方自适应滤波序列的方式对多组声音信号进行特征提取。4.一种声源位置的识别方法，其特征在于，所述识别方法包括：获取待识别的声音信号；对所述待识别声音信号进行特征提取，以获得特征信息及方位标签；将特征信息及方位标签输入至声源位置识别模型中，以确定所述待识别声音信号对应的声源的位置；所述声源位置识别模型使用如权利要求1至3中任意一项所述的声源位置识别模型的生成方法生成。5.一种声源位置识别模型的生成系统，其特征在于，所述生成系统包括：第一获取模块，用于获取多组声音信号并对所述多组声音信号打方位标签；所述方位标签表征所述多组声音信号对应的声源的位置坐标；第一特征提取模块，用于对多组声音信号进行...

【专利技术属性】
技术研发人员：丁鹏，魏琼，严晓，赵恩海，吴炜坤，任浩雯，王得成，冯媛，汤丰玮，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：