System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机器人检测,更具体地,涉及一种变压器异常声音的检测方法、检测系统及电子设备。
技术介绍
1、在发电厂或是电站中,通常会存在大量的变压器。正常情况下,这些变压器会以一种固定频率的蜂鸣声发出声音,而一旦变压器出现了故障则会发出鸣笛或者轰鸣等异常声音。
2、目前,现有技术中主要使用固定麦克风整列采集变压器数据进行变压器异常声音的判断。该方案使用若干固定的麦克风整列部署在变压器附近进行数据的收集和分析。设备成本会随着麦克风的增加而提高,场景的检测覆盖率也十分有限,很难拍摄到整个场景,且整体方案中模型的泛化能力不强难以通用。
3、现有技术中还使用安保人员进行巡逻的方式判断,通过雇佣安保人员对变压器附近进行周期性的巡逻检测,用耳朵去判断是否产生了异常声音的情况。该方案虽然解决了设备成本和覆盖率的问题,并且准确度也很高。但是也会有两个比较大的缺点:首先使用人员进行这种作业,整体人力成本会相对较高。其次人员的巡逻不具备时效性,而且夜间巡逻也是一个比较难以解决的问题。
技术实现思路
1、本专利技术的一个目的是提供一种变压器异常声音的检测方法、检测系统及电子设备的新技术方案,至少能够解决现有技术中检测覆盖率有限、设备成本或人力成本高等问题。
2、本专利技术的第一方面,提供了一种变压器异常声音的检测方法,包括:
3、利用机器人在场景内巡检,采集声音数据,并建立三维点云地图;
4、对采集的所述声音数据进行降噪处理,得到降噪后的所述声
5、对降噪后的所述声音数据进行梅尔频谱提取,得到梅尔频谱特征数据;
6、采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据和可训练的时域模型特征数据;
7、将所述梅尔频谱数据、固定的所述时域模型特征数据和可训练的所述时域模型特征数据进行拼接得到可用于训练和异常声音预测的特征数据;
8、将可用于训练和异常声音预测的特征数据进行异常声音预测,实现变压器异常声音的检测。
9、可选地,利用机器人在场景内巡检,采集声音数据,并建立三维点云地图的步骤包括:
10、控制所述机器人在场景区域内行驶,采集点云数据;
11、在场景区域内设置多个固定声音采样点,并将采集的点云数据上传后台业务服务器;
12、根据采集的点云数据,采用匹配对齐算法,建立场景的三维点云地图。
13、可选地,对采集的所述声音数据进行降噪处理,得到降噪后的所述声音数据的步骤包括:
14、将所述声音数据中的语音信号和噪声信号进行n点离散傅里叶变换,得到频域上的标识;
15、将变换后得到的两者频谱做差值,得到去噪后的频谱;
16、将去噪后的频谱进行反变换,得到去噪后的语音信号。
17、可选地,采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据的步骤包括:
18、选取端到端的特征提取模型,利用开源的语音分类大数据集进行模型的预训练;
19、将预训练模型得到的特征作为固定的时序模型特征。
20、可选地,采用端到端的特征提取模型并进行训练,得到可训练的时域模型特征数据的步骤包括:
21、选取端到端的特征提取模型,所述特征提取模型在自编码训练训练阶段可随机初始;
22、根据损失反馈进行所述特征提取模型的更新,并在自编码训练完毕后,使用更新的索书号特征提取模型提取对应的特征作为可训练的所述时域模型特征。
23、可选地,所述变压器异常声音的检测方法还包括:
24、预先收集不同点位的变压器,并对这些声音进行编号;
25、使用交叉熵损失进行对分类的编号进行监督训练,根据不同点位的声音预测出对应的编号。
26、可选地,所述变压器异常声音的检测方法还包括:
27、对收集的所有正常声音编号为0作为正样本;
28、将所述正样本与开元的语音分类大数据集中的数据随机进行混音操作,产生海量的异常声音样本,并将其编号为1作为负样本;
29、使用交叉熵损失进行对分类的编号进行监督训练,根据声音预测出是否属于正常的变压器声音。
30、可选地,将可用于训练和异常声音预测的特征数据进行异常声音预测,实现变压器异常声音的检测的步骤包括:
31、将预处理后的音频经过特征提取后获得了处理后的音频特征;
32、将处理后的所述音频特征通过自编码网络预测出自编码回归后的特征;
33、将处理后的音频特征与自编码回归后的特征进行均方误差计算,得到相似度值,在所述相似度值大于判断阈值时,判断为异常声音。
34、本专利技术的第二方面,提供一种变压器异常声音的检测系统,应用于上述实施例中所述的变压器异常声音的检测方法,所述检测系统包括:
35、采集模块,所述采集模块利用机器人在场景内巡检,采集声音数据;
36、构图模块,所述构图模块用于根据采集的所述声音数据建立三维点云地图;
37、处理模块,所述处理模块用于对采集的所述声音数据进行降噪处理,得到降噪后的所述声音数据;
38、特征提取模块,所述特征提取模块用于对降噪后的所述声音数据进行梅尔频谱提取,得到梅尔频谱特征数据;
39、训练模块,所述训练模块采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据和可训练的时域模型特征数据;
40、拼接模块,所述拼接模块用于将所述梅尔频谱数据、固定的所述时域模型特征数据和可训练的所述时域模型特征数据进行拼接得到可用于训练和异常声音预测的特征数据;
41、预测模块,所述预测模块将可用于训练和异常声音预测的特征数据进行异常声音预测,实现变压器异常声音的检测。
42、本专利技术的第三方面,提供一种电子设备,包括:处理器和存储器,在所述存储器中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器执行上述实施例中所述的变压器异常声音的检测方法的步骤。
43、本专利技术的变压器异常声音的检测方法,利用机器人巡检,采集声音数据,有效降低硬件和人力成本,检测覆盖率和检测效率都能够极大地提高。通过对采集的声音数据进行降噪处理和梅尔频谱提取,减少噪音对检测结果的干扰。同时采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据和可训练的时域模型特征数据,极大地提升了检测结果的鲁棒性、泛化性和准确性。
44、通过以下参照附图对本专利技术的示例性实施例的详细描述,本专利技术的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种变压器异常声音的检测方法,其特征在于,包括:
2.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,利用机器人在场景内巡检,采集声音数据,并建立三维点云地图的步骤包括:
3.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,对采集的所述声音数据进行降噪处理,得到降噪后的所述声音数据的步骤包括:
4.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据的步骤包括:
5.根据权利要求4所述的变压器异常声音的检测方法,其特征在于,采用端到端的特征提取模型并进行训练,得到可训练的时域模型特征数据的步骤包括:
6.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,还包括:
7.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,还包括:
8.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,将可用于训练和异常声音预测的特征数据进行异常声音预测,实现变压器异常声音的检测的步骤包括:
9
10.一种电子设备,其特征在于,包括:处理器和存储器,在所述存储器中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器执行权利要求1-8中任一项所述的变压器异常声音的检测方法的步骤。
...【技术特征摘要】
1.一种变压器异常声音的检测方法,其特征在于,包括:
2.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,利用机器人在场景内巡检,采集声音数据,并建立三维点云地图的步骤包括:
3.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,对采集的所述声音数据进行降噪处理,得到降噪后的所述声音数据的步骤包括:
4.根据权利要求1所述的变压器异常声音的检测方法,其特征在于,采用端到端的特征提取模型并进行训练,得到固定的时域模型特征数据的步骤包括:
5.根据权利要求4所述的变压器异常声音的检测方法,其特征在于,采用端到端的特征提取模型并进行训练,得到可训练的时域模型特征数据的步骤包括:
6.根据权利要...
【专利技术属性】
技术研发人员:刘振轩,柏林,刘彪,舒海燕,袁添厦,祝涛剑,沈创芸,王恒华,方映峰,
申请(专利权)人:广州高新兴机器人有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。