【技术实现步骤摘要】
本专利技术属于故障识别，尤其涉及一种水轮发电机组声光纤故障识别方法、系统、设备和介质。
技术介绍
1、水力发电作为一种再生能源，发电效率高，发电成本低，机组启动快，调节容易，对环境冲击较小，同时还在很大程度上降低了发电过程中对矿产资源的消耗，对各地区经济的发展起到了积极的促进作用。水轮机组在持续高负荷运转过程中会发生设备故障如发电机过负荷、发电机温度过高、转子接地、强烈振动等，轻则影响生产效率，重则导致整个系统非计划停机、生产中断，造成严重的经济损失，甚至出现安全事故。目前对水轮机组整体监测方面存在一些不足，如：①从监测方面看，目前采取在线仪表监测等方式对机组设备进行监控与实时报警，但设备部件磨损、变形带来的故障隐患无法提前预测，继发性损坏难以控制；②从技术层面上看，需要加强对水轮机组的检修工作，及时排除故障隐患，确保水轮发电机组能够安全、稳定的运行；③从应用层面上看，在典型应用场景进行试点应用，提高在线监测系统主动预警和智能决策水平，支持更广泛的应用。
2、目前的研究中，形成了一些围绕水轮发电机组开展故障诊断的技术，其中人工经验巡检和机器学习技术是研究与应用的热点。基于人工经验的巡检方法主要依赖于专家系统的检修经验，通过相关的仪表测量来判断设备状态，但专家系统获取知识能力、容错能力、以及自我学习能力较差。机器学习的算法需要手动提取特征，对数据质量要求高，无法处理较为复杂的数据，会导致故障预测效果受限。
3、为了解决以上问题，本专利提出一种基于多通道声纹信号融合与深度分类框架相结合的故障诊断系统，主要涉及
4、步骤1：采用声光纤技术，对水轮发电机组进行多通道的声纹数据采集，建立声纹数据库；
5、步骤2：根据不同工况的多通道声纹信号，建立不同的声纹数据子库，并进行噪声特征消除等预处理，从而获取有效音频信号；
6、步骤3：采用鲸鱼优化变分模态分解算法，该算法利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，提取音频信号的多模态故障特征；
7、步骤4：采用改进的局部切空间法对多维特征进行敏感度优选，随后进行pca降维，消除关联特征，减少无关特征的误导；
8、步骤5：提出由resnet模型、convnext模型以及resnext模型组成的多深度学习分类框架联合互补诊断机制，并结合d-s判据算法自动分析诊断机制的输出结果，实现水电机组的故障精确诊断。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题而提供一种水轮发电机组声光纤故障识别方法、系统、设备和介质。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种水轮发电机组声光纤故障识别方法，包括以下步骤：
4、采用声光纤传感器获取水轮发电机组的多通道声纹信号；
5、将所述多通道声纹信号进行处理，得到音频信息；
6、对所述音频信息进行特征提取，得到特征向量；
7、对所述特征向量进行处理，得到处理后特征向量；
8、将所述处理后特征向量输入最终模型，输出故障信息。
9、作为本专利技术的进一步优化方案，将所述多通道声纹信号进行处理，得到音频信息的具体过程如下：
10、对所述声纹信号进行信号放大；
11、将放大后的声纹信号与光源进行调制，得到调制后的光信号；
12、将调制后的光信号转换成声音信号；
13、对所述电信号进行进一步的滤波、放大和处理，最终得到音频信息。
14、作为本专利技术的进一步优化方案，对所述音频信息进行特征提取，得到特征向量的具体过程如下：
15、对音频信息进行预加重处理；
16、将预加重处理后的音频信号切分为短时帧；
17、采用鲸鱼优化算法对变分模态分解算法中的分解层数和正则化参数进行优化；
18、对加窗后的每个短时帧应用快速变分模态分解和希尔伯特黄变换，将时域信号转换为频域信号，得到每帧的频谱图；
19、从频谱图中计算梅尔倒谱系数；
20、计算每个短时帧的能量和过零率，最终得到特征向量。
21、作为本专利技术的进一步优化方案，对所述特征向量进行处理，得到处理后特征向量的具体过程如下：
22、基于应用需求和相关性在所述特征向量中选取部分重要的特征；
23、通过均值方差归一化方法对于每个特征维度进行归一化处理；
24、采用改进的局部切空间法对多维特征进行敏感度优选；
25、通过训练数据集进行学习得到每个特征维度中的权重系数；
26、将每个特征维度的取值与对应的权重系数相乘，得到加权后的特征值；
27、将加权后的特征值重新组合成一个新的特征向量，即得到处理后特征向量。
28、作为本专利技术的进一步优化方案，所述最终模型的构建过程如下：
29、构建声纹识别模型并进行训练，得到最终模型，训练过程如下：
30、mfcc特征提取：对样本音频信息进行预加重后进行分帧，使用hht变换将每个帧的波形数据转化到频域；应用mel系数滤波，将频率转化为mel标度；进行端点检测，以确保数据的有效性并对无效数据进行处理；
31、获取i-vector：使用gmm-ubm建立通用背景模型；收集大量其他同类型的语音数据，进行广泛的语音特征提取；将目标的mfcc向量输入gmm-ubm，通过map算法自适应得到目标声源的gmm参数；使用dnn得到baum-welch统计量，提取i-vector；
32、模型训练：利用已标记的声纹语音数据，训练由resnet模型、convnext模型以及resnext模型组成的多深度学习分类框架联合互补诊断声纹识别模型。
33、作为本专利技术的进一步优化方案，对所述声纹识别模型训练后，构建模型库，具体过程如下：
34、数据收集：收集并准备大量已知声纹的语音数据，包括声音样本和相应的身份标签；
35、特征提取：对收集的语音数据进行mfcc特征提取，得到每个语音样本的声纹特征向量；
36、模型选择：建立声纹识别模型；
37、模型训练：使用已知声源的声纹特征向量和相应的身份标签，训练每个声纹的声纹识别模型；
38、模型存储：将每个声纹的声纹识别模型存储在模型库中；
39、模型索引：建立一个索引系统，用于快速检索模型库中的声纹模型；
40、模型库维护：定期更新模型库，以适应声纹的声纹特征变化；监测模型库的性能，包括准确性和响应时间，以确保系统的稳定性；
41、访问控制和身份验证：将待识别的声音样本与模型库中的声纹模型进行比对，计算相似度得分，如果声纹模型的相似度得分高于设定的阈值，则认为识别成功。
42、一种水轮发电机组声光纤故障识别系统，包括：
43、声光纤传感器，用于获取水轮发电机组的声纹本文档来自技高网...
【技术保护点】
1.一种水轮发电机组声光纤故障识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水轮发电机组声光纤故障识别方法，其特征在于，将所述多通道声纹信号进行处理，得到音频信息的具体过程如下：
3.根据权利要求2所述的一种水轮发电机组声光纤故障识别方法，其特征在于，对所述音频信息进行特征提取，得到特征向量的具体过程如下：
4.根据权利要求3所述的一种水轮发电机组声光纤故障识别方法，其特征在于，对所述特征向量进行处理，得到处理后特征向量的具体过程如下：
5.根据权利要求1所述的一种水轮发电机组声光纤故障识别方法，其特征在于，所述最终模型的构建过程如下：
6.根据权利要求5所述的一种水轮发电机组声光纤故障识别方法，其特征在于，对所述声纹识别模型训练后，构建模型库，具体过程如下：
7.一种水轮发电机组声光纤故障识别系统，其特征在于，包括：
8.根据权利要求7所述的一种水轮发电机组声光纤故障识别系统，其特征在于，所述声光纤传感器为声光纤或贴片式骨传导声纹传感器；
9.一种电子设备，其特征
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的水轮发电机组声光纤故障识别方法。
...【技术特征摘要】
1.一种水轮发电机组声光纤故障识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水轮发电机组声光纤故障识别方法，其特征在于，将所述多通道声纹信号进行处理，得到音频信息的具体过程如下：
3.根据权利要求2所述的一种水轮发电机组声光纤故障识别方法，其特征在于，对所述音频信息进行特征提取，得到特征向量的具体过程如下：
4.根据权利要求3所述的一种水轮发电机组声光纤故障识别方法，其特征在于，对所述特征向量进行处理，得到处理后特征向量的具体过程如下：
5.根据权利要求1所述的一种水轮发电机组声光纤故障识别方法，其特征在于，所述最终模型的构建过程如下：
6.根据权...
【专利技术属性】
技术研发人员：蔡伟，胡德昌，胡军，邱涛，刘连伟，李俊，陈成，
申请(专利权)人：中国长江电力股份有限公司，
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。