為了實(shí)現(xiàn)對(duì)電氣設(shè)備放電聲音的精準(zhǔn)檢測(cè),文中篩選比較了多種經(jīng)典的機(jī)器學(xué)習(xí)算法和新興的卷積神經(jīng)網(wǎng)絡(luò)算法,以期得到識(shí)別效果最優(yōu)的選擇。首先對(duì)音頻進(jìn)行預(yù)處理,再通過(guò)將放電聲與環(huán)境噪聲和變電站正常工況背景聲混合來(lái)模擬變電站真實(shí)工作環(huán)境,并使用梅爾頻率倒譜系數(shù)提取特征,最后采用支持向量機(jī)等機(jī)器學(xué)習(xí)算法與卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行識(shí)別,選取識(shí)別效果最佳的算法并考察不同采樣頻率、采樣時(shí)長(zhǎng)等因素對(duì)識(shí)別效果的影響。實(shí)驗(yàn)結(jié)果表明,使用梅爾頻率倒譜系數(shù)提取特征可以良好區(qū)分放電與環(huán)境噪聲,支持向量機(jī)在一系列算法中識(shí)別放電聲音能力最強(qiáng),采樣頻率、標(biāo)準(zhǔn)化方式等因素對(duì)識(shí)別效果影響較小。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1放電模擬模型

實(shí)驗(yàn)使用傳感器采樣頻率為44100Hz，采樣精度16位，頻率響應(yīng)與人耳可聽(tīng)聲范圍相同，為20～20000Hz。對(duì)于3種模型，在實(shí)驗(yàn)中均將傳感器放置在離模型1.5m處，緩慢加壓直至火花放電，觀察室可見(jiàn)細(xì)微藍(lán)光，并有“嗒嗒”響聲，該階段的波形見(jiàn)圖2(a)。圖2(a)中縱軸為....

圖2放電聲信號(hào)波形圖

圖1放電模擬模型通過(guò)以上實(shí)驗(yàn)合計(jì)收集原始的放電聲音音頻1601s。

圖3放電聲聲譜圖

樸素貝葉斯(NB)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)與K近鄰(KNN)是幾種常用的機(jī)器學(xué)習(xí)算法，廣泛應(yīng)用于文本分類(lèi)，用戶(hù)身份辨識(shí)等分類(lèi)場(chǎng)景[26]。這幾種算法對(duì)于輸入數(shù)據(jù)的結(jié)構(gòu)有著不同的假設(shè)和處理方式，因此需考察對(duì)比其與放電聲音信號(hào)的匹配性。NB屬于生成學(xué)習(xí)算法，根據(jù)輸入x....

圖4CNN模型結(jié)構(gòu)

文中移植了TaraN.Sainath等人用于語(yǔ)音關(guān)鍵詞識(shí)別的CNN模型，在對(duì)模型進(jìn)行一定的修改后通過(guò)將音頻轉(zhuǎn)化為聲譜圖使用CNN進(jìn)行識(shí)別[27]。模型結(jié)構(gòu)見(jiàn)圖4。圖4由一層卷積層、兩層全連接層和一層輸出層組成。輸入為(32,40,1)形狀的聲譜圖，卷積層含有186個(gè)(32,8)....

本文編號(hào)：3987408