基于声音信号的电厂设备状态监测是一种新型的设备状态故障诊断技术,电厂的高噪声环境是该技术应用过程中需要解决的技术难点.针对高噪声环境下电厂设备声音识别问题,提出一种基于Mel频率倒谱系数(MFCC)和Gammatone频率倒谱系数(GFCC)的电厂设备声音融合特征生成方法,以实现对不同设备运行声音的准确识别.首先,使用96通道声像仪在电厂高噪声环境中采集处于运行状态的6种设备声音信号,并对声音信号进行预处理,得到多帧样本信号;然后,利用MFCC和GFCC对预处理后的声音信号进行特征提取,得到原始高维特征;为消除噪声影响并降低特征维度,分别使用主成分分析(PCA)、降噪自动编码器(DAE)和t分布-随机近邻嵌入(t-SNE)算法对原始高维特征进行降维处理,计算对应类别可分性准则函数值,将同种降维方法下的降维特征融合得到融合特征;最后,向数据集中加入高斯白噪声,基于融合特征采用支持向量机算法进行设备声音识别,验证融合特征的准确性和鲁棒性.实验结果表明,融合特征既具有MFCC特征的准确性也具有GFCC特征的鲁棒性,相较于降维前的MFCC和GFCC特征提取方法,识别成功率明显提高,可为电厂设备状态监测与故障预警方法的进一步研究提供理论基础.

状态监测;故障诊断;声音识别;融合特征;去噪;降维

张强;武明路;韩文学;包伟伟;张楠;李明轩;翟永杰

石家庄良村热电有限公司,河北 石家庄 050000;国家电投集团科学技术研究院有限公司,北京 102209;华北电力大学(保定)自动化系,河北 保定 071003

热力发电

[1]张强;武明路;韩文学;包伟伟;张楠;李明轩;翟永杰-.高噪声环境下电厂设备声音融合特征生成方法研究与实现)[J].热力发电,2022(12):39-47

噪声环境,电厂设备,融合特征,特征生成,生成方法,研究与实现,声音信号,设备状态监测,故障诊断技术,技术难点,声音识别,Mel,倒谱系数,MFCC,Gammatone,GFCC,设备运行,准确识别,声像,多帧,高维特征,消除噪声,噪声影响,降噪自动编码器,DAE,随机近邻嵌入,SNE,降维处理,可分性,准则函数,函数值,降维方法,特征融合,高斯白噪声,支持向量机算法,别成,故障预警,预警方法,去噪

0.302037