高噪声环境下变压器声纹特征提取方法研究-论文阅读笔记
Posted wyy_persist
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了高噪声环境下变压器声纹特征提取方法研究-论文阅读笔记相关的知识,希望对你有一定的参考价值。
高噪声环境下变压器声纹特征提取方法研究
论文来源
DOI:10.27140/d.cnki.ghbbu.2021.000949
论文目的
在高噪声环境下对小波阈值去噪方法、基于FastICA的去噪方法、基于谱减法的去噪方法进行对比研究,同时对小波阈值法进行优化,使小波阈值函数更加平滑,对声音信号使用分层选择阈值,强化了去噪效果。
论文还提出了一种基于小波能量-TFCC的特征参数提取方法。基于小波包分解提取到变压器声音信号的小波包能量谱,然后提出变压器声音频率倒谱系数TFCC特征提取方法。使用Laplacian得分和Fisher得分的特征选择方法,将上述基于小波包和TFCC的两种方法提取的特征参数中对故障诊断率贡献更大的特征维度提取出来并进行组合。
论文方法
- 对比研究高噪声环境下对小波阈值去噪方法、基于FastICA的去噪方法、基于频减法的去噪方法在不同高噪声环境下对声音信号的处理效果;
- 优化小波阈值算法,是小波阈值函数更加平滑,对声音信号使用分层选择阈值,强化了去噪效果;
- 使用小波能量-TFCC的特征参数提取方法:使用Laplacian得分和Fisher得分的特征选择方法,将基于小波包和TFCC的两种方法提取的特征参数中对故障诊断率更大的特征维度提取出来进行组合得到了基于小波能量-TFCC的组合参数;
论文内容
常见噪声干扰分析
基于小波阈值法的去噪方法
- 去噪原理。
2. 上述三种不同小波变换去噪方法的定性比较结果。
3. 论文中使用小波阈值法进行去噪处理:采用通用阈值。
小波阈值函数采用硬阈值函数。对小波基的选择,使用平滑性、对称性、紧支集等各方面特性都相对平滑的小波基。
4. 小波基的选择:Daubechies3小波基。
5. 小波变换频率分解示意图,使用4层分解。
6. 去噪效果。
基于FastICA算法的去噪方法
- 快速独立成分分析是一种有效的盲源分离算法。
- 快速独立成分分析算法流程图。
基于谱减法的去噪方法
- 谱减法原理。
2. 谱减法示意图。
3. 谱减法的关键问题在于噪声功率谱的计算。
变压器声音信号去噪方法的对比
- 论文中给出的三种评价指标:信噪比、均方根误差、对数谱失真测度(LSD)。
仿真实验
- 文中将变压器声音信号采集过程中可能会产生的干扰信号分为瞬时干扰、持续强干扰、持续弱干扰。其中的持续强干扰信号和变压器本体声音频率没有重叠,所以在实验中不考虑。
- 将变压器本体声音信号中设置人声干扰、风机声干扰、人讲话声与风机声同时干扰这三个对照组。然后,采集三种型号不同的变压器,每种变压器各采集50段声音信号,每段大约在5-10秒之间。将噪声与变压器本体声音按不同的输入SNR混杂。其中输入到SNR中的为变压器本体声音和噪声声音信号在相同时间长度情况下的对数功率比例。计算去噪后声音信号的SNR、RMSE、LSD并得到平均值用于评价去噪方法的优劣。
- 可以看出不同的去噪方法在不同的噪声环境下和不同的输入SNR均有不同的表现。
下表按照周围环境类别总结了论文中的仿真实验结果。
环境描述 | 表现较好的算法 |
噪声为持续弱干扰且输入SNR较低 | 谱减法 |
瞬时干扰且输入SNR较低 | FastICA算法 |
噪声类型为瞬时干扰且SNR较高 | 小波阈值法 |
4.结果:在实际变压器声纹诊断工程应用中,更适合基于小波阈值法的变压器声音信号去噪方法。
基于改进阈值和分层阈值法的小波去噪方法
为了解决使用硬阈值函数去噪后声音信号中有震荡声和使用软阈值函数后使得部分有效声音信号特征丢失的问题,作者根据使用硬阈值函数出现的在lamda处不连续,使用软阈值函数虽然平滑但是会丢失关键特征为依据,调整了在正负lamda处及[-lamda,+lamda]区间内的阈值函数。可以给出改进的阈值函数:
改进后的小波阈值法和未改进的小波阈值法效果对比
变压器声纹特征提取方法研究
基于kNN的方法,基于CNN的方法
基于小波分解的能量特征提取方法
小波包分解的频段区间能量特征提取方法
三层小波包分解示意图:
基于小波包分解的变压器声音信号能量特征提取
流程:
基于TFCC的特征提取方法
倒谱是频谱对数的快速傅里叶变换,可以反应非平稳信号的特点。
常用的方法:MFCC,LPCC,TFCC。
MFCC系数提取的步骤:
论文中参考MFCC的流程制定了TFCC的流程:
TFCC中的关键系数
作者在论文中采用了控制变量的方法,对TS频率带取值范围,TS滤波器数量和TS频率尺度公式中的系数b,进行了确定,最终确定的模型为:
得到的TS滤波器如下:
基于小波包能量-TFCC的特征提取方法
目的:为了避免维度灾难。
使用Laplacian得分和Fisher得分,选择权重a下,得分最高的10维(两个方法共20维特征参数)进行组合,提高了变压器故障声音信号检测精度。
高噪声环境下变压器声纹特征提取
变压器声音信号用于变压器声纹诊断的过程:
录制声音方法:
在相同位置使用同一个设备录制变压器信号,同时将录制环境控制为相对安静与高噪声,单次采样声音为5min,采样率为:22050Hz,共录10次。每次录制中控制一定的时间间隔。相对安静下录制的变压器声音信号主要是作为结果对照。故障样本主要采用直流偏磁。
实验计划
然后设置了两种环境下(一种高噪声环境下,一种为低噪声环境下)的变压器对比实验。
同时,测试集为变压器去噪后声音信号或变压器本体声音信号,在采用这两种测试集的基础上,分别对瞬时干扰、持续弱干扰、混合噪声三种不同种类的噪声进行实验对比。判断三种不同种类下的故障诊断率。
个人总结
论文以提高通过变压器声音信号识别的准确率为根本目的出发,对变压器声音信号进行特征提取方法的研究。
作者从消去变压器声音信号噪声和提取更加符合声音信号特点的特征参数两个方面进行研究。
在消去变压器声音信号噪声中,作者通过对不同噪声类型,不同噪声输入SNR干扰的变压器声音信号用不同的方法进行去噪,利用三种评价指标分析不同去噪方法的效果,最后对小波阈值法进行了改进。
在对变压器特征提取方法的研究中,作者对不同运行状态下变压器声音信号提取不同的特征参数,将这些特征参数输入故障检测模型中得到准确率。
此外,作者还进行了在高噪声环境下对变压器声纹特征提取方法进行对比和分析,实验基于实际数据。
本文比较全面地分析了不同去噪方法对变压器声音信号的处理结果、分析比较了变压器特征提取方法、分析了在高噪音环境下对不同变压器特征提取方法进行分析和探究,对变压器声音故障异常检测中的关键部分-特征提取,进行了充分和详细地研究,具有一定的应用价值。
以上是关于高噪声环境下变压器声纹特征提取方法研究-论文阅读笔记的主要内容,如果未能解决你的问题,请参考以下文章
语音识别基于mfcc特征模板匹配算法实现声纹识别matlab源码含GUI
语音识别基于mfcc特征模板匹配算法实现声纹识别matlab源码含GUI