论文部分内容阅读
电能表作为国家强制检定的电能计量工具,保障其计量精度和可靠性有着重要意义。传统的异物检测采取“手摇+耳听”的人工检测方式,其检测效率低下、准确率不高以及存在安全隐患。鉴于此本文借鉴异常声音识别技术,通过一个模拟的人工摇表装置并使用声卡采集电能表晃动产生的声音信号,对该声音信号进行分析,提出一种基于盲源分离和支持向量机的电能表内异物检测方法。该方法能在声音成分较为复杂、小样本量情况下达到较高的异物检测准确率,同时能实现异物检测的自动化。使用声卡采集的电能表内异物声音信号往往是多个声音的混合信号。为了提高异物检测准确率,本文采用基于盲源分离的单通道电能表内异物声音信号分离方法。鉴于实际信号存在一定相关性以及不够稀疏的特点,本文采用基于非负矩阵分解的异物声音信号盲分离方法,并与基于独立成分分析的盲分离方法进行比较。该方法首先将信号分帧,然后通过傅里叶变换得到频谱幅度矩阵,最后将得到的幅度矩阵进行非负矩阵分解得到源信号。仿真结果表明,当信号有一定的相关性时,该方法分离出的源信号与实际信号相关系数分别达到0.9674、0.9069、0.9584,对于实际的电能表内异物声音信号分离有着较好的效果。为了提高识别率,需要对信号进行端点检测。实际采集的声音信号开始部分往往是非静音段,鉴于此本文提出基于模糊C均值(Fuzzy C-means,FCM)聚类的端点检测方法,该方法首先提取声音信号的梅尔频率倒谱特征,其次通过FCM聚类的方法完成声音信号静音段与非静音段的分类。基于阈值的检测方法在采集的声音信号起始段非静音时,往往由于阈值设定不准确导致端点检测性能下降。本文采用FCM算法进行处理,并同基于短时能量和短时过零率及基于改进谱熵的端点检测方法进行了比较。实验结果表明,三种方法的检测正确率分别为0.9104、0.7889、0.7207。另外比较了短时能量、短时过零率、谱熵及梅尔频率倒谱系数等特征参数下FCM聚类方法的目标函数随着迭代次数的变化,实验结果表明基于梅尔频率倒谱系数的FCM聚类方法所需迭代次数最少,能更好地描述声音信号静音段与非静音段的区别。最后论文在调研国内外声音识别技术的基础上,结合实际样本量较小的情况,基于支持向量机模型建立电能表内异物检测系统。对电能表内异物声音信号进行较为详细的研究和大量的仿真实验,根据帧长、帧移、样本数、特征参数以及模型参数等不同参数下异物检测的最佳准确率,获得了上述参数的合理值。该系统的异物检测准确率不低于90%。