论文部分内容阅读
本文研究的是基于一种新型超声测漏仪而实现的自动故障声音识别(Automatic Fault Voice Recognition, AFVR)系统。这种超声测漏仪的原理是,当故障(微小的泄漏,电弧放电等)发生前,由于产生湍流,会形成一种高频信号波,也就是超声波。故障超声波的产生远远超前于故障发出的可听声信号和振动信号,因此通过检测这种信号就可以进行故障预警。而且由于这种故障超声波信号与工作环境的背景噪声信号在不同频段,所以可以很好地区分滤除。因而弥补了传统故障检测时故障信号被背景噪声掩盖,而无法准确及时地发现故障。这种超声测漏仪利用超声探头检测到超声波信号,并利用独特的差/混频电路将超声波(39-41kHz)降频为0~10kHz的可听声。本文的主要工作就是识别降频后的可听声,判断是否出现故障;以及通过声音特征判断故障的类型,是空气泄漏声还是电弧放电声。 本文的AFVR系统主要是基于矢量量化(Vector Quantization,VQ)模式识别算法和隐马尔可夫模型(Hidden Markov Models,HMM)算法相结合的VQ-HMM识别算法。首先用高通滤波器去除低频噪声,然后使用减谱去除泄漏背景噪声,用小波分析去除电弧的背景噪声,其降噪的结果通过听音辨别,能获得较好的结果。接着通过预加重,加窗分帧,端点检测等基于语音的预处理提取名为梅尔频率倒谱系数(MFCC)的短时倒谱特征作为识别特征。本文主要识别两种故障信号,空气泄漏和电弧放电。判断是否发生故障并区分所发生的故障的类型,同时还加入了拒识别模块。首先,我们使用矢量量化(VQ)获得初始码书,然后用Baum-Welch算法训练数据,最后用Viterbi算法来进行识别。本文对0.1mm,0.2mm,0.5mm三种泄漏孔径不同距离处各采集80个声音样本,对两处电弧放电源各收集80个声音样本。其中40个作为训练,40个作为识别。结果显示故障事件的检测和识别的效果良好,平均识别率超过93%,最高识别率达到98.3%。