翟永杰，楊旭，彭雅妮，王新穎

(1.華北電力大學(xué) 自動(dòng)化系，河北 保定 071003；2.華北電力大學(xué) 計(jì)算機(jī)系，河北 保定 071003)

電力設(shè)備作為電力系統(tǒng)運(yùn)行的基本單元，其運(yùn)行狀態(tài)影響著電網(wǎng)的安全穩(wěn)定和產(chǎn)能效益。隨著我國(guó)國(guó)民經(jīng)濟(jì)的高速發(fā)展，越來(lái)越多的大型發(fā)電機(jī)組相繼投運(yùn)，機(jī)組容量不斷增大，電力設(shè)備的投運(yùn)數(shù)量亦逐漸增加。由此，一方面提高了系統(tǒng)的運(yùn)行水平，為生產(chǎn)帶來(lái)了可觀的經(jīng)濟(jì)效益；另一方面，造成影響系統(tǒng)運(yùn)行的因素隨之增多，設(shè)備發(fā)生故障的可能與帶來(lái)的損失也隨之增大。2019年7月13日，因變壓器起火和變電站跳閘導(dǎo)致紐約曼哈頓和西街發(fā)生大規(guī)模停電；同年6月，阿根廷和烏拉圭因電力設(shè)備故障導(dǎo)致全國(guó)大規(guī)模停電，電力互聯(lián)系統(tǒng)全面癱瘓；2015年4月15日，變電站內(nèi)高壓設(shè)備故障導(dǎo)致澳門(mén)半島大停電；2012年7月30日，印度北部因輸電線路跳閘引起連鎖反應(yīng)，造成大面積電力供應(yīng)中斷。上述停電事故說(shuō)明，設(shè)備穩(wěn)定性關(guān)系到電力系統(tǒng)的運(yùn)行可靠性，只有保證設(shè)備狀態(tài)穩(wěn)定，才能減少同樣事故的發(fā)生。

對(duì)電力安全生產(chǎn)越重視，對(duì)電力設(shè)備狀態(tài)監(jiān)測(cè)的要求(如提高監(jiān)測(cè)靈敏度、實(shí)現(xiàn)早期故障診斷、實(shí)現(xiàn)故障預(yù)警、提高故障診斷系統(tǒng)的可推廣性等)也更嚴(yán)格。為了改善電力設(shè)備中長(zhǎng)期存在的問(wèn)題，研究更加安全有效的狀態(tài)監(jiān)測(cè)方法是破解設(shè)備平穩(wěn)運(yùn)行難題的重要研究課題。

近年來(lái)，我國(guó)大力推進(jìn)以現(xiàn)代信息技術(shù)為核心的電力設(shè)備監(jiān)測(cè)技術(shù)，諸多種類(lèi)的設(shè)備運(yùn)行信息被應(yīng)用于狀態(tài)監(jiān)測(cè)的各個(gè)領(lǐng)域，研究者們針對(duì)多種電力系統(tǒng)常用設(shè)備，從設(shè)備圖像、溫度、超聲波、振動(dòng)信號(hào)等方面，研究更加實(shí)時(shí)、可靠的設(shè)備狀態(tài)監(jiān)測(cè)與故障預(yù)警方式[1]。孫熙[2]針對(duì)變壓器刀閘類(lèi)開(kāi)關(guān)的圖像，采用形態(tài)學(xué)處理與支持向量機(jī)(support vector machines，SVM)算法進(jìn)行圖像處理與狀態(tài)識(shí)別；趙明乾[3]利用風(fēng)力機(jī)運(yùn)行工況參數(shù)、環(huán)境參數(shù)和狀態(tài)參數(shù)等多維度數(shù)據(jù)，采用基于長(zhǎng)短期記憶的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)力發(fā)電機(jī)齒形帶斷裂故障進(jìn)行識(shí)別；王輝等人[4]利用配電網(wǎng)故障電弧的電壓信號(hào)，采用小波變換和數(shù)據(jù)挖掘等技術(shù)對(duì)電力設(shè)備進(jìn)行故障預(yù)警與實(shí)時(shí)監(jiān)測(cè)；楊靚[5]利用紅外線熱感呈像技術(shù)對(duì)避雷器、斷路器等一次設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)與狀態(tài)檢修；杜剛等人[6]基于脈沖電壓和超聲檢測(cè)技術(shù)對(duì)氣體絕緣全封閉組合電器長(zhǎng)母線放電位置進(jìn)行故障定位檢測(cè)；靳文娟等人[7]利用高壓斷路器振動(dòng)信號(hào)，針對(duì)彈簧疲勞和合閘摯子卡澀等故障，采用小波包分解、Hilbert譜分析、粒子群優(yōu)化向量機(jī)相結(jié)合的算法實(shí)現(xiàn)了高壓斷路器機(jī)械故障的準(zhǔn)確診斷；程坤[8]以配電網(wǎng)電力設(shè)備的運(yùn)行數(shù)據(jù)為樣本，基于聚類(lèi)分析算法實(shí)現(xiàn)了配電網(wǎng)電力監(jiān)測(cè)系統(tǒng)的平臺(tái)搭建與測(cè)試；張旭等人[9]利用超聲波檢測(cè)技術(shù)，基于電力設(shè)備的電暈放電現(xiàn)象，對(duì)設(shè)備的絕緣故障位置進(jìn)行檢測(cè)等。其中，振動(dòng)監(jiān)測(cè)技術(shù)是近幾年?duì)顟B(tài)監(jiān)測(cè)方法的一大熱點(diǎn)技術(shù)，將振動(dòng)傳感器安置于監(jiān)測(cè)設(shè)備的相應(yīng)部位，通過(guò)電纜或無(wú)線模塊將信號(hào)傳輸至主控室，且傳感器與設(shè)備間不存在電氣連接，不影響設(shè)備的穩(wěn)定運(yùn)行。但由于振動(dòng)信號(hào)的采集需要傳感器與設(shè)備接觸，甚至置于設(shè)備內(nèi)部，對(duì)于傳感器的安裝和維護(hù)均有較高要求；且某一電力設(shè)備的監(jiān)測(cè)需要多個(gè)振動(dòng)監(jiān)測(cè)設(shè)備對(duì)設(shè)備的多個(gè)部位同時(shí)測(cè)量，大大增加了設(shè)備監(jiān)測(cè)成本，不利于技術(shù)的廣泛應(yīng)用，而計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的應(yīng)用可以克服這些缺點(diǎn)。

計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)是目前人工智能的另一研究領(lǐng)域，大部分研究進(jìn)展集中在語(yǔ)音識(shí)別技術(shù)，在電力系統(tǒng)中的應(yīng)用尚未被關(guān)注。設(shè)備運(yùn)行產(chǎn)生的非平穩(wěn)噪聲是計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的主要信息來(lái)源，在設(shè)備發(fā)生故障初期往往被現(xiàn)場(chǎng)人員忽視，但其具有來(lái)源廣、非接觸測(cè)量、可無(wú)線遠(yuǎn)傳、故障預(yù)警能力強(qiáng)等優(yōu)勢(shì)，幾乎可以媲美當(dāng)前所有狀態(tài)檢測(cè)參數(shù)。因此，基于計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的電力設(shè)備狀態(tài)監(jiān)測(cè)技術(shù)作為保證電力系統(tǒng)穩(wěn)定的關(guān)鍵技術(shù)，具有重要的研究?jī)r(jià)值。

本文首先介紹了計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的范疇和研究?jī)?nèi)容，探討了各個(gè)領(lǐng)域中聽(tīng)覺(jué)信息結(jié)合機(jī)器學(xué)習(xí)后的應(yīng)用，通過(guò)計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的技術(shù)框架分析當(dāng)前聲信號(hào)的一般處理思路；重點(diǎn)論述了音頻信號(hào)處理技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用現(xiàn)狀；最后以火電廠設(shè)備為例，對(duì)計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)與深度學(xué)習(xí)技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用進(jìn)行展望。

1 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的范疇

聽(tīng)覺(jué)信息處理方法有兩大類(lèi)：機(jī)器聽(tīng)覺(jué)與計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)(如圖1所示)。機(jī)器聽(tīng)覺(jué)主要是針對(duì)人聲進(jìn)行識(shí)別和處理，而計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)則針對(duì)非人聲進(jìn)行識(shí)別與處理。機(jī)器聽(tīng)覺(jué)是指應(yīng)用語(yǔ)言學(xué)知識(shí)的語(yǔ)音信息處理技術(shù)，計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)則包括結(jié)合音樂(lè)領(lǐng)域知識(shí)的音樂(lè)信號(hào)處理和其他領(lǐng)域知識(shí)的音頻信息處理技術(shù)。這3種專(zhuān)業(yè)領(lǐng)域的聽(tīng)覺(jué)信息處理方法采用傳統(tǒng)的音頻信號(hào)處理技術(shù)，并結(jié)合機(jī)器學(xué)習(xí)技術(shù)，最終形成語(yǔ)言聲學(xué)、音樂(lè)聲學(xué)及其他聲學(xué)。

圖1 聽(tīng)覺(jué)信息處理的主要分類(lèi)Fig.1 Main classification of auditory information processing

1.1 機(jī)器聽(tīng)覺(jué)

機(jī)器聽(tīng)覺(jué)主要是指應(yīng)用語(yǔ)言學(xué)知識(shí)的語(yǔ)音信息處理，表示的是語(yǔ)音信息的識(shí)別和處理，應(yīng)用最廣的是語(yǔ)音識(shí)別技術(shù)。機(jī)器聽(tīng)覺(jué)發(fā)展于20世紀(jì)50年代，1952年來(lái)自貝爾研究所的Davis等人成功完成世界上第一個(gè)能夠識(shí)別10個(gè)英文數(shù)字的系統(tǒng)，自此語(yǔ)音識(shí)別技術(shù)進(jìn)入了萌芽階段。20世紀(jì)70年代后，語(yǔ)音識(shí)別得到了大規(guī)模研究，在小詞匯量、孤立詞等方面取得了突破性進(jìn)展。20世紀(jì)80年代以后，語(yǔ)音識(shí)別的研究重點(diǎn)逐漸轉(zhuǎn)向大詞匯量、非特定人的連續(xù)語(yǔ)音，同時(shí)，研究思路也發(fā)生了重大變化，由傳統(tǒng)的模板匹配技術(shù)轉(zhuǎn)向統(tǒng)計(jì)模型思路。自2009年以來(lái)，語(yǔ)音識(shí)別技術(shù)通過(guò)深度學(xué)習(xí)的研究和大數(shù)據(jù)的累積得到了突飛猛進(jìn)的發(fā)展。目前，語(yǔ)音識(shí)別在移動(dòng)終端上的應(yīng)用最為廣泛，對(duì)話機(jī)器人、語(yǔ)音助手、互動(dòng)工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財(cái)力開(kāi)展此方面的研究和應(yīng)用，目的是通過(guò)語(yǔ)音交互的新穎和便利模式迅速占領(lǐng)客戶群[10]。

1.2 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)

計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)主要針對(duì)非人聲進(jìn)行識(shí)別與處理，包括結(jié)合音樂(lè)領(lǐng)域知識(shí)的音樂(lè)信號(hào)處理和其他領(lǐng)域知識(shí)的音頻信息處理。計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)是一個(gè)基于音頻信號(hào)處理和機(jī)器學(xué)習(xí)、對(duì)數(shù)字聲音與音樂(lè)的內(nèi)容進(jìn)行理解和分析的學(xué)科，是使用計(jì)算方法對(duì)數(shù)字化聲音與音樂(lè)內(nèi)容進(jìn)行理解和分析的交叉學(xué)科，主要基礎(chǔ)學(xué)科是音頻信號(hào)處理和機(jī)器學(xué)習(xí)。當(dāng)前，計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的發(fā)展方向主要分為2個(gè)類(lèi)別：面向音樂(lè)的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)和面向環(huán)境聲的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)(可稱為基于一般音頻的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù))。

面向音樂(lè)的音頻信息處理的發(fā)展具有較長(zhǎng)的歷史，早在20世紀(jì)50年代，一些不同國(guó)家的作曲家、工程師和科學(xué)家已經(jīng)開(kāi)始探索利用新的數(shù)字技術(shù)來(lái)處理音樂(lè)，并逐漸形成了音樂(lè)科技或計(jì)算機(jī)音樂(lè)這一交叉學(xué)科。20世紀(jì)70年代之后，歐美各國(guó)相繼建立了多個(gè)大型計(jì)算機(jī)音樂(lè)研究機(jī)構(gòu)，如1975年建立的美國(guó)斯坦福大學(xué)音樂(lè)和聲學(xué)計(jì)算機(jī)研究中心(Center for Comouter Research in Music and Acoustics，CCRMA)、1977年建立的法國(guó)巴黎聲學(xué)及音樂(lè)調(diào)配研究小組(Institute for Research and Coordination Acoustic Music，IRCAM)以及2001年成立的英國(guó)倫敦女王大學(xué)數(shù)字音樂(lè)中心(Center for Digital Music，CFDM)等。歐洲由于其濃厚的人文和藝術(shù)氣息成為音樂(lè)科技的世界中心，世界各地在該領(lǐng)域的研究也逐步發(fā)展。在中國(guó)，約20世紀(jì)90年代中期開(kāi)始有零散音樂(lè)科技的研究，由于各方面的限制，至今仍處于起步階段[11]，這一部分需要較多音樂(lè)領(lǐng)域的知識(shí)，可細(xì)化為以下4個(gè)學(xué)科分支。

a)聲音與音樂(lè)信號(hào)處理：用于聲音和音樂(lè)的信號(hào)分析、變換及合成，例如頻譜分析、調(diào)幅、調(diào)頻、低通/高通/帶通/帶阻濾波、轉(zhuǎn)碼、無(wú)損/有損壓縮、重采樣、回聲、混音、去噪、變調(diào)、保持音高不變的時(shí)間伸縮、線性時(shí)間縮放等。

b)聲音與音樂(lè)的理解分析：使用計(jì)算方法對(duì)數(shù)字化聲音與音樂(lè)的內(nèi)容進(jìn)行理解和分析，例如音樂(lè)識(shí)譜、旋律提取、節(jié)奏分析、和弦識(shí)別、音頻檢索、流派分類(lèi)、情感分析、歌手識(shí)別、歌唱評(píng)價(jià)、歌聲分離等。

c)音樂(lè)與計(jì)算機(jī)的接口設(shè)計(jì)：包括音響及多聲道聲音系統(tǒng)的開(kāi)發(fā)與設(shè)計(jì)、聲音裝置等，該分支偏向音頻工程應(yīng)用。

d)計(jì)算機(jī)輔助音樂(lè)創(chuàng)作：包括算法作曲、計(jì)算機(jī)音樂(lè)制作、音效及聲音設(shè)計(jì)等[12]。

面向環(huán)境聲的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)音頻信息處理的應(yīng)用范圍更加廣泛，主要應(yīng)用于其他領(lǐng)域中，包括醫(yī)療衛(wèi)生、安全監(jiān)控、交通運(yùn)輸與倉(cāng)儲(chǔ)、制造業(yè)、農(nóng)林牧漁業(yè)、水利環(huán)境、公共設(shè)施管理業(yè)、建筑業(yè)、采礦業(yè)、日常生活、身份識(shí)別、軍事等，如醫(yī)學(xué)領(lǐng)域的智能聽(tīng)診系統(tǒng)與心音信號(hào)檢測(cè)、安保領(lǐng)域的異常聲音檢測(cè)與音頻監(jiān)控、交通領(lǐng)域的地鐵故障檢測(cè)與車(chē)流量檢測(cè)、植物領(lǐng)域的根據(jù)敲擊判斷瓜果成熟度、冶金領(lǐng)域的燒結(jié)工序異常狀態(tài)判斷和鋁電解槽運(yùn)行狀態(tài)的判斷、建筑領(lǐng)域的敲擊判斷燒磚內(nèi)部缺陷和建筑物金屬斷裂聲音分析，都是音頻信息處理在各個(gè)領(lǐng)域中的應(yīng)用。

2 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的技術(shù)框架

音頻事件指一段具有特定意義的連續(xù)聲音，音頻場(chǎng)景是一個(gè)保持語(yǔ)義相關(guān)或一致性的聲音片段，通常由多個(gè)音頻事件組成。面向一般音頻或環(huán)境聲的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)算法設(shè)計(jì)與面向音樂(lè)的計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)高度類(lèi)似，采用的基本技術(shù)框架也一致，二者的區(qū)別在于聲音的本質(zhì)不同，一般需要某種特定聲音的領(lǐng)域知識(shí)。

計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)通用技術(shù)框架[13]包括：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、音頻流分割、聲源分離、音頻特征提取和分類(lèi)，如圖2所示。

各步驟的具體內(nèi)容如下。

a)數(shù)據(jù)獲取即通過(guò)傳感器感知并獲取當(dāng)前環(huán)境的聲音信息，其中，所使用的傳感器一般為聲音傳感器或麥克風(fēng)等，可以將聲音信號(hào)轉(zhuǎn)化為便于計(jì)算機(jī)處理的數(shù)字信號(hào)。同時(shí)，采集的聲音為當(dāng)前的環(huán)境聲音，一般存在一系列待處理的問(wèn)題，比如音頻數(shù)字信號(hào)可能無(wú)法直接進(jìn)行調(diào)用的問(wèn)題、環(huán)境聲音可能不包含算法所需要識(shí)別處理的音頻信號(hào)的問(wèn)題、環(huán)境聲音中目標(biāo)聲源混繞在較多種聲源之中的問(wèn)題等。這些問(wèn)題都會(huì)在接下來(lái)的算法過(guò)程中得到解決，而這類(lèi)環(huán)境聲音因此呈現(xiàn)出非結(jié)構(gòu)化的特點(diǎn)，甚至可以類(lèi)比為噪聲，接下來(lái)的工作就是將目標(biāo)音頻信號(hào)從環(huán)境聲音中提取出來(lái)并進(jìn)行接下來(lái)的操作。

圖2 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的通用算法框架Fig.2 General algorithm framework for computer hearing technology

b)數(shù)據(jù)預(yù)處理即通過(guò)一系列的音頻處理操作，使采集到的非語(yǔ)義符號(hào)表示的音頻電信號(hào)轉(zhuǎn)化為可以直接調(diào)用、處理的音頻信號(hào)。其中，音頻處理操作主要包括聲道轉(zhuǎn)換、重采樣、解壓縮或預(yù)加重等步驟，通過(guò)這些變換，所采集到的音頻信號(hào)就可以直接進(jìn)行計(jì)算調(diào)用與處理。同時(shí)在工業(yè)上，數(shù)據(jù)的預(yù)處理一般還包含對(duì)聲音信號(hào)進(jìn)行的去噪處理，主要目的就是得到更加清晰明顯的聲音信號(hào)以利于音頻辨識(shí)、處理或音頻特征提取和分類(lèi)。但由于干擾噪聲一般頻率不穩(wěn)定，無(wú)明顯結(jié)構(gòu)規(guī)律，濾波等傳統(tǒng)降噪方法效果較差，可基于概率潛在成分分析進(jìn)行噪聲分離，或基于回歸進(jìn)行噪聲消除等。

c)音頻流分割即對(duì)當(dāng)前的音頻信號(hào)進(jìn)行相應(yīng)的分類(lèi)，并在此基礎(chǔ)上將目標(biāo)音頻信號(hào)從中分割出來(lái)；主要起到的作用是識(shí)別當(dāng)前音頻的有效性(是否包含目標(biāo)音頻)，同時(shí)增強(qiáng)了音頻流的結(jié)構(gòu)化程度，為實(shí)現(xiàn)更高語(yǔ)義層次的內(nèi)容結(jié)構(gòu)化奠定基礎(chǔ)。

d)聲源分離即將目標(biāo)音頻信息從眾多聲源信息的混合音中分離出來(lái)，由于事先未知聲源信號(hào)與目標(biāo)聲信號(hào)混合，亦稱為盲源分離(blind source separation，BSS)。其中，多聲源是一般音頻或環(huán)境音頻信號(hào)的基本特性，各種聲源之間若與目標(biāo)聲源存在耦合，聲源分離將更加困難。正確的聲源分離將大大增強(qiáng)聲音信息的結(jié)構(gòu)化，在很大程度上提高信號(hào)中的信息量，提高狀態(tài)監(jiān)測(cè)和故障診斷的質(zhì)量。

e)音頻特征提取是從狀態(tài)信號(hào)中提取出承載著故障信息的特征數(shù)據(jù)，如頻譜、能量譜、功率譜、幅值等[5]。其中，音頻特征是對(duì)音頻內(nèi)容的緊致反映，能夠刻畫(huà)音頻信號(hào)的特定方面，得到的特征一般分為時(shí)頻特征、頻域譜特征、詞頻特征、統(tǒng)計(jì)特征、感知特征、中層特征、高層特征等。需要注意的是，特征提取所使用的算法需要盡可能克服音頻相似性，即減少2段音頻之間或1段音頻內(nèi)部各子序列間的相似性，以增強(qiáng)目標(biāo)音頻信息與其他音頻信息的區(qū)分能力和魯棒性，故特征提取算法需要根據(jù)面向?qū)ο蟆繕?biāo)音頻及其環(huán)境聲音進(jìn)行特定的、合適的選取。

f)分類(lèi)即通過(guò)所提取的音頻特征，應(yīng)用一定的統(tǒng)計(jì)方法或分類(lèi)算法，使目標(biāo)音頻信息在此次識(shí)別任務(wù)中得到明確的分類(lèi)結(jié)果。同時(shí)，根據(jù)目標(biāo)音頻信息在環(huán)境聲音中的作用，可將最終的分類(lèi)結(jié)果分為以下幾類(lèi)：①聲景分類(lèi)，判斷目標(biāo)音頻所處的外部環(huán)境是什么及其相關(guān)特性；②聲目標(biāo)識(shí)別，判斷目標(biāo)音頻的聲源是什么及其相關(guān)特性；③聲目標(biāo)定位，判斷目標(biāo)音頻所處聲源的位置在哪里及其相關(guān)三維空間信息。

3 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用現(xiàn)狀

計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的應(yīng)用特點(diǎn)主要體現(xiàn)在：在傳統(tǒng)音頻信號(hào)處理的基礎(chǔ)上，提取音頻特征，結(jié)合機(jī)器學(xué)習(xí)算法(主要是模式識(shí)別方法)完成狀態(tài)監(jiān)測(cè)與故障診斷。在工業(yè)領(lǐng)域，計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)也有很多的研究與應(yīng)用，根據(jù)設(shè)備運(yùn)轉(zhuǎn)噪聲進(jìn)行故障診斷，主要進(jìn)行聲目標(biāo)識(shí)別的應(yīng)用。

在電力領(lǐng)域，電力設(shè)備在運(yùn)行過(guò)程中，由于機(jī)械振動(dòng)會(huì)產(chǎn)生聲音，正常運(yùn)行下的聲音一般具有一定的規(guī)律性，但當(dāng)設(shè)備發(fā)生某種故障后，由于運(yùn)行狀態(tài)或運(yùn)行結(jié)構(gòu)改變，其聲音也會(huì)隨之改變，比如出現(xiàn)機(jī)械故障時(shí)，其振動(dòng)特性或部分頻段內(nèi)的振動(dòng)能量將發(fā)生改變，同時(shí)會(huì)伴隨刺耳或尖銳的噪聲。此外，設(shè)備的超負(fù)荷運(yùn)行或其他故障也會(huì)引起異常的聲音變化。因此，電力設(shè)備的聲音信號(hào)包含許多運(yùn)行狀態(tài)信息，具有豐富經(jīng)驗(yàn)的工程師可以根據(jù)現(xiàn)場(chǎng)設(shè)備的異常聲音，通過(guò)音色、音量、音高等音頻特征的變化判斷出設(shè)備是否處于不正常運(yùn)行狀態(tài)，甚至判別出故障的類(lèi)型和嚴(yán)重程度。計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用有針對(duì)旋轉(zhuǎn)設(shè)備的應(yīng)用和針對(duì)非旋轉(zhuǎn)設(shè)備的應(yīng)用2種類(lèi)型。

3.1 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)用于旋轉(zhuǎn)設(shè)備的狀態(tài)監(jiān)測(cè)

在實(shí)際巡檢過(guò)程中，對(duì)于一些旋轉(zhuǎn)設(shè)備，運(yùn)行人員會(huì)使用聽(tīng)針(絕緣棒)進(jìn)行，將聽(tīng)針的一端緊貼設(shè)備金屬外殼，在聽(tīng)針的另一端用耳朵聽(tīng)設(shè)備內(nèi)部發(fā)出的聲音，據(jù)此來(lái)判斷設(shè)備的運(yùn)行狀態(tài)。這種方法要求有經(jīng)驗(yàn)豐富的運(yùn)行人員現(xiàn)場(chǎng)操作，工作效率低，且依賴于運(yùn)行人員的實(shí)際經(jīng)驗(yàn)，且運(yùn)行人員要經(jīng)?？拷娏υO(shè)備，危險(xiǎn)性較高。因此，研究人員進(jìn)行了一些基于音頻信號(hào)處理的監(jiān)測(cè)及診斷方法研究，用于引風(fēng)機(jī)、汽輪機(jī)、水輪機(jī)等設(shè)備。

a)電廠引風(fēng)機(jī)：林英明等人以鍋爐引風(fēng)機(jī)常見(jiàn)故障的噪聲與振動(dòng)作為研究對(duì)象，分析了振動(dòng)、噪聲故障的產(chǎn)生原因、表征參數(shù)和處理方法等[14]。

b)發(fā)電機(jī)：安徽理工大學(xué)的王杰以電廠超臨界汽輪發(fā)電機(jī)組為研究對(duì)象，開(kāi)發(fā)了一種集噪聲參數(shù)和振動(dòng)參數(shù)相結(jié)合的發(fā)電機(jī)組故障監(jiān)測(cè)系統(tǒng)[15]；安徽理工大學(xué)的祝龍記等人開(kāi)發(fā)了集合振動(dòng)參數(shù)和噪聲參數(shù)的汽輪發(fā)電機(jī)組故障監(jiān)測(cè)系統(tǒng)[16]。

c)水輪機(jī)：西安理工大學(xué)的賈嶸等人基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)提取水輪發(fā)電機(jī)組的局部放電信號(hào)，根據(jù)包含特征頻率的固有模態(tài)函數(shù)(intrinsic mode function，IMF)進(jìn)行局部重構(gòu)得到局部放電信號(hào)[17]；胡勝等人基于噪聲頻率分段提取的方法識(shí)別出了水輪發(fā)電機(jī)異常噪聲特征頻段為1 000～6 000 Hz，并根據(jù)特征頻段在各種運(yùn)行工況時(shí)的變化規(guī)律，診斷出水輪發(fā)電機(jī)定子存在局部放電點(diǎn)[18]。

d)軸承：中國(guó)礦業(yè)大學(xué)的王前將梅爾頻率倒譜系數(shù)(Mel frequency cepstrum coefficient，MFCC)作為滾動(dòng)軸承噪聲信號(hào)的特征向量，引入補(bǔ)償距離評(píng)估技術(shù)篩選特征，將篩選后的特征輸入SVM進(jìn)行故障分類(lèi)，并通過(guò)實(shí)驗(yàn)驗(yàn)證了這一方法的有效性與優(yōu)越性[19]；李偉峰等人基于滑動(dòng)軸承振動(dòng)噪聲的頻率分量，采用EMD算法進(jìn)行IMF的特征分解，通過(guò)振動(dòng)噪聲的Hilbert譜特征，結(jié)合頻譜分解方法實(shí)現(xiàn)振動(dòng)噪聲的頻率特征提取，采用信息融合方法進(jìn)行滑動(dòng)軸承振動(dòng)噪聲信號(hào)的弱關(guān)聯(lián)特征測(cè)試，實(shí)現(xiàn)振動(dòng)噪聲的頻率特征提取[20]。

e)風(fēng)電機(jī)組：重慶大學(xué)的吳宏鋼以風(fēng)力發(fā)電機(jī)組為對(duì)象，研究了基于IEC 61400-11國(guó)際標(biāo)準(zhǔn)的風(fēng)力發(fā)電機(jī)組聲發(fā)射特性評(píng)估及振動(dòng)檢測(cè)分析的相關(guān)理論問(wèn)題，提出了基于偏微分方程(partial differential equation，PDE)的振動(dòng)信號(hào)濾波去噪方法和基于小波脊線提取的瞬時(shí)頻率估計(jì)與階比分析音調(diào)分析方法，開(kāi)發(fā)了風(fēng)力發(fā)電機(jī)組振動(dòng)檢測(cè)與噪聲評(píng)估虛擬儀器系統(tǒng)[21]；新疆大學(xué)的程靜等人研究了IEC 61400-11風(fēng)力發(fā)電機(jī)組噪聲測(cè)量技術(shù)標(biāo)準(zhǔn)，闡述了噪聲檢測(cè)的測(cè)量方法，分析了利用噪聲進(jìn)行機(jī)組故障診斷的可行性及診斷步驟，提出了基于小波分析(wavelet analysis，WA)的故障信號(hào)提取方法[22]。

f)風(fēng)電機(jī)組偏航系統(tǒng)：賈春雁分析風(fēng)力發(fā)電機(jī)產(chǎn)生的噪聲影響，同時(shí)列舉偏航部位產(chǎn)生的噪音并進(jìn)行研究和改進(jìn)，使風(fēng)力發(fā)電機(jī)組更加完善[23]。

g)風(fēng)電機(jī)組葉片：北京郵電大學(xué)的趙娟等人針對(duì)大型風(fēng)機(jī)葉片裂紋故障聲學(xué)診斷問(wèn)題，設(shè)計(jì)了面向復(fù)雜環(huán)境噪聲的原始聲信號(hào)預(yù)處理算法，然后采用1/6倍頻程粗略刻畫(huà)葉片聲信號(hào)的頻譜總體變化趨勢(shì)，提取無(wú)量綱的倍頻程能量比，構(gòu)造SVM的輸入特征向量，最后引入主成分分析法(principal component analysis，PCA)自適應(yīng)的優(yōu)化高維特征空間，給出了葉片裂紋故障的聲學(xué)特征自適應(yīng)提取方法[24]；沈陽(yáng)工業(yè)大學(xué)的趙新光針對(duì)風(fēng)力機(jī)葉片材料在損傷時(shí)因應(yīng)變產(chǎn)生聲發(fā)射，對(duì)時(shí)域信號(hào)特性進(jìn)行實(shí)驗(yàn)研究，借助WA良好的時(shí)頻分析性能，利用聲發(fā)射辨識(shí)和診斷故障的特點(diǎn)[25]。

h)電動(dòng)機(jī)：J.Grebenik等人利用小波包變換(wavelet packet transform，WPT)和EMD在USB麥克風(fēng)和智能手機(jī)上進(jìn)行聲信息特征提取，完成對(duì)電動(dòng)機(jī)控制器的高精度實(shí)時(shí)故障診斷[26]；東北石油大學(xué)的李偉鑫基于防爆電動(dòng)機(jī)的故障聲信號(hào)，采用自適應(yīng)雙門(mén)限端點(diǎn)檢測(cè)技術(shù)對(duì)信號(hào)進(jìn)行預(yù)處理，利用MFCC進(jìn)行二次動(dòng)態(tài)特征提取，并采用隱馬爾可夫模型(hidden Markov model，HMM)完成聲學(xué)建模[19]；廣東工業(yè)大學(xué)的張敬春等人采用WA對(duì)電動(dòng)機(jī)的幾種常見(jiàn)故障噪聲進(jìn)行多分辨率分析，并從能量分布的角度出發(fā)，快速準(zhǔn)確地診斷出電動(dòng)機(jī)故障[27]；B.Parvathi Sangeetha等人用理性擴(kuò)張小波變換(rational expansion wavelet transform，REWT)技術(shù)處理聲學(xué)信號(hào)以提取故障特征，從而診斷故障類(lèi)型，另外通過(guò)觀察聲學(xué)故障信號(hào)的快速傅里葉變換(fast Fourier transform，F(xiàn)FT)頻譜中的頻率，計(jì)算并驗(yàn)證電動(dòng)機(jī)不同故障的特征頻率[28-29]。

由于旋轉(zhuǎn)設(shè)備的工作狀態(tài)與運(yùn)行環(huán)境等條件導(dǎo)致的目標(biāo)聲信號(hào)夾雜大量的噪聲信號(hào)，當(dāng)計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)用于旋轉(zhuǎn)設(shè)備的狀態(tài)監(jiān)測(cè)時(shí)，大多結(jié)合頻譜分析或小波變換等傳統(tǒng)音頻處理方法來(lái)判斷設(shè)備故障是否存在，再通過(guò)WPT、EMD或MFCC等音頻特征提取復(fù)雜算法進(jìn)行處理，最后采用HMM或SVM等傳統(tǒng)分類(lèi)器完成狀態(tài)監(jiān)測(cè)與故障預(yù)警任務(wù)。旋轉(zhuǎn)設(shè)備的聲信號(hào)處理一般會(huì)與傳統(tǒng)的振動(dòng)信號(hào)等其他監(jiān)測(cè)參數(shù)結(jié)合，音頻信號(hào)分析的結(jié)果用于輔助判斷，使基于振動(dòng)信號(hào)分析的結(jié)果更加可靠。但目前仍沒(méi)有統(tǒng)一、可靠的設(shè)備聲信號(hào)處理算法能夠應(yīng)用于電力系統(tǒng)的全部設(shè)備，需要結(jié)合設(shè)備自身運(yùn)行特點(diǎn)與工作狀態(tài)選擇不同的聲信號(hào)特征提取方法，且在應(yīng)用中大多采用傳統(tǒng)的音頻信號(hào)處理技術(shù)，與機(jī)器學(xué)習(xí)算法結(jié)合的不多，更先進(jìn)的機(jī)器學(xué)習(xí)算法如深度學(xué)習(xí)等，尚未開(kāi)展研究應(yīng)用。

3.2 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)用于非旋轉(zhuǎn)設(shè)備的狀態(tài)監(jiān)測(cè)

除了旋轉(zhuǎn)設(shè)備外，研究者還對(duì)噪聲的聲學(xué)特性開(kāi)展研究，開(kāi)發(fā)了一些基于噪聲聲學(xué)特性的監(jiān)測(cè)系統(tǒng)，應(yīng)用于非旋轉(zhuǎn)設(shè)備的狀態(tài)監(jiān)測(cè)中。

a)松動(dòng)部件：上海交通大學(xué)的楊修周等人以壓水堆一回路系統(tǒng)作為研究環(huán)境，介紹了松動(dòng)部件監(jiān)測(cè)的理論基礎(chǔ)、松動(dòng)部件的定位和質(zhì)量估計(jì)以及應(yīng)用噪聲分析技術(shù)進(jìn)行的3個(gè)模擬試驗(yàn)，為研制松動(dòng)部件監(jiān)測(cè)系統(tǒng)做了一些前期工作[30]。

b)調(diào)節(jié)閥：中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所的韓曉佳等人針對(duì)調(diào)節(jié)閥的在線故障檢測(cè)問(wèn)題，利用小波分解技術(shù)和數(shù)字濾波對(duì)調(diào)節(jié)閥噪聲信號(hào)進(jìn)行處理，并以統(tǒng)計(jì)角度計(jì)算過(guò)程噪聲的統(tǒng)計(jì)數(shù)字特征(自相關(guān)函數(shù))來(lái)檢測(cè)故障是否發(fā)生[31]。

c)鍋爐爐壁：武漢理工大學(xué)的王文娟根據(jù)爐內(nèi)水噪聲因爐壁有無(wú)裂紋其頻率包含成分不同的理論，設(shè)計(jì)了一套基于鍋爐水噪聲的智能專(zhuān)家診斷系統(tǒng)，對(duì)鍋爐進(jìn)行遠(yuǎn)程監(jiān)控[32]。

d)鍋爐預(yù)熱器：浙江大學(xué)的王振林等人通過(guò)對(duì)杭州鍋爐廠DHL1200-13/130-80A型管式預(yù)熱器的多參數(shù)現(xiàn)場(chǎng)測(cè)試，揭示了熱風(fēng)管陣進(jìn)行組狀彈性振動(dòng)而外部結(jié)構(gòu)工作于強(qiáng)迫振動(dòng)狀態(tài)的實(shí)驗(yàn)現(xiàn)象，提出了流固耦合、聲學(xué)共振導(dǎo)致高值環(huán)境噪聲的解釋[33]。

e)核電燃料剪切機(jī)：南華大學(xué)的張小志等人針對(duì)乏燃料剪切機(jī)剪切聲音信號(hào)特征提取的難題，對(duì)不同磨損狀況刀具的剪切聲音信號(hào)進(jìn)行WPT，提取變換信號(hào)的各頻段歸一化能量作為特征向量，從而實(shí)現(xiàn)乏燃料剪切機(jī)故障診斷[34]；南華大學(xué)的陳甲華等人對(duì)剪切機(jī)工作噪聲信號(hào)通過(guò)3層小波包分解進(jìn)行特征提取，結(jié)合了HMM良好的動(dòng)態(tài)建模能力和SVM良好的分類(lèi)能力以及小樣本泛化能力強(qiáng)的優(yōu)點(diǎn)，構(gòu)建了HMM-SVM混合模型，用于剪切機(jī)故障的智能診斷[35]。

f)變壓器：貴陽(yáng)供電局的馬春雷針對(duì)變壓器可聽(tīng)聲信號(hào)特征，運(yùn)用分層閾值消噪法對(duì)信號(hào)進(jìn)行消噪，采用FFT和WA對(duì)不同運(yùn)行年限、不同電壓等級(jí)、不同采集位置、不同負(fù)載率情況下的運(yùn)行變壓器可聽(tīng)聲信號(hào)進(jìn)行分析，得到信號(hào)的頻譜和小波能量特征向量，分析了變壓器可聽(tīng)聲產(chǎn)生機(jī)理及其影響因素[36]；電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室的王豐華等人基于變壓器噪聲信號(hào)，利用加權(quán)和PCA處理后得到改進(jìn)的MFCC音頻特征，并通過(guò)矢量量化(vector quantization，VQ)算法對(duì)故障類(lèi)型進(jìn)行識(shí)別，為變壓器結(jié)構(gòu)優(yōu)化設(shè)計(jì)及噪聲治理提供依據(jù)[37]。

g)電弧故障：廣西科技大學(xué)的藍(lán)會(huì)立等人通過(guò)故障電弧實(shí)驗(yàn)平臺(tái)獲取大量電弧聲數(shù)據(jù)樣本，將電弧聲信號(hào)進(jìn)行3層小波包分解，以小波包敏感頻帶能量作為識(shí)別特征量，利用模糊C-均值聚類(lèi)算法對(duì)識(shí)別特征量進(jìn)行模糊聚類(lèi)，得到真假弧聲的模糊分類(lèi)矩陣和聚類(lèi)中心，并通過(guò)計(jì)算待測(cè)數(shù)據(jù)樣本與已知特征弧聲聚類(lèi)中心的貼近度，實(shí)現(xiàn)真假弧聲識(shí)別[38]；C.Vasile等人研究了光伏系統(tǒng)中的電弧故障，利用電弧故障的多次發(fā)射，使用短時(shí)傅里葉變換(short-time Fourier transform，STFT)進(jìn)行聲信號(hào)的頻域特征提取，并提出一個(gè)完整的故障檢測(cè)與定位系統(tǒng)[39]。

h)斷路器故障：H.Balan等人利用動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping，DTW)算法對(duì)Areva型高壓電站中3臺(tái)有源斷路器的運(yùn)行維護(hù)狀態(tài)進(jìn)行聲信號(hào)的特征提取，并開(kāi)發(fā)了斷路器監(jiān)視軟件[40]。

i)絕緣子故障：S.Frizzo Stefenon等人利用LabView軟件采取定性和定量的方式分析電網(wǎng)絕緣子信號(hào)，同時(shí)采用FFT算法得到頻域信號(hào)，在線分類(lèi)和檢查絕緣子[41]。

與旋轉(zhuǎn)設(shè)備相比，非旋轉(zhuǎn)設(shè)備主要包括電廠的小型設(shè)備或變電站的一、二次設(shè)備，由于沒(méi)有高功率旋轉(zhuǎn)裝置的運(yùn)行，具有振動(dòng)幅度小、環(huán)境噪音小等特點(diǎn)。由上述分析可以看出，通過(guò)設(shè)備聲信號(hào)進(jìn)行狀態(tài)監(jiān)測(cè)的非旋轉(zhuǎn)設(shè)備不需要其他輔助信息的幫助即可完成狀態(tài)監(jiān)測(cè)任務(wù)；同時(shí)由于非旋轉(zhuǎn)設(shè)備大多在空曠環(huán)境中運(yùn)行，處理難度相對(duì)簡(jiǎn)單，故非旋轉(zhuǎn)設(shè)備的音頻處理僅需要FFT、STFT或WA等傳統(tǒng)時(shí)頻域算法提取特征，并通過(guò)VQ、自相關(guān)系數(shù)或模糊聚類(lèi)等數(shù)學(xué)統(tǒng)計(jì)算法進(jìn)行狀態(tài)分類(lèi)就能夠滿足基本監(jiān)測(cè)要求。但當(dāng)前算法的應(yīng)用降低了音頻處理技術(shù)與機(jī)器學(xué)習(xí)算法的結(jié)合度，不利于狀態(tài)監(jiān)測(cè)識(shí)別率與穩(wěn)定性的提高。

4 計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)在電力設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用前景

隨著人工智能的發(fā)展，研究人員嘗試將模式識(shí)別、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等技術(shù)應(yīng)用在電力生產(chǎn)過(guò)程中，其中計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)有其適合的應(yīng)用場(chǎng)景，如電力設(shè)備狀態(tài)監(jiān)測(cè)。傳統(tǒng)的電力設(shè)備狀態(tài)監(jiān)測(cè)主要采用音頻信號(hào)分析技術(shù)，重點(diǎn)在于信號(hào)處理。與傳統(tǒng)的音頻信號(hào)處理不同，計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)則包含機(jī)器學(xué)習(xí)的方法，從而使得監(jiān)測(cè)方法更具智能化，機(jī)器學(xué)習(xí)在視覺(jué)等其他領(lǐng)域的應(yīng)用方法也能推廣至本領(lǐng)域[42-44]。例如，在計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)通用框架中，統(tǒng)計(jì)分類(lèi)器是最終的應(yīng)用環(huán)節(jié)，即通過(guò)所提取的音頻特征，應(yīng)用一定的統(tǒng)計(jì)方法或分類(lèi)算法，使目標(biāo)音頻信息在此次識(shí)別任務(wù)中得到明確的分類(lèi)結(jié)果。其中，分類(lèi)器模型一般有K-近鄰法(K-nearest neighbors，KNN)、高斯混合模型(Gaussian mixture model，GMM)、隨機(jī)森林(random forest，RF)等傳統(tǒng)的分類(lèi)模型。隨著人工智能的發(fā)展與應(yīng)用，SVM、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)算法，以及卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)等深度學(xué)習(xí)分類(lèi)模型均可以應(yīng)用于計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)。

因此，可以通過(guò)人工智能中的機(jī)器學(xué)習(xí)方法，采集現(xiàn)場(chǎng)設(shè)備聲音，對(duì)聲音信號(hào)進(jìn)行標(biāo)注，以深度學(xué)習(xí)算法進(jìn)行正常及故障聲音訓(xùn)練，最終實(shí)現(xiàn)狀態(tài)分類(lèi)。通過(guò)標(biāo)注，將人的經(jīng)驗(yàn)轉(zhuǎn)移至計(jì)算機(jī)系統(tǒng)中，其獨(dú)特優(yōu)勢(shì)在于通過(guò)聲音傳感器獲取音頻信號(hào)，實(shí)現(xiàn)對(duì)設(shè)備工況的實(shí)時(shí)監(jiān)測(cè)與故障診斷，且不影響電力系統(tǒng)的正常運(yùn)行。方法的應(yīng)用主要依據(jù)聽(tīng)覺(jué)信息識(shí)別和理解任務(wù)中的兩大類(lèi)內(nèi)容：基于序列到序列的映射(內(nèi)容識(shí)別型)，進(jìn)行聲學(xué)事件識(shí)別；隨后基于序列到標(biāo)簽的映射(屬性識(shí)別型)，進(jìn)行異常事件即故障識(shí)別。但方法應(yīng)用也有一定的難點(diǎn)，比如常見(jiàn)的故障樣本獲取困難。對(duì)大多數(shù)機(jī)器設(shè)備來(lái)說(shuō)，能夠比較輕松地獲得機(jī)器設(shè)備正常運(yùn)作時(shí)的聲音樣本，然而當(dāng)機(jī)器設(shè)備發(fā)生不同故障時(shí)，聲音樣本難以獲得，需要長(zhǎng)時(shí)間積累。這就制約了一些需要大量樣本的方法，如何獲取大量的故障聲音樣本就成了計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)應(yīng)用于電力設(shè)備狀態(tài)監(jiān)測(cè)中急需解決的問(wèn)題之一，這也是機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)方法在其他領(lǐng)域應(yīng)用常見(jiàn)的問(wèn)題。

基于計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的設(shè)備狀態(tài)檢測(cè)方法一般在開(kāi)放空間進(jìn)行聲音采集，具有信息量大、監(jiān)測(cè)范圍廣的特點(diǎn)，能夠彌補(bǔ)振動(dòng)傳感器單點(diǎn)監(jiān)測(cè)的不足，能夠作為基于振動(dòng)信號(hào)的狀態(tài)監(jiān)測(cè)系統(tǒng)的補(bǔ)充，豐富電力設(shè)備的實(shí)時(shí)監(jiān)測(cè)與預(yù)警手段；同時(shí)，聲音采集設(shè)備安裝簡(jiǎn)單，具有靈活、低成本的優(yōu)勢(shì)。因此，基于計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的電力設(shè)備狀態(tài)監(jiān)測(cè)技術(shù)具有良好的應(yīng)用前景。

5 結(jié)論與展望

基于計(jì)算機(jī)聽(tīng)覺(jué)技術(shù)的電力設(shè)備狀態(tài)監(jiān)測(cè)技術(shù)尚未引起學(xué)者的大量關(guān)注，目前在電力生產(chǎn)領(lǐng)域的應(yīng)用大多側(cè)重于音頻信號(hào)處理，而人工智能技術(shù)中的一些方法尚未廣泛與傳統(tǒng)音頻處理結(jié)合使用。該技術(shù)具有檢測(cè)設(shè)備簡(jiǎn)單、傳感器靈活、測(cè)試方法簡(jiǎn)便等特點(diǎn)，為進(jìn)一步設(shè)計(jì)設(shè)備故障信息數(shù)據(jù)庫(kù)提供了新的思路，具有良好的發(fā)展前景，是設(shè)備狀態(tài)監(jiān)測(cè)研究的新方向；可實(shí)現(xiàn)設(shè)備潛在故障隱患的預(yù)警，能夠?qū)崿F(xiàn)更全面的狀態(tài)感知、更有效的數(shù)據(jù)處理，以更好地將人的經(jīng)驗(yàn)遷移至計(jì)算機(jī)系統(tǒng)。對(duì)該技術(shù)下一步的研究重點(diǎn)主要有：①各電力設(shè)備可聽(tīng)聲及噪音產(chǎn)生機(jī)理；②對(duì)設(shè)備聲信號(hào)數(shù)據(jù)方法的研究，包括數(shù)據(jù)預(yù)處理、特征提取、故障分類(lèi)等，尤其是加強(qiáng)與機(jī)器學(xué)習(xí)中各種算法的結(jié)合使用；③對(duì)電力設(shè)備狀態(tài)聲信號(hào)的專(zhuān)家智能分析系統(tǒng)的研制。