基于机器学习与卷积神经网络的放电声音识别研究

作     者：孙汉文 李喆 盛戈皞 江秀臣 SUN Hanwen;LI Zhe;SHENG Gehao;JIANG Xiuchen

作者机构：上海交通大学电气工程系上海200240 

出 版 物：《高压电器》 (High Voltage Apparatus)

年 卷 期：2020年第56卷第9期

页      面：107-113页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 080803[工学-高电压与绝缘技术] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：放电 声音 故障诊断 机器学习 卷积神经网络 

摘      要：为了实现对电气设备放电声音的精准检测,文中筛选比较了多种经典的机器学习算法和新兴的卷积神经网络算法,以期得到识别效果最优的选择。首先对音频进行预处理,再通过将放电声与环境噪声和变电站正常工况背景声混合来模拟变电站真实工作环境,并使用梅尔频率倒谱系数提取特征,最后采用支持向量机等机器学习算法与卷积神经网络算法进行识别,选取识别效果最佳的算法并考察不同采样频率、采样时长等因素对识别效果的影响。实验结果表明,使用梅尔频率倒谱系数提取特征可以良好区分放电与环境噪声,支持向量机在一系列算法中识别放电声音能力最强,采样频率、标准化方式等因素对识别效果影响较小。