一種識別平波電抗器的運行狀態的方法及裝置與流程
1.本發明涉及聲紋識別技術領域，特別是一種識別平波電抗器的運行狀態的方法及裝置。
背景技術：
2.高壓直流(high-voltage direct current，簡稱:hvdc)是一項旨在提高遠距離輸電的效率而開發的技術，是將三相交流電通過換流站整流變為直流電，再通過直流輸電線路送至另一個換流站，然后逆變成三相交流電的輸電方式。高壓直流輸電系統包括換流器、換流變壓器、平波電抗器、交流濾波器、直流避雷器及控制保護設備等。
3.平波電抗器主要作用是阻抗，平波電抗器能防止由直流線路產生的陡波沖擊進入閥廳，使換流閥免遭過電壓的損壞。當逆變器發生某些故障時，可避免引起繼發的換相失敗?？蓽p小因交流電壓下降引起逆變器換相失敗的機率。
4.平波電抗器分為油浸鐵芯式和干式空心。干式平波電抗器的噪聲產生是由于繞組電流和磁場相互作用產生繞組振動。任何通電導線放到磁場中都會受到力的作用，因此，通過繞組區域的磁場會產生繞組電磁力。當電流通過繞組時，帶電繞組在雜散磁場中會產生電磁力，形成繞組振動，從而產生繞組噪聲。
5.平波電抗器的噪聲信號能夠代表振動信號所反映的平波電抗器運行狀態信息。但在不同的運行工況下，平波電抗器的噪聲信號在時域、頻域會出現較大變化，這種運行狀態信息非常復雜，難以直接分辨。因此，如何準確識別平波電抗器的運行狀態成為當下所需解決的問題。
技術實現要素：
6.鑒于上述問題，本發明的目的在于提供一種識別平波電抗器的運行狀態的方法及裝置，實現對平波電抗器的運行狀態的準確識別，具體方案如下：
7.第一方面，本發明實施例公開了一種識別平波電抗器的運行狀態的方法，所述方法包括：
8.獲取數據集；所述數據集包括所述平波電抗器在各種運行狀態下的聲音數據；
9.對所述數據集進行預處理，得到所述平波電抗器在各種運行狀態下的mel時頻譜樣本；
10.獲取用于處理所述mel時頻譜樣本的卷積神經網絡；將所述mel時頻譜樣本輸入至所述卷積神經網絡進行深度學習，得到能夠對所述平波電抗器的運行狀態進行識別的權重模型；
11.根據所述權重模型對所述平波電抗器的運行狀態進行識別。
12.可選的，所述對所述數據集進行預處理，得到所述平波電抗器在各種運行狀態下的mel時頻譜樣本，包括：
13.從所述數據集中獲取所述平波電抗器在各種運行狀態下的聲音數據切片；所述聲
音數據切片的時長為預設時間長度；
14.對所述聲音數據切片進行分幀處理，得到與所述聲音數據切片對應的波形片段；
15.對所述波形片段進行海明窗加窗操作處理，得到處理后的波形片段；
16.對所述處理后的波形片段進行短時離散傅里葉變換，得到聲紋時頻譜；所述聲紋時頻譜為能夠描述時間與頻率的聲紋線性譜；
17.將所述聲紋時頻譜轉化為所述mel時頻譜樣本。
18.可選的，所述將所述聲紋時頻譜轉化為所述mel時頻譜樣本，包括：
19.將所述聲紋時頻譜轉換為mel標度下的聲紋時頻譜；
20.對所述mel標度下的聲紋時頻譜進行濾波，得到所述mel時頻譜樣本。
21.可選的，所述對所述mel標度下的聲紋時頻譜進行濾波，包括：
22.對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理；
23.對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理。
24.可選的，所述對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理，包括：
25.根據如下公式對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理：
[0026][0027][0028]
其中，f
max
為濾波器的濾波范圍的頻率上限，f
min
為所述濾波器的濾波范圍的下限，fs為音頻的采樣頻率，n為進行離散傅里葉變換時的幀長度，m為所述濾波器的個數，x(m)為中心頻率，hm(f)為等高三角濾波器組的函數，mel-1
為將mel頻率轉換為hz頻率，mel為將hz頻率轉換為mel頻率，m表示所述濾波器為第幾個濾波器。
[0029]
第二方面，本發明實施例公開了一種識別平波電抗器的運行狀態的裝置，所述裝置包括：
[0030]
數據采集單元，用于獲取數據集；所述數據集包括所述平波電抗器在各種運行狀態下的聲音數據；
[0031]
數據處理單元，用于對所述數據集進行預處理，得到所述平波電抗器在各種運行狀態下的mel時頻譜樣本；
[0032]
獲取單元，用于獲取用于處理所述mel時頻譜樣本的卷積神經網絡；
[0033]
訓練單元，用于將所述mel時頻譜樣本輸入至所述卷積神經網絡進行深度學習，得到能夠對所述平波電抗器的運行狀態進行識別的權重模型；
[0034]
識別單元，用于根據所述權重模型對所述平波電抗器的運行狀態進行識別。
[0035]
可選的，所述數據處理單元具體用于：
[0036]
從所述數據集中獲取所述平波電抗器在各種運行狀態下的聲音數據切片；所述聲音數據切片的時長為預設時間長度；
[0037]
對所述聲音數據切片進行分幀處理，得到與所述聲音數據切片對應的波形片段；
[0038]
對所述波形片段進行海明窗加窗操作處理，得到處理后的波形片段；
[0039]
對所述處理后的波形片段進行短時離散傅里葉變換，得到聲紋時頻譜；所述聲紋時頻譜為能夠描述時間與頻率的聲紋線性譜；
[0040]
將所述聲紋時頻譜轉化為所述mel時頻譜樣本。
[0041]
可選的，所述數據處理單元具體用于：
[0042]
將所述聲紋時頻譜轉換為mel標度下的聲紋時頻譜；
[0043]
對所述mel標度下的聲紋時頻譜進行濾波，得到所述mel時頻譜樣本。
[0044]
可選的，所述數據處理單元具體用于：
[0045]
對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理；
[0046]
對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理。
[0047]
可選的，所述數據處理單元具體用于：
[0048]
根據如下公式對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理：
[0049][0050][0051]
其中，f
max
為濾波器的濾波范圍的頻率上限，f
min
為所述濾波器的濾波范圍的下限，fs為音頻的采樣頻率，n為進行離散傅里葉變換時的幀長度，m為所述濾波器的個數，x(m)為中心頻率，hm(f)為等高三角濾波器組的函數，mel-1
為將mel頻率轉換為hz頻率，mel為將hz頻率轉換為mel頻率，m表示所述濾波器為第幾個濾波器。
[0052]
相對于現有技術，本發明具有以下有益效果：
[0053]
通過獲取平波電抗器在各種運行狀態下的聲音數據，對各種運行狀態下的聲音數據進行預處理，得到對應的mel時頻譜樣本，將mel時頻譜樣本輸入至卷積神經網絡進行深度學習，從而得到能夠對平波電抗器的運行狀態進行識別的權重模型，并根據訓練后的權重模型對平波電抗器的運行狀態進行識別，實現根據平波電抗器所產生的噪聲信號識別平波電抗器所處于的運行狀態。
附圖說明
[0054]
為了更清楚地說明本技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。
[0055]
圖1是本發明實施例一種識別平波電抗器的運行狀態的方法的流程圖；
[0056]
圖2是本發明實施例中所述mel時頻譜樣本結構示意圖；
[0057]
圖3是本發明實施例中卷積神經網絡的網絡結構示意圖；
[0058]
圖4是本發明實施例中數據集批量預處理的流程圖；
[0059]
圖5是本發明實施例中數據集批量預處理的流程示意圖；
[0060]
圖6是本發明實施例中adadelta與不同損失函數組合的識別準確率對比圖；
[0061]
圖7是本發明實施例中adam與不同損失函數組合的識別準確率對比圖；
[0062]
圖8是本發明實施例中不同cnn模型的測試集識別準確率對比圖；
[0063]
圖9是本發明實施例中不同cnn模型的測試集識別損失值對比圖；
[0064]
圖10是本發明實施例中一種識別平波電抗器的運行狀態的裝置的示意圖。
具體實施方式
[0065]
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0066]
本技術的說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”“第四”等(如果存在)是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內容以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。
[0067]
如圖1所示，本技術實施例公開了一種識別平波電抗器的運行狀態的方法，所述方法包括：
[0068]
s101：獲取數據集；所述數據集包括所述平波電抗器在各種運行狀態下的聲音數據。
[0069]
采集平波電抗器在各種運行狀態下的聲音數據，對采集到的聲音數據根據工況進行劃分，將同種工況下的聲音數據歸為一類，并進行統一標簽，從而得到平波電抗器在各種運行狀態下的數據集，以及聲音數據與運行狀態的對應關系，便于后續進行訓練和測試。
[0070]
此外，為了避免網絡過擬合，將所有類型的樣本及對應標簽進行隨機排序作為數據集，從而在后續根據數據集對模型進行訓練時，能夠以打亂的順序輸入到深度學習網絡中，以保證學習的有效性。
[0071]
如圖2所示，本技術實施例為了驗證模型的泛化特征能量，隨機抽取數據集中20％
的數據作為測試集，用于在模型訓練完成之后，驗證模型的有效性，將數據集中剩余的80％作為訓練集，用于對模型進行訓練。需要說明的是，訓練集和測試集的選取比例可根據實際情況進行修改，此處僅為舉例說明。
[0072]
s102：對所述數據集進行預處理，得到所述平波電抗器在各種運行狀態下的mel時頻譜樣本。
[0073]
對數據集進行批量預處理，得到平波電抗器在各種運行狀態下的mel時頻譜樣本，使得后續構建的卷積神經網絡模型能夠根據各種運行狀態下的mel時頻譜樣本進行深度學習。
[0074]
s103：獲取用于處理所述mel時頻譜樣本的卷積神經網絡。
[0075]
根據數據集的大小以及數據集的特點，創建卷積神經網絡的網絡結構，獲取創建后的卷積神經網絡的網絡結構，該網絡結構能夠以較好的性能達到較為理想的識別準確率，并在兼顧訓練穩定性的同時，避免了過擬合與梯度爆炸等問題。
[0076]
圖3為本技術實施例中根據數據集的大小以及數據集的特點所構建的卷積神經網絡示意圖，具體為：
[0077]
卷積神經網絡的網絡結構包括：輸入、第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、第三池化層、第一全連接層、和第二全連接層以及輸出。
[0078]
通過在第一全連接層和第二全連接層進行dropout操作，設置概率隨機丟棄神經元，使得mel時頻譜樣本中的聲紋樣本在保持輸入和輸出神經元的數量不變的情況下進行參數迭代。并且通過在卷積層中激活relu函數提高了網絡的訓練速度，通過批規范化解決神經元的兼容性問題，增加了網絡的性能和穩定性。
[0079]
s104：將所述mel時頻譜樣本輸入至所述卷積神經網絡進行深度學習，得到能夠對所述平波電抗器的運行狀態進行識別的權重模型。
[0080]
mel時頻譜樣本作為代表電抗器聲音信號的輸入量，輸入圖像像素為[188*40*3]維度(寬x高x深)，其中輸入寬度188代表電抗器聲信號的時間分量，輸入高度40代表mel頻率尺度下的電抗器聲信號頻域分量，輸入深度3代表電抗器聲信號能量譜密度表示的rgb顏通道。將圖像依次輸入cnn網絡后，卷積神經網絡對各種運行狀態下的mel時頻譜樣本進行交叉學習和特征提取，并最終泛化出能夠進行模式識別的權重模型，實現對不同運行狀態下的電抗器進行識別分類。
[0081]
s105：根據所述權重模型對所述平波電抗器的運行狀態進行識別。
[0082]
應用完成學習后的權重模型對待識別的平波電抗器進行識別，得到待識別平波電抗器所對應的運行狀態。
[0083]
通過獲取數據集，對數據集中的數據進行預處理，得到不同運行狀態下的mel時頻譜樣本，獲取用于處理mel式頻譜樣本的卷積神經網絡結構，并將不同運行狀態下的mel時頻譜樣本輸入至卷積神經網絡進行深度學習，得到權重模型，根據權重模型對平波電抗器的運行狀態進行識別，從而實現對電平器運行狀態的準確識別。
[0084]
如圖4所示，在一種可選的實施例中，上述步驟s102具體包括：
[0085]
s201：從所述數據集中獲取所述平波電抗器在各種運行狀態下的聲音數據切片；所述聲音數據切片的時長為預設時間長度。
[0086]
獲取各種運行狀態下預設時間長度為1秒的聲音數據切片。
[0087]
s202：對所述聲音數據切片進行分幀處理，得到與所述聲音數據切片對應的波形片段。
[0088]
對原始時域聲波信號進行交疊分段的分幀，每一段分幀長4096幀，每段重疊量的交疊段長為512幀。
[0089]
s203：對所述波形片段進行海明窗加窗操作處理，得到處理后的波形片段。
[0090]
根據窗函數公式對分幀處理后的波形進行海明窗(hamming)加窗操作，從而有效減小后續因傅里葉變換造成的信號失真的程度。
[0091]
其中，n表示窗函數的總長度，n表示窗函數的有效長度。
[0092]
s204：對所述處理后的波形片段進行短時離散傅里葉變換，得到聲紋時頻譜；所述聲紋時頻譜為能夠同時描述時間與頻率的聲紋線性譜。
[0093]
根據如下公式對處理后的波形片段進行短時離散傅里葉變換：
[0094]
0≤n且k≤n-1
[0095]
其中，k表示采樣點，n表示窗函數的有效長度,n表示采樣點的振動的周期個數。
[0096]
如圖5所示，時頻譜圖中的橫坐標為時間，縱坐標為頻率，條紋狀圖形的顏代表了當前頻率在該時刻含量的大小，用功率譜密度(power spectral density,psd)進行表示，與頻率對應的顏可采用七光波進行表示，或其他能夠展示出頻率區別的形式進行表示。
[0097]
s205：將所述聲紋時頻譜轉化為所述mel時頻譜樣本。
[0098]
通過mel濾波器組將聲紋時頻譜轉化為mel時頻譜樣本。
[0099]
在一種可能的實施例中，步驟s205具體包括：
[0100]
s2051：將所述聲紋時頻譜轉換為mel標度下的聲紋時頻譜。
[0101]
在語音識別領域，由于人耳對于正常頻率標度的感知是非線性的，因此使用mel濾波(mel filter)將聲紋時頻譜變換為mel標度下的mel時頻譜，轉換關系的表達式如下：
[0102]
mel(k)＝2595*log
10
(1+f/700)，用于將正常尺度的聲紋時頻譜轉換為mel標度下的聲紋時頻譜。
[0103]
mel-1
(f)＝700(10
(1+k/2595)-1)，用于將mel標度下的聲紋時頻譜轉化為正常尺度的聲紋時頻譜。
[0104]
其中，f為正常尺度的頻率，0≤f≤48000，單位均為hz，k為mel尺度頻率，單位為mel。
[0105]
s2052：對所述mel標度下的聲紋時頻譜進行濾波，得到所述mel時頻譜樣本。
[0106]
a1、對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理。
[0107]
a2、對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理。
[0108]
針對噪聲樣本的頻率分布特點，采用mel濾波器組對低頻和中低頻數據進行濾波放大處理，對中高頻和高頻數據進行濾波降噪處理，從而實現樣本數據的降維以及聲紋特征的準確提取。
[0109]
在一種實施例中，所述對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理，包括：
[0110]
根據如下公式對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理：
[0111][0112][0113]
其中，f
max
為濾波器的濾波范圍的頻率上限，f
min
為所述濾波器的濾波范圍的下限，fs為音頻的采樣頻率，n為進行離散傅里葉變換時的幀長度，m為所述濾波器的個數，x(m)為中心頻率，hm(f)為等高三角濾波器組的函數，mel-1
為將mel頻率轉換為hz頻率，mel為將hz頻率轉換為mel頻率，m表示所述濾波器為第幾個濾波器。
[0114]
需要說明的是，濾波器組為等高三角形濾波器組。
[0115]
mel時頻譜圖相較于時頻譜圖，顯示出了更好的聲紋特征規律，且mel時頻譜的數據尺寸[40x188]相較于式頻譜圖的數據尺寸[48000x188]得到了大幅度壓縮，使得數據樣本得到了有效降維，為后續深度學習模式識別的應用奠定了基礎。
[0116]
通過使用mel濾波對聲紋時頻譜圖進行降維處理，對電抗器松動聲紋信號進行特征提取，從而實現人耳對頻率感知的線性化處理，降低干擾頻段的權重，并且在保留聲紋特征的前提下，大大降低樣本尺寸，提高電抗器松動模式識別的模型訓練速度及識別速度。
[0117]
在一種可能的實現方式中，本技術實施例還包括選擇優化器和損失函數對步驟s104中的卷積神經網絡進行調參，具體為：
[0118]
超參數是影響神經網絡訓練速度和網絡模型準確度的重要因素。損失函數(loss function)與優化器(optimizer)是深度學習中最重要的2個超參數，損失函數會影響識別結果與標簽之間的損失值計算，優化器會影響降低損失值的優化過程，損失函數與優化器之間需要合理匹配，以確保深度學習網絡中損失值(loss)的下降與準確率(accuracy)的提升。
[0119]
常見的優化器有隨機梯度下降(stochastic gradient descent,sgd)、自適應矩估計(adaptive moment estimation,adam)、均坊差擴散(root mean square prop,rmsprop)、自適應學習率(adaptive learning rate method,adadelta)等。而損失函數則包括均方差(mean square error,mse)、對數均方差(mean squared logarithmic error,
msle)、平均絕對值誤差(mean absolute error,mae)、歸一化絕對值平均誤差(mean absolute percentage error,mape)、多分類交叉熵(categorical cross entropy loss,catagorical_crossentropy)等。
[0120]
如圖6和圖7所示，為了實現最優組合，本技術實施例選取了adam.adadelta優化器與上述損失函數進行mel時頻譜-cnn識別模型調參，迭代200次，其數據集、網絡模型以及其他超參數均保持一致。
[0121]
通過adam優化器與多分類交叉熵函數的組合，從而提高識別模型的識別準確度、學習速度和穩定性。
[0122]
adadelta優化器的特點是可以對學習率進行自適應調整,在訓練迭代初期梯度較小時放大學習率在中后期梯度較大時放緩學習率，從而實現自適應調整，進而實現最優迭代。adadelta與多種損失函數的超參數組合識別效果對比情況如圖6所示。除了歸一化絕對值平均誤差(mape)函數之外(由于連續50次迭代損失值沒有下降，在第90次迭代時退出計算)，其余組合均達到了較高的識別準確率。但從學習速度來說，多分類交叉熵(catagorical crossentropy)函數表現最優。
[0123]
adam優化器可以計算不同參數并進行自適應學習率的調整，其優勢在于迭代過程學習率有確定的范圍，從而使得整體訓練過程中參數保持相對平穩。adam與多種損失函數的超參數組合識別效果對比情況如圖7所示。adam與多分類交叉熵函數的組合在識別準確度、學習速度、穩定性的表現上均超越了其他組合。對比圖6、圖7可以看出，多分類交叉熵函數與adam的組合表現要優于與adadelta的組合，選用自適應矩陣估計adam作為優化器，選用多分類交叉熵函數作為損失函數。在確定優化器與損失函數后，為了對比不同識別模型的性能，對mel時頻譜-cnn模型與其他cnn網絡模型進行了識別效果的比較，測試集識別準確率(validation accuracy)與測試集損失值(validation loss)如圖8-9所示。
[0124]
從圖8中可知，無論是構建的網絡結構(customcnn)還是resnet50、inception、resnet50、densenet121、mobilenet，在50次迭代后，其測試集準確率均達到了90％以上，僅有vgg19在前50次迭代中的準確率出現停滯增長的現象?？梢钥闯?，提出的網絡結構在學習速度以及識別準確性上的表現均更為優異。
[0125]
如圖9所示，resnet50的測試集損失值在49次迭代后達到最小，但其穩定性較差,在第50次迭代中出現了大幅波動，采用的網絡結構可以將損失值降低至10-4
數量級，且下降趨勢相對穩定。
[0126]
綜上所述，建立的cnn網絡結構能夠較好地契合mel時頻譜的數據集，對3種不同工況的聲信號識別準確率達到了99.71％，驗證了mel時頻譜-cnn識別模型的有效性。
[0127]
本技術實施例提供了一種識別平波電抗器的運行狀態的裝置，所述裝置包括以下單元：
[0128]
數據采集單元1001，用于獲取數據集；所述數據集包括所述平波電抗器在各種運行狀態下的聲音數據。
[0129]
數據處理單元1002，用于對所述數據集進行預處理，得到所述平波電抗器在各種運行狀態下的mel時頻譜樣本。
[0130]
獲取單元1003，用于獲取用于處理所述mel時頻譜樣本的卷積神經網絡。
[0131]
訓練單元1004，用于將所述mel時頻譜樣本輸入至所述卷積神經網絡進行深度學
習，得到能夠對所述平波電抗器的運行狀態進行識別的權重模型。
[0132]
識別單元1005，用于根據所述權重模型對所述平波電抗器的運行狀態進行識別。
[0133]
數據處理單元1002，具體用于：
[0134]
從所述數據集中獲取所述平波電抗器在各種運行狀態下的聲音數據切片；所述聲音數據切片的時長為預設時間長度；
[0135]
對所述聲音數據切片進行分幀處理，得到與所述聲音數據切片對應的波形片段；
[0136]
對所述波形片段進行海明窗加窗操作處理，得到處理后的波形片段；
[0137]
對所述處理后的波形片段進行短時離散傅里葉變換，得到聲紋時頻譜；所述聲紋時頻譜為能夠描述時間與頻率的聲紋線性譜；
[0138]
通過mel濾波器組將所述聲紋時頻譜轉化為所述mel時頻譜樣本。
[0139]
數據處理單元1002，具體用于：
[0140]
將所述聲紋時頻譜轉換為mel標度下的聲紋時頻譜；
[0141]
對所述mel標度下的聲紋時頻譜進行濾波，得到所述mel時頻譜樣本。
[0142]
數據處理單元1002，具體用于：
[0143]
對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理；
[0144]
對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理。
[0145]
數據處理單元1002，具體用于：
[0146]
根據如下公式對所述mel標度下的聲紋時頻譜中的低頻數據和中低頻數據進行濾波放大處理，對所述mel標度下的聲紋時頻譜中的中高頻數據與高頻數據進行濾波降噪處理：
[0147][0148][0149]
其中，f
max
為濾波器的濾波范圍的頻率上限，f
min
為所述濾波器的濾波范圍的下限，fs為音頻的采樣頻率，n為進行離散傅里葉變換時的幀長度，m為所述濾波器的個數，x(m)為中心頻率，hm(f)為等高三角濾波器組的函數，mel-1
為將mel頻率轉換為hz頻率，mel為將hz頻率轉換為mel頻率，m表示所述濾波器為第幾個濾波器。
[0150]
所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。
[0151]
通過獲取平波電抗器在各種運行狀態下的聲音數據，對各種運行狀態下的聲音數據進行預處理，得到對應的mel時頻譜樣本，將mel時頻譜樣本輸入至卷積神經網絡進行深度學習，從而得到能夠對平波電抗器的運行狀態進行識別的權重模型，并根據訓練后的權重模型對平波電抗器的運行狀態進行識別，實現根據平波電抗器所產生的噪聲信號識別平波電抗器所處于的運行狀態。
[0152]
對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。
