基于聲紋識(shí)別的變壓器工況檢測(cè)方法及驗(yàn)證系統(tǒng)

張可 楊可軍 黃文禮 王成龍 季坤 朱太云 丁國(guó)成 甄超

摘?要：通過(guò)對(duì)大型電力變壓器（電抗器）聲紋信號(hào)采集、處理與特征分析，提出了一種基于聲紋識(shí)別技術(shù)的變壓器工況檢測(cè)方法及驗(yàn)證系統(tǒng)，實(shí)現(xiàn)對(duì)變壓器工作狀態(tài)的判斷檢測(cè)。首先，通過(guò)聲紋采集傳感器實(shí)地采集獲取73組變壓器音頻，共約1800?min;其次，分別運(yùn)用分段、分幀、加窗音頻預(yù)處理方法對(duì)所采集的變壓器聲紋進(jìn)行去噪處理;再次，綜合運(yùn)用能量特征、頻率特征、梅爾頻率倒譜系數(shù)、頻率壓縮方法提取變壓器聲紋特征并進(jìn)行有效融合;最后，針對(duì)變壓器工況聲音由穩(wěn)定工作狀況發(fā)出的聲音與不穩(wěn)定的瞬時(shí)雜音加性疊加問(wèn)題，提出一種基于余弦相似度算法實(shí)現(xiàn)聲紋疊加的分離檢測(cè)，同時(shí)建立一套變壓器工況檢測(cè)與驗(yàn)證分析系統(tǒng)。

關(guān)鍵詞：聲紋識(shí)別;變壓器;工況檢測(cè);驗(yàn)證系統(tǒng)

中圖分類(lèi)號(hào)：TM933??????文獻(xiàn)標(biāo)識(shí)碼：A

Detection?Algorithm?and?Verification?System?of?Transformer

Working?Condition?Based?on?Voiceprint?Recognition

ZHANG?Ke1，YANG?Kejun1，HUANG?Wenli1?，?WANG?Chenglong1，

JI?Kun2，?ZHU?Taiyun3，?DING?Guocheng3，?ZHEN?Chao3

（1.Anhui?NARI?Jiyuan?Power?Grid?Technology?Co.，?Ltd.，?Hefei，Anhui?230088，?China;

2.State?Grid?Anhui?Electric?Power?Co.，?Ltd.，?Hefei，Anhui?230061，?China;

3.Electric?Power?Research?Institute?of?State?Grid?Anhui?Electric?Power?Co.，?Ltd.，?Hefei，Anhui?230088，?China）

Abstract：Through?the?acquisition，?processing?and?characteristic?analysis?of?voiceprint?signal?of?large?power?transformer?（reactor），?this?paper?proposes?a?detection?and?recognition?algorithm?model?and?system?of?transformer?working?condition?based?on?voiceprint?recognition?technology，?which?can?judge?and?detect?the?working?state?of?transformer.?Firstly，?73?groups?of?transformer?audio?including?1800?minutes?are?collected?by?voice?acquisition?sensor.?And?then?the?noise?of?the?collected?transformer?voiceprint?is?processed?by?segmenting，?framing?and?windowing?pretreatment?methods.?Secondly，?the?features?of?transformer?voiceprint?are?extracted?and?effectively?fused?by?using?energy?feature，?frequency?feature，?Mel?frequency?cepstrum?coefficient?and?frequency?compression?method.?Finally，?in?order?to?solve?the?problem?of?additive?superposition?of?sound?from?stable?working?condition?and?unstable?instantaneous?noise?of?transformer，?this?paper?proposes?a?separation?method?of?voice?print?superposition?based?on?cosine?similarity?algorithm，?and?establishes?transformer?working?condition?detection?and?verification?analysis?system.

Key?words：voiceprint?recognition;?transformer;?working?condition?detection;?verification?system

實(shí)踐表明，大型電力變壓器（電抗器）受內(nèi)部放電、過(guò)熱、繞組變形、機(jī)械部件松動(dòng)及設(shè)備絕緣老化等潛伏性故障因素的影響，隨著時(shí)間積累會(huì)導(dǎo)致在運(yùn)行過(guò)程中出現(xiàn)嚴(yán)重故障。傳統(tǒng)的人工判斷方法是通過(guò)用人耳聽(tīng)取設(shè)備運(yùn)行聲音來(lái)判斷故障類(lèi)型與故障位置。此類(lèi)方法具有一定的局限性、模糊性、主觀性并缺乏持久性，具體表現(xiàn)為不同技術(shù)人員對(duì)變壓器故障的判斷標(biāo)準(zhǔn)可能存在不一致，且一些細(xì)微的聲音信號(hào)無(wú)法判定，需要一定知識(shí)與經(jīng)驗(yàn)的積累。由于電力變壓器（電抗器）潛伏性故障普遍存在于內(nèi)部，且難以通過(guò)人工方法進(jìn)行快速、高效、可靠的檢測(cè)，因此有必要深入系統(tǒng)研究并建立電力變壓器（電抗器）噪聲的聲紋在線監(jiān)測(cè)方法、技術(shù)與測(cè)試系統(tǒng)，借助高靈敏度的傳感測(cè)量和現(xiàn)代語(yǔ)音識(shí)別技術(shù)，使得通過(guò)監(jiān)測(cè)聲紋信息判斷電力變壓器（電抗器）?的運(yùn)行狀態(tài)成為一種可能。

長(zhǎng)久以來(lái)，電力變壓器（電抗器）的聲紋信號(hào)被當(dāng)作噪聲而忽略了其價(jià)值。電力變壓器（電抗器）?不同的故障類(lèi)型影響著電力變壓器（電抗器）的振動(dòng)狀態(tài)，進(jìn)而會(huì)產(chǎn)生不同的聲波信號(hào)，因此應(yīng)用聲紋傳感器裝置可采集變壓器運(yùn)行中的持續(xù)聲紋信號(hào)，通過(guò)對(duì)聲紋信號(hào)的分析與識(shí)別可實(shí)現(xiàn)對(duì)電力變壓器（電抗器）的工況檢測(cè)與診斷。另一方面，現(xiàn)有文獻(xiàn)研究的內(nèi)容往往集中在對(duì)電力變壓器（電抗器）振動(dòng)和聲音信號(hào)本身特性的分析[1-4]，對(duì)于如何運(yùn)用語(yǔ)音智能識(shí)別技術(shù)實(shí)現(xiàn)變壓器工況檢測(cè)及系統(tǒng)驗(yàn)證的研究較少，尤其是電力變壓器（電抗器）的聲紋語(yǔ)料信息庫(kù)匱乏，同時(shí)缺乏系統(tǒng)性的試驗(yàn)分析數(shù)據(jù)。因此，迫切需要開(kāi)展相關(guān)技術(shù)研究，從而為基于人工智能的大型電力變壓器（電抗器）聲紋識(shí)別和故障主動(dòng)預(yù)警技術(shù)研究與應(yīng)用提供理論依據(jù)。

為此，基于聲紋識(shí)別技術(shù)，提出一種變壓器工況檢測(cè)及驗(yàn)證系統(tǒng)。通過(guò)實(shí)地記錄現(xiàn)場(chǎng)運(yùn)行大型電力變壓器（電抗器）聲紋信號(hào)，建立聲紋信息語(yǔ)料樣本庫(kù)，并對(duì)電力變壓器（電抗器）聲紋語(yǔ)料庫(kù)所產(chǎn)生的聲紋信號(hào)進(jìn)行分析，從中提取電力變壓器（電抗器）設(shè)備的運(yùn)行聲紋特征，最后對(duì)不同工況進(jìn)行判別，建立一套變壓器工況檢測(cè)與驗(yàn)證分析系統(tǒng)。其體現(xiàn)在完成在線監(jiān)測(cè)的同時(shí)，能夠?qū)崿F(xiàn)非接觸式檢測(cè)，聲紋傳感器布置方式比較靈活，采集信號(hào)時(shí)不產(chǎn)生電磁信號(hào)，不會(huì)干擾設(shè)備的正常運(yùn)行。

1?相關(guān)工作

所謂聲紋（Voiceprint），是用電聲學(xué)儀器顯示的攜帶言語(yǔ)信息的聲波頻譜。說(shuō)話人識(shí)別又稱(chēng)聲紋識(shí)別（Voiceprint?Recognition），即通過(guò)聲音來(lái)識(shí)別“誰(shuí)在說(shuō)話”，其目的是讓機(jī)器聽(tīng)懂人類(lèi)的語(yǔ)音。主要任務(wù)包括：語(yǔ)音信號(hào)處理、聲紋特征提取、聲紋建模、聲紋比對(duì)、判別決策等。它是一個(gè)涉及模式識(shí)別、信號(hào)處理、物理聲學(xué)、生理學(xué)、心理學(xué)、計(jì)算機(jī)科學(xué)和語(yǔ)言學(xué)等多個(gè)交叉學(xué)科的研究。其主要的理論依據(jù)是每一個(gè)聲音都具有獨(dú)有的特征，通過(guò)該特征將不同人的聲音進(jìn)行有效的區(qū)分。國(guó)外相關(guān)機(jī)構(gòu)研究表明[5-6]，在某些特定的環(huán)境下聲紋可以用來(lái)作為有效的證據(jù)。隨著技術(shù)的發(fā)展，聲紋識(shí)別技術(shù)的研究逐步成為熱點(diǎn)之一，相關(guān)成果已經(jīng)被應(yīng)用到家電、工業(yè)、移動(dòng)通信類(lèi)產(chǎn)品中。

最早聲紋識(shí)別技術(shù)研究是由貝爾實(shí)驗(yàn)室在1952年所建立的10位數(shù)字識(shí)別系統(tǒng)[5]。由于隱馬爾可夫模型（Hidden?Markov?Model，HMM）模型能夠很好地描述語(yǔ)音信號(hào)的短時(shí)平穩(wěn)特性[6]，基于HMM方法為代表的統(tǒng)計(jì)模型方法研究一直是語(yǔ)音識(shí)別的主流方法。隨后基于GMMHMM模型，Lee等人[7]提出的SPHINX系統(tǒng)，其中GMM（Gaussian?Mixture?Model）用來(lái)對(duì)語(yǔ)音的觀察概率進(jìn)行建模，HMM則對(duì)語(yǔ)音的時(shí)序進(jìn)行建模。

2006年Hinton等人[8]提出深度置信網(wǎng)絡(luò)（Deep?Belief?Network，DBN）解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中容易陷入局部最優(yōu)的問(wèn)題，從此拉開(kāi)深度學(xué)習(xí)在聲紋識(shí)別中的研究熱潮。隨后Mohamed等人[9]將DBN應(yīng)用在聲紋識(shí)別建模中，并且在TIMI語(yǔ)音識(shí)別數(shù)據(jù)庫(kù)中取得了較好的結(jié)果。2011年DNN（Deep?Neural?Network）?[10]在連續(xù)語(yǔ)音大樣本中識(shí)別上取得10年來(lái)最大突破。此后，相比傳統(tǒng)GMMHMM聲學(xué)模型，基于DNNHMM聲學(xué)模型[11-13]逐步成為研究熱點(diǎn)，并且在多種語(yǔ)言、多種任務(wù)的語(yǔ)音分析與識(shí)別結(jié)果上取得了大幅度提升。

隨著語(yǔ)音識(shí)別技術(shù)的快速發(fā)展，近年已有學(xué)者將聲紋識(shí)別技術(shù)運(yùn)用到對(duì)電力設(shè)備進(jìn)行故障檢測(cè)的研究中。依據(jù)變壓器鐵芯及繞組噪聲及振動(dòng)機(jī)理，余長(zhǎng)廳等人[14]建立110?kV變壓器振動(dòng)噪聲測(cè)量系統(tǒng)，該系統(tǒng)可以初步實(shí)現(xiàn)聲紋噪聲源定位和振動(dòng)信號(hào)特征分析。由于電力變壓器運(yùn)行中的聲音信號(hào)包含大量變壓器運(yùn)行狀態(tài)聲紋特征，劉云鵬等人[15]?提出一種基于50?Hz倍頻倒譜系數(shù)和門(mén)控循環(huán)單元的變壓器直流偏磁聲紋識(shí)別模型。由于變壓器在不同工況下的振動(dòng)聲信號(hào)不同[16-17]，張重遠(yuǎn)等人[18]提出了一種基于Mel時(shí)頻譜卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯聲紋識(shí)別模型，在對(duì)3種不同工況的聲信號(hào)識(shí)別率達(dá)到了99.71%。吳曉文等人[19]利用小波包分析方法結(jié)合譜減法語(yǔ)音增強(qiáng)技術(shù)濾除環(huán)境噪聲，提出了一種特高壓交流變電站可聽(tīng)噪聲分離方法。王豐華等人[20]通過(guò)對(duì)變壓器聲紋信號(hào)梅爾頻率倒譜系數(shù)（Mel?Frequency?Cepstrum?Coefficient，MFCC）特征向量加權(quán)降維，同時(shí)應(yīng)用矢量量化（Vector?Quantization，VQ）算法提出一種變壓器聲紋識(shí)別模型，通過(guò)以10?kV?變壓器為對(duì)象進(jìn)行空載試驗(yàn)，取得了較好測(cè)試結(jié)果。

2?變壓器聲紋采集、預(yù)處理與特征提取

2.1?數(shù)據(jù)采集

目前對(duì)于適用于變壓器（電抗器）聲紋采集的設(shè)備相對(duì)較少，采用安徽南瑞繼遠(yuǎn)電網(wǎng)技術(shù)有限公司自主設(shè)計(jì)的基于麥克風(fēng)陣傳感器電力變壓器（電抗器）聲紋采集設(shè)備來(lái)進(jìn)行聲紋語(yǔ)料采集，如圖1所示。主要優(yōu)勢(shì)：能夠充分利用聲音信號(hào)的時(shí)空特性，具有較強(qiáng)的抗干擾能力，對(duì)變壓器背景噪聲、聲源定位和跟蹤具有很好的適應(yīng)性。

2.2?變壓器聲紋數(shù)據(jù)預(yù)處理

首先，對(duì)采集的變壓器音頻分段操作。為了使輸入的變壓器音頻都包含統(tǒng)一時(shí)長(zhǎng)的信息，需要對(duì)時(shí)長(zhǎng)進(jìn)行限制。通過(guò)需要對(duì)獲得的變壓器音頻數(shù)據(jù)進(jìn)行分段切分。由于變壓器聲紋數(shù)據(jù)是一系列離散點(diǎn)，每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)采樣點(diǎn)，故聲紋數(shù)據(jù)的總長(zhǎng)度為：

其次，對(duì)已經(jīng)分段的變壓器音頻數(shù)據(jù)進(jìn)行分幀處理。“幀”是聲音信號(hào)處理的最小單位，其具有足夠短的時(shí)長(zhǎng)，也包含足夠多的聲音特征。一般認(rèn)為聲音信號(hào)在長(zhǎng)時(shí)間內(nèi)呈現(xiàn)多變性，在短時(shí)間內(nèi)呈現(xiàn)不變性。即在極短時(shí)間內(nèi)，可以將聲音的特征看成是固定不變的?；谶@種思想，對(duì)整個(gè)變壓器聲紋數(shù)據(jù)進(jìn)行進(jìn)一步切分。在語(yǔ)音信號(hào)處理中，一般將幀長(zhǎng)設(shè)為50?ms，步長(zhǎng)一般為1/2或1/3幀長(zhǎng)。通過(guò)實(shí)驗(yàn)分析，變壓器聲紋相對(duì)語(yǔ)音聲紋，其變化較少，因此，將變壓器聲紋幀長(zhǎng)設(shè)為500?ms，步長(zhǎng)設(shè)為1/2幀長(zhǎng)，以減少數(shù)據(jù)處理的運(yùn)算量。

最后，對(duì)分幀后變壓器音頻加窗處理。分幀在減少運(yùn)算量的同時(shí)也會(huì)對(duì)聲音信號(hào)帶來(lái)不好的影響，其直接對(duì)音頻波形進(jìn)行簡(jiǎn)單切分（矩形窗），導(dǎo)致其在邊界出現(xiàn)銳利的高頻信號(hào)，其一般表現(xiàn)為在頻譜中高頻諧波分量增加，出現(xiàn)吉布斯效應(yīng)，對(duì)后續(xù)信號(hào)處理產(chǎn)生不利影響。為了減少這種影響，需要對(duì)分幀數(shù)據(jù)進(jìn)行端點(diǎn)平滑的加窗處理，使用Hamming窗對(duì)幀進(jìn)行加窗處理。Hamming窗的函數(shù)為：

2.3?變壓器聲紋特征提取

2.3.1?能量特征

圖2中顯示的是變壓器運(yùn)行聲音數(shù)據(jù)的時(shí)域譜線，即時(shí)間與波形振幅對(duì)應(yīng)關(guān)系。在聲音信號(hào)分析中，瞬時(shí)波形的振幅對(duì)應(yīng)數(shù)據(jù)瞬時(shí)的能量，因此當(dāng)振幅越大時(shí)，其能量越大。由圖2可知，該數(shù)據(jù)在起止處出現(xiàn)了兩次峰值，分析可知這兩處出現(xiàn)了較大的摩擦聲。該方法雖然能夠直觀地展現(xiàn)較大能量雜音出現(xiàn)位置，但是在其他時(shí)域中無(wú)法區(qū)分聲音異常，能量特征無(wú)法單獨(dú)檢測(cè)雜音位置，需要進(jìn)一步使用其他方法分析。

2.3.2?頻率特征

為更深入分析變壓器聲音波形振動(dòng)特征，一般認(rèn)為任何一段聲音可以分解為一系列不同周期與幅度的三角函數(shù)（正弦函數(shù)、余弦函數(shù)）的疊加。使用一系列三角函數(shù)的頻率與幅度來(lái)表達(dá)這段聲音的特征，這種對(duì)應(yīng)關(guān)系與時(shí)間無(wú)關(guān)，而與頻率有關(guān)，故與時(shí)域譜對(duì)應(yīng)稱(chēng)為頻域。時(shí)域向頻域的變化使用傅立葉變換（Fourier?Transform）實(shí)現(xiàn)。傅立葉變換的公式為：

其中f（t）為時(shí)域周期函數(shù)，F(xiàn)（ω）為其傅立葉變換后得到的頻域函數(shù)。圖2所示的時(shí)域波形經(jīng)過(guò)傅立葉變換得到如圖3所示的頻域波形。

2.3.3?梅爾系數(shù)

梅爾頻率是模擬人耳聽(tīng)覺(jué)特性，其在低頻范圍內(nèi)增長(zhǎng)速度很快，但在高頻范圍內(nèi)，增長(zhǎng)速度很慢。頻率與梅爾頻率的對(duì)應(yīng)關(guān)系如下公式：

梅爾頻率轉(zhuǎn)換與特征提取，一般是使用梅爾濾波器組實(shí)現(xiàn)，其一般包含一串按照梅爾頻率轉(zhuǎn)換關(guān)系設(shè)置的三角濾波器，每個(gè)濾波器在梅爾頻率中擁有相同的帶寬fmelband=mel（fh）-mel（fl）N+2，其中fh與fl為頻率范圍的最高頻與最低頻。

在4000?Hz內(nèi)使用24個(gè)梅爾濾波器進(jìn)行實(shí)驗(yàn)，500?ms為幀長(zhǎng)的梅爾頻率系數(shù)如圖4。之后經(jīng)過(guò)離散余弦變換（DCT）得到MFCC：

2.3.4?頻率壓縮

雖然梅爾頻率系數(shù)有降維優(yōu)勢(shì)，且高頻壓縮效果非常出色，但依然存在著低頻分辨率不足的問(wèn)題，即在低頻中其分辨率即使已經(jīng)與變壓器工作頻率對(duì)應(yīng)，也無(wú)法分辨非正常工作頻率的信號(hào)，這將導(dǎo)致雖然其能夠較正確地判斷當(dāng)前變壓器的工作特征，但是無(wú)法準(zhǔn)確判斷是否存在非正常工作頻率的噪聲，因此需要進(jìn)一步增加低頻分辨率基于梅爾頻率“分辨率從高到低變化”的思想，使用類(lèi)似的頻率壓縮策略，可分為以下三步：

Step1：將聲音信息分為低頻、中頻、高頻三個(gè)頻段;

Step2：對(duì)三種頻段使用不同的頻率壓縮比例;

Step3：壓縮取值采取最大值策略，選取每個(gè)壓縮區(qū)間最大值作為壓縮結(jié)果。

3?變壓器聲紋相似度檢測(cè)算法

假設(shè)采集的變壓器工況聲音是由穩(wěn)定工作狀況發(fā)出的聲音與不穩(wěn)定的瞬時(shí)雜音加性疊加的，忽略可能存在的互相干擾。同時(shí)在變壓器聲紋實(shí)驗(yàn)中進(jìn)行如下假設(shè)：

假設(shè)1：一段音頻應(yīng)該在絕大部分時(shí)間是相似的，即不穩(wěn)定信號(hào)相比之下非常少，且與穩(wěn)定信號(hào)區(qū)別很大。

假設(shè)2：持續(xù)出現(xiàn)的雜音，當(dāng)其出現(xiàn)頻率大于幀采樣頻率（實(shí)驗(yàn)使用2?Hz，即500?ms/幀）時(shí)，可以認(rèn)為是一種穩(wěn)定的信號(hào)。

假設(shè)3：不穩(wěn)定信號(hào)應(yīng)該是瞬時(shí)出現(xiàn)的信號(hào)，或者短時(shí)間持續(xù)出現(xiàn)的信號(hào)，或者間隔大的信號(hào)。

在假設(shè)1中，使用余弦相似度算法來(lái)計(jì)算音頻中每個(gè)特征向量的相似度。余弦相似度是一種通過(guò)計(jì)算兩個(gè)向量的夾角余弦值在評(píng)估相似度的算法，根據(jù)歐幾里得向量點(diǎn)積公式：

其中θ為向量A與B在空間中的夾角，可以得到向量A=[A1，A2，…，AN]與B=[B1，B2，…，BN]的相似度為：

為了將一段音頻分離成穩(wěn)定部分與不穩(wěn)定部分，提出相似度置換算法：

4?系統(tǒng)及實(shí)驗(yàn)分析

在變壓器聲紋采集、處理、特征提取及分離檢測(cè)算法基礎(chǔ)上，構(gòu)建一個(gè)擁有用戶界面的變壓器工況檢測(cè)與驗(yàn)證系統(tǒng)，其可以由用戶選擇輸入音頻，并根據(jù)情況設(shè)置各個(gè)分析部分的閾值，最終輸出該音頻的分析結(jié)果，系統(tǒng)界面如圖6所示。

在使用上述驗(yàn)證系統(tǒng)基礎(chǔ)上，得到一個(gè)近似的穩(wěn)定向量組，根據(jù)之前的穩(wěn)定與不穩(wěn)定加性疊加假設(shè)，通過(guò)直接做差值計(jì)算，就可以獲得對(duì)應(yīng)的不穩(wěn)定向量組。通過(guò)對(duì)變壓器實(shí)驗(yàn)結(jié)果分析，如圖7所展示變壓器運(yùn)行不同時(shí)段音頻的音頻分離效果。

（a）原始變壓器音頻

（b）穩(wěn)定變壓器音頻

（c）不穩(wěn)定變壓器音頻

5?結(jié)?論

通過(guò)對(duì)73組變壓器1800?min音頻的分析，提出一種基于聲紋識(shí)別技術(shù)的變壓器工況相似度計(jì)算方法，初步搭建并實(shí)驗(yàn)完成了變壓器聲紋檢測(cè)中的工況判斷流程，構(gòu)建研發(fā)可視化用戶操作系統(tǒng)，并提供了異常雜音分析與檢測(cè)功能。未來(lái)工作將主要集中在提高變壓器運(yùn)行故障識(shí)別算法的精度與時(shí)效性，進(jìn)一步完善變壓器工況檢測(cè)驗(yàn)證系統(tǒng)的功能。目前盡管從理論上可以增加變壓器長(zhǎng)期工況追蹤判斷功能，但是由于缺少同一變壓器的長(zhǎng)期觀察數(shù)據(jù)，因此現(xiàn)有系統(tǒng)無(wú)法驗(yàn)證其穩(wěn)定運(yùn)行的可行性。下一步除了加大對(duì)同類(lèi)型變壓器運(yùn)行時(shí)不同的潛在故障類(lèi)型語(yǔ)料數(shù)據(jù)樣本的采集與獲取力度外，還需加強(qiáng)不同類(lèi)型變壓器運(yùn)行聲紋數(shù)據(jù)語(yǔ)料庫(kù)建設(shè)，為基于聲紋識(shí)別技術(shù)在變壓器工況檢測(cè)的應(yīng)用提供大數(shù)據(jù)的樣本積累。

參考文獻(xiàn)

[1]?辛?xí)曰ⅲ罾^勝，紀(jì)海英，等.用于變壓器中局部放電定位的十字形超聲陣列傳感器研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（21）：154-162.

[2]?祝麗花，楊慶新，閆榮格，等.考慮磁致伸縮效應(yīng)電力變壓器振動(dòng)噪聲的研究[J].電工技術(shù)學(xué)報(bào)，2013，28（4）：1-6.

[3]?莫娟，劉吉軒，蘇俊收，等.大型電力變壓器的噪聲預(yù)估研究[J].高壓電器，2014，50（6）：32-44.

[4]?王學(xué)磊，張黎，李慶民，等.電力變壓器有源降噪中次級(jí)聲源的參數(shù)優(yōu)化分析[J].高電壓技術(shù)，2012，38（11）：2815-2822.

[5]?DAVIS?K?H，?BIDDULPH?R，?BALASHEK?S.?Automatic?recognition?of?spoken?digits[J].?Journal?of?the?Acoustical?Society?of?America，?1952，?24（6）：?637.

[6]?RABINER?L?R.?A?tutorial?on?hidden?Markov?models?and?selected?applications?in?speech?recognition[J].?Readings?in?Speech?Recognition，?1990，77（2）：267-296.

[7]?LEE?K?F，?HON?H?W.?An?overview?of?the?SPHINX?speech?recognition?system[J].?IEEE?Transactions?on?Acoustics，?Speech，and??Signal?Processing?Speech，?1990，?38（1）：35-45.

[8]?HINTON?G?E，?OSINDERO?S，?TEH?Y?W.?A?fastlearning?algorithm?for?deep?belief?nets[J].?Neural?Computation，?2006，18（7）：1527-1554.

[9]?MOHAMED?A，?DAHL?G，?HINTON?G?E.?Deep?belief?networks?for?phone?recognition[C]//Nips?Workshop?on?Deep?Learning?for?Speech?Recognition?and?Related?Applications.?2009，1（9）：?39.

[10]YU?D，?DENG?L.?Deep?learning?and?its?applications?to?signal?and?information?processing[J].?IEEE?Signal?Processing?Magazine，?2011，28（1）：145-154.

[11]DAHL?G?E，?YU?D，?DENG?L，?et?al.?Contextdependent?pretrained?deep?neural?networks?for?large?vocabulary?speech?recognition[J].?IEEE?Transactions?on?Audio，?Speech?and?Language?Processing，?2012，20（1）：?30-42.

[12]CHINTON?G，?DENG?L，?YU?D，?et?al.?Deep?neural?networks?for?acoustic?modeling?in?speech?recognition：?the?shared?views?of?four?research?groups[J].?IEEE?Signal?Processing?Magazine，?2012，29（6）：?82-97.

[13]ABDELHAMID?O，?MOHAMED?A?R，?JIANG?H，?et?al.?Convolutional?neural?networks?for?speech?recognition[J].?IEEE/ACM?Transactions?on?Audio，Speech，and??Language?Processing，?2014，22（10）：?1533-1545.

[14]余長(zhǎng)廳，黎大健，陳梁遠(yuǎn)，等.基于聲紋及振動(dòng)的變壓器故障診斷技術(shù)研究[J].高壓電器，2019，55（11）：248-254.

[15]劉云鵬，王博聞，岳浩天，等.基于50?Hz倍頻倒譜系數(shù)與門(mén)控循環(huán)單元的變壓器偏磁聲紋識(shí)別[J].中國(guó)電機(jī)工程學(xué)報(bào)，2020，40（14）：?4681-4694.

[16]吳曉文，周年光，彭繼文，等.電力變壓器噪聲特性與相關(guān)因素分析[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2018，33（3）：81-85.

[17]陳青恒，馬宏彬，何金良.直流偏磁引起的500?kV電力變壓器振動(dòng)和噪聲的現(xiàn)場(chǎng)測(cè)量與分析[J].高壓電器，2009，45（3）：93-96.

[18]張重遠(yuǎn)，羅世豪，岳浩天，等.基于Mel時(shí)頻譜卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯聲紋模式識(shí)別方法[J].高電壓技術(shù)，2020，46（2）：413-423.

[19]吳曉文，周年光，裴春明，等.特高壓交流變電站可聽(tīng)噪聲分離方法[J].高電壓技術(shù)，2016（8）：2625-2632.

[20]王豐華，王邵菁，陳頌，等.基于改進(jìn)MFCC和VQ的變壓器聲紋識(shí)別模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2017，37（5）：1535-1543.