融合物理特性和数据诊断的电力设备故障声纹识别方法

技术领域

本发明涉及设备故障诊断技术领域，具体涉及一种融合物理特性和数据诊断的电力设备故障声纹识别方法。

背景技术

新型电力系统是支撑能源绿色低碳转型的关键，安全高效是构建新型电力系统的重要前提，电力设备是新型电力系统的物质基础，有效的状态监测手段是保证电力设备安全稳定运行的主要技术措施。

传统的电力设备状态监测技术包括油色谱监测、局部放电监测、红外热成像监测、振动监测等，几类监测手段各有优缺点，油色谱监测可以有效发现电力设备内部油介质缺陷，但反应的灵敏度比较低；局部放电监测可以有效发现电力设备内外部绝缘放电缺陷，但易受到外部干扰而影响监测准确度；红外热成像监测可以有效发现电力设备电压电流型致热缺陷，但监测效果跟操作人员水平有较大关系；振动监测可以有效发现电力设备的机械缺陷，但需要采用接触监测方式并且监测范围有限。

声纹监测技术手段做为一种新型检测方式，可以有效发现电力设备内外部的机械、电磁等缺陷类型，利用各类信息处理技术对声纹信号进行解析，例如利用时频法对声纹信号的主频、幅值等关键特征进行分析，也可以通过机器学习模型对同类声纹信号进行训练学习和识别，以此能够快速对电力设备声纹特征予以识别，同时声纹识别可以不停电实施并实现非接触式监测，保证监测安全可靠，比如公布号为CN115376526A的专利申请文献记载的一种基于声纹识别的电力设备故障检测方法。

现有的声纹识别方法虽能实现电力设备故障的诊断，但并未对声纹信号进行充分应用，传统的时频法只利用了时域和频域的信号，丢失了更高维度的信息特征，计算和处理时间较长，并且对电力设备的物理运行特征依赖较强，识别故障类型有限，而且机器学习模型在缺少大量训练样本的情况下识别准确率较低，识别过程和结论的可解释性较差。

发明内容

本发明所要解决的技术问题在于如何充分利用原始声纹信号，实现电力设备故障声纹的精准和快速诊断。

本发明通过以下技术手段解决上述技术问题的：

本发明提出了一种融合物理特性和数据诊断的电力设备故障声纹识别方法，所述方法包括：

采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列；

对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号；

使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号；

对所述二级异常声纹信号进行故障诊断，确定故障类型；

基于所述一级异常声纹信号和所述故障类型，触发预警。

进一步地，所述采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列，包括：

记录所述声纹信号的采样率f和监测周期T，得到一个监测周期内总的离散数字信号数量N；

对一个监测周期内的离散数字信号进行编号，并按照时间顺序生成所述时域离散数字信号序列。

进一步地，所述对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号，包括：

对所述时域离散数字信号序列进行声强变化度识别，筛选出声强异常声纹信号和声强正常声纹信号；

对所述时域离散数字信号序列进行离散傅里叶变换，得到频域离散数字信号序列；

对所述频域离散数字信号序列进行声频变化度识别，筛选出声频异常声纹信号和声频正常声纹信号；

将所述声强异常声纹信号和所述声频异常声纹信号作为所述一级异常声纹信号，将所述声强正常声纹信号和所述声频正常声纹信号作为所述一级正常声纹信号。

进一步地，所述声强异常声纹信号包括短时过负荷、长时过负荷、突发跳闸性短路以及过负荷故障，所述对所述时域离散数字信号序列进行声强变化度识别，筛选出声强异常声纹信号和声强正常声纹信号，包括：

根据所述时域离散数字信号序列，计算声纹信号声强之和；

根据当前电力设备的声纹信号声强之和与其相邻的电力设备的声纹信号声强之和，确当前电力设备的声纹信号为声强正常声纹信号或短时过负荷或长时过负荷或突发跳闸性短路；

在A、B、C三相结构对称的电网结构中，根据三相电力设备声纹信号声强和的平均值，确定当前电力设备的声纹信号为声强正常声纹信号或过负荷故障。

进一步地，当（L

当（L

当（L

当分别计算每相的声纹信号声强之和与所述三相电力设备声纹信号声强和的平均值之间的偏离度，在某相的偏离度大于第二阈值时，确定该相发生过负荷故障。

进一步地，所述声频异常声纹信号包括谐波工况和直流偏磁工况，所述对所述频域离散数字信号序列进行声频变化度识别，筛选出声频异常声纹信号和声频正常声纹信号，包括：

根据所述频域离散数字信号序列不同频率处声纹信号的频率分量的幅值和占比，确定当前电力设备的声纹信号为声频正常声纹信号或谐波工况或直流偏磁工况。

进一步地，所述根据所述频域离散数字信号序列不同频率处声纹信号的频率分量的幅值和占比，确定当前电力设备的声纹信号为声频正常声纹信号或谐波工况或直流偏磁工况，包括：

比较相邻两个监测周期内三次谐波Y

当

进一步地，所述使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号，包括：

对所述一级正常声纹信号进行m个周期的学习，形成回归预测模型；

利用所述回归预测模型对未学习到的一级正常声纹信号进行预测，并将预测结果S

利用残差K不断修正模型参数，确定高斯混合劣化预测算法的模型参数；

利用确定模型参数后的高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号。

进一步地，所述对所述二级异常声纹信号进行故障诊断，确定故障类型，包括：

利用预先训练好的神经网络算法模型对所述二级异常声纹信号进行处理，得到所述二级异常声纹信号对应的特征向量；

将所述二级异常声纹信号对应的特征向量与各种故障的特征向量进行比对，确定故障类型。

此外，本发明还提出了一种融合物理特性和数据诊断的电力设备故障声纹识别系统，所述系统包括：

信号采集模块，用于采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列；

一级识别模块，用于对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号；

二级识别模块，用于使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号；

三级识别模块，用于对所述二级异常声纹信号进行故障诊断，确定故障类型；

预警模块，用于基于所述一级异常声纹信号和所述故障类型，触发预警。

本发明的优点在于：

（1）本发明利用三级诊断环节协同分析电力设备声纹信号，采集到的声纹信号首先进行一级物理特性识别，并根据识别出的一级异常声纹信号触发预警，一级正常声纹信号进入二级快速异常识别，二级快速异常识别采用了只判断正常和异常两种状态的高斯混合劣化预测算法，得到的二级正常声纹信号不再重复进入三级故障识别环节即剔除了大量的电力设备正常声纹信号，从而提高了算法的效率，也大大减少了处理器计算任务；本发明通过三级诊断环节协同，融合物理特性和数据诊断，保障了原始声纹信号被最大程度的有效利用，实现电力设备故障声纹的精准和快速诊断。

（2）在一级物理特性识别过程中设置有限数量的信号分析算法模型，保留最快速最准确的故障识别类型，解决了时频域分析计算复杂、处理时间长的问题，提升了算法实际应用的空间。

（3）给出了各种常见典型电力设备故障的机器学习算法，并预制在故障诊断环节中，解决了机器学习模型在缺少大量训练样本的情况下识别准确率较低的问题，同时增加了识别过程的可解释性，提高了识别结论的可靠性。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是本发明一实施例提出的一种融合物理特性和数据诊断的电力设备故障声纹识别方法的流程示意图；

图2是本发明一实施例提出的电力设备故障声纹识别诊断示意图；

图3是本发明一实施例提出的电力设备故障声纹识别原理框图；

图4是本发明一实施例提出的一级物理特性识别流程示意图；

图5是本发明一实施例提出的二级快速异常识别流程示意图；

图6是本发明一实施例提出的三级故障识别流程示意图；

图7是本发明一实施例提出的一种融合物理特性和数据诊断的电力设备故障声纹识别系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明第一实施例公开了一种融合物理特性和数据诊断的电力设备故障声纹识别方法，所述方法包括以下步骤：

S10、采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列；

需要说明的是，本实施例可以采用压电式或驻极体式麦克风传感器对电力设备表面或一定空间范围内的声波进行采集和监测。

需要说明的是，对麦克风传感器所采集的空气介质中传播的模拟声波信号进行数字信号转换，并进行离散化处理，即可得到时域离散数字信号序列。

应当理解的是，本实施例所述电力设备包括但不限于变压器、电抗器、组合电器等。

S20、对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号；

需要说明的是，本实施例通过对时域离散数字信号序列进行时域解析和频域解析，开展电力设备一级物理特性中的声强变化度识别和声频变化度识别，筛选出故障的声纹信号和正常的声纹信号。

S30、使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号；

需要说明的是，本实施例所使用的高斯混合劣化预测算法为模型参数确定好的高斯混合劣化预测算法，用于对一级正常声纹信号进行快速诊断，诊断出二级正常声纹信号和二级异常声纹信号，并将二级异常声纹信号传输至下一故障识别流程，进行三级故障识别。

S40、对所述二级异常声纹信号进行故障诊断，确定故障类型；

S50、基于所述一级异常声纹信号和所述故障类型，触发预警。

需要说明的是，本实施例利用三级诊断环节协同分析电力设备声纹信号，采集到的声纹信号首先进行一级物理特性识别，将识别出的一级正常声纹信号送入二级快速异常识别，二级快速异常识别采用高斯混合劣化预测算法快速识别出二级正常及异常声纹信号，仅将二级异常声纹信号送入三级故障识别流程，二级正常声纹信号不再重复进入三级故障识别环节，从而剔除了大量的电力设备正常声纹信号，大大提高了算法的效率，也大大减少了处理器计算任务；通过三级诊断环节，融合物理特性和数据诊断，使得原始声纹信号被最大程度的有效利用，实现电力设备故障声纹的精准和快速诊断。

需要说明的是，如图2至图3所示，本实施例对识别出的一级异常声纹信号即诊断出的故障进行预警，而对识别出的二级异常声纹信号不作预警处理，进一步将二级异常声纹信号送入三级故障识别流程进行故障类型的诊断。

在一实施例中，所述步骤S10：采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列，包括以下步骤：

S11、记录所述声纹信号的采样率f和监测周期T，得到一个监测周期内总的离散数字信号数量N；

需要说明的是，本实施例定义电力设备声纹信号监测周期为T，T代表每个监测周期的时长；定义采样率为f，f代表每秒钟可以采集的电力设备声纹信号数量；定义N为电力设备声纹信号时域数量，N=T×f。

S12、对一个监测周期内的离散数字信号进行编号，并按照时间顺序生成所述时域离散数字信号序列。

需要说明的是，对一个监测周期内的离散数字信号进行编号，并按照时间顺序生成离散数字信号序列Y

在一实施例中，所述步骤S20：对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号，具体包括以下步骤：

S21、对所述时域离散数字信号序列进行声强变化度识别，筛选出声强异常声纹信号和声强正常声纹信号；

具体地，对生成的时域离散数字信号序列开展Y

S22、对所述时域离散数字信号序列进行离散傅里叶变换，得到频域离散数字信号序列；

S23、对所述频域离散数字信号序列进行声频变化度识别，筛选出声频异常声纹信号和声频正常声纹信号；

具体地，通过离散傅里叶变换（Discrete Fourier Transform，DFT），把电力设备声纹时域离散数字信号序列转换成为频域离散数字信号序列，利用声纹信号频域解析算法，进行电力设备一级物理特性中的声频变化度识别。

S24、将所述声强异常声纹信号和所述声频异常声纹信号作为所述一级异常声纹信号，将所述声强正常声纹信号和所述声频正常声纹信号作为所述一级正常声纹信号。

本实施例利用信号处理技术中的时域解析算法，可以对反应电力设备时域类型的故障进行有效识别，通过与物理特性对应分析，能够对电力设备过负荷、突发短路跳闸等典型故障进行识别；利用信号处理技术中的频域解析算法，可以对反应电力设备频域类型的故障进行有效识别，通过与物理特性对应分析，实现对电力设备谐波工况、直流偏磁等典型异常状态进行识别。

在一实施例中，所述声强异常声纹信号包括短时过负荷、长时过负荷、突发跳闸性短路以及过负荷故障，所述步骤S21：对所述时域离散数字信号序列进行声强变化度识别，筛选出声强异常声纹信号和声强正常声纹信号，包括以下步骤：

S211、根据所述时域离散数字信号序列，计算声纹信号声强之和；

具体地，L

其中1≤

S212、根据当前电力设备的声纹信号声强之和与其相邻的电力设备的声纹信号声强之和，确当前电力设备的声纹信号为声强正常声纹信号或短时过负荷或长时过负荷或突发跳闸性短路；

具体地，计算相邻三个电力设备声纹信号声强之和L

应当理解的是，L

S213、在A、B、C三相结构对称的电网结构中，根据三相电力设备声纹信号声强和的平均值，确定当前电力设备的声纹信号为声强正常声纹信号或过负荷故障。

本实施例还可以利用电网A、B、C三相的对称性，对单相电力设备过负荷、突发短路跳闸短路等典型故障进行识别。

在一实施例中，声强变化度识别的几种情况为：

（1）当（L

（2）当（L

（3）当（L

（4）当分别计算每相的声纹信号声强之和与所述三相电力设备声纹信号声强和的平均值之间的偏离度，在某相的偏离度大于第二阈值时，确定该相发生过负荷故障，其中，第二阈值的取值范围为大于或等于10%。

具体地，本实施例计算同一个监测周期内电力设备A、B、C声纹信号声强之和，分别为L

。

然后分别计算每相L

其中，

在一实施例中，所述声频异常声纹信号包括谐波工况和直流偏磁工况，所述步骤S23：对所述频域离散数字信号序列进行声频变化度识别，筛选出声频异常声纹信号和声频正常声纹信号，具体包括：

根据所述频域离散数字信号序列不同频率处声纹信号的频率分量的幅值和占比，确定当前电力设备的声纹信号为声频正常声纹信号或谐波工况或直流偏磁工况。

具体地，电力系统中三次谐波最严重，三次谐波的幅值越大，对继电保护的影响也越大，对设备的冲击也越大，通过比较相邻两个监测周期内三次谐波Y

电力设备中变压器容易受到直流偏磁的影响，变压器发生直流偏磁时，可以通过频率分量的分布变化来进行识别。具体实现方式是：

第m个监测周期内的最大频率分量G

第m+1个监测周期内的最大频率分量G

当

需要说明的是，本实施例在一级物理特性识别过程中设置有限数量的信号分析算法模型，最大程度保证识别的速度和准确性，对于计算公式较为复杂或者识别结论不明确的信号分析算法不予采用，例如振动熵、总谐波畸变率等特征，优先保障识别故障类型的准确性。并通过在一级物理特性识别和二级快速识别环节之间设置声纹信号数据分离器，将已经识别出的故障声纹信号进行标记，并不再重复进入二级及以下的识别环节，未被筛选出的异常信号作为一级正常声纹信号，直接进入二级快速识别环节，如图4所示，提高识别效率。

在一实施例中，所述步骤S30：所述使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号，包括以下步骤：

S31、对所述一级正常声纹信号进行m个周期的学习，形成回归预测模型；

S32、利用所述回归预测模型对未学习到的一级正常声纹信号进行预测，并将预测结果S

S33、利用残差K不断修正模型参数，确定高斯混合劣化预测算法的模型参数；

具体地，如图5所示，本实施例获取一级物理特性识别中未被筛选出来的电力设备声纹信号，对这部分电力设备声纹信号即一级正常声纹信号进行一定周期数量例如m个周期的学习，学习完成以后，形成回归预测模型。利用回归预测模型对尚未学习到的电力设备声纹信号进行机器预测，把预测结果S

本实施例对所述一级正常声纹信号进行m个周期的学习，形成初始预测模型，初始预测模型不一定准确，需要不停训练迭代，通过利用残差K不断修正模型参数，经过一定次数迭代以后，确定模型参数后，最终形成的成熟的模型即是高斯混合劣化预测算法的模型。

S34、利用确定模型参数后的高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号。

需要说明的是，利用确定参数后的高斯混合劣化预测算法对电力设备声纹信号进行诊断，因为在模型训练过程中用到了大量的正常声纹样本，所以高斯混合劣化预测算法对电力设备的正常状态输出的残差值较小，不会达到设置的告警阈值，但电力设备发生异常或故障时，声纹信号发生变化，高斯混合劣化预测算法输出的残差值就会变大，当达到设置的告警阈值时，就会触发告警。

进一步地，残差报警阈值可动态调整，不同电力设备的残差阈值可进行自定义设置，以满足更多电力设备声纹监测应用的需求。

本实施例采用了只判断“正常”和“异常”两种状态的高斯混合劣化预测算法，通过在一级识别和二级识别环节之间设置声纹信号数据分离器，将已经识别出的“正常”声纹信号进行标记，不再重复进入三级识别环节，可快速过滤大量正常的电力设备声纹信号，减小后端的分析工作量，提高识别效率。

在一实施例中，所述步骤S40：对所述二级异常声纹信号进行故障诊断，确定故障类型，具体包括以下步骤：

S41、利用预先训练好的神经网络算法模型对所述二级异常声纹信号进行处理，得到所述二级异常声纹信号对应的特征向量；

S42、将所述二级异常声纹信号对应的特征向量与各种故障的特征向量进行比对，确定故障类型。

需要说明的是，如图6所示，本实施例在三级故障识别流程中使用的神经网络算法模型是预先训练得到的，通过获取一定数量的真实环境下的故障或异常声纹样本，然后建立神经网络算法模型，通过训练和优化得到不同的网络结构，最后对应的神经网络算法模型能够诊断出特定的故障或异常声纹样本。以识别“局部放电”的故障为例，训练过程为：

（1）对“局部放电”声纹信号进行降维处理，以频率为维度，分成N个不同的子频带GF

（2）对每个子频带内的“局部放电”声纹频谱信号进行神经网络分析，输入量为[x×y×z]维度的声纹频谱，进行卷积操作训练，得到该子频带的特征向量GX

（3）对所有子频带得到的特征向量GX

需要说明的是，每个“异常”的声纹信号进入神经网络后都会得到一个特征向量，当这个特征向量与已经训练好的某类特定故障的特征向量最吻合时，就会触发该类特定故障的预警。

本实施例表1中15种常见典型电力设备故障的机器学习算法的训练过程与上述类似，通过训练不同故障诊断对应的神经网络模型并预制在诊断环节中，解决了机器学习模型在缺少大量训练样本的情况下识别准确率较低的问题，同时增加了识别过程的可解释性，提高了识别结论的可靠性。

表1 15种常见故障

进一步地，当识别为二级异常的声纹信号进入三级故障诊断环节，与15类典型故障和异常进行特征向量的相似度匹配，匹配度最高的即为该类故障。

另外，当匹配度低于60%，该“异常”标记为异常，不做具体故障分类处理，转入人工介入辅助判别故障类别。

此外，如图7所示，本发明第二实施例公开了一种融合物理特性和数据诊断的电力设备故障声纹识别系统，所述系统包括：

信号采集模块10，用于采集电力设备声纹信号，并按照时间顺序生成时域离散数字信号序列；

一级识别模块20，用于对所述时域离散数字信号序列进行声强变化度和声频变化度计算，筛选出一级异常声纹信号和一级正常声纹信号；

二级识别模块30，用于使用高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号；

三级识别模块40，用于对所述二级异常声纹信号进行故障诊断，确定故障类型；

预警模块50，用于基于所述一级异常声纹信号和所述故障类型，触发预警。

本实施例利用三级诊断环节协同分析电力设备声纹信号，采集到的声纹信号首先进行一级物理特性识别，将识别出的一级正常声纹信号进入二级快速异常识别，二级快速异常识别采用了只判断正常和异常两种状态的高斯混合劣化预测算法，剔除了大量的电力设备正常声纹信号即二级正常声纹信号不再重复进入三级故障识别环节，提高了算法的效率，也大大减少了处理器计算任务；通过三级诊断环节，融合物理特性和数据诊断，保障了原始声纹信号的最大程度的有效利用，实现电力设备故障声纹的精准和快速诊断。

在一实施例中，所述信号采集模块10，具体用于：

记录所述声纹信号的采样率f和监测周期T，得到一个监测周期内总的离散数字信号数量N；

对一个监测周期内的离散数字信号进行编号，并按照时间顺序生成所述时域离散数字信号序列。

在一实施例中，所述一级识别模块20，具体包括：

声强识别单元，用于对所述时域离散数字信号序列进行声强变化度识别，筛选出声强异常声纹信号和声强正常声纹信号；

时频域转换单元，用于对所述时域离散数字信号序列进行离散傅里叶变换，得到频域离散数字信号序列；

声频识别单元，用于对所述频域离散数字信号序列进行声频变化度识别，筛选出声频异常声纹信号和声频正常声纹信号；

一级声纹信号确定单元，用于将所述声强异常声纹信号和所述声频异常声纹信号作为所述一级异常声纹信号，将所述声强正常声纹信号和所述声频正常声纹信号作为所述一级正常声纹信号。

在一实施例中，所述声强识别单元，具体用于：

根据所述时域离散数字信号序列，计算声纹信号声强之和；

根据当前电力设备的声纹信号声强之和与其相邻的电力设备的声纹信号声强之和，确当前电力设备的声纹信号为声强正常声纹信号或短时过负荷或长时过负荷或突发跳闸性短路；

在A、B、C三相结构对称的电网结构中，根据三相电力设备声纹信号声强和的平均值，确定当前电力设备的声纹信号为声强正常声纹信号或过负荷故障。

具体地，当（L

当（L

当（L

当分别计算每相的声纹信号声强之和与所述三相电力设备声纹信号声强和的平均值之间的偏离度，在某相的偏离度大于第二阈值时，确定该相发生过负荷故障。

在一实施例中，所述声频识别单元，具体用于：

根据所述频域离散数字信号序列不同频率处声纹信号的频率分量的幅值和占比，确定当前电力设备的声纹信号为声频正常声纹信号或谐波工况或直流偏磁工况。

进一步地，所述根据所述频域离散数字信号序列不同频率处声纹信号的频率分量的幅值和占比，确定当前电力设备的声纹信号为声频正常声纹信号或谐波工况或直流偏磁工况，包括：

比较相邻两个监测周期内三次谐波Y

当

在一实施例中，所述二级识别模块30，具体包括：

学习单元，用于对所述一级正常声纹信号进行m个周期的学习，形成回归预测模型；

残差计算单元，用于利用所述回归预测模型对未学习到的一级正常声纹信号进行预测，并将预测结果S

参数优化单元，用于利用残差K不断修正模型参数，确定高斯混合劣化预测算法的模型参数；

二级声纹信号确定单元，用于利用确定模型参数后的高斯混合劣化预测算法对所述一级正常声纹信号进行诊断，从所述一级正常声纹信号中筛选出二级异常声纹信号和二级正常声纹信号。

在一实施例中，所述三级识别模块40，具体用于：

利用预先训练好的神经网络算法模型对所述二级异常声纹信号进行处理，得到所述二级异常声纹信号对应的特征向量；

将所述二级异常声纹信号对应的特征向量与各种故障的特征向量进行比对，确定故障类型。

需要说明的是，本发明所述融合物理特性和数据诊断的电力设备故障声纹识别系统的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。