淺談智能變電站聲紋監(jiān)測(cè)技術(shù)的應(yīng)用

引言

珠海供電局于2018年開始進(jìn)行智能變電站建設(shè)的探索,經(jīng)過大量前期工作后,于2019年開始正式建設(shè),2020年基本建成。智能變電站示范工程中的設(shè)備運(yùn)維管理一直是科研攻關(guān)的重點(diǎn),20世紀(jì)末,南方電網(wǎng)系統(tǒng)就開展了有關(guān)的研究探索;隨著神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步,近年來,深圳供電局的基于聲紋識(shí)別及變壓器振動(dòng)信號(hào)的變電設(shè)備缺陷與故障診斷智能分析技術(shù)和圖譜庫研究以及南方電網(wǎng)科學(xué)研究院開展的基于聲學(xué)指紋大數(shù)據(jù)分析的斷路器機(jī)械故障診斷技術(shù)研究工作都在這方面做出了積極的探索。

故而,在珠海供電局針對(duì)聲紋技術(shù)的應(yīng)用情況進(jìn)行統(tǒng)計(jì),以4個(gè)重點(diǎn)區(qū)域(主變壓器、電容器、高壓開關(guān)柜、GIS)的巡視工作可替代率來衡量目前智能變電站建設(shè)的實(shí)用性,結(jié)果如表1所示。

可見,智能變電站涵蓋的油、水、氣、電生產(chǎn)設(shè)備出現(xiàn)異常時(shí)常伴隨異響,如放電聲、不均勻的機(jī)械聲、管道漏氣聲、振動(dòng)聲、母線異響等。如果利用機(jī)器聽覺、邊緣智能技術(shù)智能感知站內(nèi)生產(chǎn)設(shè)備運(yùn)行狀態(tài),實(shí)現(xiàn)機(jī)器替代傳統(tǒng)人工巡檢排查,對(duì)站內(nèi)重點(diǎn)生產(chǎn)設(shè)備狀態(tài)進(jìn)行實(shí)時(shí)智能感知,則巡視替代率將平均提高8/25%,配合使用其他技術(shù)擴(kuò)大監(jiān)測(cè)的覆蓋范圍,巡視工作可替代率可以提升至100%。

1聲紋及聲紋識(shí)別

智能變電站中生產(chǎn)設(shè)備內(nèi)部受到電、磁、機(jī)械等應(yīng)力,將伴隨產(chǎn)生振動(dòng),形成的機(jī)械波通過介質(zhì)傳遞至外殼,可由傳感器裝置捕捉音源信號(hào),該信號(hào)含有大量的時(shí)頻域特征信息,宛如指紋。生產(chǎn)設(shè)備出現(xiàn)異常時(shí),聲學(xué)指紋(簡稱"聲紋")會(huì)發(fā)生改變,可作為診斷設(shè)備缺陷及故障的主要特征參量。聲紋具有穩(wěn)定性、可測(cè)量性、唯一性等特點(diǎn),十分適合用于智能變電站監(jiān)測(cè)工作。

聲紋識(shí)別是生物識(shí)別技術(shù)的一種,是通過提取設(shè)備聲音特征參數(shù)和聲紋特征,再把音源信號(hào)轉(zhuǎn)換成電信號(hào),用計(jì)算機(jī)通過相關(guān)算法在數(shù)據(jù)庫中進(jìn)行比對(duì)識(shí)別的技術(shù)。近些年,不少國內(nèi)外學(xué)者將聲紋識(shí)別融入了機(jī)械設(shè)備的異常檢測(cè)中,如山東大學(xué)的杜世斌提出了一種基于音頻特征的電氣設(shè)備故障監(jiān)測(cè)方案來實(shí)時(shí)監(jiān)控電氣設(shè)備的運(yùn)行情況,孫慶生等人根據(jù)現(xiàn)場變電站內(nèi)異常振動(dòng)信號(hào)頻譜分析檢測(cè)到一處支撐B相電壓互感器的槽鋼松動(dòng)的機(jī)械缺陷,中國科學(xué)院微電子研究所陳志全等人提出了一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解的異常聲音特征提取方法等。

2技術(shù)設(shè)計(jì)思路及框架

變壓器是電力系統(tǒng)中典型的設(shè)備之一,其結(jié)構(gòu)復(fù)雜且造價(jià)昂貴,變壓器的穩(wěn)定運(yùn)行可以提高供電的安全性、可靠性。不同廠家、不同型號(hào)的變壓器,其結(jié)構(gòu)、大小等都不盡相同,且變壓器故障的聲音往往難以監(jiān)測(cè),還可能因其結(jié)構(gòu)特點(diǎn)出現(xiàn)各種獨(dú)具個(gè)性的故障聲。規(guī)則庫固然可以存儲(chǔ)部分典型缺陷,但規(guī)則永遠(yuǎn)落后于實(shí)際的生產(chǎn)技術(shù)演進(jìn)。變壓器體積龐大且常年帶電,在其正常工作時(shí),機(jī)械振動(dòng)會(huì)發(fā)出聲音,且具有一定的規(guī)律性,變壓器內(nèi)部一旦發(fā)生異常,將會(huì)引發(fā)許多特征量的改變,而聲波之間的差異可由頻率、節(jié)奏和聲音體現(xiàn)?，F(xiàn)以變壓器作為主要監(jiān)測(cè)對(duì)象,通過聲音采集傳感器對(duì)其運(yùn)作中產(chǎn)生的聲音進(jìn)行采集,獲取的音源信號(hào)具有良好的辨識(shí)性,再以機(jī)器聽覺、聲紋識(shí)別為主要技術(shù)手段,以我局研發(fā)的智能AI盒子作為識(shí)別載體,實(shí)現(xiàn)機(jī)器聽覺替代人工對(duì)生產(chǎn)設(shè)備狀態(tài)的實(shí)時(shí)智能感知,使電網(wǎng)設(shè)備的安全監(jiān)察工作效率提升了60%。

2.1研究思路

針對(duì)設(shè)備的運(yùn)行情況隨時(shí)在線進(jìn)行預(yù)測(cè)評(píng)估,既體現(xiàn)了設(shè)備的個(gè)性化,也符合智能變電站的實(shí)際工作需要。因此,研發(fā)基于機(jī)器聽覺的設(shè)備狀態(tài)管理工具,可以為電力系統(tǒng)輔助決策提供數(shù)據(jù)支持,通過機(jī)器學(xué)習(xí)一AI自學(xué)習(xí)后能洞察潛在缺陷及隱患,縮短故障處理和應(yīng)急搶修時(shí)間,為電力系統(tǒng)安全、穩(wěn)定運(yùn)行提供堅(jiān)實(shí)的保障。

基于聲源信號(hào)的設(shè)備故障監(jiān)測(cè)系統(tǒng)設(shè)計(jì)分為硬件電路和軟件算法部分。

硬件電路部分包括聲音傳感器、數(shù)據(jù)采集及降噪處理電路。該系統(tǒng)基于現(xiàn)場變壓器實(shí)際情況進(jìn)行開發(fā),因此考慮如何有效采集數(shù)據(jù)是技術(shù)關(guān)鍵。研發(fā)的智能AI盒子選用多個(gè)聲音傳感器構(gòu)成傳感器陣列,研究待測(cè)設(shè)備的數(shù)量以及周圍環(huán)境后針對(duì)聲音特征研制了對(duì)應(yīng)參數(shù)的MIC傳感器(同步采集6路音頻信號(hào)數(shù)據(jù))。考慮到監(jiān)測(cè)需要構(gòu)建多個(gè)傳感器的陣列,因此研制多通道數(shù)據(jù)采集系統(tǒng)進(jìn)行聲音采集。傳感器電源模塊的干擾是設(shè)備固有噪聲的主要來源,通過在電源模塊電路中加入恒流芯片及去耦電容元件來穩(wěn)定電源的輸出,從而減少電源噪聲對(duì)其他元器件的干擾。現(xiàn)場環(huán)境噪聲可以通過濾波器電路進(jìn)行相應(yīng)處理,利用其特定的頻率選擇特性讓輸出聲音信號(hào)中有效的特定范圍頻率的信號(hào)順利通過,同時(shí)對(duì)另一些不需要的噪聲加以阻隔和衰減。為此,在各通道收集并提取了有效聲音后(圖1),就需要去除聲源樣本里的不相干聲音,僅保留所需要的故障聲音信號(hào),分析故障聲音信號(hào)并找出故障的種類,繼而將故障位置找出來。

MIC傳感器體積小且便攜,在站內(nèi)實(shí)現(xiàn)聲源采集較為簡單。改變MIC傳感器陣列與待測(cè)設(shè)備的間距及角度,可在待測(cè)設(shè)備運(yùn)作狀態(tài)下改善小信號(hào)提取效果及聲源定位系統(tǒng)定位性能。

軟件系統(tǒng)主要分為數(shù)據(jù)采集部分、預(yù)處理部分、聲學(xué)特征提取部分、特征向量識(shí)別部分、時(shí)延計(jì)算部分、聲源定位部分。聲音傳感器陣列采集的信號(hào)在程序中快速輸入軟件系統(tǒng),經(jīng)濾波后提取聲音信號(hào)的特征參數(shù),將其傳輸給后臺(tái),利用定位算法進(jìn)一步分析。聲源定位算法將傳感器陣列接收到的聲音信號(hào)與陣列的空間排列相結(jié)合進(jìn)行分析,從而得到聲源相對(duì)于傳感器坐標(biāo)系原點(diǎn)的位置,根據(jù)故障聲源到達(dá)各傳感器的時(shí)間差來確定聲源相對(duì)于基準(zhǔn)傳感器的位置,從而實(shí)現(xiàn)對(duì)機(jī)械故障的識(shí)別及定位,如圖2所示。當(dāng)設(shè)備聲音數(shù)據(jù)輸入后臺(tái)系統(tǒng)后,通過廣義互相關(guān)算法在頻域內(nèi)給予傳感陣列信號(hào)一定的加權(quán)函數(shù),抑制受噪聲干擾部分以突出接收信號(hào)的相關(guān)部分,然后再反變換至?xí)r域得到廣義互相關(guān)函數(shù)進(jìn)行聲音信號(hào)峰值監(jiān)測(cè),達(dá)到降噪的目的。

圖2多元T字傳感器識(shí)別及定位圖

選用廣義互相關(guān)時(shí)延估計(jì)(GeneralizedCross二Correlation,GCC)的聲源定位算法,不僅可實(shí)現(xiàn)角度定位,還可實(shí)現(xiàn)聲源坐標(biāo)精確定位。基于平臺(tái)設(shè)計(jì)易于用戶操作的使用界面,包括監(jiān)測(cè)系統(tǒng)基本參數(shù)設(shè)置、設(shè)備工況聲音信息顯示、故障聲源識(shí)別及定位結(jié)果顯示、記錄文件保存等模塊。采用全新的設(shè)備聲音穩(wěn)態(tài)檢測(cè)技術(shù),無須提前錄制大量的故障聲音樣本。首先直接安裝系統(tǒng),然后通過對(duì)設(shè)備運(yùn)行穩(wěn)態(tài)的自學(xué)習(xí)建立穩(wěn)態(tài)模型(不超過一周),通過對(duì)設(shè)備穩(wěn)態(tài)特征的判別,預(yù)警設(shè)備健康狀況,同時(shí)通過與維修工單后臺(tái)對(duì)接,自動(dòng)為存儲(chǔ)的音頻打故障標(biāo)簽。故障聲音模型為自行訓(xùn)練所得,所有過程無須人工干預(yù)。

采用基于機(jī)器聽覺的設(shè)備狀態(tài)管理工具,不僅可以有效提升智能變電站的巡視工作可替代率,為基層巡檢工作人員減負(fù),還能通過深度學(xué)習(xí)嘗試探索變壓器運(yùn)行的聲紋故障分析。

2.2模型框架的搭建

以變壓器的音源信號(hào)特征提取為研究目標(biāo),開發(fā)基于機(jī)器聽覺的設(shè)備狀態(tài)管理工具,實(shí)現(xiàn)設(shè)備監(jiān)測(cè)與故障診斷。主要研究內(nèi)容如下:

(1)基于傳感陣列的音源采集系統(tǒng)研制。針對(duì)待測(cè)設(shè)備的聲音特征研制MIC傳感器,明確待測(cè)設(shè)備的數(shù)量及周圍環(huán)境后設(shè)計(jì)相應(yīng)的監(jiān)測(cè)方案。在待測(cè)設(shè)備周圍以一定的幾何空間結(jié)構(gòu)安裝多枚MIC傳感器構(gòu)成傳感器陣列,實(shí)時(shí)采集變壓器設(shè)備的音源信號(hào),最終統(tǒng)一傳輸至裝置,并初步實(shí)現(xiàn)智能AI盒子的無線應(yīng)用組網(wǎng),如圖3所示。

(2)面向多噪聲環(huán)境的音源信號(hào)降噪技術(shù)研究。傳感器陣列所采集的音源信號(hào)含有噪聲干擾,本項(xiàng)目擬研究多噪聲環(huán)境下音源信號(hào)降噪技術(shù),為后續(xù)的研究診斷提供有效信號(hào)。

(3)基于音源信號(hào)的設(shè)備故障診斷與定位算法研究。待測(cè)設(shè)備周圍環(huán)境比較復(fù)雜,需要對(duì)多聲源進(jìn)行定位研究。研究多音源信號(hào)定位算法,通過廣義互相關(guān)時(shí)延估計(jì)實(shí)現(xiàn)聲源的角度定位以及空間坐標(biāo)精確定位。研究單一音源復(fù)雜狀態(tài)特征演變規(guī)律,編寫算法使機(jī)器能記錄待測(cè)設(shè)備運(yùn)行音源信號(hào)特征,從而實(shí)現(xiàn)音源信號(hào)狀態(tài)對(duì)比分析,完成設(shè)備運(yùn)行狀態(tài)健康診斷。

圖3智能AI盒子應(yīng)用方案示意圖

本項(xiàng)目以實(shí)際運(yùn)行變壓器為研究對(duì)象,現(xiàn)場變壓器是半封閉狀態(tài),聲音環(huán)境相對(duì)復(fù)雜,研究初步完成后將在全開放的環(huán)境下進(jìn)行監(jiān)測(cè),后期將研究聲紋信號(hào)的專家智能分析系統(tǒng),實(shí)現(xiàn)差異化運(yùn)維。

2.3核心功能設(shè)計(jì)及相關(guān)算法概述

2.3.1數(shù)據(jù)分析

數(shù)據(jù)分析是智能A1盒子最核心的功能,均在服務(wù)器端實(shí)現(xiàn),主要包括多通道麥克風(fēng)陣列算法模塊、降噪處理模塊、小信號(hào)提取模塊、信號(hào)穩(wěn)態(tài)自學(xué)習(xí)模塊、故障診斷與定位模塊。

(1)多通道麥克風(fēng)陣列算法模塊:六路麥克風(fēng)信號(hào)通過麥克風(fēng)陣列算法AEC實(shí)現(xiàn)面對(duì)設(shè)備的一路有效麥克風(fēng)信號(hào)的有效提取,其他五路麥克風(fēng)信號(hào)均為噪聲信號(hào),噪聲信號(hào)同樣會(huì)通過空氣或固體傳播到有效麥克風(fēng),疊加到設(shè)備有效信號(hào)中,通過AEC算法,可實(shí)現(xiàn)最低開銷的設(shè)備信號(hào)提取,同時(shí)保證設(shè)備有效信號(hào)的完整性。

(2)降噪處理模塊:經(jīng)AEC算法處理后的音頻信號(hào)也會(huì)包含噪聲,主要是來自設(shè)備側(cè)的噪聲,因此還需要進(jìn)行一定的降噪處理。

(3)小信號(hào)提取模塊:為保證信號(hào)的完整性,降噪處理模塊不會(huì)對(duì)噪聲進(jìn)行強(qiáng)抑制,否則會(huì)讓有效信號(hào)失真。通過對(duì)設(shè)備安靜環(huán)境下聲音頻譜的自學(xué)習(xí),智能A1盒子能對(duì)設(shè)備聲音頻譜進(jìn)行自動(dòng)建模,在噪聲環(huán)境下,通過頻譜模型實(shí)現(xiàn)設(shè)備聲音小信號(hào)的有效提取。

(4)信號(hào)穩(wěn)態(tài)自學(xué)習(xí)模塊:待測(cè)設(shè)備大部分時(shí)間都是在無故障情況下運(yùn)行,智能A1盒子通過對(duì)提取的有效設(shè)備音頻信號(hào)穩(wěn)態(tài)特征的自學(xué)習(xí),建模設(shè)備在不同工況下的穩(wěn)態(tài)特性。

(5)故障診斷與定位模塊:通過對(duì)信號(hào)穩(wěn)態(tài)特征的自學(xué)習(xí)與建模,實(shí)時(shí)監(jiān)測(cè)設(shè)備音頻流,對(duì)于持續(xù)非穩(wěn)態(tài)特征,系統(tǒng)發(fā)出預(yù)警,提示人工檢修。檢修完成后,后臺(tái)自動(dòng)關(guān)聯(lián)工單信息,對(duì)于預(yù)警的音頻流數(shù)據(jù)自動(dòng)打故障標(biāo)簽,同時(shí)完成對(duì)故障音頻數(shù)據(jù)的建模,后續(xù)再出現(xiàn)同樣的故障則直接報(bào)警。全流程均自動(dòng)學(xué)習(xí)完成,無須人工干預(yù)。

2.3.2算法邏輯

2.3.2.1面向多噪聲環(huán)境的音源采集降噪算法

傳統(tǒng)的噪聲抑制方法,只能作用于某些固定的穩(wěn)態(tài)噪聲,通過尋找連續(xù)的背景音,預(yù)估噪聲的基線,然后將其過濾掉:而當(dāng)動(dòng)態(tài)噪聲和設(shè)備的運(yùn)行聲音出現(xiàn)頻率重疊時(shí),傳統(tǒng)方法就無法很好地抑制。深度神經(jīng)網(wǎng)絡(luò)(DNN)則在這一領(lǐng)域表現(xiàn)出了強(qiáng)大的優(yōu)勢(shì)。近幾年來,深度學(xué)習(xí)方法取得飛速發(fā)展,在設(shè)備聲音監(jiān)測(cè)中的應(yīng)用也越來越多,其中就包括了卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。

搭載前端降噪技術(shù)的采集系統(tǒng),能夠保留還原出干凈的設(shè)備運(yùn)行原聲,有效減少設(shè)備運(yùn)行的聲音在運(yùn)行環(huán)境下受到的雜音干擾。針對(duì)在運(yùn)行環(huán)境下經(jīng)常出現(xiàn)的混響及回響聲、刺耳的嘯叫聲等設(shè)備自噪聲,前端采集系統(tǒng)采用麥克風(fēng)、揚(yáng)聲器分離式設(shè)計(jì),并內(nèi)置業(yè)內(nèi)領(lǐng)先的智能回音消除技術(shù)(AEC),能夠有效地消除現(xiàn)場環(huán)境中產(chǎn)生的回音,線性回聲消除ERL≥35dB,總體回聲抑制能力≥60dB。

2.3.2.2小信號(hào)提取算法

研究設(shè)備聲音處理技術(shù)在真實(shí)復(fù)雜環(huán)境下的魯棒性,針對(duì)在真實(shí)復(fù)雜場景下如何應(yīng)對(duì)來自環(huán)境的差異和來自設(shè)備的差異這兩個(gè)關(guān)鍵問題展開研究,圍繞真實(shí)復(fù)雜場景下聲音信號(hào)模式分析與識(shí)別這一挑戰(zhàn)性問題,研究深度學(xué)習(xí)下的設(shè)備聲音結(jié)構(gòu)化建模理論與方法。

基于機(jī)器聽覺的變壓器狀態(tài)管理工具的硬件可根據(jù)現(xiàn)場環(huán)境定制,其中M1C傳感器組成的傳感陣列以及邊緣采集終端負(fù)責(zé)實(shí)現(xiàn)對(duì)前端聲源信號(hào)的采集,并自組織聯(lián)網(wǎng),開啟聯(lián)網(wǎng)服務(wù),將實(shí)時(shí)采集的設(shè)備聲音數(shù)據(jù)上傳到后臺(tái)系統(tǒng),由后臺(tái)算法利用信號(hào)提取技術(shù)處理后得到有效聲音數(shù)據(jù),將設(shè)備聲音數(shù)據(jù)與庫中數(shù)據(jù)進(jìn)行全方位、多維度對(duì)比,分析設(shè)備此時(shí)的運(yùn)行狀態(tài),輔以聲源定位算法建立完善的設(shè)備空間模型,快速判斷并定位出故障設(shè)備。管理員也可以在本地安裝配套的聲音信號(hào)分析軟件自行對(duì)數(shù)據(jù)進(jìn)行分析,實(shí)現(xiàn)小信號(hào)提取。

2.3.2.3基于音源信號(hào)的設(shè)備故障診斷與定位算法

待測(cè)設(shè)備周圍環(huán)境往往比較復(fù)雜,當(dāng)多臺(tái)待測(cè)設(shè)備同時(shí)工作時(shí),首先需要對(duì)多聲源進(jìn)行定位。利用多音源信號(hào)定位算法,通過廣義互相關(guān)時(shí)延估計(jì)實(shí)現(xiàn)聲源的角度定位及空間坐標(biāo)精確定位。根據(jù)單一音源復(fù)雜狀態(tài)特征演變規(guī)律,編寫算法使機(jī)器能記錄待測(cè)設(shè)備運(yùn)行音源信號(hào)特征,從而實(shí)現(xiàn)音源信號(hào)狀態(tài)對(duì)比分析,完成設(shè)備運(yùn)行狀態(tài)健康診斷。

基于聲音檢測(cè)技術(shù)的重要性及傳統(tǒng)聲音檢測(cè)技術(shù)存在的問題,聲音檢測(cè)采用了行業(yè)首創(chuàng)的空間六麥克風(fēng)陣列降噪技術(shù),實(shí)現(xiàn)360o全方位空間降噪,不管噪聲是來源于上空還是底部或側(cè)方,均能良好地實(shí)現(xiàn)設(shè)備有效聲音的提取,不僅適用于室內(nèi)設(shè)備檢測(cè),同樣也適用于室外設(shè)備檢測(cè)。

3總結(jié)與展望

(1)設(shè)備更安全:通過聲紋采集系統(tǒng)收集聲源,針對(duì)不同的待測(cè)設(shè)備及應(yīng)用場景進(jìn)行傳感參數(shù)、傳輸特性、存儲(chǔ)方式等的設(shè)計(jì)實(shí)現(xiàn),無須與電氣設(shè)備進(jìn)行電氣連接即可判斷設(shè)備運(yùn)行狀態(tài)是否正常,從而安全地進(jìn)行設(shè)備狀態(tài)帶電監(jiān)測(cè)。

(2)管理更精益:基于機(jī)器聽覺的設(shè)備狀態(tài)管理工具,預(yù)期可實(shí)現(xiàn)實(shí)時(shí)音頻的展現(xiàn)(展示各個(gè)通道采集到的音頻頻譜圖及聲紋特征)、音頻聲紋樣本的標(biāo)記、數(shù)據(jù)庫的歸類整理。通過人工智能自學(xué)習(xí)方式,對(duì)收集的設(shè)備聲源(含異常或故障的聲紋)在時(shí)域和頻域上進(jìn)行分析及相應(yīng)信號(hào)處理,將特定聲紋與背景噪聲有效分離,并辨識(shí)出異常聲音,可為輔助決策提供數(shù)據(jù)支持。

(3)運(yùn)檢更高效:傳統(tǒng)的巡檢方式,首先需要技術(shù)人員時(shí)刻在設(shè)備前監(jiān)聽聲音,極大地耗費(fèi)了人力、物力:其次,人耳是有特定的聽覺感知范圍的,人耳可聽到的聲音頻率僅為20~20000Hz,超出此范圍的聲音人耳無法監(jiān)聽:最后,在雷雨等惡劣天氣條件下以及高壓環(huán)境中,人工巡檢存在較大安全隱患,得到的數(shù)據(jù)也無法準(zhǔn)確及時(shí)地接入后臺(tái)數(shù)據(jù)分析系統(tǒng)。在待測(cè)設(shè)備旁安裝M1C傳感器采集聲音實(shí)時(shí)監(jiān)測(cè)設(shè)備工作情況,不需要使設(shè)備停止運(yùn)行,也不需要與設(shè)備接觸,信號(hào)采集方便,存儲(chǔ)的數(shù)據(jù)量相對(duì)較小,不會(huì)干擾變壓器的正常運(yùn)轉(zhuǎn)。

綜上所述,人工巡檢方式存在巡檢時(shí)間過長、實(shí)際效果不好、不可控聲音的判斷等問題,而基于機(jī)器聽覺的設(shè)備狀態(tài)管理工具則不再受限于這些問題,直接降低了巡檢的人力成本,節(jié)約了運(yùn)維時(shí)間,極大地提高了設(shè)備監(jiān)測(cè)的強(qiáng)度和巡檢運(yùn)維工作效率。在未來的工業(yè)化進(jìn)程中,十分有必要大力推動(dòng)無人監(jiān)控模式的實(shí)現(xiàn)。