CN102495343A - 基于超声与紫外信息融合的局部放电检测识别方法及系统 - Google Patents

基于超声与紫外信息融合的局部放电检测识别方法及系统 Download PDF

Info

Publication number
CN102495343A
CN102495343A CN2011104548045A CN201110454804A CN102495343A CN 102495343 A CN102495343 A CN 102495343A CN 2011104548045 A CN2011104548045 A CN 2011104548045A CN 201110454804 A CN201110454804 A CN 201110454804A CN 102495343 A CN102495343 A CN 102495343A
Authority
CN
China
Prior art keywords
signal
wavelet
ultrasonic
characteristic
partial discharge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011104548045A
Other languages
English (en)
Other versions
CN102495343B (zh
Inventor
王平
高阳
王林泓
邹强鑫
刘林生
邵有为
许磊
许琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201110454804.5A priority Critical patent/CN102495343B/zh
Publication of CN102495343A publication Critical patent/CN102495343A/zh
Application granted granted Critical
Publication of CN102495343B publication Critical patent/CN102495343B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于超声与紫外信息融合的局部放电检测识别方法，包括以下步骤：S1:在被检测对象周围空间均匀设置传感检测电路；S2:实时采集被检测区域发生局部放电时产生的超声信号和紫外信号，经处理后，送入数字信号处理电路；S3:进行数字滤波处理；S4:将S3中得到的超声信号提取双密度小波变换小波系数Shannon熵x，将S3中得到的紫外信号提取小波包小波系数Shannon熵y，并将特征向量x和y经过通信模块发送到检测系统主机；S5:检测系统主机进行特征融合，得到融合后的特征向量z；S6:对S5中得到的融合后的向量z利用支持相量机分类树进行分类，本方法使基于超声与紫外信息融合的检测识别技术在电力设备中的应用得到提升，确保局部放电检测的高准确性、可靠性及实时性。

Description

基于超声与紫外信息融合的局部放电检测识别方法及系统
技术领域
本发明属于局部放电检测与识别的技术领域，具体涉及超声与紫外传感、信号处理和模式识别技术， 特别涉及一种基于超声与紫外信息融合的局部放电检测与识别的新方法，以及一种系统。
背景技术
电力设备在设计、制造、安装、运行和维护的过程中由于多种原因可能造成导线外绝缘损伤和裂化，导致电力设备内部局部电场集中。当电场强度达到一定程度时，就可能形成局部放电，严重影响电力设备的正常工作，而这些局部放电现象常发生在电力设备内部，不易被工作人员发现。如果得不到及时处理，通常会加速电力设备的绝缘损坏，从而导致危险事故发生。
局部放电发生时会在电力设备内部和周围空间产生一系列的声、光，电等物理现象和化学变化。这些伴随局部放电而产生的各种物理和化学变化为局部放电的探测提供各种检测信号。其中超声信号和紫外光谱信号是局部放电产生的两个比较典型的非电气特征信号，在强电磁干扰环境中对非电气信号进行检测，能够有效避免电磁信号干扰，因此该方法具有明显的技术优势。
随着无线通信技术、计算机技术、电子技术和各种智能算法的发展，使得研制具有高检测率的局部放电检测与识别系统成为可能。高性能的传感器检测电路完成超声信号与紫外信号的采集、预处理及特征提取。然后通过无线CDMA通信把特征信息发送到检测系统主机，检测系统主机完成特征信息的融合及模式识别，最终实现局部放电的准确检测与识别。
发明内容
有鉴于此，本发明的目的之一是提供一种基于超声与紫外信息融合的局部放电检测与识别方法，通过该检测与识别方法，可以实现对电力设备局部放电的检测，以及局部放电等级的识别，从而使基于超声与紫外信息融合的局部放电检测与识别在电力设备中的应用得到技术上的极大提升，在方法和技术上确保局部放电检测的高准确性、可靠性及实时性；本发明的目的之二是提供一种基于超声与紫外信息融合的局部放电检测识别系统。
本发明的目的之一是通过以下技术方案实现的： 
该基于超声与紫外信息融合的局部放电检测识别方法，包括以下步骤：
S1: 在被检测对象周围空间均匀设置至少4个采用分布式布局的传感检测电路；每个分布式布局的传感检测电路包括有超声信号传感器、紫外信号传感器、滤波电路、A/D转换电路、数字信号处理电路以及通信模块；
S2:通过分布式布局的传感检测电路实时采集被检测区域发生局部放电时产生的超声信号和紫外信号，经滤波电路和A/D转换电路进行处理后，送入数字信号处理电路进行处理；
S3:通过数字信号处理器对实时采集的超声信号和紫外信号进行双变量收缩函数法的数字滤波处理；
S4: 将S3中得到的超声信号提取双密度小波变换小波系数Shannon熵x，将S3中得到的紫外信号提取小波包小波系数Shannon熵y，并将特征向量x和y经过通信模块发送到检测系统主机；
S5:检测系统主机对接收的特征向量x和y利用典型相关分析方法进行特征融合，得到融合后的特征向量z；
S6: 检测系统主机对S5中得到的融合后的向量z利用支持相量机分类树进行分类，并给出分类结果。
进一步，所述步骤S3）还具体包括以下子步骤：
S31:对超声信号和紫外信号分别进行小波包分解，分解小波为高斯小波，分解层数选择4层；
S32：对4层分解后的信号，利用双变量收缩函数方法去噪，即首先利用                                                
Figure 2011104548045100002DEST_PATH_IMAGE001
算出噪声方差估计值
Figure 560252DEST_PATH_IMAGE002
，然后对小波分解的每个子带
Figure 2011104548045100002DEST_PATH_IMAGE003
，分别用式
Figure 48871DEST_PATH_IMAGE004
  和
Figure 2011104548045100002DEST_PATH_IMAGE005
计算出原始信号方差估计值
Figure 612707DEST_PATH_IMAGE006
，根据公式，求出去噪后小波系数的估计值；
S33:对去噪后小波系数进行重构，得到去噪后的信号。
进一步，所述步骤S4）中对超声信号进行双密度双树离散小波变换小波系数shannon熵计算是利用经过严格设计的滤波器组，得到各尺度函数和小波函数，通过将超声信号输入滤波器组，得到相应的小波分解系数；
其中，尺度函数包括
Figure 924127DEST_PATH_IMAGE008
，小波函数包括四个不同的小波
Figure 2011104548045100002DEST_PATH_IMAGE009
构成，其中
Figure 231612DEST_PATH_IMAGE010
是由
Figure 2011104548045100002DEST_PATH_IMAGE011
偏移0.5得到，
Figure 574737DEST_PATH_IMAGE012
是由偏移0.5得到，即：
Figure 309475DEST_PATH_IMAGE014
 ；                
两个小波
Figure 918311DEST_PATH_IMAGE009
形成近似的希尔伯特变换对，即：
Figure 2011104548045100002DEST_PATH_IMAGE015
Figure 13175DEST_PATH_IMAGE016
；
S42：对S41获得的双密度双树离散小波分解系数进行小波系数Shannon熵的计算，设
Figure DEST_PATH_IMAGE017
表示小波分解的一个子频带小波系数
Figure 961539DEST_PATH_IMAGE018
的时域重构离散信号，
Figure 929495DEST_PATH_IMAGE018
表示第j层的第k个节点小波分解系数。
定义小波系数Shannon熵为：    
   
Figure DEST_PATH_IMAGE019
，约定
Figure 212578DEST_PATH_IMAGE020
             （1）
首先对超声信号进行4层双密度双树离散小波分解，分别计算每一个节点的
Figure 2011104548045100002DEST_PATH_IMAGE021
值，并用这一层全部节点的
Figure 861865DEST_PATH_IMAGE021
构成Shannon熵特征向量
Figure 911074DEST_PATH_IMAGE022
，用于描述获取的超声信号特征x。
S43：对紫外信号计算小波包分解小波系数Shannon熵。对紫外信号进行3层小波包分解，然后计算小波包系数Shannon熵y。
进一步，所述步骤S5还包括以下子步骤：
S51:对超声信号特征x与紫外信号特征y的训练样本和
Figure 49931DEST_PATH_IMAGE024
，首先计算协方差矩阵
Figure DEST_PATH_IMAGE025
，
Figure 571043DEST_PATH_IMAGE026
及互协方差矩阵
Figure DEST_PATH_IMAGE027
，其中m是特征x的特征维数，k为训练样本个数，n为特征y的特征维数。
S52:计算
Figure 273288DEST_PATH_IMAGE028
或者
Figure DEST_PATH_IMAGE029
的非零特征值及对应的标准正交特征向量
Figure 930666DEST_PATH_IMAGE030
,
Figure DEST_PATH_IMAGE031
Figure 427375DEST_PATH_IMAGE032
；
S53:根据
Figure 2011104548045100002DEST_PATH_IMAGE033
，
Figure 435782DEST_PATH_IMAGE034
，
Figure 489189DEST_PATH_IMAGE032
计算所有典型投影向量，取前5对投影矢量构成变换矩阵
Figure 2011104548045100002DEST_PATH_IMAGE035
；
S54:利用线性变换
Figure 515920DEST_PATH_IMAGE036
计算组合的特征向量，并用于模式分类。
进一步，所述步骤S6还包括以下子步骤：
S61：支持相量机分类树训练阶段：每种类型融合后的特征向量分别取50个作为训练样本。根据特征的相似性通过SVM分成两个集合，选用径向基核函数，以此类推，直到所有分类结束，得到如附图3所示的SVM分类树；
S62：支持相量机分类树检测阶段：将待识别的样本输入分类树，可以得到分类树输出的结果，从而得出局部放电的严重程度，并由系统给出相应的报警信号及语音提示。
本发明的目的之二是通过以下技术方案实现的：
该种基于超声与紫外信息融合的局部放电检测识别系统，包括分布式布局传感检测电路及检测系统主机；
所述分布式布局的传感检测电路包括传感器、低通滤波电路、双通道同步AD转换电路、数字信号处理器及无线通信模块组成，用于完成局部放电超声信号及紫外信号的实时采集、预处理和特征提取，并将特征信息通过无线A通信模块传输给检测系统主机，检测系统主机对分布式传感检测电路发来的特征信息进行特征层的信息融合，判断是否有局部放电以及局部放电的严重等级。
进一步，所述分布式传感检测电路的传感器包括超声波传感器、紫外信号传感器，所述数字信号处理器采用TMS320F28335PGFA。
本发明的有益效果是：
本发明利用小波变换双变量收缩函数对获取的信号进行滤波；利用双密度双树离散小波变换对超声信号进行小波分解，利用小波包变换对紫外信号进行分解；再分别计算超声信号和紫外信号的小波系数Shannon熵特征，然后用典型相关分析方法对描述超声信号特征的双密度双树小波变换小波系数Shannon熵与描述紫外信号的小波包变换小波系数Shannon熵进行特征融合，最后，采用支持向量机分类树对融合后的局部放电特征进行分类。本发明通过融合不同类型传感器检测的信息，采用特征提取、信息融合与模式识别技术，从而有效地提高了对局部放电检测的准确率，使基于超声与紫外信息融合的局部放电检测与识别在电力设备中的应用得到技术上的极大提升，在方法和技术上确保局部放电检测的高准确性、可靠性及实时性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1：实现本发明方法的超声与紫外信号信息融合放电检测与识别的总体方框图；
图2：本发明算法实现流程框图；
图3：本发明支持向量机分类树示意图；
图4：双密度双树离散小波变换递推滤波器组示意图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
图1是实现本发明方法的超声与紫外信号信息融合放电检测与识别的总体方框图，所述系统放电检测信息处理、模式识别的算法流程框图如图2所示。如图所示，本发明的基于超声与紫外信息融合的局部放电检测识别方法，包括以下步骤：
S1: 在被检测对象周围空间均匀设置4个采用分布式布局的传感检测电路（即图中的传感器检测电路1-4）；每个分布式布局的传感检测电路包括有超声信号传感器、紫外信号传感器、滤波电路、A/D转换电路、数字信号处理电路以及通信模块；其中，A/D转换电路一般采用双通道同步的AD转换电路，通信模块一般采用无线通信模块；
S2:通过分布式布局的传感检测电路实时采集被检测区域发生局部放电时产生的超声信号和紫外信号，经滤波电路和A/D转换电路进行处理后，送入数字信号处理电路进行处理；
S3:通过数字信号处理器对实时采集的超声信号和紫外信号进行双变量收缩函数法的数字滤波处理；所述步骤S3）具体包括以下子步骤：
S31:对超声信号和紫外信号分别进行小波包分解，分解小波为高斯小波，分解层数选择4层；
S32：对4层分解后的信号，利用双变量收缩函数方法去噪，即首先利用算出噪声方差估计值
Figure 492283DEST_PATH_IMAGE002
，然后对小波分解的每个子带
Figure 83801DEST_PATH_IMAGE003
，分别用式
Figure 967968DEST_PATH_IMAGE004
  和计算出原始信号方差估计值
Figure 602529DEST_PATH_IMAGE006
，根据公式
Figure 997738DEST_PATH_IMAGE007
，求出去噪后小波系数的估计值；
S33:对去噪后小波系数进行重构，得到去噪后的信号。
S4: 将S3中得到的超声信号提取双密度小波变换小波系数Shannon熵x，将S3中得到的紫外信号提取小波包小波系数Shannon熵y，并将特征向量x和y经过通信模块发送到检测系统主机；所述步骤S4）中对超声信号进行双密度双树离散小波变换小波系数shannon熵计算是利用经过严格设计的滤波器组，得到各尺度函数和小波函数，通过将超声信号输入滤波器组，得到相应的小波分解系数；
其中，尺度函数包括
Figure 812110DEST_PATH_IMAGE008
，小波函数包括四个不同的小波
Figure 821524DEST_PATH_IMAGE009
构成，其中
Figure 88557DEST_PATH_IMAGE010
是由
Figure 225140DEST_PATH_IMAGE011
偏移0.5得到，是由
Figure 74333DEST_PATH_IMAGE013
偏移0.5得到，即：
Figure 828663DEST_PATH_IMAGE014
   ；                
两个小波
Figure 503358DEST_PATH_IMAGE009
形成近似的希尔伯特变换对，即：
Figure 26743DEST_PATH_IMAGE015
Figure 643538DEST_PATH_IMAGE016
   ；
S42：对S41获得的双密度双树离散小波分解系数进行小波系数Shannon熵的计算，设
Figure 885163DEST_PATH_IMAGE017
表示小波分解的一个子频带小波系数
Figure 97970DEST_PATH_IMAGE018
的时域重构离散信号，表示第j层的第k个节点小波分解系数。
定义小波系数Shannon熵为：    
   
Figure 76607DEST_PATH_IMAGE019
，约定
Figure 989550DEST_PATH_IMAGE020
             （1）
首先对超声信号进行4层双密度双树离散小波分解，分别计算每一个节点的
Figure 68364DEST_PATH_IMAGE021
值，并用这一层全部节点的
Figure 504025DEST_PATH_IMAGE021
构成Shannon熵特征向量
Figure 275672DEST_PATH_IMAGE022
，用于描述获取的超声信号特征x。
S43：对紫外信号计算小波包分解小波系数Shannon熵。对紫外信号进行3层小波包分解，然后计算小波包系数Shannon熵y。
S5:检测系统主机对接收的特征向量x和y利用典型相关分析方法进行特征融合，得到融合后的特征向量z；S51:对超声信号特征x与紫外信号特征y的训练样本
Figure 413261DEST_PATH_IMAGE023
和，首先计算协方差矩阵
Figure 648250DEST_PATH_IMAGE025
，
Figure 528482DEST_PATH_IMAGE026
及互协方差矩阵
Figure 966416DEST_PATH_IMAGE027
，其中m是特征x的特征维数，k为训练样本个数，n为特征y的特征维数。
S52:计算
Figure 573984DEST_PATH_IMAGE028
或者的非零特征值及对应的标准正交特征向量
Figure 97686DEST_PATH_IMAGE030
,
Figure 22917DEST_PATH_IMAGE031
Figure 434175DEST_PATH_IMAGE032
；
S53:根据
Figure 495672DEST_PATH_IMAGE033
，
Figure 780023DEST_PATH_IMAGE034
，
Figure 130233DEST_PATH_IMAGE032
计算所有典型投影向量，取前5对投影矢量构成变换矩阵
Figure 158232DEST_PATH_IMAGE035
；
S54:利用线性变换
Figure 529695DEST_PATH_IMAGE036
计算组合的特征向量，并用于模式分类。
S6: 检测系统主机对S5中得到的融合后的向量z利用支持相量机分类树进行分类，并给出分类结果。
S61：支持相量机分类树训练阶段：每种类型融合后的特征向量分别取50个作为训练样本。根据特征的相似性通过SVM分成两个集合，选用径向基核函数，以此类推，直到所有分类结束，得到如附图3所示的SVM分类树。
S62：支持相量机分类树检测阶段：将待识别的样本输入分类树，可以得到分类树输出的结果，从而得出局部放电的严重程度，并由系统给出相应的报警信号及语音提示。
基于上述方法，本发明的一种基于超声与紫外信息融合的局部放电检测识别系统，包括分布式布局传感检测电路及检测系统主机；
分布式布局的传感检测电路包括传感器、低通滤波电路、双通道同步AD转换电路、数字信号处理器及无线通信模块组成，用于完成局部放电超声信号及紫外信号的实时采集、预处理和特征提取，并将特征信息通过无通信模块传输给检测系统主机，检测系统主机对分布式传感检测电路发来的特征信息进行特征层的信息融合，判断是否有局部放电以及局部放电的严重等级。
本实施例中，所述分布式传感检测电路的传感器包括超声波传感器、紫外信号传感器，所述数字信号处理器采用TMS320F28335PGFA。
超声传感器具有抗电气干扰能力强，定位准确的优点。但在放电检测的应用中现场易受到周围环境的影响，特别是设备本身有机械振动时，会使超声检测产生较大的误差。而当电力设备局部放电时会辐射出紫外光，紫外辐射强度和局部放电的电场强度成正比，所以根据检测到的紫外信号的强度，可以大致推断放电的强弱。因此，将超声信号与紫外信号进行信息融合，可以获得更多关于局部放电有价值的信息，进一步提高局部放电检测的准确度。
本发明中采用分布式布局的超声传感器和紫外传感器目的是为了从不同角度获得不同的反映局部放电点信号的特征信息。分布式布局的传感检测电路及检测系统主机对放电信号的处理方法如下： 
一、分布式布局的检测电路
分布式布局的检测电路由超声传感器和紫外传感器、低通滤波电路、AD转换电路及数字信号处理器组成，实时对被检测区域进行检测、滤波、采集及特征提取。低通滤波电路采用二阶Butterworth滤波器；AD转换电路选用双通道同步AD转换器AD7262，采样率为1MHz；数字信号处理器选用TMS320F28335PGFA处理器。
数字信号处理器TMS320F28335PGFA对获取的超声信号与紫外信号进行信息预处理及特征提取。具体包括如下部分：信息预处理、特征提取。每部分实现方法如下：
（1）信息预处理部分：采用双变量收缩函数对采集的数据进行数字去噪。
在对信号进行特征提取前，需要对采集的超声信号和紫外信号进行数字滤波处理，采用小波包分解及双变量收缩函数去噪。首先，对获取的信号进行小波包分解。然后采用局部方差估计方法估计信号的方差，即，利用
Figure 719368DEST_PATH_IMAGE001
（Wj是小波分解系数），算出噪声方差估计值
Figure 556874DEST_PATH_IMAGE002
，然后对小波分解的每个子带
Figure 2011104548045100002DEST_PATH_IMAGE037
分别用式
Figure 122984DEST_PATH_IMAGE004
  和
Figure 611603DEST_PATH_IMAGE005
计算出原始信号方差估计值
Figure 972178DEST_PATH_IMAGE006
，根据
Figure 296980DEST_PATH_IMAGE038
求出去噪后小波系数的估计值，最后对去噪后小波系数进行重构，从而得到去噪后的信号。在对信号进行去噪处理后，分别对信号进行特征提取。
（2）特征提取部分：对超声信号提取其双密度双树离散小波变换小波系数Shannon熵；而对紫外信号则计算其小波包变换小波系数Shannon熵。
Figure DEST_PATH_IMAGE039
超声信号双密度双树离散小波变换小波系数Shannon熵计算
双密度双树离散小波变换是由两个不同的尺度函数
Figure 853732DEST_PATH_IMAGE008
和四个不同的小波函数， 构成的，其中
Figure 479065DEST_PATH_IMAGE010
由
Figure 87901DEST_PATH_IMAGE011
偏移0.5。由
Figure 459026DEST_PATH_IMAGE013
偏移0.5，即：
Figure 426982DEST_PATH_IMAGE014
  
两个小波
Figure 460797DEST_PATH_IMAGE009
形成近似的希尔伯特变换对，即：
Figure 172401DEST_PATH_IMAGE016
 
双密度双树离散小波变换迭代滤波器组如附图4所示。
一组双密度双树离散小波变换分解小波滤波器系数如下：
af{1} = [ 0                  0                  0
   0.00069616789827  -0.00014203017443   0.00014203017443
  -0.02692519074183   0.00549320005590  -0.00549320005590
  -0.04145457368920   0.01098019299363  -0.00927404236573
   0.19056483888763  -0.13644909765612   0.07046152309968
   0.58422553883167  -0.21696226276259   0.13542356651691
   0.58422553883167   0.33707999754362  -0.64578354990472
   0.19056483888763   0.33707999754362   0.64578354990472
  -0.04145457368920  -0.21696226276259  -0.13542356651691
  -0.02692519074183  -0.13644909765612  -0.07046152309968
   0.00069616789827   0.01098019299363   0.00927404236573
                  0   0.00549320005590   0.00549320005590
                  0  -0.00014203017443  -0.00014203017443
                  0                  0                  0];
af{2} = [         0                  0                  0
                  0                  0                  0
   0.00069616789827  -0.00014203017443   0.00014203017443
  -0.02692519074183   0.00549320005590  -0.00549320005590
  -0.04145457368920   0.01098019299363  -0.00927404236573
   0.19056483888763  -0.13644909765612   0.07046152309968
   0.58422553883167  -0.21696226276259   0.13542356651691
   0.58422553883167   0.33707999754362  -0.64578354990472
   0.19056483888763   0.33707999754362   0.64578354990472
  -0.04145457368920  -0.21696226276259  -0.13542356651691
  -0.02692519074183  -0.13644909765612  -0.07046152309968
   0.00069616789827   0.01098019299363   0.00927404236573
                  0   0.00549320005590   0.00549320005590
                  0  -0.00014203017443  -0.00014203017443];
上述af{1}和 af{2}两个系数是双密度小波变换第一级分解时两个树的滤波器系数。下面是用于第二级及以后分解的滤波器的系数：
af{1} = [
   0.00017870679071  -0.00012344587034   0.00001437252392
  -0.02488304194507   0.01718853971559  -0.00200122286479
   0.00737700819766  -0.00675291099550   0.00027261232228
   0.29533805776119   0.02671809818132   0.06840460220387
   0.59529279993637  -0.64763513288874   0.01936710587994
   0.45630440337458   0.47089724990858  -0.68031992557818
   0.11239376309619   0.16040017815754   0.42976785708978
  -0.01971220693439  -0.01484700537727   0.11428688385011
  -0.00813549683439  -0.00588868840296   0.05057805218407
   0.00005956893024   0.00004311757177  -0.00037033761102
];
af{2} = [
   0.00005956893024   0.00004311757177  -0.00037033761102
  -0.00813549683439  -0.00588868840296   0.05057805218407
  -0.01971220693439  -0.01484700537727   0.11428688385011
   0.11239376309619   0.16040017815754   0.42976785708978
   0.45630440337458   0.47089724990858  -0.68031992557818
   0.59529279993637  -0.64763513288874   0.01936710587994
   0.29533805776119   0.02671809818132   0.06840460220387
   0.00737700819766  -0.00675291099550   0.00027261232228
  -0.02488304194507   0.01718853971559  -0.00200122286479
   0.00017870679071  -0.00012344587034   0.00001437252392
];
af{2}的第二列系数和第三列系数需要做交换，以构成最终的分解滤波器系数。
利用双密度双树离散小波变换递推滤波器组对超声信号进行小波分解，将最大限度地保留放电过程中辐射超声信号的特征。
小波变换反映了信号在时频域中能量分布状况，不同信号在时频分布上的差异表现为不同子带时频区间能量分布的差异。因此利用Shannon信息熵的概念定义小波系数Shannon熵。
设
Figure 221610DEST_PATH_IMAGE017
表示小波分解的一个子频带小波系数
Figure 360467DEST_PATH_IMAGE018
的时域重构离散信号，
Figure 881578DEST_PATH_IMAGE018
表示第j层的第k个节点小波分解系数。
定义小波系数Shannon熵为：    
   
Figure 131294DEST_PATH_IMAGE019
，约定
Figure 116567DEST_PATH_IMAGE020
             （1）
首先对超声信号进行4层双密度双树离散小波分解，分别计算每一个节点的
Figure 613277DEST_PATH_IMAGE021
值，并用这一层全部节点的
Figure 684001DEST_PATH_IMAGE021
构成Shannon熵特征向量
Figure 675091DEST_PATH_IMAGE022
，用于描述获取超声信号的特征。
Figure 514871DEST_PATH_IMAGE040
紫外信号小波包分解小波系数Shannon熵
利用如下双尺度方程：
Figure DEST_PATH_IMAGE041
                 （2）
当
Figure 182481DEST_PATH_IMAGE042
时，由上式得出：
Figure DEST_PATH_IMAGE043
                       （3）
对紫外信号进行小波包分解，小波基选为高斯小波。定义子空间
Figure 412605DEST_PATH_IMAGE044
是函数
Figure DEST_PATH_IMAGE045
的闭包空间，而
Figure 456654DEST_PATH_IMAGE046
是函数的闭包空间。
Figure 88623DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
分别为高通滤波器和低通滤波器。
对紫外信号利用（2）式计算其3层小波包分解，然后利用（1）式计算其小波系数Shannon熵。
由上述步骤
Figure 930065DEST_PATH_IMAGE039
和
Figure 975381DEST_PATH_IMAGE040
分别得到了描述超声信号和紫外信号的特征信息。
二、检测系统主机
检测系统主机实现对分布式传感器检测电路获取的特征向量进行特征融合及模式识别，判断检测区域是否有局部放电出现以及其放电的等级。具体实现方法如下：
（1）特征融合部分：
采用特征融合的方法将超声信号和紫外信号的特征进行融合。典型相关分析是一种经典的多元统计分析方法。其基本思想是把两个多维变量之间的相关性转化成少数几对典型相关变量之间的相关性，而且这几对变量之间是互不相关的。这样只需用较少的典型相关变量就能完整而又简单地刻画两个多维变量之间的关系，可以达到降低变量维数的目的。因此，将描述超声信号和紫外信号的特征向量进行典型相关特征融合。
具体实现步骤如下：
Figure 308274DEST_PATH_IMAGE039
对于已提取的超声信号特征x与紫外信号特征y的训练样本
Figure 857067DEST_PATH_IMAGE023
和
Figure 132059DEST_PATH_IMAGE024
，首先计算协方差矩阵
Figure 399092DEST_PATH_IMAGE025
，
Figure 597992DEST_PATH_IMAGE026
及互协方差矩阵
Figure 938975DEST_PATH_IMAGE027
，其中m是特征x的特征维数，k为训练样本个数，n为特征y的特征维数；
Figure 197918DEST_PATH_IMAGE040
计算
Figure 139198DEST_PATH_IMAGE028
或者
Figure 876210DEST_PATH_IMAGE029
的非零特征值及对应的标准正交特征向量
Figure 337278DEST_PATH_IMAGE030
,
Figure 767123DEST_PATH_IMAGE031
Figure 743169DEST_PATH_IMAGE032
；
根据
Figure 51976DEST_PATH_IMAGE033
，
Figure 387143DEST_PATH_IMAGE034
，
Figure 323523DEST_PATH_IMAGE032
计算所有典型投影向量，取前d对投影矢量构成变换矩阵
Figure 402337DEST_PATH_IMAGE035
； 
Figure DEST_PATH_IMAGE051
利用线性变换
Figure 837998DEST_PATH_IMAGE036
计算组合的特征向量，并用于模式分类。
 
（2）模式识别部分：
电力设备的放电严重程度与放电所处的阶段相对应，即放电初始期，放电发展期，临界击穿期，对应3级严重程度，再结合正常状态，共有4种类型。因此采用支持相量机分类树对4种状态进行分类。
训练阶段：每种类型融合后的特征向量分别取50个作为训练样本。根据特征的相似性通过SVM分成两个集合，选用径向基核函数，以此类推，直到所有分类结束，得到相应的SVM分类树。
测试阶段：将待识别的样本输入分类树，可以得到分类树输出的结果，并根据局部放电的严重程度，该检测与识别系统给出相应的报警信号及语音提示。
总体而言，本发明的系统由4个分布式传感器检测电路（其数量可以根据具体环境要求进行选取）、无线CDMA通信模块及检测系统主机组成，分布式布局的传感检测电路完成对放电信号的采集、滤波及特征提取即利用小波变换双变量收缩函数对获取的信号进行滤波；利用双密度双树离散小波变换对超声信号进行小波分解，利用小波包变换对紫外信号进行分解；再分别计算超声信号和紫外信号的小波系数Shannon熵特征。检测系统主机完成对分布式布局传感器检测电路提取的不同特征进行特征融合，然后采用典型相关分析方法对描述超声信号特征的双密度双树小波变换小波系数Shannon熵与描述紫外信号的小波包变换小波系数Shannon熵进行特征融合。最后，采用支持相量机分类树对融合后的特征进行分类识别，并发出相应的报警信号。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.基于超声与紫外信息融合的局部放电检测识别方法，其特征在于：包括以下步骤：
S1: 在被检测对象周围空间均匀设置至少4个采用分布式布局的传感检测电路；每个分布式布局的传感检测电路包括有超声信号传感器、紫外信号传感器、滤波电路、A/D转换电路、数字信号处理电路以及通信模块；
S2:通过分布式布局的传感检测电路实时采集被检测区域发生局部放电时产生的超声信号和紫外信号，经滤波电路和A/D转换电路进行处理后，送入数字信号处理电路进行处理；
S3:通过数字信号处理器对实时采集的超声信号和紫外信号进行双变量收缩函数法的数字滤波处理；
S4: 将S3中得到的超声信号提取双密度小波变换小波系数Shannon熵x，将S3中得到的紫外信号提取小波包小波系数Shannon熵y，并将特征向量x和y经过通信模块发送到检测系统主机；
S5:检测系统主机对接收的特征向量x和y利用典型相关分析方法进行特征融合，得到融合后的特征向量z；
S6: 检测系统主机对S5中得到的融合后的向量z利用支持相量机分类树进行分类，并给出分类结果。
2.根据权利要求1所述的基于超声与紫外信息融合的局部放电检测识别方法，其特征在于：所述步骤S3）还具体包括以下子步骤：
S31:对超声信号和紫外信号分别进行小波包分解，分解小波为高斯小波，分解层数选择4层；
S32：对4层分解后的信号，利用双变量收缩函数方法去噪，即首先利用                                                
Figure 200511DEST_PATH_IMAGE001
算出噪声方差估计值
Figure 416729DEST_PATH_IMAGE002
，然后对小波分解的每个子带
Figure 299234DEST_PATH_IMAGE003
，分别用式
Figure 838669DEST_PATH_IMAGE004
  和
Figure 718900DEST_PATH_IMAGE005
计算出原始信号方差估计值
Figure 156834DEST_PATH_IMAGE006
，根据公式
Figure 577451DEST_PATH_IMAGE007
，求出去噪后小波系数的估计值；
S33:对去噪后小波系数进行重构，得到去噪后的信号。
3.根据权利要求1或2所述的基于超声与紫外信息融合的局部放电检测识别方法，其特征在于：所述步骤S4）中对超声信号进行双密度双树离散小波变换小波系数shannon熵计算是利用经过严格设计的滤波器组，得到各尺度函数和小波函数，通过将超声信号输入滤波器组，得到相应的小波分解系数；
其中，尺度函数包括
Figure 236972DEST_PATH_IMAGE008
，小波函数包括四个不同的小波
Figure 84842DEST_PATH_IMAGE009
构成，其中
Figure 947756DEST_PATH_IMAGE010
是由
Figure 172064DEST_PATH_IMAGE011
偏移0.5得到，
Figure 686091DEST_PATH_IMAGE012
是由
Figure 970441DEST_PATH_IMAGE013
偏移0.5得到，即：
  
Figure 382968DEST_PATH_IMAGE014
   ；       
两个小波
Figure 83071DEST_PATH_IMAGE009
形成近似的希尔伯特变换对，即：
Figure 264654DEST_PATH_IMAGE015
Figure 909786DEST_PATH_IMAGE016
   ；
S42：对S41获得的双密度双树离散小波分解系数进行小波系数Shannon熵的计算，设表示小波分解的一个子频带小波系数
Figure 313403DEST_PATH_IMAGE018
的时域重构离散信号，
Figure 349492DEST_PATH_IMAGE018
表示第j层的第k个节点小波分解系数；
定义小波系数Shannon熵为：    
   
Figure 162596DEST_PATH_IMAGE019
，约定
Figure 549715DEST_PATH_IMAGE020
             
首先对超声信号进行4层双密度双树离散小波分解，分别计算每一个节点的
Figure 591620DEST_PATH_IMAGE021
值，并用这一层全部节点的
Figure 747795DEST_PATH_IMAGE021
构成Shannon熵特征向量
Figure 544850DEST_PATH_IMAGE022
，用于描述获取的超声信号特征x；
S43：对紫外信号计算小波包分解小波系数Shannon熵；
对紫外信号进行3层小波包分解，然后计算小波包系数Shannon熵y。
4.根据权利要求1所述的基于超声与紫外信息融合的局部放电检测识别方法，其特征在于：所述步骤S5还包括以下子步骤：
S51:对超声信号特征x与紫外信号特征y的训练样本
Figure 340636DEST_PATH_IMAGE023
和
Figure 514129DEST_PATH_IMAGE024
，首先计算协方差矩阵
Figure 462493DEST_PATH_IMAGE025
，
Figure 430449DEST_PATH_IMAGE026
及互协方差矩阵
Figure 713532DEST_PATH_IMAGE027
，其中m是特征x的特征维数，k为训练样本个数，n为特征y的特征维数；
S52:计算
Figure 159557DEST_PATH_IMAGE028
或者
Figure 228007DEST_PATH_IMAGE029
的非零特征值及对应的标准正交特征向量
Figure 366864DEST_PATH_IMAGE030
,
Figure 950292DEST_PATH_IMAGE031
Figure 384029DEST_PATH_IMAGE032
；
S53:根据
Figure 369302DEST_PATH_IMAGE033
，
Figure 616744DEST_PATH_IMAGE034
，
Figure 687468DEST_PATH_IMAGE032
计算所有典型投影向量，取前5对投影矢量构成变换矩阵；
S54:利用线性变换
Figure 767606DEST_PATH_IMAGE036
计算组合的特征向量，并用于模式分类。
5.根据权利要求1所述的基于超声与紫外信息融合的局部放电检测识别方法，其特征在于：所述步骤S6还包括以下子步骤：
S61：支持相量机分类树训练阶段：每种类型融合后的特征向量分别取50个作为训练样本；
根据特征的相似性通过SVM分成两个集合，选用径向基核函数，以此类推，直到所有分类结束，得到如附图3所示的SVM分类树；
S62：支持相量机分类树检测阶段：将待识别的样本输入分类树，可以得到分类树输出的结果，从而得出局部放电的严重程度，并由系统给出相应的报警信号及语音提示。
6.基于超声与紫外信息融合的局部放电检测识别系统，其特征在于：所述识别系统包括分布式布局传感检测电路及检测系统主机；
所述分布式布局的传感检测电路包括传感器、低通滤波电路、双通道同步AD转换电路、数字信号处理器及无线通信模块组成，用于完成局部放电超声信号及紫外信号的实时采集、预处理和特征提取，并将特征信息通过无线通信模块传输给检测系统主机，检测系统主机对分布式传感检测电路发来的特征信息进行特征层的信息融合，判断是否有局部放电以及局部放电的严重等级。
7.根据权利要求6所述的基于超声与紫外信息融合的局部放电检测识别系统，其特征在于：所述分布式传感检测电路的传感器包括超声波传感器、紫外信号传感器，所述数字信号处理器采用TMS320F28335PGFA。
CN201110454804.5A 2011-12-30 2011-12-30 基于超声与紫外信息融合的局部放电检测识别方法及系统 Expired - Fee Related CN102495343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110454804.5A CN102495343B (zh) 2011-12-30 2011-12-30 基于超声与紫外信息融合的局部放电检测识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110454804.5A CN102495343B (zh) 2011-12-30 2011-12-30 基于超声与紫外信息融合的局部放电检测识别方法及系统

Publications (2)

Publication Number Publication Date
CN102495343A true CN102495343A (zh) 2012-06-13
CN102495343B CN102495343B (zh) 2014-04-16

Family

ID=46187184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110454804.5A Expired - Fee Related CN102495343B (zh) 2011-12-30 2011-12-30 基于超声与紫外信息融合的局部放电检测识别方法及系统

Country Status (1)

Country Link
CN (1) CN102495343B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499776A (zh) * 2013-09-03 2014-01-08 华北电力大学（保定） 基于超声波和红外热像的输变电设备故障巡检核心系统
CN103884970A (zh) * 2014-03-25 2014-06-25 上海局放软件技术有限公司 适用于多检测方法的局部放电巡检装置
CN106530244A (zh) * 2016-10-26 2017-03-22 长安大学 一种图像增强方法
CN106950475A (zh) * 2017-03-23 2017-07-14 广东电网有限责任公司珠海供电局 一种基于小波变换的局部放电信号提取方法及装置
CN107064759A (zh) * 2017-04-25 2017-08-18 国网安徽省电力公司电力科学研究院 一种特高压设备绝缘缺陷类型判断方法和系统
CN107703418A (zh) * 2017-08-30 2018-02-16 上海交通大学 基于多径向基神经网络的局部放电定位误差补偿方法
CN109001181A (zh) * 2018-08-24 2018-12-14 武汉轻工大学 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法
CN109387756A (zh) * 2018-12-13 2019-02-26 云南电网有限责任公司电力科学研究院 一种基于光纤光栅的局部放电检测系统及方法
CN109406965A (zh) * 2018-11-16 2019-03-01 国网江苏省电力有限公司盐城供电分公司 一种基于声音信号采集的局部放电检测系统及其检测方法
CN110031733A (zh) * 2019-04-16 2019-07-19 国网江苏省电力有限公司电力科学研究院 局部放电检测方法及系统
CN110161386A (zh) * 2019-05-06 2019-08-23 贵州电网有限责任公司 一种便携式高压电缆接头局部放电检测装置及方法
CN110188737A (zh) * 2019-06-18 2019-08-30 郑州大学 基于锂电池安全阀开启声信号检测的热失控预警方法
CN110207689A (zh) * 2019-05-30 2019-09-06 西安电子科技大学 一种基于小波熵的脉冲星信号去噪及辨识方法
CN110275094A (zh) * 2019-05-05 2019-09-24 电子科技大学 一种高压电缆局部放电声光联合检测方法及系统
CN110837028A (zh) * 2019-09-27 2020-02-25 中国船舶重工集团公司第七一九研究所 一种快速识别局部放电模式的方法
CN110879351A (zh) * 2019-11-28 2020-03-13 山东科技大学 一种基于rcca-svm的非线性模拟电路故障诊断方法
CN111239554B (zh) * 2019-11-29 2021-04-13 深圳供电局有限公司 一种基于大数据的超声波局放检测分析模型
CN112698164A (zh) * 2020-12-12 2021-04-23 国网辽宁省电力有限公司鞍山供电公司 一种基于c频段紫外线检测密闭空间绝缘状态的分析方法
CN114371222A (zh) * 2022-01-17 2022-04-19 华北理工大学 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法
CN115510927A (zh) * 2021-06-03 2022-12-23 中国移动通信集团四川有限公司 故障检测方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008145301A (ja) * 2006-12-11 2008-06-26 Kansai Electric Power Co Inc:The 部分放電検出方法および検出装置
CN101388525A (zh) * 2007-11-23 2009-03-18 李洪景 高压开关柜触点电晕及拉弧检测装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008145301A (ja) * 2006-12-11 2008-06-26 Kansai Electric Power Co Inc:The 部分放電検出方法および検出装置
CN101388525A (zh) * 2007-11-23 2009-03-18 李洪景 高压开关柜触点电晕及拉弧检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAO Q,ET AL.: "Human tracking with wireless distributed pyroelectric sensors", 《IEEE. SENSORS JOURNAL》 *
王林泓等: "基于小波熵的低误报率人体热释电红外信号识别", 《仪器仪表学报》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499776B (zh) * 2013-09-03 2016-08-17 华北电力大学（保定） 基于超声波和红外热像的输变电设备故障巡检核心系统
CN103499776A (zh) * 2013-09-03 2014-01-08 华北电力大学（保定） 基于超声波和红外热像的输变电设备故障巡检核心系统
CN103884970A (zh) * 2014-03-25 2014-06-25 上海局放软件技术有限公司 适用于多检测方法的局部放电巡检装置
CN106530244B (zh) * 2016-10-26 2019-03-19 长安大学 一种图像增强方法
CN106530244A (zh) * 2016-10-26 2017-03-22 长安大学 一种图像增强方法
CN106950475A (zh) * 2017-03-23 2017-07-14 广东电网有限责任公司珠海供电局 一种基于小波变换的局部放电信号提取方法及装置
CN107064759B (zh) * 2017-04-25 2019-08-13 国网安徽省电力公司电力科学研究院 一种特高压设备绝缘缺陷类型判断方法和系统
CN107064759A (zh) * 2017-04-25 2017-08-18 国网安徽省电力公司电力科学研究院 一种特高压设备绝缘缺陷类型判断方法和系统
CN107703418A (zh) * 2017-08-30 2018-02-16 上海交通大学 基于多径向基神经网络的局部放电定位误差补偿方法
CN107703418B (zh) * 2017-08-30 2019-10-18 上海交通大学 基于多径向基神经网络的局部放电定位误差补偿方法
CN109001181A (zh) * 2018-08-24 2018-12-14 武汉轻工大学 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法
CN109406965A (zh) * 2018-11-16 2019-03-01 国网江苏省电力有限公司盐城供电分公司 一种基于声音信号采集的局部放电检测系统及其检测方法
CN109387756A (zh) * 2018-12-13 2019-02-26 云南电网有限责任公司电力科学研究院 一种基于光纤光栅的局部放电检测系统及方法
CN110031733A (zh) * 2019-04-16 2019-07-19 国网江苏省电力有限公司电力科学研究院 局部放电检测方法及系统
CN110275094B (zh) * 2019-05-05 2021-06-08 电子科技大学 一种高压电缆局部放电声光联合检测方法及系统
CN110275094A (zh) * 2019-05-05 2019-09-24 电子科技大学 一种高压电缆局部放电声光联合检测方法及系统
CN110161386A (zh) * 2019-05-06 2019-08-23 贵州电网有限责任公司 一种便携式高压电缆接头局部放电检测装置及方法
CN110207689A (zh) * 2019-05-30 2019-09-06 西安电子科技大学 一种基于小波熵的脉冲星信号去噪及辨识方法
CN110207689B (zh) * 2019-05-30 2022-09-16 西安电子科技大学 一种基于小波熵的脉冲星信号去噪及辨识方法
CN110188737A (zh) * 2019-06-18 2019-08-30 郑州大学 基于锂电池安全阀开启声信号检测的热失控预警方法
CN110188737B (zh) * 2019-06-18 2022-10-21 郑州大学 基于锂电池安全阀开启声信号检测的热失控预警方法
CN110837028B (zh) * 2019-09-27 2021-08-31 中国船舶重工集团公司第七一九研究所 一种快速识别局部放电模式的方法
CN110837028A (zh) * 2019-09-27 2020-02-25 中国船舶重工集团公司第七一九研究所 一种快速识别局部放电模式的方法
CN110879351A (zh) * 2019-11-28 2020-03-13 山东科技大学 一种基于rcca-svm的非线性模拟电路故障诊断方法
CN111239554B (zh) * 2019-11-29 2021-04-13 深圳供电局有限公司 一种基于大数据的超声波局放检测分析模型
CN112698164A (zh) * 2020-12-12 2021-04-23 国网辽宁省电力有限公司鞍山供电公司 一种基于c频段紫外线检测密闭空间绝缘状态的分析方法
CN115510927A (zh) * 2021-06-03 2022-12-23 中国移动通信集团四川有限公司 故障检测方法、装置及设备
CN115510927B (zh) * 2021-06-03 2024-04-12 中国移动通信集团四川有限公司 故障检测方法、装置及设备
CN114371222A (zh) * 2022-01-17 2022-04-19 华北理工大学 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法
CN114371222B (zh) * 2022-01-17 2023-11-03 上海电子信息职业技术学院 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法

Also Published As

Publication number Publication date
CN102495343B (zh) 2014-04-16

Similar Documents

Publication Publication Date Title
CN102495343B (zh) 基于超声与紫外信息融合的局部放电检测识别方法及系统
Agarwal et al. A hybrid model using logistic regression and wavelet transformation to detect traffic incidents
CN103033567B (zh) 一种基于导波的管道缺陷信号识别方法
CN106650297B (zh) 一种无领域知识的卫星分系统异常检测方法
Long et al. A comprehensive review of signal processing and machine learning technologies for UHF PD detection and diagnosis (I): Preprocessing and localization approaches
Kaloop et al. De-noising of GPS structural monitoring observation error using wavelet analysis
CN103366184A (zh) 基于混合分类器的极化sar数据分类方法及系统
Kim et al. Exploring wavelet applications in civil engineering
Li et al. Experimental investigation for fault diagnosis based on a hybrid approach using wavelet packet and support vector classification
Schultz et al. Local minima-based recurrence plots for continuous dynamical systems
Silik et al. A new denoising technique via wavelet analysis of structural vibration response for structural health monitoring applications
Kandpal et al. Classification of ground vehicles using acoustic signal processing and neural network classifier
Lang et al. Pipeline leak aperture recognition based on wavelet packet analysis and a deep belief network with ICR
CN113919389A (zh) 一种基于声纹成像的gis故障诊断方法及系统
Liu et al. A novel signal separation algorithm for wideband spectrum sensing in cognitive networks
Qian et al. Network traffic forecasting by support vector machines based on empirical mode decomposition denoising
Yuan et al. An efficient feature extraction approach based on manifold learning for analogue circuits fault diagnosis
Xi et al. Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM
Yan et al. Mutual information-assisted wavelet function selection for enhanced rolling bearing fault diagnosis
CN115310499A (zh) 一种基于数据融合的工业设备故障诊断系统及方法
Bagwe et al. Automated Radar Signal Analysis Based on Deep Learning
Ingaroca et al. Wind speed measurement method using ultrasonic sensors with stationary wavelet transform
CN105510900A (zh) 基于小波包分析神经网络的全波形激光雷达数据去噪方法
Sun et al. Simulation study on fault diagnosis of power electronic circuits based on wavelet packet analysis and support vector machine
Bhairannawar et al. An Efficient Reconfigurable Architecture for Fingerprint Recognition.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140416

Termination date: 20141230

EXPY Termination of patent right or utility model