CN108734192B - 一种基于投票机制的支持向量机机械故障诊断方法 - Google Patents
一种基于投票机制的支持向量机机械故障诊断方法 Download PDFInfo
- Publication number
- CN108734192B CN108734192B CN201810096999.2A CN201810096999A CN108734192B CN 108734192 B CN108734192 B CN 108734192B CN 201810096999 A CN201810096999 A CN 201810096999A CN 108734192 B CN108734192 B CN 108734192B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- band
- noise
- algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 230000007246 mechanism Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000005236 sound signal Effects 0.000 claims abstract description 29
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004383 yellowing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 30
- 238000007635 classification algorithm Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于投票机制的支持向量机机械故障诊断方法，通过三种不同的特征分析算法：工频谐波结构特征分析算法、多分辨率带通滤波器组频谱分析方法及希尔伯特黄变换特征分析方法，对机械设备故障运行状态下发出的声音信号进行特征提取，然后利用支持向量机算法进行分类识别。上述采用的三特征分析算法对于机械噪声此类非平稳非线性信号具有很好的适用性，能够多方面、自适应地描述信号的时频特征。分类算法采用一种基于投票机制的支持向量机多分类器。该分类器采用一类对余类法将多分类器分解为多个二类分类器，同时基于投票机制及置信度最优准则判决方法，保证了该分类方法能够达到较高的识别率及较好的算法鲁棒性。
Description
技术领域
本发明属于机械故障诊断技术领域，特别涉及一种支持向量机机械故障诊断方法。
背景技术
封闭式气体组合电器(Gas Insulated Switchgear,GIS)由于具有高的运行可靠性已经越来越广泛地被采用。GIS具有良好的绝缘性能，广泛应用于高压输电系统中。随着我国电力工业的迅速发展，GIS趋向大容量、高电压发展。作为电力系统中运行的重要设备，GIS一旦发生故障，将会影响电力系统的正常供电，造成巨大的经济损失和不良的社会影响。因此，GIS的运行可靠性非常重要。
GIS的故障率一般只有常规设备的20％-40％，但也存在缺陷不易发现，检测试验手段少，判断困难的缺点，而且由于GIS是全封闭组合电力设备，一旦出现事故，造成的后果比敞开设备更严重，故障修复也更复杂，修复时间也较长。检修中常会涉及非故障元件，修复时还可能产生二次次生缺陷。因此，GIS的运行检测十分重要，需要发展GIS的带电检测和在线监测技术，以便及时获得GIS运行中的绝缘状态，发现各种可能的异常或故障预兆，及时处理，避免缺陷扩大造成损失。
在GIS的实际运行中，除了放电性故障之外，机械性故障也是导致事故发生的一大主要原因。所谓的机械故障是指当GIS内存在某些缺陷时，如开关触头接触异常、壳体对接不平衡、紧固件松脱等时，此时不会发生放电性故障，但由于导体中交流电流产生的交变电动力、互感器铁芯产生的电磁力等会导致的GIS产生机械性运动，由于机械缺陷的存在，其在正常振动之外会产生异常振动信号。GIS本体的异常振动对GIS本体具有很大危害，长期振动可能使螺栓松动，造成气体泄露，压力降低，造成绝缘事故；会对绝缘子和绝缘柱造成损害；会影响外壳接地点的牢固。
GIS设备运行时常见的机械故障有杂物引起的外壳振动、电磁力、磁致伸缩引起的振动、开关操作引起的振动、由于GIS触头接触过热导致接触不良引起的振动、内部元件接地引起的振动、外界噪声引起的异响振动、由于倒闸操作事故引起的振动等故障。
目前国内外对于GIS设备故障诊断主要集中在放电性故障，对于机械性故障诊断鲜有研究。基于GIS设备噪声进行机械故障诊断技术更是至今未见相关研究文献。
发明内容
本发明的目的在于提供一种基于投票机制的支持向量机机械故障诊断方法，利用工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换(Hilbert-Huang Transform，简称HHT)算法对GIS设备运行声音进行综合特征分析，提取相应的特征向量并设计了基于投票机制的支持向量机故障分类器，以解决上述技术问题。本发明提出一种基于声学特征分析结合自适应特征提取进行GIS设备故障诊断技术实现对GIS设备进行非侵入、无损伤式故障检测及预警。
为了实现上述目的，本发明采用如下技术方案：
一种基于投票机制的支持向量机机械故障诊断方法，包括以下步骤：
第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；
第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；
第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；
第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；
第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS或其他电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；
第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果。
进一步的，第三步中，基于工频谐波结构分析算法提取滤除噪声后的声音信号的工频谐波特征向量具体包括：
利用基频50Hz信号整数倍n长度的矩形窗函数截取声波信号，设前端设备采样率为fs，n 取为满足如下不等式的最小整数值：
对加窗后的信号进行低通滤波，通带截止频率f1＝(1.1～1.5)*2000Hz，然后经过m1倍的上采样和m2倍的下采样，得到采样率为fs′；fs′＝L＝2*f1；m1和m2满足以下等式：
选取的信号为窗长的1.5～2倍，然后使得窗函数由信号开端进行滑动选取；当矩形窗首尾对应的信号值的幅度平方和为最小时，此段信号的突变最小，具有最小的频谱泄露；
基于上述方法得到2kHz以内40维工频谐波特征向量，然后加上由2kH以内工频谐波总能量与非谐波总能量之比作为其中一维特征，进行归一化后得到41维工频谐波特征向量。
进一步的，第三步中，基于多分辨率带通滤波器组频谱分析算法提取多分辨率带通滤波器组特征向量具体包括：
设计一组高斯带通滤波器对滤除噪声后的声音信号进行频谱分析；对于声频范围为 20～20kHz的声波信号，设采样频率为fs，将20～20kHz的频率范围分为128个频段，设每个频段的中心频率为fi，i＝1,2,…,128，则：
其中，ai＝ci，c＝1.08；
信号经过中心频率为fi的高斯带通滤波器等效为先将信号从某中心频率调制到零频，然后在低频应用相应的高斯低通滤波器进行低通滤波：
其中，高斯分布参数δi决定了第i个高斯窗函数的宽度；第i个高斯滤波器的长度为：
Li＝2*(round(2.5*ai)+1)-1
其中，round(x)表示取x四舍五入后的整数值，滤波器的长度为奇数；由上式可知，ai为递增序列，滤波器中心频率fi为递减序列，而Li为响应的递增序列；得到的0～20kHz范围内 128个滤波器中心频率参数；
信号x(n)经过带通滤波器后，然后计算出相应的频带能量得到整个声频范围内的带通滤波器组能量谱特征向量，维数为128。
进一步的，第三步中，基于希尔伯特—黄变换算法提取HHT变换边际谱系数特征向量具体包括：从滤除噪声后的声音信号本身特征出发，用经验模态分解把信号分解为有限个征模态函数,然后对IMF分量进行Hilbert变换，得到时频平面上能量分布的Hilbert谱图。
相对于现有技术，本发明具有以下有益效果：
本发明一种基于投票机制的支持向量机机械故障诊断方法，所设计的故障诊断方法通过三种不同的特征分析算法(即工频谐波结构特征分析算法、多分辨率带通滤波器组频谱分析方法及希尔伯特黄变换特征分析方法)对机械设备故障运行状态下发出的声音信号进行特征提取，然后利用支持向量机算法进行分类识别。本发明所选取的三种特征分析算法特点在于：(1)工频谐波特征结构提取算法针对电气设备噪声频谱特点进行提取与50Hz工频相关的谐波特征，具有较强的针对性和目的性。(2)本发明设计的带通滤波器组的多分辨率率特性具有与小波变换相似的频谱“显微镜”作用，非常适用于电气设备机械噪声等非平稳声音信号特征分析。(3) 希尔伯特黄变换是一种新型的非线性、非稳态信号处理的方法，经验模式分解可以高效率、自适应地分解非线性、非平稳信号。Hilbert边际谱表示信号幅值在整个频率段上随频率的变化情况，比傅里叶谱具有更高的频率分辨率。综上所述，本发明采用的三种特征分析算法对于机械噪声此类非平稳非线性信号具有很好的适用性，能够多方面、自适应地描述信号的时频特征。
本发明采用基于置信度的算法优化支持向量机一类对余类故障分类器。其特征在于：该故障诊断系统由三个分别基于不同特征分析算法的子分类系统以及投票系统组成。在训练阶段，子系统采用一类对余类多分类方法，同时基于交叉验证法得到每个子系统对应的置信度；在测试阶段，待分类信号经过三个子分类系统得到分类结果后，在投票系统中，对于一般情况利用多数投票法得到最终的分类结果，而对于三个子系统分类结果均不相同的情况，投票系统基于其置信度选取置信水平最高的子系统分类结果最为整体分类器的最终识别结果。本方法充分结合了三种特征分析算法进行综合判断，同时基于投票机制及置信度最优规则的判决方法保证了该分类方法能够达到较高的识别率及较好的算法鲁棒性。
附图说明
图1.工频谐波特征提取算法流程框图；
图2.短时傅里叶变换的另一种带通滤波器作用解释图；
图3.多分辨率带通滤波器能量特征提取算法流程框图；
图4.最优分类超平面图；
图5.输入空间到高维特征空间的映射图；
图6.支持向量机示意图；
图7.EMD算法流程框图；
图8.一类对余类(OVR)算法流程图；
图9.一类对余类(OVR)方法图；其中G1,G2,G3,G4为不可分区域；图9(a)为决策函数选得恰当，能够正确反映实际情况，不存在不可分的区域的示意图；图9(b)为实际构造函数是有误差时，存在不可分的区域的示意图；
图10.基于三种特征向量投票机制支持向量机故障分类算法流程图；
图11.三类样本数据(A,B.C)的归一化谐波特征图；
图12.A/B/C三类样本边际谱系数特征图；
图13.A/B/C三类样本多分辨率带通滤波器组能量特征图。
具体实施方式
一种基于投票机制的支持向量机机械故障诊断方法，具体包括以下步骤：
第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；
第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；
第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；
第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；
第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS等电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；
第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果。
本发明提出一种基于工频谐波结构、多分辨率带通滤波器组及希尔伯特—黄变换(HHT)综合特征分析算法的机械故障诊断方法。
本方法包含三种不同的特征提取算法及基于投票机制的支持向量机多类分类算法。本发明所采用的工频谐波结构特征分析算法主要针对提取50Hz及其谐波分量能量分布结构特征，基于对GIS等电气设备运行发出的声音进行短时傅里叶变换得到的频谱图分析可知，该类电气设备运行时发出的声音信号频谱中某些工频谐波频点处存在主导能量分布。由此可预知，研究声音信号的工频谐波结构能量分布特征对于描述电气设备声音信号特性有一定的重要作用。本发明所设计的多分辨率带通滤波器组是一种类似小波多分辨率频谱分析法。对于声频范围 20～20kHz内，通带滤波器中心频率按对数均匀分布设计选取，共分为128个通带滤波器，其对应中心频率见表1所示。对于低频部分滤波器具有较高的频率分辨率和较低的时间分辨率，反之，在高频部分滤波器具有较低的频率分辨率和较高的时间分辨率。因此，能够更加精细的描述信号频谱特性。希尔伯特—黄变换(HHT)主要由经验模式分解和希尔伯特谱分析两个理论部分构成。经验模式分解可以高效率、自适应地分解非线性、非平稳信号；分解得到的固有模式函数经过希尔伯特变换，可以赋予瞬时频率合理的意义与求法，进而表征信号的时频特性。
本发明所提出的三种特征分析算法既有针对GIS、变压器等电气设备运行声音信号频谱特点的工频谐波结构特征提取算法，又有针对非线性、非平稳信号的特征提取算法。多分辨率带通滤波器组频谱分析法统小波多分辨率分析具有相似作用，在时域和频域同时具有良好的局部化性质。而且对高频成分采用逐渐精细的时域或频域取样步长，从而可以聚焦到对象的任何细节。经验模式分解(Empirical Mode Decomposition，EMD)是基于数据自身的局部特征时间尺度进行分解，所以它可以高效率、自适应地分解非线性、非平稳信号。
本发明设计了一种基于上述三种特征分析算法进行多数投票法的支持向量机多类分类方法。由于国内外对基于GIS设备运行时产生的声音信号进行机械缺陷所致故障诊断的相关研究甚少，并且对于GIS设备在正常运行状态及几种常见故障状态下的声音信号样本也同样罕见。因此，对于此类小样本的数据分类，支持向量机分类算法具有明显的优势。同时，本发明采用三种不同的特征分析算法对设备声音信号进行不同角度及侧重点的全面特征描述，并进行独立的特征识别分类，然后对最终结果基于多数投票法进行综合判断，更提高了故障诊断的准确率和鲁棒性。
本发明所采用的特征提取算法及故障分类算法具体方案如下：
1.特征提取算法实现方案
(1)工频谐波结构特征提取算法
本发明主要针对GIS设备机械缺陷所致故障隐患的诊断，据查相关国内外文献可知，GIS 设备在机械故障状态下运行所产生的振动信号表现在低频段。因此，以提取2kHz以内信号谐波特征为例，如图1所示为工频谐波结构特征提取算法流程图。为准确提取声音信号2kHz以内的工频谐波结构特征，本所采用的技术方案如下：
利用基频50Hz信号整数倍n长度的矩形窗函数截取声波信号，设前端设备采样率为fs，则n取为满足如下不等式的最小整数值。
对上述加窗后的信号进行低通滤波，通带截止频率f1＝(1.1～1.5)*2000Hz，然后经过m1 倍的上采样和m2倍的下采样，得到采样率为fs′。为使得准确进行谐波特征提取，须使得 fs′＝L＝2*f1，即频谱分辨率正好为1Hz；所以m1和m2满足以下等式：
利用矩形窗函数对信号进行加窗，具有最大主瓣，因此频谱展宽效应最小；然而对于非周期整数倍长度进行信号截取，窗函数首尾对应的信号具有较大突变，因此会产生严重的频谱泄露问题。为解决矩形窗频谱泄露问题采用的技术方案为：选取的信号为窗长的1.5～2倍，然后使得窗函数由信号开端进行滑动选取；当矩形窗首尾对应的信号值的幅度平方和为最小时，即表示此段信号的突变最小，具有最小的频谱泄露。
基于上述方法即得到2kHz以内40维工频谐波特征向量，然后加上由2kH以内工频谐波总能量与非谐波总能量之比作为其中一维特征，进行归一化后即得到41维工频谐波特征向量。
(2)多分辨率带通滤波器组频谱分析算法
信号{x(n)}的短时傅里叶变换定义为：
其中，{w(n)}为一窗序列，显然Xn(ejω)是个二维函数，也称时频函数。下面推导基于滤波器组相加法的短时傅里叶变换信号重构。由式(1)经变量代换后得：
对于固定的频率ωk，式(2)可以写成：
其中，
综上，Xn(ejω)可以理解为当ω固定(如ω＝ωk)时，信号x(n)通过一个冲击响应为
的线性滤波器后再用复指数信号
调制的结果，它等价于一个中心频率为ωk，带宽与窗函数频率响应带宽相同的带通滤波器的作用，如图2所示。
基于上述原理设计一组高斯带通滤波器对信号进行频谱分析。对于声频范围为20～20kHz 的声波信号，设采样频率为fs，本发明将20～20kHz的频率范围分为128个频段，设每个频段的中心频率为fi，i＝1,2,…,128，则：
其中，ai＝ci，(i＝1,2,…,128)，c＝1.08。如表1所示，即为计算得到的128个频段中心频率，易知，中心频率是对数均匀分布的。
信号经过中心频率为fi的高斯带通滤波器可以等效为先将信号从某中心频率调制到零频，然后在低频应用相应的高斯低通滤波器进行低通滤波，如图3所示。
其中，高斯分布参数δi决定了第i个高斯窗函数的宽度。第i个高斯滤波器的长度为：
Li＝2*(round(2.5*ai)+1)-1
其中，round(x)表示取x四舍五入后的整数值，滤波器的长度为奇数。由上式可知，ai为递增序列，即滤波器中心频率fi为递减序列，而Li为响应的递增序列；得到的0～20kHz范围内 128个滤波器中心频率参数如表1所示。
由上式可知，当带通滤波器中心频率增大时，其FIR滤波器窗长也越来越大；也就是说，对于高频信号，滤波器的时间分辨率较高而频率分辨率较低，然后，对于低频信号，相应的带通滤波器具有高频率分辨率和低时间分辨率。
信号x(n)经过此组带通滤波器后，然后计算出相应的频带能量即可得到整个声频范围内的带通滤波器组能量谱特征向量，维数为128。然而，对于GIS设备机械故障的声波信号而已，其信号能量分布主要集中于低频部分，因此本发明可以由表1中心频率表所示，自主选择所需研究的频谱范围内的带通滤波器进行滤波分析，提取相关特征向量。其具体特征提取算法流程如图3所示。
(3)希尔伯特—黄变换(HHT)特征提取算法。
希尔伯特—黄变换(HHT)是一种新型的非线性、非稳态信号处理的方法，该方法从信号本身特征出发，用经验模态分解把信号分解为有限个征模态函数(IMF),然后对IMF分量进行 Hilbert变换，从而得到时频平面上能量分布的Hilbert谱图。其中，经验模态值分解算法流程如图7所示。
表1全声频范围内128个滤波器对应中心频率
任何信号都可以通过EMD分解为有限个IMF之和，但每个IMF分量必须满足以下条件：① IMF分量的极值点数和过零点个数相等或相差1个；②IMF分量上下包络线必须关于时间轴局部对称。
设原信号为s(t)，EMD分解过程如下：
(1)计算原信号s(t)所有的极大值点和极小值点，并用3次样条函数分别拟合上、下包络线。
(2)计算上、下包络线的均值，记为m1(t)，用原信号s(t)减去m1(t)得到一个去掉低频成分的信号h1(t)。
s(t)-m1(t)＝h1(t)
(3)若h1(t)满足IMF分量的条件，则h1(t)就为第1个IMF分量；否则将重复上述处理过程，直到重复第k次，h1k(t)满足IMF分量的条件，这样就得到了第一个IMF分量c1(t)，它代表原信号s(t)中最高频率的分量。
h1(k-1)(t)-m1k(t)＝h1k(t)＝c1(t)
(4)将最高频率的分量c1(t)从原信号s(t)中分离出来：r1(t)＝s(t)-m1(t)，将r1(t)作为原始信号，重复上述步骤(1)—(3)，重复n次，循环结束时，得到n个IMF分量c1(t),c2(t),…,cn(t)。由此可得：
上式中：rn(t)为残余函数；IMF分量c1(t)，c2(t)，…，cn(t)包含了从高到低不同频率段的成分。
对每个IMF分量运用Hilbert变换进行频谱分析，得到信号的瞬时频率，如下式所示：
这里省略了残余函数rn(t)，上式中等号右边即为Hilbert时频谱，简称Hilbert谱，记作
Hilbert谱准确显示了振幅在频率—时间平面上的分布。
用Hilbert谱可以进一步定义边际谱为
H(ω)能够反映各频率上的幅值分布。
2.基于投票机制的支持向量机特征分类法
支持向量机(Support Vector Machine，SVM)以统计学习理论为基础，有效地避免了经典学习方法中存在的“过学习”、“维数灾难”以及局部极小点等问题，在小样本条件下仍然具有良好的推广能力。如图6所示为支持向量机示意图。其中，K(xi,x)为非线性变换核函数。对于非线性分类问题，支持向量机实现基本思想为：对于线性可分的问题，如图4所示，实心点和空心点分别代表两类样本，H为分类超平面，H1,H2分别为过两类中离分类超平面最近的样本且平行于分类超平面的平面，H1,H2之间的距离叫做分类间隔(margin)。所谓最优分类超平面就是要求分类平面不但能将两类点正确分开，而且使分类间隔最大。而对于线性不可分问题，如图5所示，先通过某种事先选择的非线性映射，将输入向量x映射到一个高维空间中，然后在此高维空间中构建最优分类超平面。经国内外各类研究文献分析证明，可知：如果选用适当的映射函数，大多数在输入空间中的非线性问题在特征空间中都可以转化为线性问题来解决。
φ:Rd→H
其中，Rd是原始输入空间，H是高维特征空间，
是实函数。以特征向量φ(x)代替x，则得到特征空间中的分类函数为：
一般来说，在低维输入空间向高维特征空间映射过程中，空间维数急速增长，使得在大多数情况下，在特征空间中直接计算最优分类超平面变得非常复杂。支持向量机通过采用核函数技巧，将该问题转化到输入空间中进行。所以得到最优分类函数为：
式中，m为支持向量的数目。最终判决之包含支持向量的内积及求和运算，因此识别时的计算复杂度取决于支持向量的个数。
支持向量机多分类方法主要可分为两大类：即“一次性求解”方法以及“分解构造”方法。“一次性求解”方法是指在所有训练样本上同时将所有类别分划，属于大型的二次规划问题，具有训练速度低，分类精度低，复杂程度高等缺陷。“分解构造”方法构造系列两分类的支持向量机，每一个分类机都能把其中的一类与其他各类分划开来，进而实现多分类。
(1)支持向量机两类分类算法实现原理及步骤如下：
步骤1.设已知训练集T＝{(x1,y1),(x2,y2),…,(xl,yl)}∈Rn×Y，其中Y＝{-1,+1},i＝ 1,2,…,l；
步骤2.选取适当核函数K(x,x′)和惩罚参数C，构造并求解约束最优化问题：
求的最优解
步骤3.选取α*的一个正分量0≤αj≤C，计算阈值b*:
步骤4.构造决策函数
(2)基于三种特征提取算法综合分析优化OVR支持向量机多类分类器
如图10所示，即为基于三种特征向量投票机制的支持向量机故障分类算法流程图。本发明设计一种基于三种特征向量提取算法结合一类对多类法综合分析优化支持向量机多类分类故障的算法。
对于k类分类问题，本发明采用基于一类对余类(One versus Rest，OVR)，如图8所示，其步骤是构造k个两类分类机(设共有k个类)，其中第i个分类机把第i类同余下的各类划分开，训练时第i个分类机取训练集中第i类为正类，其余类别点为负类进行训练。判别时，输入信号分别经过k个分类机共得到k个输出值fi(x)＝sgn(gi(x))，若只有一个+1出现，则其对应类别为输入信号类别；若输出结果不只一个+1(不只一类声称它属于自己)，或者没有一个输出+1(即没有一类声称它属于自己)，则比较g(x)输出值，最大者对应类别为输入类别。
以工频谐波特征算法为例，对于k类分类问题共需要训练k个二类分类机，对于区分第i 类和其余类的二类分类机，将k类训练样本均提取工频谐波特征向量，并将其分为第i类和其余类两组，第i类样本标签标记为+1，表示正类，其余样本标签标记为-1，表示负类，用于训练支持向量机二类分类机Classifier{i}。同理，可以分别训练基于多分辨率带通滤波器组特征和HHT边际谱特征的各个支持向量机二类分类机。
对于OVR方法，如果以两类分类机的输出gi(x)做取符号运算即fi(x)＝sgn(gi(x))，则有可能存在测试样本同时属于多类或者不属于任何一类的区域，如图9(a)中G1，G2，G3，G4部分所示。如果最后以分类机的输出gi(x)做比较，取最大为分类结果，则可以消除不可分区域，即如图9(b)所示。
本发明基于三种特征提取算法分别提取相应的特征向量共训练3*k个支持向量二类分类机，每种特征提取算法那对应于k个子分类机。由上述可知，对于区分第i类和非第i类样本分别具有三个子分类机，分别对应于三种不同的特征提取算法(工频谐波特征、多分辨率带通滤波器组特征及HHT边际谱系数特征)，设为Ch{i}，Cbpf{i}和Chht{i}。其具体步骤如下：
(1)在训练时，对于每种特征提取算法均采用交叉验证方法得到其置信度。以工频谐波结构特征算法为例，具体实施步骤为：取所有k类训练样本分别提取相等数量的工频谐波结构特征向量并组合一个综合训练样本，随机排序。将其等分为M组特征向量，每次使用其中一组特征向量用于训练OVR支持向量机多分类器，其余组作为测试样本输入该分类器，得到识别率 Pm，即交叉验证。最终将得到的M个识别率平均即得到工频谐波特征提取方法的置信度CIh；同理，可得到另外两种特征提取算法的置信度分别为CIbpf和CIhht。
(2)决策时，当待分类信号样本进入该分类器时，首先对其分别提取三个特征向量，然后每个特征向量经过相应的SVM多类分类器，均可得到相应的分类器输出向量 Gh{gh(1),gh(2),…,gh(k)}，Gbpf{gbpf(1),gbpf(2),…,gbpf(k)}，Ghht{ghht(1),ghht(2),…,ghht(k)}。
(3)由上述得到的分类结果gh(m),gbpf(n)和ghht(p)及和相应特征分析算法的置信度 CIh，CIbpf和CIhht。若三个分类器分类结果投票能够得到唯一的分类结果(即m，n，p中有两者及两者以上是相等的)，则将其判为最终分类结果。反之，如果三种特征提取算法得到的分类结果均不相同，则以对应的置信度CIh，CIbpf和CIhht大小判别，即选取置信度最高者为最终的分类结果。
如图10所示，是基于三种特征向量投票机制支持向量机故障分类算法路程图。整体故障多类分类器算法从结构上分为三个OVR子分类机以及一个投票系统；从时间流程上分为前期的训练及训练阶段和样本分析决策阶段。
从结构上看，三个OVR子分类机分别对应于三种不同的特征提取算法，它们之间是相互独立的。待测样本信号可独立并行在三个子系统中经过，然后得到各自的分类结果，汇总到最后的投票系统。投票系统根据三个子分类机的分类结果进行投票判决，得出最终的判决结果。另外，对于三个子系统分类结果均不相同的情况，即无法投票得到最终结果，系统则将根据每个子分类机的置信度来选取置信度最高的子分类机的分类结果作为最终的分类结果。
从时间流程上看，系统的训练时期，通过对训练样本经过交叉验证法得到每种特征提取算法对应的分类机以及其平均置信度。其中，平均置信度由交叉验证法的测试识别率平均得到。在样本分析决策阶段，待测样本首先经过三个子分类机进行OVR分类，比较支持向量机输出分别得到三个分类结果。然后综合子分类系统的分类结果和对应的置信度综合判决，即得到最终的系统分类结果。
实施效果
为验证本发明故障诊断方法的有效性，本发明利用本方法对三类不同的样本A,B,C进行分类。如图11,12和13所示，分别为三类样本对应的三种不同的归一化特征向量。
表2三种特征分析方法交叉验证
分类器训练时，对于不同的特征分析算法，分别将三类样本特征向量组合成一个训练特征向量组，并将其等分为三组，经过交叉验证后得到每种情况下对应每种特征分析算法的识别率如表2所示。由表2可知，工频谐波特征提取算法、HHT边际谱系数特征算法和多分辨率带通滤波器特征提取算法对应的平均置信度分别为93.448％，78.632％和99.145％。
分类器测试阶段，运用上述分类系统对待测样本进行测试，得到的最终分类准确度为 99.213％。
Claims (3)
1.一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，包括以下步骤：
第一步：基于双声道音频采集器，将主麦克风正对变电站内GIS或其他电气设备采集运行声音信号，副麦克风用于采集周围环境噪声；
第二步：将副麦克风中采集的声音数据作为噪声参考信号，基于自适应噪声抵消原理将主麦克风采集到的运行声音信号与噪声混合信号中环境噪声滤除，获得滤除噪声后的声音信号；
第三步：基于工频谐波结构分析算法、多分辨率带通滤波器组频谱分析算法及希尔伯特—黄变换算法三种算法分别提取滤除噪声后的声音信号特征：工频谐波特征向量、多分辨率带通滤波器组特征向量及HHT变换边际谱系数特征向量；
第四步：分别利用典型故障类型下第三步中三组特征向量库训练OVR分类机，同时基于交叉验证法计算对应OVR分类机的置信度CIh,CIbpf和CIhht；
第五步：基于第四步中训练好的VOR分类机分别对待诊断的GIS或其他电气设备进行故障诊断，故障诊断结果向量分别为g1{k*1},g2{k*1}和g3{k*1}；
第六步：综合三个分类机的分类结果及其自身的置信度进行投票，若三个分类机中至少有两个得出相同的诊断结果，即投票能够得出故障诊断结果则以多数投票制判决，确定最终分类结果；否则则根据置信度CIh,CIbpf和CIhht选取置信度最高的分类机输出结果作为最终故障诊断结果；
第三步中，基于多分辨率带通滤波器组频谱分析算法提取多分辨率带通滤波器组特征向量具体包括：
设计一组高斯带通滤波器对滤除噪声后的声音信号进行频谱分析；对于声频范围为20～20kHz的声波信号，设采样频率为fs，将20～20kHz的频率范围分为128个频段，设每个频段的中心频率为fi，i＝1,2,…,128，则：
其中，ai＝ci，c＝1.08；
信号经过中心频率为fi的高斯带通滤波器等效为先将信号从某中心频率调制到零频，然后在低频应用相应的高斯低通滤波器进行低通滤波：
其中，高斯分布参数δi决定了第i个高斯窗函数的宽度；第i个高斯滤波器的长度为：
Li＝2*(round(2.5*ai)+1)-1
其中，round(x)表示取x四舍五入后的整数值，滤波器的长度为奇数；由上式可知，ai为递增序列，滤波器中心频率fi为递减序列，而Li为响应的递增序列；得到的0～20kHz范围内128个滤波器中心频率参数；
信号x(n)经过带通滤波器后，然后计算出相应的频带能量得到整个声频范围内的带通滤波器组能量谱特征向量，维数为128。
2.根据权利要求1所述的一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，第三步中，基于工频谐波结构分析算法提取滤除噪声后的声音信号的工频谐波特征向量具体包括：
利用基频50Hz信号整数倍n长度的矩形窗函数截取声波信号，设前端设备采样率为fs，n取为满足如下不等式的最小整数值：
对加窗后的信号进行低通滤波，通带截止频率f1＝(1.1～1.5)*2000Hz，然后经过m1倍的上采样和m2倍的下采样，得到采样率为fs′；fs′＝L＝2*f1；m1和m2满足以下等式：
选取的信号为窗长的1.5～2倍，然后使得窗函数由信号开端进行滑动选取；当矩形窗首尾对应的信号值的幅度平方和为最小时，此段信号的突变最小，具有最小的频谱泄露；
基于上述方法得到2kHz以内40维工频谐波特征向量，然后加上由2kH以内工频谐波总能量与非谐波总能量之比作为其中一维特征，进行归一化后得到41维工频谐波特征向量。
3.根据权利要求1所述的一种基于投票机制的支持向量机机械故障诊断方法，其特征在于，第三步中，基于希尔伯特—黄变换算法提取HHT变换边际谱系数特征向量具体包括：从滤除噪声后的声音信号本身特征出发，用经验模态分解把信号分解为有限个征模态函数,然后对IMF分量进行Hilbert变换，得到时频平面上能量分布的Hilbert谱图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810096999.2A CN108734192B (zh) | 2018-01-31 | 2018-01-31 | 一种基于投票机制的支持向量机机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810096999.2A CN108734192B (zh) | 2018-01-31 | 2018-01-31 | 一种基于投票机制的支持向量机机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108734192A CN108734192A (zh) | 2018-11-02 |
| CN108734192B true CN108734192B (zh) | 2021-10-15 |
Family
ID=63940461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810096999.2A Active CN108734192B (zh) | 2018-01-31 | 2018-01-31 | 一种基于投票机制的支持向量机机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108734192B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459235B (zh) * | 2018-12-13 | 2021-07-13 | 中国航空工业集团公司上海航空测控技术研究所 | 基于集成学习增强型齿轮单故障类别诊断方法 |
| CN109461457A (zh) * | 2018-12-24 | 2019-03-12 | 安徽师范大学 | 一种基于svm-gmm模型的语音识别方法 |
| CN110263856B (zh) * | 2019-06-20 | 2021-04-27 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价方法、系统及设备 |
| CN110363141B (zh) * | 2019-07-15 | 2021-09-17 | 郑州大学 | 用于诊断燃气调压器故障的方法 |
| CN111667838B (zh) * | 2020-06-22 | 2022-10-14 | 清华大学 | 一种用于声纹识别的低功耗模拟域特征向量提取方法 |
| CN112199897B (zh) * | 2020-11-02 | 2022-10-14 | 国网重庆市电力公司电力科学研究院 | 一种基于粒子群算法改进的gis设备异响振动识别方法 |
| CN112185357A (zh) * | 2020-12-02 | 2021-01-05 | 成都启英泰伦科技有限公司 | 一种同时识别人声和非人声的装置及方法 |
| CN113740721A (zh) * | 2021-07-14 | 2021-12-03 | 国网江苏省电力有限公司电力科学研究院 | 一种非接触式的gis振动故障诊断方法及装置 |
| CN113946122B (zh) * | 2021-10-22 | 2024-02-13 | 中国科学院工程热物理研究所 | 一种基于置信度权值浮动的燃气轮机参数多余度表决方法 |
| CN114004263B (zh) * | 2021-12-29 | 2022-05-03 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
| CN117649630B (zh) * | 2024-01-29 | 2024-04-26 | 武汉纺织大学 | 一种基于监控视频流的考场作弊行为识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101170843A (zh) * | 2007-11-30 | 2008-04-30 | 清华大学 | 扬声器在线纯音故障诊断方法 |
| CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
| CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
-
2018
- 2018-01-31 CN CN201810096999.2A patent/CN108734192B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101170843A (zh) * | 2007-11-30 | 2008-04-30 | 清华大学 | 扬声器在线纯音故障诊断方法 |
| CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
| CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多分辨率高斯滤波器组的时频分析方法;詹海峰 等;《中国电子科学研究院学报》;20171231;全文 * |
| 基于自学习理论的机械故障诊断系统设计与实现;吴星 刘春梅;《大众科技》;20150731;第17卷(第191期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108734192A (zh) | 2018-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734192B (zh) | 一种基于投票机制的支持向量机机械故障诊断方法 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
| CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
| CN104167207A (zh) | 一种基于变电站巡检机器人的设备声音识别方法 | |
| Zhang et al. | Classification of power quality disturbances using wavelet packet energy and multiclass support vector machine | |
| CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
| CN111933186B (zh) | 用于对有载分接开关进行故障识别的方法、装置及系统 | |
| Liao et al. | Recognizing noise-influenced power quality events with integrated feature extraction and neuro-fuzzy network | |
| CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
| CN109583115A (zh) | 一种融合集成磨机负荷参数软测量系统 | |
| CN105842588A (zh) | 一种修正超声波局部放电检测的方法和系统 | |
| Jin et al. | A review of fault diagnosis research on on-load tap-changers | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| Zhang et al. | Multiple‐Fault Diagnosis Method Based on Multiscale Feature Extraction and MSVM_PPA | |
| Wang et al. | Multidimensional blind deconvolution method based on cross-sparse filtering for weak fault diagnosis | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| Shicheng et al. | An effective S-transform feature extraction method for classification of power quality disturbance Signals | |
| Luo et al. | Insulation fault identification of vacuum circuit breakers based on improved MFCC and SVM | |
| Xu et al. | Sound signal-based transformer operation status monitoring system | |
| CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| Lu et al. | Single channel source separation using filterbank and 2D sparse matrix factorization | |
| Doshi et al. | Tunable q-factor wavelet transform for classifying mechanical deformations in power transformer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xie Zhenxue Inventor after: Ding Bin Inventor after: Zhang Xiaolan Inventor after: Wu Zihao Inventor after: Wang Chenxi Inventor after: Tang Lutian Inventor after: Niu Bo Inventor after: Li Hongbo Inventor after: Qi Weidong Inventor after: Wang Sen Inventor after: Wu Jingfeng Inventor after: Li Yi Inventor after: Zhan Haifeng Inventor after: Ren Shuangzan Inventor before: Niu Bo Inventor before: Qi Weidong Inventor before: Wang Sen Inventor before: Wu Jingfeng Inventor before: Li Yi Inventor before: Zhan Haifeng Inventor before: Ren Shuangzan Inventor before: Ding Bin Inventor before: Zhang Xiaolan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: STATE GRID SHAANXI ELECTRIC POWER Research Institute Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District Patentee before: State Grid Corporation of China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221213 Address after: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: STATE GRID SHAANXI ELECTRIC POWER Research Institute Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240506 Address after: 100032 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing Patentee after: STATE GRID CORPORATION OF CHINA Country or region after: China Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District Patentee before: STATE GRID CORPORATION OF CHINA Country or region before: China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Patentee before: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. |