CN110175508A - 一种应用于超声波局放检测的特征值提取方法 - Google Patents

一种应用于超声波局放检测的特征值提取方法 Download PDF

Info

Publication number
CN110175508A
CN110175508A CN201910280468.3A CN201910280468A CN110175508A CN 110175508 A CN110175508 A CN 110175508A CN 201910280468 A CN201910280468 A CN 201910280468A CN 110175508 A CN110175508 A CN 110175508A
Authority
CN
China
Prior art keywords
signal
imf component
frequency
imf
value
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
CN201910280468.3A
Other languages
English (en)
Other versions
CN110175508B (zh
Inventor
娄雨靖
孔亚广
陈张平
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910280468.3A priority Critical patent/CN110175508B/zh
Publication of CN110175508A publication Critical patent/CN110175508A/zh
Application granted granted Critical
Publication of CN110175508B publication Critical patent/CN110175508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种应用于超声波局放检测的特征值提取方法，本发明采用了小波包分解和基于互信息量的IMF分量筛选方法，先进行小波包分解，对信号进行初步的频率划分，以便得到单频成分的IMF分量，降低EMD分解信号的初始带宽，从而更加精确地分解超声波信号，然后运用互信息量的方法有效地解决了EMD分解中存在的模态混叠和虚假IMF分量的问题，提高了时频分析的精确度，更有效地提取了波形特征，最后运用神经网络对超声波局放信号进行分类。

Description

一种应用于超声波局放检测的特征值提取方法
技术领域
本发明属于超声波技术领域，具体地说是一种应用于超声波局放检测的特征值提取方法。
背景技术
随着现代电网的不断发展，人们对电网运行的安全性和可靠性提出了更高的标准，局部放电检测作为一种有效的带电检测手段并且不会破坏设备本身，越来越受到人们的关注和青睐。
当电气设备的绝缘部分因种种原因发生劣化，严重时会导致局部放电，甚至发生绝缘击穿和损坏，其中70％以上是由于局部放电所致。开展局部放电带电检测是电力系统安全性的需要，方便电力工作人员及时掌握变电站运行设备的绝缘状况，做好跟踪检查，督促尽快消除隐患，避免小隐患演变成大事故。
局放信号中含有大量的信息，特征提取是有效获取信号中关键信息的重要途径，传统的特征提取方法主要包括时域上的波形结构特征提取、频域上的谱估计特征提取、时频分析中的短时傅里叶变换、小波变换等方法。由于局放信号的非线性、非平稳性和较强的时变性，传统的特征值提取方法对于处理此类信号时有一定的局限性。如傅里叶变换分析方法在变换时丢掉了时间信息，无法判断一个特定的信号是在何时发生的；小波变换虽然能较好地分析局放信号的时频特性，但它过分依赖小波基的选取，而且小波基长度有限，处理时会产生能量泄露，因而难以对信号作精准的时频分析，经验模态分解依据信号本身的信息进行分解，适合处理非线性非平稳的信号，但分解过程中存在着包络拟合、模态混叠、端点效应和虚假IMF分量等问题，导致信号分析结果不准确。
发明内容
为了克服现有的技术缺陷，本发明提供了一种应用于超声波局放检测的特征值提取方法。
为实现上述目的，本发明提供了如下方案：
步骤1：小波包分解与重构
采用Daubechies3小波基对信号进行3层小波包分解与重构，得到8个不同频段的窄带信号。
设原始信号S为(0，0)节点，(1，0)表示第一层小波包分解的低频系数S10，(1，1)表示第一层小波包分解的高频系数S11，再对S10和S11进行分解，分解S10得到(2，0)表示第二层小波包分解的低频系数S20，(2，1)表示第二层小波包分解的高频系数S21，分解S11得到(2，2)表示S11第二层小波包分解的低频系数S22，(2，3)表示S11第二层小波包分解的高频系数S23，以此类推得到各个节点表示的含义。
S信号三层小波包分解具有如下含义：
S＝S30+S31+S32+S33+S34+S35+S36+S37
对于采样频率为1MHz的超声波信号来讲，其分解的具体频带为：
S30：0KHz-62.5KHz S31：62.5KHz-125KHz S32：125KHz-187.5KHz
S33：187.5KHz-250KHz S34：250KHz-312.5KHz S35：312.5KHz-375KHz
S36：375KHz-487.5KHz S37：437.5KHz-500KHz
步骤2 EMD分解
对步骤1中分解得到的每个窄带信号做EMD分解得到若干个IMF分量，具体实现如下：
(1)对于窄带信号x(t)，找出信号的所有局部极大值、极小值点；
(2)对这些极值点进行样条插值，得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线，分别记为u(t)、v(t)；
(3)上下包络线的均值为
(4)令h(t)＝x(t)-m(t)，验证h(t)是否满足IMF分量的条件，若满足，则h(t)为第一个IMF分量，记为m1(t)；如不满足，以h(t)为输入，返回步骤(1)，直至得到第一个IMF分量，并将其记为m1(t)；
(5)将r1(t)＝x(t)-m1(t)作为新的分析信号，重复步骤(1)到步骤(4)，得到m2(t)，此时记r2(t)＝r1(t)-m2(t)，重复上述步骤直到得到余项rm(t)是一个单调信号或者其值小于某个预先给定的阈值，分解结束。
其中，IMF分量必须满足两个条件：(1)在任意一点，函数所有极大值点构成的上包络线与所有极小值构成的下包络线的均值为零。(2)在整个数据段上，极值点的数目与过零点的数目相等或至多相差一个。
步骤3筛选IMF分量
首先对原始信号和各个IMF分量做归一化处理，然后运用互信息量法区分虚假IMF分量。互信息量I描述了两个随机变量之间的相关程度，定义为
式中，ρ(mi)为第i个IMF分量的边缘概率分布，ρ(x)为原始信号的边缘概率分布，ρ(mi，x)为第i个IMF分量和原始信号的联合概率分布。I(mi；x)的值越大，IMF分量与原始信号相关性越强。选定阈值，当I>阈值时该IMF分量是有效的。最后，将筛选出来的真实IMF分量按照频率由高到低的顺序排序。
步骤4 IMF分量的分析
1.对真实IMF分量做时域分析，采用过零点、均值和峰值指标这3个特征参数作为真实IMF分量的时域特征。过零点指统计信号的过零点数；均值指求信号幅值的平均值；峰值指标其中Xp指振动波形的单峰最大值，Xrms为均方根值，公式为其中xi为第i点的值，N为该IMF分量之中离散点的个数。
2.对IMF分量做频域分析
对信号的各个真实IMF分量做傅里叶变换，得到幅频图，采用最大幅值、中心频率和信号能量这3个特征参数作为真实IMF分量的频域特征。信号能量xk为幅频图第k点的幅值。
步骤5运用神经网络对超声波局放信号进行分类
经过真实IMF时域与频域分析，每一个IMF分量得到零点、均值、峰值指标、最大幅值、中心频率和信号能量共6个特征参数。真实IMF分量经过排序后取前M个IMF分量，把M个IMF分量的特征参数组合，得到一个向量，这个向量即是信号的特征向量。把这些特征向量输入到神经网络中进行分类。
本发明采用了小波包分解和基于互信息量的IMF分量筛选方法，先进行小波包分解，对信号进行初步的频率划分，以便得到单频成分的IMF分量，降低EMD分解信号的初始带宽，从而更加精确地分解超声波信号，然后运用互信息量的方法有效地解决了EMD分解中存在的模态混叠和虚假IMF分量的问题，提高了时频分析的精确度，更有效地提取了波形特征，最后运用神经网络对超声波局放信号进行分类。
附图说明
图1为本发明实施例小波包三层分解结构图；
图2为本发明实施例算法流程图。
具体实施方式
如图2所示，一种应用于超声波局放检测的特征值提取方法，该方法具体包括以下步骤：
步骤1小波包分解与重构
采用紧支集小波Daubechies3(db3)小波基对信号进行3层小波包分解与重构，得到8个不同频段的窄带信号。
三层小波包分解的结构图如图1所示，设原始信号S为(0，0)节点，(1，0)表示第一层小波包分解的低频系数S10，(1，1)表示第一层小波包分解的高频系数S11，(2，0)表示第二层小波包分解的低频系数S20，(2，1)表示第二层小波包分解的高频系数S21，(2，2)表示第二层小波包分解的低频系数S22，(2，3)表示第二层小波包分解的高频系数S23，以此类推得到各个节点表示的含义。
S信号分解具有如下含义
S＝S30+S31+S32+S33+S34+S35+S36+S37
对于采样频率为1MHz的超声波信号来讲，其分解的具体频带为：
S30：0KHz-62.5KHz S31：62.5KHz-125KHz S32：125KHz-187.5KHz
S33：187.5KHz-250KHz S34：250KHz-312.5KHz S35：312.5KHz-375KHz
S36：375KHz-487.5KHz S37：437.5KHz-500KHz
步骤2 EMD分解
对步骤1中分解得到的每个窄带信号做EMD分解得到若干个IMF分量，具体实现如下：
(1)对于窄带信号x(t)，找出信号的所有局部极大值、极小值点；
(2)对这些极值点进行样条插值，得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线，分别记为u(t)、v(t)；
(3)上下包络线的均值为
(4)令h(t)＝x(t)-m(t)，验证h(t)是否满足IMF分量的条件，若满足，则h(t)为第一个IMF分量，记为m1(t)；如不满足，以h(t)为输入，返回步骤(1)，直至得到第一个IMF分量，并将其记为m1(t)；
(5)将r1(t)＝x(t)-m1(t)作为新的分析信号，重复步骤(1)到步骤(4)，得到m2(t)，此时记r2(t)＝r1(t)-m2(t)，重复上述步骤直到得到余项rm(t)是一个单调信号或者其值小于某个预先给定的阈值，分解结束。
其中，IMF分量必须满足两个条件：(1)在任意一点，函数所有极大值点构成的上包络线与所有极小值构成的下包络线的均值为零。(2)在整个数据段上，极值点的数目与过零点的数目相等或至多相差一个。
步骤3筛选IMF分量
首先对原始信号和各个IMF分量做归一化处理，然后运用互信息量法区分虚假IMF分量。互信息量I描述了两个随机变量之间的相关程度，定义为
式中，ρ(mi)为第i个IMF分量的边缘概率分布，ρ(x)为原始信号的边缘概率分布，ρ(mi，x)为第i个IMF分量和原始信号的联合概率分布。I(mi；x)的值越大，IMF分量与原始信号相关性越强。选定阈值，当I＞阈值时该IMF分量是有效的。最后，将筛选出来的真实IMF分量按照频率由高到低的顺序排序。
步骤4 IMF分量的分析
1.对真实IMF分量做时域分析，采用过零点、均值和峰值指标这3个特征参数作为真实IMF分量的时域特征。过零点指统计信号的过零点数；均值指求信号幅值的平均值；峰值指标其中Xp指振动波形的单峰最大值，Xrms为均方根值，公式为其中xi为第i点的值，N为该IMF分量之中离散点的个数。
2.对IMF分量做频域分析
对信号的各个真实IMF分量做傅里叶变换，得到幅频图，采用最大幅值、中心频率和信号能量这3个特征参数作为真实IMF分量的频域特征。信号能量xk为幅频图第k点的幅值。
步骤5运用神经网络对超声波局放信号进行分类
经过真实IMF时域与频域分析，每一个IMF分量得到零点、均值、峰值指标、最大幅值、中心频率和信号能量共6个特征参数。真实IMF分量经过排序后取前M个IMF分量，把M个IMF分量的特征参数组合，得到一个向量，这个向量即是信号的特征向量。把这些特征向量输入到神经网络中进行分类。

Claims (1)

1.一种应用于超声波局放检测的特征值提取方法，其特征在于，该方法具体包括以下步骤：
步骤1：小波包分解与重构
采用Daubechies3小波基对信号进行3层小波包分解与重构，得到8个不同频段的窄带信号；
设原始信号S为(0，0)节点，(1，0)表示第一层小波包分解的低频系数S10，(1，1)表示第一层小波包分解的高频系数S11，再对S10和S11进行分解，分解S10得到(2，0)表示第二层小波包分解的低频系数S20，(2，1)表示第二层小波包分解的高频系数S21，分解S11得到(2，2)表示第二层小波包分解的低频系数S22，(2，3)表示第二层小波包分解的高频系数S23，以此类推得到各个节点表示的含义；
S信号分解具有如下含义
S＝S30+S31+S32+S33+S34+S3s+S36+S37
对于采样频率为1MHz的超声波信号来讲，其分解的具体频带为：
S30：0KHz-62.5KHz S31：62.5KHz-125KHz S32：125KHz-187.5KHz
S33：187.5KHz-250KHz S34：250KHz-312.5KHz S35：312.5KHz-375KHz
S36：375KHz-487.5KHz S37：437.5KHz-500KHz
步骤2 EMD分解
对步骤1中分解得到的每个窄带信号做EMD分解得到若干个IMF分量，具体实现如下：
(1)对于窄带信号x(t)，找出信号的所有局部极大值、极小值点；
(2)对这些极值点进行样条插值，得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线，分别记为u(t)、v(t)；
(3)上下包络线的均值为
(4)令h(t)＝x(t)-m(t)，验证h(t)是否满足IMF分量的条件，若满足，则h(t)为第一个IMF分量，记为m1(t)；如不满足，以h(t)为输入，返回步骤(1)，直至得到第一个IMF分量，并将其记为m1(t)；
(5)将r1(t)＝x(t)-m1(t)作为新的分析信号，重复步骤(1)到步骤(4)，得到m2(t)，此时记r2(t)＝r1(t)-m2(t)，重复上述步骤直到得到余项rm(t)是一个单调信号或者其值小于某个预先给定的阈值，分解结束；
其中，IMF分量必须满足两个条件：(1)在任意一点，函数所有极大值点构成的上包络线与所有极小值构成的下包络线的均值为零；(2)在整个数据段上，极值点的数目与过零点的数目相等或至多相差一个；
步骤3 筛选IMF分量
首先对原始信号和各个IMF分量做归一化处理，然后运用互信息量法区分虚假IMF分量；互信息量I描述了两个随机变量之间的相关程度，定义为
式中，ρ(mi)为第i个IMF分量的边缘概率分布，ρ(x)为原始信号的边缘概率分布，ρ(mi，x)为第i个IMF分量和原始信号的联合概率分布；I(mi；x)的值越大，IMF分量与原始信号相关性越强；选定阈值，当I>阈值时该IMF分量是有效的；最后，将筛选出来的真实IMF分量按照频率由高到低的顺序排序；
步骤4 IMF分量的分析
1.对真实IMF分量做时域分析，采用过零点、均值和峰值指标这3个特征参数作为真实IMF分量的时域特征；过零点指统计信号的过零点数；均值指求信号幅值的平均值；峰值指标其中Xp指振动波形的单峰最大值，Xrms为均方根值，公式为其中xi为第i点的值，N为该IMF分量之中离散点的个数；
2.对IMF分量做频域分析
对信号的各个真实IMF分量做傅里叶变换，得到幅频图，采用最大幅值、中心频率和信号能量这3个特征参数作为真实IMF分量的频域特征；信号能量xk为幅频图第k点的幅值；
步骤5 运用神经网络对超声波局放信号进行分类
经过真实IMF时域与频域分析，每一个IMF分量得到零点、均值、峰值指标、最大幅值、中心频率和信号能量共6个特征参数；真实IMF分量经过排序后取前M个IMF分量，把M个IMF分量的特征参数组合，得到一个向量，这个向量即是信号的特征向量；把这些特征向量输入到神经网络中进行分类。
CN201910280468.3A 2019-04-09 2019-04-09 一种应用于超声波局放检测的特征值提取方法 Active CN110175508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910280468.3A CN110175508B (zh) 2019-04-09 2019-04-09 一种应用于超声波局放检测的特征值提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910280468.3A CN110175508B (zh) 2019-04-09 2019-04-09 一种应用于超声波局放检测的特征值提取方法

Publications (2)

Publication Number Publication Date
CN110175508A true CN110175508A (zh) 2019-08-27
CN110175508B CN110175508B (zh) 2021-05-07

Family

ID=67689551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910280468.3A Active CN110175508B (zh) 2019-04-09 2019-04-09 一种应用于超声波局放检测的特征值提取方法

Country Status (1)

Country Link
CN (1) CN110175508B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110703058A (zh) * 2019-11-06 2020-01-17 中研新科智能电气有限公司 基于超声识别的局部放电检测方法、装置及终端
CN111398755A (zh) * 2020-04-21 2020-07-10 武汉朕泰智能科技有限公司 一种基于短时fft分段技术的电缆局放波形提取方法
CN111443334A (zh) * 2020-03-17 2020-07-24 中山大学 基于ieemd的目标微动参数估计方法、系统、装置及存储介质
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111626153A (zh) * 2020-05-13 2020-09-04 电子科技大学 一种基于集成学习的局放故障状态识别方法
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
CN113392732A (zh) * 2021-05-31 2021-09-14 国网山东省电力公司电力科学研究院 一种局部放电超声信号抗干扰方法及系统
CN113503915A (zh) * 2021-07-01 2021-10-15 北京工商大学 污染物数据预测方法、装置、存储介质及电子设备
CN114004263A (zh) * 2021-12-29 2022-02-01 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
CN114112013A (zh) * 2021-11-04 2022-03-01 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN114813934A (zh) * 2022-03-02 2022-07-29 西安交通大学 一种用于机器人环境目标物表面材质探测与识别的方法
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115655887A (zh) * 2022-11-01 2023-01-31 广东建设职业技术学院 一种混凝土强度的预测方法
TWI802122B (zh) * 2021-01-29 2023-05-11 美商天工方案公司 測試聲波裝置之方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130163839A1 (en) * 2011-12-27 2013-06-27 Industrial Technology Research Institute Signal and image analysis method and ultrasound imaging system
CN103558519A (zh) * 2013-11-02 2014-02-05 国家电网公司 一种gis局部放电超声波信号识别方法
CN103675610A (zh) * 2013-09-29 2014-03-26 国家电网公司 局部放电在线检测中的特征因子提取方法
CN104237757A (zh) * 2014-09-30 2014-12-24 武汉大学 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法
CN107153155A (zh) * 2017-06-26 2017-09-12 广东电网有限责任公司珠海供电局 一种电缆局部放电信号特征向量提取方法
CN107782442A (zh) * 2017-10-24 2018-03-09 华北电力大学（保定） 基于大数据和随机森林的变压器多特征参量选择方法
CN108334872A (zh) * 2018-03-28 2018-07-27 天津大学 基于改进hht变换的特征提取方法
CN108427067A (zh) * 2018-06-12 2018-08-21 国网江苏省电力有限公司宜兴市供电分公司 一种开关柜局部放电故障检测方法、装置及系统
CN109100143A (zh) * 2018-07-06 2018-12-28 华中科技大学 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备
US20190059824A1 (en) * 2017-08-23 2019-02-28 Boe Technology Group Co., Ltd. Lung-sound signal processing method, processing device, and readable storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130163839A1 (en) * 2011-12-27 2013-06-27 Industrial Technology Research Institute Signal and image analysis method and ultrasound imaging system
CN103675610A (zh) * 2013-09-29 2014-03-26 国家电网公司 局部放电在线检测中的特征因子提取方法
CN103558519A (zh) * 2013-11-02 2014-02-05 国家电网公司 一种gis局部放电超声波信号识别方法
CN104237757A (zh) * 2014-09-30 2014-12-24 武汉大学 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法
CN107153155A (zh) * 2017-06-26 2017-09-12 广东电网有限责任公司珠海供电局 一种电缆局部放电信号特征向量提取方法
US20190059824A1 (en) * 2017-08-23 2019-02-28 Boe Technology Group Co., Ltd. Lung-sound signal processing method, processing device, and readable storage medium
CN107782442A (zh) * 2017-10-24 2018-03-09 华北电力大学（保定） 基于大数据和随机森林的变压器多特征参量选择方法
CN108334872A (zh) * 2018-03-28 2018-07-27 天津大学 基于改进hht变换的特征提取方法
CN108427067A (zh) * 2018-06-12 2018-08-21 国网江苏省电力有限公司宜兴市供电分公司 一种开关柜局部放电故障检测方法、装置及系统
CN109100143A (zh) * 2018-07-06 2018-12-28 华中科技大学 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHAOSHENG FAN ET AL.: "Study on PD detection for GIS based on autocorrelation coefficient and similar Wavelet soft threshold", 《CLUSTER COMPUTING》 *
于伟凯: "EMD时频分析方法的理论研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
孟稳: "变压器局部放电电磁信号的特征提取与识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
曹洁 等: "时、频域分析与神经网络的局部放电干扰识别", 《自动化与仪器仪表》 *
李晨焱: "GIS局部放电小波去噪与模式识别的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110703058A (zh) * 2019-11-06 2020-01-17 中研新科智能电气有限公司 基于超声识别的局部放电检测方法、装置及终端
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
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111443334A (zh) * 2020-03-17 2020-07-24 中山大学 基于ieemd的目标微动参数估计方法、系统、装置及存储介质
CN111443334B (zh) * 2020-03-17 2022-06-17 中山大学 基于ieemd的目标微动参数估计方法、系统、装置及存储介质
CN111398755A (zh) * 2020-04-21 2020-07-10 武汉朕泰智能科技有限公司 一种基于短时fft分段技术的电缆局放波形提取方法
CN111398755B (zh) * 2020-04-21 2022-07-12 武汉朕泰智能科技有限公司 一种基于短时fft分段技术的电缆局放波形提取方法
CN111626153A (zh) * 2020-05-13 2020-09-04 电子科技大学 一种基于集成学习的局放故障状态识别方法
TWI802122B (zh) * 2021-01-29 2023-05-11 美商天工方案公司 測試聲波裝置之方法
CN113392732A (zh) * 2021-05-31 2021-09-14 国网山东省电力公司电力科学研究院 一种局部放电超声信号抗干扰方法及系统
CN113503915A (zh) * 2021-07-01 2021-10-15 北京工商大学 污染物数据预测方法、装置、存储介质及电子设备
CN114112013A (zh) * 2021-11-04 2022-03-01 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN114004263A (zh) * 2021-12-29 2022-02-01 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
US11630034B2 (en) 2021-12-29 2023-04-18 Sichuan University Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion
CN114813934A (zh) * 2022-03-02 2022-07-29 西安交通大学 一种用于机器人环境目标物表面材质探测与识别的方法
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115389888B (zh) * 2022-10-28 2023-01-31 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115655887A (zh) * 2022-11-01 2023-01-31 广东建设职业技术学院 一种混凝土强度的预测方法
CN115655887B (zh) * 2022-11-01 2023-04-21 广东建设职业技术学院 一种混凝土强度的预测方法

Also Published As

Publication number Publication date
CN110175508B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN110175508A (zh) 一种应用于超声波局放检测的特征值提取方法
CN109901031A (zh) 用于局部放电信号的信噪分离方法、信息数据处理终端
Senroy et al. An improved Hilbert–Huang method for analysis of time-varying waveforms in power quality
Biswal et al. Estimation of time-varying power quality indices with an adaptive window-based fast generalised S-transform
CN110490071A (zh) 一种基于mfcc的变电站声信号特征提取方法
Sekar et al. Data mining-based high impedance fault detection using mathematical morphology
Carvalho et al. Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods
Shariatinasab et al. Application of wavelet analysis in power systems
Flores State of the art in the classification of power quality events, an overview
CN104537227B (zh) 变电站噪声分离方法
CN108562837A (zh) 一种电厂开关柜局部放电超声信号降噪方法
CN107153155A (zh) 一种电缆局部放电信号特征向量提取方法
CN115980528B (zh) 一种环网柜噪音信号快速诊断与消除方法与装置
CN109001602A (zh) 基于极限学习机算法的局部放电严重程度评估方法
Costa et al. A wavelet-based algorithm to analyze oscillographic data with single and multiple disturbances
Geng et al. Mechanical fault diagnosis of power transformer by GFCC time-frequency map of acoustic signal and convolutional neural network
Subbarao et al. Time-frequency analysis of non-stationary signals using frequency slice wavelet transform
Dang et al. Fault diagnosis of power transformer by acoustic signals with deep learning
CN110146922A (zh) 高速铁路地震预警系统单双地震计干扰识别方法
Hafiz et al. An approach for classification of power quality disturbances based on Hilbert Huang transform and Relevance vector machine
Zhu et al. Optimization research on abnormal diagnosis of transformer voiceprint recognition based on improved wasserstein GAN
CN113268924A (zh) 基于时频特征的变压器有载分接开关故障识别方法
CN105652166B (zh) 一种用于局放在线监测的加权阈值小波降噪方法
CN117077025A (zh) 基于时域特征峭度和神经网络的电能质量扰动识别方法
Thirumala et al. A generalized empirical wavelet transform for classification of power quality disturbances

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
GR01 Patent grant
GR01 Patent grant