CN110490071A - 一种基于mfcc的变电站声信号特征提取方法 - Google Patents
一种基于mfcc的变电站声信号特征提取方法 Download PDFInfo
- Publication number
- CN110490071A CN110490071A CN201910631578.XA CN201910631578A CN110490071A CN 110490071 A CN110490071 A CN 110490071A CN 201910631578 A CN201910631578 A CN 201910631578A CN 110490071 A CN110490071 A CN 110490071A
- Authority
- CN
- China
- Prior art keywords
- abstraction
- substation
- sound signal
- signal characteristics
- transformer
- 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.)
- Pending
Links
- 230000005236 sound signal Effects 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 239000003550 marker Substances 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000009432 framing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000010292 electrical insulation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000013707 sensory perception of sound Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于MFCC的变电站声信号特征提取方法，属监控领域。其对于变压器声信号，依次经过声信号预处理、快速傅里叶变换、Mel滤波器组和对数DCT运算，提取其特征量；其中，预处理包括分帧和加窗两个步骤；快速傅里叶变换将时域信号转换到频域，计算幅度谱和每帧谱线能量；Mel滤波器组针对每帧谱线能量谱通过滤波器组计算能量；对数DCT运算将能量值取对数，计算出能量矩阵，通过模糊聚类或神经网络方式，识别出故障类型。其通过音色来进行良好区分，提取出的特征向量具有明显差异，运算速度快，能降低计算机运行成本；用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。可广泛用于无人值守变电站的运行监控和故障判断领域。
Description
技术领域
本发明属于监控领域，尤其涉及一种用于变电站一次设备运行声信号特征分析或监控的方法。
背景技术
电力变压器是电力系统中十分关键的设备，其运行状态直接影响了整个电力系统的运行。变压器在不同的运行状态下，发出的运行状态声信号也存在区别，因此传统的巡检人员定期巡检中，常通过耳听变压器运行声信号的方式判断变压器的运行状态。变压器运行声信号可以作为变压器运行状态评估的重要判断依据，因此对其进行特征参数提取具有重要的现实意义。
传统的特征参数提取方法有快速傅里叶变换、小波及小波包分解、以及经验模态分解法。快速傅里叶变换能够得到信号的频谱分布，现有方法主要通过对不同运行状态下频谱分布变化进行比较得到各状态的频谱特征。但快速傅里叶变换通常用于分析平稳随机信号，变压器运行状态声信号为非平稳随机信号，因此单纯采用快速傅里叶变换分析无法反应信号时域和频域的局部信息。
现有技术中也有监测诊断系统利用小波变换对信号进行特定层数的小波分解得到各频率段的系数作为特征向量，而小波分解只能对低频信号再分解，高频信号不再进行分解，这造成频率分辨率随频率升高而降低。还有部分装置利用小波包分解，提取小波包重构信号的标准差为特征向量。相较于小波分解，小波包分解对低频信号和高频信号都进行在分解，因此更为精细，可以体现100-500Hz倍频的细节信息。但是小波和小波包变换需要选择小波基函数，小波基函数选择后用于分析整个信号，因此自适应性较差。
此外，集合经验模式分解是一种改进的经验模态分解方法，一定程度上减轻了频率混叠，选取分解后的固有模态函数和边际谱熵作为特征向量，但集合经验模式分解没有数学理论支撑，分解后会引入与原信号无关的频率分量，且计算量较大，占用资源较多，因此对硬件计算性能要求较高，制约了声信号检测法实施过程中的准确性和及时性。
发明内容
本发明所要解决的技术问题是提供一种基于MFCC的变电站声信号特征提取方法。其利用Mel频率倒谱系数作为特征向量，对于变电站一次设备在各种运行状态下发出的声音通过音色来进行良好区分，提取出的特征向量具有明显差异，且运算速度快，能降低计算机运行成本；该技术方案利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。
本发明的技术方案是：提供一种基于MFCC的变电站声信号特征提取方法，包括在现场采集实际运行变压器的声信号，其特征是所述的声信号特征提取方法包括：
对于所述变压器的声信号，依次经过声信号预处理、快速傅里叶变换、Mel滤波器组和对数DCT运算，提取其特征量；
其中，所述的预处理包括分帧和加窗两个步骤，对实际变压器运行时的声信号进行分帧处理，将其分为较短的帧，然后再将每一帧视为稳态信号，用处理稳态信号的方法进行处理；
所述的快速傅里叶变换，针对预处理后的信号，作快速傅里叶变换变化，将时域信号转换到频域，得到频谱分布，计算幅度谱和每帧谱线能量；
所述的Mel滤波器组，将声信号在频域上划分成一系列的频率群组成Mel滤波器组；
在变压器声信号的频谱范围内设置若干带通滤波器H_m(k),0≤m<M，M为滤波器个数，每个滤波器具有高斯或三角形滤波特性；然后针对每帧谱线能量谱通过滤波器组计算能量；
所述的对数DCT运算，基于上一步骤所获取的能量，将能量值取对数，计算出能量矩阵，通过模糊聚类或神经网络方式，识别出故障类型。
具体的，所述的变电站声信号特征提取方法，顺序处理变压器的声信号，自动识别变压器铁芯和绕组振动，内部绝缘故障，内部局部放电，一次回路连接松动，绝缘支撑部件松动等典型故障。
进一步的，所述的变电站声信号特征提取方法，根据现场采集的变压器声信号的音频样本，选取MFCC得到的前8维Mel频率倒谱系数作为特征向量，对不同运行状态下得到的特征向量进行分类标记处理。
进一步的，所述的变电站声信号特征提取方法，使用交叉验证的方式对模型进行参数调优；将原始数据进行分组，一部分作为测试集，另一部分作为验证集；先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标，以提高识别的准确率。
具体的，所述的变电站声信号特征提取方法，采用5折交叉验证法，将样本数据随机分为5份，每次选择4份作为训练集，剩下一份作为测试集，重复进行若干次，选择损失函数评估最优的模型和参数；通过交叉验证进行SVM的参数调优，确定好参数后对训练集进行训练，得到最终的模型，以有效提高预测速度，减少计算机运算消耗。
本发明技术方案所述的变电站声信号特征提取方法，利用Mel频率倒谱系数作为特征向量，对于变电站各种运行状态下发出的声音通过音色进行良好区分，提取出的特征向量具有明显差异，且运算速度快，能明显降低计算机运行成本。
进一步的，所述的变电站声信号特征提取方法，利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。
与现有技术比较，本发明的优点是：
1.通过音频文件提取有用的数据和信息，识别电力设备和系统的正常/异常状态；实现图像的自动分地点保存、分析，时刻运行状态自动存至数据库，替代人完成巡检作业和数据记录等操作；
2.对于变压器各种运行状态下发出的声音可以通过音色进行良好区分，提取出的特征向量具有明显差异，且运算速度快，降低计算机运行成本；
3.利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。
附图说明
图1是本发明声信号特征向量提取步骤示意图；
图2是本发明音频信号分帧示意图；
图3是本发明Mel滤波器组实施例的示意图；
图4是本发明基于特征向量的典型故障分类示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
电力变压器和开关设备在运行过程中会发出各种声音，从声音频率变化和信号的强弱可以较为准确地判别设备的运行状态和故障类别。例如，当10kV配电变压器正常运行时，有较轻微均匀的“嗡嗡”声，信号频率较低，强度较弱，这是铁心自振的正常现象。如果变压器突然出现异常的声音，则可以根据频率和强度加以分析：例如，若声音低频分量显著加重时，说明变压器负载较重；当声音出现异常高频分量时，电源电压过高的可能较大；当变压器内部铁心结构松动时，便会出现乱而嘈杂的声音，在多个频率点上出现异常；当变压器出现短暂的极高频率声音时，出现爆裂、线圈或铁心绝缘击穿的可能性高。
声音表现出的差异一般与发音物体的形状结构及材质有密切的关系。这些差异主要表现在声音的频率结构上，频谱包络了特征信息、声音的频率结构随时间的变化信息以及声音信号的频谱细节构造特征信息等。在声音识别算法中大多数都采用了语音识别中的技术和参数，如基音、线性预测系数、倒谱系数等。
本发明的技术方案，采用基于DCT(Discrete Cosine transform，离散余弦变换)计算MFCC(Mel Frequency Cepstrum Coefficient，Mel频率倒谱系数)提取特征的方法。DCT具有信号谱分量丰富、能量集中的优点，能在较低的运算复杂度下取得较好的音频增强效果。MFCC的分析是依据人的听觉实验结果分析音频频谱，获得好的音频特性。
倒谱分析将两个信号的卷积转化为两个信号相加，从而可以将频谱信息分为频谱包络和频谱细节。在此基础上进行傅里叶反变换，可以将卷积关系转化为线性加关系，在声信号的分析中，表现为将原信号分为音色和音高两部分呢，音色为变压器运行时发出的各种声音，即有效信息，音高包含的信息较少且可通过其他方式表达，如分贝。
具体的，本发明的技术方案，提供了一种基于MFCC的变电站声信号特征提取方法，包括在现场采集实际运行变压器的声信号，其发明点在于所述的声信号特征提取方法包括：
对于所述变压器的声信号，依次经过声信号预处理、快速傅里叶变换、Mel滤波器组和对数DCT运算，提取其特征量；
其中，所述的预处理包括分帧和加窗两个步骤，对实际变压器运行时的声信号进行分帧处理，将其分为较短的帧，然后再将每一帧视为稳态信号，用处理稳态信号的方法进行处理；
所述的快速傅里叶变换，针对预处理后的信号，作快速傅里叶变换变化，将时域信号转换到频域，得到频谱分布，计算幅度谱和每帧谱线能量；
所述的Mel滤波器组，将声信号在频域上划分成一系列的频率群组成Mel滤波器组；
在变压器声信号的频谱范围内设置若干带通滤波器H_m(k),0≤m<M，M为滤波器个数，每个滤波器具有高斯或三角形滤波特性；然后针对每帧谱线能量谱通过滤波器组计算能量；
所述的对数DCT运算，基于上一步骤所获取的能量，将能量值取对数，计算出能量矩阵，通过模糊聚类或神经网络方式，识别出故障类型。
具体的，所述的变电站声信号特征提取方法，顺序处理变压器的声信号，自动识别变压器铁芯和绕组振动，内部绝缘故障，内部局部放电，一次回路连接松动，绝缘支撑部件松动等典型故障。
进一步的，所述的变电站声信号特征提取方法，根据现场采集的变压器声信号的音频样本，选取MFCC得到的前8维Mel频率倒谱系数作为特征向量，对不同运行状态下得到的特征向量进行分类标记处理。
进一步的，所述的变电站声信号特征提取方法，使用交叉验证的方式对模型进行参数调优；将原始数据进行分组，一部分作为测试集，另一部分作为验证集；先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标，以提高识别的准确率。
具体的，所述的变电站声信号特征提取方法，采用5折交叉验证法，将样本数据随机分为5份，每次选择4份作为训练集，剩下一份作为测试集，重复进行若干次，选择损失函数评估最优的模型和参数；通过交叉验证进行SVM的参数调优，确定好参数后对训练集进行训练，得到最终的模型，以有效提高预测速度，减少计算机运算消耗。
本发明技术方案所述的变电站声信号特征提取方法，利用Mel频率倒谱系数作为特征向量，对于变电站各种运行状态下发出的声音通过音色进行良好区分，提取出的特征向量具有明显差异，且运算速度快，能明显降低计算机运行成本。
进一步的，所述的变电站声信号特征提取方法，利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。
进一步的，图1为声信号特征向量提取步骤实施例。所述的声信号特征向量提取步骤依次包括声信号预处理单元1、快速傅里叶变换单元2、Mel滤波器组滤波3、对数DCT运算4四个步骤，最终输出特征能量矩阵，矩阵每列表示每帧信号滤波后的能量系数。
所述的预处理单元1的音频信号分帧策略实施例如图2所示，针对已知信号，按照一定步长截取信号，截取时保证每帧信号之间重叠，帧移距离小于帧长。
所述的Mel滤波器组实施例如图3所示。将声信号在频域上划分成一系列的频率群组成Mel滤波器组。在声信号的频谱范围内设置若干带通滤波器Hm(k)，0≤m＜M，M为滤波器个数，每个滤波器具有三角形滤波特性，中心频率f(m)。每个带通滤波器传递函数：
其中
式中，fl为滤波器频率范围的最低频率，fh为滤波器频率范围的最高频率；N为FFT长度，fs为采样频率，
基于滤波器可将每帧谱线能量谱通过滤波器组，计算能量。
然后将能量值取对数，更好地描述人耳对声音感知的非线性关系。Mel系数由以下公式求得：
式中，Si(m)是上一步计算得到的Mel滤波器能量，m为第m个Mel滤波器(共M个)，i为第i帧，n为DCT谱线.将计算出的i×n维能量矩阵作为i个n维特征向量用于故障识别。
图4为基于特征向量的一种直接基于特征向量参数的典型故障分类实施例。所述的故障分类策略以特征向量前8维为基础，当Mel滤波器组设计为{100，200，300，400，500，600，700，800，900，1000，1149，1320，1516，...，6964，8001}时，超过8维的能量系数频率大于800Hz，在变压器声信号中的表现不明显。所以基于前8维数据聚类分析即可获取故障特征。
综上，本发明的技术方案，利用Mel频率倒谱系数作为特征向量，对于变压器各种运行状态下发出的声音通过音色进行良好区分，提取出的特征向量具有明显差异，且运算速度快，降低计算机运行成本；其利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单；该技术方案的实施，能够通过音频文件提取有用的数据和信息，识别电力设备和系统的正常/异常状态；实现图像的自动分地点保存、分析，时刻运行状态自动存至数据库，替代人完成巡检作业和数据记录等操作。
本发明可广泛用于无人值守变电站的运行监控和故障判断领域。
Claims (7)
1.一种基于MFCC的变电站声信号特征提取方法，包括在现场采集实际运行变压器的声信号，其特征是所述的声信号特征提取方法包括：
对于所述变压器的声信号，依次经过声信号预处理、快速傅里叶变换、Mel滤波器组和对数DCT运算，提取其特征量；
其中，所述的预处理包括分帧和加窗两个步骤，对实际变压器运行时的声信号进行分帧处理，将其分为较短的帧，然后再将每一帧视为稳态信号，用处理稳态信号的方法进行处理；
所述的快速傅里叶变换，针对预处理后的信号，作快速傅里叶变换变化，将时域信号转换到频域，得到频谱分布，计算幅度谱和每帧谱线能量；
所述的Mel滤波器组，将声信号在频域上划分成一系列的频率群组成Mel滤波器组；
在变压器声信号的频谱范围内设置若干带通滤波器Hm(k),0≤m＜M，M为滤波器个数，每个滤波器具有高斯或三角形滤波特性；然后针对每帧谱线能量谱通过滤波器组计算能量；
所述的对数DCT运算，基于上一步骤所获取的能量，将能量值取对数，计算出能量矩阵，通过模糊聚类或神经网络方式，识别出故障类型。
2.按照权利要求1所述的基于MFCC的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，顺序处理变压器的声信号，自动识别变压器铁芯和绕组振动，内部绝缘故障，内部局部放电，一次回路连接松动，绝缘支撑部件松动等典型故障。
3.按照权利要求1所述的基于MFCC的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，根据现场采集的变压器声信号的音频样本，选取MFCC得到的前8维Mel频率倒谱系数作为特征向量，对不同运行状态下得到的特征向量进行分类标记处理。
4.按照权利要求1所述的基于MFCC的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，使用交叉验证的方式对模型进行参数调优；将原始数据进行分组，一部分作为测试集，另一部分作为验证集；先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标，以提高识别的准确率。
5.按照权利要求1所述的基于MFCC的其特征是所述的变电站声信号特征提取方法，采用5折交叉验证法，将样本数据随机分为5份，每次选择4份作为训练集，剩下一份作为测试集，重复进行若干次，选择损失函数评估最优的模型和参数；通过交叉验证进行SVM的参数调优，确定好参数后对训练集进行训练，得到最终的模型，以有效提高预测速度，减少计算机运算消耗。
6.按照权利要求1所述的基于MFCC的变电站声信号特征提取方法，其特征是所述的的变电站声信号特征提取方法，利用Mel频率倒谱系数作为特征向量，对于变电站各种运行状态下发出的声音通过音色进行良好区分，提取出的特征向量具有明显差异，且运算速度快，能明显降低计算机运行成本。
7.按照权利要求1所述的基于MFCC的变电站声信号特征提取方法，其特征是所述的变电站声信号特征提取方法，利用支持向量机算法对特征向量进行分类标记，判别速度快，正确率高，指令简单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631578.XA CN110490071A (zh) | 2019-07-12 | 2019-07-12 | 一种基于mfcc的变电站声信号特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631578.XA CN110490071A (zh) | 2019-07-12 | 2019-07-12 | 一种基于mfcc的变电站声信号特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490071A true CN110490071A (zh) | 2019-11-22 |
Family
ID=68546948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910631578.XA Pending CN110490071A (zh) | 2019-07-12 | 2019-07-12 | 一种基于mfcc的变电站声信号特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490071A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
| CN111582020A (zh) * | 2020-03-25 | 2020-08-25 | 平安科技（深圳）有限公司 | 信号处理方法、装置、计算机设备及存储介质 |
| CN111723683A (zh) * | 2020-05-29 | 2020-09-29 | 国网上海市电力公司 | 一种基于改进mfcc和k近邻的变压器故障声音识别方法 |
| CN112034312A (zh) * | 2020-08-07 | 2020-12-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备绝缘缺陷模式识别方法 |
| CN112065504A (zh) * | 2020-09-15 | 2020-12-11 | 中国矿业大学(北京) | 基于声音识别的矿井爆炸灾害报警方法及系统 |
| CN112201260A (zh) * | 2020-09-07 | 2021-01-08 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
| CN112418407A (zh) * | 2020-12-10 | 2021-02-26 | 清研灵智信息咨询(北京)有限公司 | 一种基于神经网络的实时数据预警分析方法 |
| CN112484843A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 变电站的状态分析方法及装置、电子设备 |
| CN112599134A (zh) * | 2020-12-02 | 2021-04-02 | 国网安徽省电力有限公司 | 一种基于声纹识别的变压器声音事件检测方法 |
| CN112946442A (zh) * | 2021-04-12 | 2021-06-11 | 厦门理工学院 | 一种开关柜局部放电检测方法、终端设备及存储介质 |
| CN113327629A (zh) * | 2021-05-06 | 2021-08-31 | 上海交通大学 | 电力设备声音诊断方法及系统 |
| CN113793626A (zh) * | 2021-08-09 | 2021-12-14 | 邹平市供电有限公司 | 一种电力设备运行状态监测系统及方法 |
| CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及系统 |
| CN114137410A (zh) * | 2021-12-07 | 2022-03-04 | 国网湖南省电力有限公司检修公司 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
| CN114265373A (zh) * | 2021-11-22 | 2022-04-01 | 煤炭科学研究总院 | 综采面一体式操控台控制系统 |
| CN117059128A (zh) * | 2023-09-04 | 2023-11-14 | 深圳远大科技工程有限公司 | 基于声音识别的机房异常监测方法 |
| CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| US20160029950A1 (en) * | 2013-02-14 | 2016-02-04 | Charm Engineering Co., Ltd. | Method and apparatus for measuring anesthetic depth using cepstrum technique |
| CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
-
2019
- 2019-07-12 CN CN201910631578.XA patent/CN110490071A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160029950A1 (en) * | 2013-02-14 | 2016-02-04 | Charm Engineering Co., Ltd. | Method and apparatus for measuring anesthetic depth using cepstrum technique |
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹文明等: "基于音频识别的无人值守变电站设备在线监测", 《湖南大学学报(自然科学版)》 * |
| 陈景东等: "基于Mellin变换的语音新特征与频率归正说话人自适应技术", 《自动化学报》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
| CN111259921B (zh) * | 2019-12-19 | 2023-09-05 | 杭州安脉盛智能技术有限公司 | 基于改进小波包和深度学习的变压器声音异常检测方法 |
| CN111582020A (zh) * | 2020-03-25 | 2020-08-25 | 平安科技（深圳）有限公司 | 信号处理方法、装置、计算机设备及存储介质 |
| CN111723683A (zh) * | 2020-05-29 | 2020-09-29 | 国网上海市电力公司 | 一种基于改进mfcc和k近邻的变压器故障声音识别方法 |
| CN112034312A (zh) * | 2020-08-07 | 2020-12-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备绝缘缺陷模式识别方法 |
| CN112201260A (zh) * | 2020-09-07 | 2021-01-08 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
| CN112201260B (zh) * | 2020-09-07 | 2021-10-12 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
| CN112065504B (zh) * | 2020-09-15 | 2021-09-14 | 中国矿业大学(北京) | 基于声音识别的矿井爆炸灾害报警方法及系统 |
| CN112065504A (zh) * | 2020-09-15 | 2020-12-11 | 中国矿业大学(北京) | 基于声音识别的矿井爆炸灾害报警方法及系统 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
| CN112395959B (zh) * | 2020-10-30 | 2024-01-02 | 天合光能股份有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及系统 |
| CN112484843A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 变电站的状态分析方法及装置、电子设备 |
| CN112599134A (zh) * | 2020-12-02 | 2021-04-02 | 国网安徽省电力有限公司 | 一种基于声纹识别的变压器声音事件检测方法 |
| CN112418407A (zh) * | 2020-12-10 | 2021-02-26 | 清研灵智信息咨询(北京)有限公司 | 一种基于神经网络的实时数据预警分析方法 |
| CN112946442B (zh) * | 2021-04-12 | 2022-06-28 | 厦门理工学院 | 一种开关柜局部放电检测方法、终端设备及存储介质 |
| CN112946442A (zh) * | 2021-04-12 | 2021-06-11 | 厦门理工学院 | 一种开关柜局部放电检测方法、终端设备及存储介质 |
| CN113327629A (zh) * | 2021-05-06 | 2021-08-31 | 上海交通大学 | 电力设备声音诊断方法及系统 |
| CN113793626A (zh) * | 2021-08-09 | 2021-12-14 | 邹平市供电有限公司 | 一种电力设备运行状态监测系统及方法 |
| CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及系统 |
| CN114265373A (zh) * | 2021-11-22 | 2022-04-01 | 煤炭科学研究总院 | 综采面一体式操控台控制系统 |
| CN114137410A (zh) * | 2021-12-07 | 2022-03-04 | 国网湖南省电力有限公司检修公司 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
| CN117059128A (zh) * | 2023-09-04 | 2023-11-14 | 深圳远大科技工程有限公司 | 基于声音识别的机房异常监测方法 |
| CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
| CN117275512B (zh) * | 2023-11-17 | 2024-01-30 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
| CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
| CN104964738B (zh) | 一种基于噪声分离的电力变压器噪声评估方法 | |
| CN108490349B (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
| CN103810374B (zh) | 一种基于mfcc特征提取的机器故障预测方法 | |
| CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
| CN109949823A (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN109784310B (zh) | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 | |
| CN104916289A (zh) | 行车噪声环境下快速声学事件的检测方法 | |
| 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 | |
| CN106053074A (zh) | 一种基于stft和转动惯量熵的滚动轴承声音信号故障特征提取方法 | |
| WO2022088643A1 (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
| CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN109918417A (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
| CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
| Zhang et al. | Fault diagnosis method based on MFCC fusion and SVM | |
| CN115911623A (zh) | 一种储能系统基于声信号的电池热失控诊断方法及系统 | |
| CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| Chu et al. | A noise-robust FFT-based auditory spectrum with application in audio classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |