CN111239597A - 一种基于音频信号特征来表征交流接触器电寿命的方法 - Google Patents
一种基于音频信号特征来表征交流接触器电寿命的方法 Download PDFInfo
- Publication number
- CN111239597A CN111239597A CN202010035538.1A CN202010035538A CN111239597A CN 111239597 A CN111239597 A CN 111239597A CN 202010035538 A CN202010035538 A CN 202010035538A CN 111239597 A CN111239597 A CN 111239597A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- life test
- electrical life
- contactor
- electrical
- 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
Images
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供一种基于音频信号特征来表征交流接触器电寿命的方法,包括获取历史及待测电寿命试验中交流接触器吸合的音频信号,经预处理及特征提取,得到历史及待测电寿命试验中音频信号各自的特征;以音频信号特征为模型特征及电寿命次数为模型标签,构建基于BP神经网络的交流接触器电寿命预测模型;将历史电寿命试验中音频信号的所有特征构成训练集和测试集对预测模型训练,直到训练误差满足要求为止,得到训练好的预测模型;将待测寿命试验中音频信号的特征导入训练好的预测模型中,输出预测的电寿命次数。实施本发明,以交流接触器电寿命试验中音频信号的特征作为判断电寿命次数为依据,实现交流接触器电寿命准确预测,提高可靠性与资源利用率。
Description
技术领域
本发明涉及交流接触器检测技术领域,尤其涉及一种基于音频信号特征来表征交流接触器电寿命的方法。
背景技术
交流接触器是一种应用于频繁接通和分断操作的电器,在用电系统中使用广泛。随着电力工业的飞速发展,对交流接触器的性能提出了更高的要求。电寿命就是反映交流接触器性能的重要参数,如果能对交流接触器的电寿命进行准确预测,就能及时对交流接触器进行更换和维护,保障电力系统的安全。
国内外对交流接触器或者继电器的电寿命预测展开了大量研究。例如,孙曙光、纪学玲、杜太行、郝立林、王锐雄等学者,提出的机械振动下交流接触器电寿命预测失效特征量提取方法(仪器仪表学报,2019,40(03):114-125),使用累积燃弧能量、燃弧能量以及燃弧时间预测交流接触器的电寿命;又如,杜太行、安建鹏、孙曙光、金少华、郝立林、纪学玲等学者提出的基于LabVIEW的振动条件下交流接触器电寿命试验系统(仪表技术与传感器,2018(08):113-117),通过工作电流、电压以及电弧能量来预测交流接触器电寿命;又如,李奎、李晓倍、郑淑梅、贺建超、武一等人,提出的基于BP神经网络的交流接触器剩余电寿命预测方法(电工技术学报,2017,32(15):120-127),使用累积燃弧能量和吸合时间作为输入建立BP神经网络预测模型,对交流接触器进行电寿命预测;又如,翟国富、王淑娟、许峰、刘茂恺等人提出的基于超程时间和吸合时间建模的继电器双变量寿命预测方法的研究(中国电机工程学报,2002(07):76-80),依据交流接触器吸合时间和超程时间的进行电寿命预测。
但是,国内采用音频信号特征表征交流接触器电寿命的研究暂未开展。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于音频信号特征来表征交流接触器电寿命的方法,以交流接触器电寿命试验中音频信号的特征作为判断电寿命次数为依据,实现交流接触器电寿命准确预测,提高了可靠性与资源利用率。
为了解决上述技术问题,本发明实施例提供了一种基于音频信号特征来表征交流接触器电寿命的方法,所述方法包括以下步骤:
获取历史电寿命试验及待测电寿命试验中交流接触器吸合的音频信号,并待对所有获取的音频信号均进行预处理后,进一步进行特征提取,得到历史电寿命试验及待测电寿命试验中音频信号各自对应的特征;
以音频信号特征为模型特征以及电寿命次数为模型标签,构建出基于BP神经网络的交流接触器电寿命预测模型;
将历史电寿命试验中所有音频信号的特征构成训练集和测试集,通过所述训练集和所述测试集对所述交流接触器电寿命预测模型进行训练,直到训练误差满足要求为止,得到训练好的交流接触器电寿命预测模型;
将待测电寿命试验中音频信号的特征导入训练好的交流接触器电寿命预测模型中,得到待测电寿命试验所对应预测的电寿命次数。
其中,对每一次电寿命试验中音频信号进行预处理的方式,包括分帧处理、滤波处理及端点检测。
其中,对每一次电寿命试验中音频信号进行分帧处理的步骤具体包括:
确定每一次电寿命试验中音频信号的时域波形,并使用窗函数分帧对每一次电寿命试验中音频信号的时域波形进行处理后,将分帧处理后的每一次电寿命试验中音频信号的时域波形转换为频域波形。
其中,对每一次电寿命试验中音频信号进行滤波处理的步骤具体包括:
获取每一次电寿命试验中以频域波形表示的音频信号,并采用预设的FIR滤波器对每一次电寿命试验中以频域波形表示的音频信号进行截取,得到滤波后的每一次电寿命试验中以频域波形表示的音频信号。
其中,所述预设的FIR滤波器的形成步骤如下:
(1)由所需要设计的滤波器的要求,得到滤波器的过渡带宽和阻带衰减,选择所需要的窗函数的类型并估计窗函数的宽度N;
(2)求出所需要理想滤波器的单位冲击响应hd(n);
(3)使用窗函数截取hd(n)得到h(n);
(4)输出频率响应后,看输出是否满足设计要求;
(5)如果不满足,则需要调整窗函数的类型和它的截取长度N,重复所有步骤,直到获得所需要的特性。
其中,对每一次电寿命试验中音频信号进行端点检测的步骤具体包括:
获取滤波后的每一次电寿命试验中以频域波形表示的音频信号,采用预设的双门限法进行端点检测,得到端点检测后的每一次电寿命试验中以频域波形表示的音频信号各自所对应的起点和终点。
其中,所述预设的双门限法端点检测的步骤如下:
(1)确定短时能量的计算公式如下:
(2)确定每一帧的短时过零率的计算公式如下:
(3)第一次判定:
当前音频信号在端点检测前预留一段无声段,根据无声段的短时能量,选取一个上限值A1,音频信号能量大部分在A1之上,音频信号短时能量与A1相交于C、D两点,确定出当前音频信号的起点和终点在C、D间隔时间段之外;
求取多帧无音频段的能量,确定下限值A2,与音频信号短时能量交于B、E两点,暂时定为当前音频信号的起点和终点;
(4)第二次判定:
根据无音频段短时过零率,以及第一次判定的结果,选取下限值A3,找到A3与短时过零率曲线的交点F和G点,则F和G点就是当前音频信号的起始点。
其中,对预处理后的每一次电寿命试验中音频信号进行特征提取的步骤具体包括:
首先,设计Mel滤波器组,该Mel滤波器组由若干个带通滤波器Hm(k)(0≤n<M)组成;
每个带通滤波器Hm(k)的传递函数如下:
其中,k表示频域中的第k条谱线,M表示滤波器的个数;
设计的Mel滤波器组的中心频率是f(m)可表示为
其中,fh、fl分别是第m个Mel滤波器的最高和最低频率,N为FFT的长度,fs为采样频率;
其次,计算通过每个Mel滤波器的能量,每一个Mel滤波器的能量为:
其中,Hm(k)是Mel滤波器的频域响应;
最后,把Mel滤波器的能量取对数后计算离散余弦变换DCT倒谱,得到MFCC系数;
其中,S(i,m)是Mel滤波器能量;m是指第m个Mel滤波器(共有M个);i是指第i帧;n是DCT后的谱线。
实施本发明实施例,具有如下有益效果:
本发明以交流接触器电寿命试验中音频信号的特征作为判断电寿命次数为依据,实现交流接触器电寿命准确预测,提高了可靠性与资源利用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法的流程图;
图2为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中交流接触器电寿命试验装置结构图;
图3为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中音频信号预处理和特征提取的过程图;
图4为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中音频信号的时域波形图;
图5为图4中音频信号分帧后的波形图;
图6为图5中分帧后音频信号经FFT变换后的频域波形图;
图7为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中噪声信号与音频信号的频谱对比图;
图8为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中窗函数法设计的低通滤波器的响应频率曲线图;
图9为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中滤波后音频信号的频域波形图;
图10为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中音频信号双门限法端点检测的曲线图;
图11为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中音频信号特征提取中所采用的Mel滤波器组的响应曲线图;
图12为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法应用场景中经过不同次电寿命试验后的交流接触器吸合音频信号的不同Mel滤波器的MFCC倒谱系数的对比图;
图13为本发明实施例提供的基于音频信号特征来表征交流接触器电寿命的方法对随机选取了不同区间段的15组音频信号的MFCC系数进行预测的误差对比图。
具体实施方式
为使本发明的目的、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地详细描述。
如图1所示,为本发明实施例中,提供的一种基于音频信号特征来表征交流接触器电寿命的方法,所述方法包括以下步骤:
步骤S1、获取历史电寿命试验及待测电寿命试验中交流接触器吸合的音频信号,并待对所有获取的音频信号均进行预处理后,进一步进行特征提取,得到历史电寿命试验及待测电寿命试验中音频信号各自对应的特征;
步骤S2、以音频信号特征为模型特征以及电寿命次数为模型标签,构建出基于BP神经网络的交流接触器电寿命预测模型;
步骤S3、将历史电寿命试验中所有音频信号的特征构成训练集和测试集,通过所述训练集和所述测试集对所述交流接触器电寿命预测模型进行训练,直到训练误差满足要求为止,得到训练好的交流接触器电寿命预测模型;
步骤S4、将待测电寿命试验中音频信号的特征导入训练好的交流接触器电寿命预测模型中,得到待测电寿命试验所对应预测的电寿命次数。
具体过程为,在步骤S1中,在AC-4条件下进行,使用CJX2-40型号交流接触器,试验装置结构图如图2所示,其中,控制台用来采集和处理音频信号,并且记录试验次数,Z为试验装置的负载电路,D为试验产品。Recorder是记录交流接触器吸合音频信号的高品质录音机,用来实时记录试验产品的音频信息。F为熔断器,RL为限制故障电流的电阻器。
在历史电寿命试验中,试验次数总共进行了20000次,每50次记录一次交流接触器吸合音频信号,总共记录了400次,最终以.wav的格式保存下来,接下来就是对音频信号进行预处理(预处理包括分帧处理、滤波处理和端点检测三个部分)和特征提取。其中,分帧处理是为了保持音频信号的短时不变性,为端点检测做好准备;滤波处理是为了滤掉混在音频信号中的噪声信号;端点检测主要是为了去除音频信号中的空白部分;音频信号特征提取是得到反映交流接触器电寿命变化的特征,具体过程如图3所示。
同样,在待测电寿命试验中,记录相应交流接触器吸合音频信号,也会对音频信号进行预处理(预处理包括分帧处理、滤波处理和端点检测三个部分)和特征提取,为后续预测电寿命次数做准备。
首先,对每一次电寿命试验中音频信号进行分帧处理,具体步骤包括:
确定每一次电寿命试验中音频信号的时域波形,并使用窗函数分帧对每一次电寿命试验中音频信号的时域波形进行处理后,将分帧处理后的每一次电寿命试验中音频信号的时域波形转换为频域波形。
在一个实施例中,以某一次的音频信号为例,在MATLAB平台使用audioread函数获取时域波形,并输出它的时域图,如图4所示。接下来需要分析音频信号的频谱,因为在使用MATLAB分析音频信号时,是对音频信号有限的点的采样,采样点以外的音频信号就采集不到,部分频谱就会被丢失。分帧处理就是解决这一问题的,因为分帧后,每一帧的信号保持在30ms以内,如此短的时间,可以认为音频信号是短时不变的。分帧处理需要考虑避免频谱泄漏的问题,克服这一问题的办法是使用窗函数分帧,窗函数分帧的实现就是用音频信号乘以窗函数。经过分析,在所有窗函数中,汉明窗的分帧效果最好。如图5所示就是分帧后第一帧的音频信号。再通过MATLAB平台上的傅里叶FFT变换函数,把音频信号从时域转换成频域波形,如图6所示。
其次,对每一次电寿命试验中音频信号进行滤波处理,具体步骤包括:
获取每一次电寿命试验中以频域波形表示的音频信号,并采用预设的FIR滤波器对每一次电寿命试验中以频域波形表示的音频信号进行截取,得到滤波后的每一次电寿命试验中以频域波形表示的音频信号。其中,预设的FIR滤波器的形成步骤如下:
(1)由所需要设计的滤波器的要求,得到滤波器的过渡带宽和阻带衰减,选择所需要的窗函数的类型并估计窗函数的宽度N;
(2)求出所需要理想滤波器的单位冲击响应hd(n);
(3)使用窗函数截取hd(n)得到h(n);
(4)输出频率响应后,看输出是否满足设计要求;
(5)如果不满足,则需要调整窗函数的类型和它的截取长度N,重复所有步骤,直到获得所需要的特性。
在一个实施例中,本试验中主要的噪声信号来源于实验室存在的噪声信号。在电寿命试验开始前采集了存在噪声信号,对它进行频谱分析,并将噪声信号与音频信号对比,如图7所示。发现低频段虽然存在噪声,但是能量相比于音频信号小得多。噪声信号主要集中在高频段,从16500Hz开始,噪声信号的能量越来越接近音频信号。因此需要过滤掉这些混入音频信号中的噪声信号,才能保证下一步提取音频信号的准确性。
设计FIR滤波器的常见方法是窗函数法,窗函数法是利用窗函数对信号进行截取,得到期望的单位冲击响应,接近理想滤波器,经过对比,hamming窗低通滤波器的滤波效果最好,如图8是本文设计的FIR低通滤波器的频率响应,因为噪声信号的能量接近音频信号的能量从16500Hz开始,所以它的参数为通带边缘频率ωp=0.75π,阻带起始频率ωs=0.8π。滤波器的频率响应如图8所示,最终得到了滤波后的音频信号的波形,如图9所示,此时,音频信号的频谱发生很明显的变化,16500Hz以上的音频信号几乎被过滤。通过MATLAB的播放此时的音频信号,发现音频更加清晰。
然后,对每一次电寿命试验中音频信号进行端点检测,具体步骤包括:
获取滤波后的每一次电寿命试验中以频域波形表示的音频信号,采用预设的双门限法进行端点检测,得到端点检测后的每一次电寿命试验中以频域波形表示的音频信号各自所对应的起点和终点。其中,预设的双门限法端点检测的步骤如下:
(1)确定短时能量的计算公式如下:
(2)确定每一帧的短时过零率的计算公式如下:
(3)第一次判定:
由于电寿命试验的音频信号实验中的音频能量比无音频段的能量高很多。当前音频信号在端点检测前预留一段无声段,根据无声段的短时能量,选取一个上限值A1,音频信号能量大部分在A1之上,音频信号短时能量与A1相交于C、D两点,确定出当前音频信号的起点和终点在C、D间隔时间段之外;
求取多帧无音频段的能量,确定下限值A2,与音频信号短时能量交于B、E两点,暂时定为当前音频信号的起点和终点;
(4)第二次判定:
求取多帧无音频段的短时过零率,无音频段的短时过零率远远低于音频信号。因此在求取多帧无音频段的短时过零率时,根据无音频段短时过零率,以及第一次判定的结果,选取下限值A3,找到A3与短时过零率曲线的交点F和G点,则F和G点就是当前音频信号的起始点,如图10所示。
最后,音频信号特征系数提取的方法有LPCC和MFCC两种方法,其中Mel频率倒谱系数(MFCC)的方法是模拟人耳对于不同频率的音频信号的分辨。因为人耳能在比较嘈杂的环境下提取有用的音频信息,所以MFCC方法抗干扰强,使用更加广泛。
因此,对预处理后的每一次电寿命试验中音频信号进行特征提取,具体步骤如下:
第一步、设计Mel滤波器组,该Mel滤波器组由若干个带通滤波器Hm(k)(0≤n<M)组成;
每个带通滤波器Hm(k)的传递函数如下:
其中,k表示频域中的第k条谱线,M表示滤波器的个数,如24;
设计的Mel滤波器组的中心频率是f(m)可表示为
其中,fh、fl分别是第m个Mel滤波器的最高和最低频率,N为FFT的长度,fs为采样频率;
如图11所示,为最终得到Mel滤波器组的响应曲线图。
第二步、计算通过每个Mel滤波器的能量,每一个Mel滤波器的能量为:
其中,Hm(k)是Mel滤波器的频域响应;
第三步、把Mel滤波器的能量取对数后计算离散余弦变换DCT倒谱,得到MFCC系数;
其中,S(i,m)是Mel滤波器能量;m是指第m个Mel滤波器(共有M个);i是指第i帧;n是DCT后的谱线。如滤波器的个数为24个时,最终得到的MFCC系数就是音频信号在24段Mel频率上,不同频率范围的能量对应的离散余弦变换的倒谱,实现人耳对不同频率的音频成分的不同接收的模拟。
如图12所示,为经过不同次电寿命试验后的交流接触器吸合音频信号的不同Mel滤波器的MFCC倒谱系数的对比图。可以看出在整个电寿命试验中,前5个Mel滤波器的MFCC系数的绝对值都很大,这是因为音频能量主要集中在低频段。对比四个不同时期的MFCC系数,在电寿命试验初期,因为音频能量低,所以MFCC系数小。随着电寿命试验的进行,MFCC系数逐渐增大。到电寿命截止的时候,因为缺相等问题,音频能量减小,MFCC系数降低。
在步骤S2中,提取经过不同时期的交流接触器音频信号的特征后,就可以依部分已知电寿命的音频信号去预测未知音频信号的电寿命次数。BP神经网络作为使用最广的神经网络之一,在预测方面优势突出。此时,以音频信号特征为模型特征以及电寿命次数为模型标签,构建出基于BP神经网络的交流接触器电寿命预测模型。
根据BP神经网络的相关研究,1层隐含层就可以实现任何的非线性映射。本文提取的音频信号特征值是24维的,输出是电寿命次数是1维的,隐含层的神经元数可以根据试凑法确定,发现隐含层为15的时候预测误差最小。例如,建立24-15-1的BP神经网络,学习率为0.1,训练函数为traingdm,预测误差为0.01。
在步骤S3中,历史电寿命试验中,试验次数总共进行了20000次,每50次记录一次交流接触器吸合音频信号,对这400次的音频特征提取后,从中随机选取15组作为测试集的测试数据,其余的作为训练集的训练数据。
输入用来训练的特征值和它们对应的已进行的试验次数,归一化处理后,导入所建立的BP神经网络进行训练;把用来预测的15组数据输入已经训练好的神经网络,输出预测结果和与试验次数对应的误差,如果误差很大,需要调整神经网络的参数,直到训练误差满足要求为止;最终输出满足要求的预测结果与对应的已进行的试验次数,预测误差的计算公式为(已进行的试验次数-预测结果)/已进行的试验次数,从而得到训练好的交流接触器电寿命预测模型。
在步骤S4中,将待测电寿命试验中音频信号的特征导入训练好的交流接触器电寿命预测模型中,得到待测电寿命试验所对应预测的电寿命次数,从而实现交流接触器电寿命准确预测。
为了验证该方法的可行性,在BP神经网络经过训练后,随机选取了不同区间段的15组音频信号的MFCC系数进行预测。预测误差如图13所示,预测结果如表1所示。可以看出,本文使用的BP神经网络预测方法能比较准确的预测电寿命的次数。在电寿命试验前期,预测误差较大,在电寿命试验后期,预测误差较小,大部分相差在1000次范围内,可以用来预测交流接触器电寿命。
表1
实施本发明实施例,具有如下有益效果:
本发明以交流接触器电寿命试验中音频信号的特征作为判断电寿命次数为依据,实现交流接触器电寿命准确预测,提高了可靠性与资源利用率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,所述方法包括以下步骤:
获取历史电寿命试验及待测电寿命试验中交流接触器吸合的音频信号,并待对所有获取的音频信号均进行预处理后,进一步进行特征提取,得到历史电寿命试验及待测电寿命试验中音频信号各自对应的特征;
以音频信号特征为模型特征以及电寿命次数为模型标签,构建出基于BP神经网络的交流接触器电寿命预测模型;
将历史电寿命试验中所有音频信号的特征构成训练集和测试集,通过所述训练集和所述测试集对所述交流接触器电寿命预测模型进行训练,直到训练误差满足要求为止,得到训练好的交流接触器电寿命预测模型;
将待测电寿命试验中音频信号的特征导入训练好的交流接触器电寿命预测模型中,得到待测电寿命试验所对应预测的电寿命次数。
2.如权利要求1所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,对每一次电寿命试验中音频信号进行预处理的方式,包括分帧处理、滤波处理及端点检测。
3.如权利要求2所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,对每一次电寿命试验中音频信号进行分帧处理的步骤具体包括:
确定每一次电寿命试验中音频信号的时域波形,并使用窗函数分帧对每一次电寿命试验中音频信号的时域波形进行处理后,将分帧处理后的每一次电寿命试验中音频信号的时域波形转换为频域波形。
4.如权利要求3所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,对每一次电寿命试验中音频信号进行滤波处理的步骤具体包括:
获取每一次电寿命试验中以频域波形表示的音频信号,并采用预设的FIR滤波器对每一次电寿命试验中以频域波形表示的音频信号进行截取,得到滤波后的每一次电寿命试验中以频域波形表示的音频信号。
5.如权利要求4所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,所述预设的FIR滤波器的形成步骤如下:
(1)由所需要设计的滤波器的要求,得到滤波器的过渡带宽和阻带衰减,选择所需要的窗函数的类型并估计窗函数的宽度N;
(2)求出所需要理想滤波器的单位冲击响应hd(n);
(3)使用窗函数截取hd(n)得到h(n);
(4)输出频率响应后,看输出是否满足设计要求;
(5)如果不满足,则需要调整窗函数的类型和它的截取长度N,重复所有步骤,直到获得所需要的特性。
6.如权利要求4所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,对每一次电寿命试验中音频信号进行端点检测的步骤具体包括:
获取滤波后的每一次电寿命试验中以频域波形表示的音频信号,采用预设的双门限法进行端点检测,得到端点检测后的每一次电寿命试验中以频域波形表示的音频信号各自所对应的起点和终点。
7.如权利要求6所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,所述预设的双门限法端点检测的步骤如下:
(1)确定短时能量的计算公式如下:
(2)确定每一帧的短时过零率的计算公式如下:
(3)第一次判定:
当前音频信号在端点检测前预留一段无声段,根据无声段的短时能量,选取一个上限值A1,音频信号能量大部分在A1之上,音频信号短时能量与A1相交于C、D两点,确定出当前音频信号的起点和终点在C、D间隔时间段之外;
求取多帧无音频段的能量,确定下限值A2,与音频信号短时能量交于B、E两点,暂时定为当前音频信号的起点和终点;
(4)第二次判定:
根据无音频段短时过零率,以及第一次判定的结果,选取下限值A3,找到A3与短时过零率曲线的交点F和G点,则F和G点就是当前音频信号的起始点。
8.如权利要求6所述的基于音频信号特征来表征交流接触器电寿命的方法,其特征在于,对预处理后的每一次电寿命试验中音频信号进行特征提取的步骤具体包括:
首先,设计Mel滤波器组,该Mel滤波器组由若干个带通滤波器Hm(k)(0≤n<M)组成;
每个带通滤波器Hm(k)的传递函数如下:
其中,k表示频域中的第k条谱线,M表示滤波器的个数;
设计的Mel滤波器组的中心频率是f(m)可表示为
其中,fh、fl分别是第m个Mel滤波器的最高和最低频率,N为FFT的长度,fs为采样频率;
其次,计算通过每个Mel滤波器的能量,每一个Mel滤波器的能量为:
其中,Hm(k)是Mel滤波器的频域响应;
最后,把Mel滤波器的能量取对数后计算离散余弦变换DCT倒谱,得到MFCC系数;
其中,S(i,m)是Mel滤波器能量;m是指第m个Mel滤波器(共有M个);i是指第i帧;n是DCT后的谱线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035538.1A CN111239597A (zh) | 2020-01-14 | 2020-01-14 | 一种基于音频信号特征来表征交流接触器电寿命的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035538.1A CN111239597A (zh) | 2020-01-14 | 2020-01-14 | 一种基于音频信号特征来表征交流接触器电寿命的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111239597A true CN111239597A (zh) | 2020-06-05 |
Family
ID=70872669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035538.1A Pending CN111239597A (zh) | 2020-01-14 | 2020-01-14 | 一种基于音频信号特征来表征交流接触器电寿命的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239597A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231910A (zh) * | 2020-10-15 | 2021-01-15 | 华人运通(江苏)技术有限公司 | 一种高压直流接触器的寿命判定系统及方法 |
CN112419548A (zh) * | 2020-10-26 | 2021-02-26 | 温州大学乐清工业研究院 | 一种供电智能电子锁及其供电方法 |
CN113777924A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 一种接触器的直接吸力闭环控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020167776A1 (en) * | 1999-09-20 | 2002-11-14 | Moeller Gmbh | Method for determining the remaining service life of the switch contacts in an electric switching device and electric switching device with an evaluation unit for carrying out said method |
CN102841311A (zh) * | 2012-08-30 | 2012-12-26 | 浙江天正电气股份有限公司 | 一种交流接触器自动检测系统 |
CN103018667A (zh) * | 2012-12-11 | 2013-04-03 | 福州大学 | 交流接触器特性测试分析系统 |
CN106816147A (zh) * | 2017-01-25 | 2017-06-09 | 上海交通大学 | 基于二值神经网络声学模型的语音识别系统 |
CN110338092A (zh) * | 2019-07-01 | 2019-10-18 | 河南牧业经济学院 | 一种基于声音的猪行为识别方法及系统 |
-
2020
- 2020-01-14 CN CN202010035538.1A patent/CN111239597A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020167776A1 (en) * | 1999-09-20 | 2002-11-14 | Moeller Gmbh | Method for determining the remaining service life of the switch contacts in an electric switching device and electric switching device with an evaluation unit for carrying out said method |
CN102841311A (zh) * | 2012-08-30 | 2012-12-26 | 浙江天正电气股份有限公司 | 一种交流接触器自动检测系统 |
CN103018667A (zh) * | 2012-12-11 | 2013-04-03 | 福州大学 | 交流接触器特性测试分析系统 |
CN106816147A (zh) * | 2017-01-25 | 2017-06-09 | 上海交通大学 | 基于二值神经网络声学模型的语音识别系统 |
CN110338092A (zh) * | 2019-07-01 | 2019-10-18 | 河南牧业经济学院 | 一种基于声音的猪行为识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
宋知用等: "《MATLAB语音信号分析与合成 第2版》", 31 January 2018, 北京航空航天大学出版社 * |
李亚莹: "《面向声纹识别的藏语特征提取研究》", 《西藏科技》 * |
李敏: "《信号分析与处理的软件硬件实现 第2版》", 28 February 2014, 大连海事大学出版社 * |
韩冰: "《数字音视频处理》", 31 October 2018, 西安电子科技大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231910A (zh) * | 2020-10-15 | 2021-01-15 | 华人运通(江苏)技术有限公司 | 一种高压直流接触器的寿命判定系统及方法 |
CN112419548A (zh) * | 2020-10-26 | 2021-02-26 | 温州大学乐清工业研究院 | 一种供电智能电子锁及其供电方法 |
CN113777924A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 一种接触器的直接吸力闭环控制方法及系统 |
CN113777924B (zh) * | 2021-09-10 | 2023-07-07 | 福州大学 | 一种接触器的直接吸力闭环控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239597A (zh) | 一种基于音频信号特征来表征交流接触器电寿命的方法 | |
CN108896878B (zh) | 一种基于超声波的局部放电检测方法 | |
CN107610715B (zh) | 一种基于多种声音特征的相似度计算方法 | |
US8972255B2 (en) | Method and device for classifying background noise contained in an audio signal | |
Rivas et al. | Condition assessment of power OLTC by vibration analysis using wavelet transform | |
CN108490349B (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
Gurugubelli et al. | Perceptually enhanced single frequency filtering for dysarthric speech detection and intelligibility assessment | |
EP3701528B1 (en) | Segmentation-based feature extraction for acoustic scene classification | |
CN102426835A (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN105244038A (zh) | 一种基于hmm的选矿设备故障异常音频分析与识别方法 | |
CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及系统 | |
CN107274911A (zh) | 一种基于声音特征的相似度分析方法 | |
CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN111785285A (zh) | 面向家居多特征参数融合的声纹识别方法 | |
CN111429931B (zh) | 一种基于数据增强的降噪模型压缩方法及装置 | |
CN106548786A (zh) | 一种音频数据的检测方法及系统 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
Hasan et al. | Preprocessing of continuous bengali speech for feature extraction | |
CN108682432A (zh) | 语音情感识别装置 | |
AU2021101586A4 (en) | A System and a Method for Non-Intrusive Speech Quality and Intelligibility Evaluation Measures using FLANN Model | |
Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
Secic et al. | Using deep neural networks for on-load tap changer audio-based diagnostics | |
CN112735477B (zh) | 语音情感分析方法和装置 | |
JP2002507776A (ja) | 音声信号の過渡現象を解析するための信号処理方法 | |
CN109949831B (zh) | 智能设备中语音识别的方法、装置及计算机可读存储介质 |
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: 20200605 |
|
RJ01 | Rejection of invention patent application after publication |