CN113607447A - 一种声学光学联合风机故障定位装置及方法 - Google Patents
一种声学光学联合风机故障定位装置及方法 Download PDFInfo
- Publication number
- CN113607447A CN113607447A CN202110771136.2A CN202110771136A CN113607447A CN 113607447 A CN113607447 A CN 113607447A CN 202110771136 A CN202110771136 A CN 202110771136A CN 113607447 A CN113607447 A CN 113607447A
- Authority
- CN
- China
- Prior art keywords
- sound source
- microphone
- noise
- expressed
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 16
- 238000012800 visualization Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005236 sound signal Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及一种声学光学联合风机故障定位装置及方法.本发明由声传感器阵列、光学相机、信号采集与处理模块构成。通过麦克风阵列采集声音并生成声学图像,并通过工业相机采集光学图像信息,创建叠加融合在光学图像上的声学图像,实现声学故障目标(声源点)的可视化。本发明提供的改进MUSIC的声源定位方法可以得到更加尖锐的指向性波束,更低的旁瓣。能使方向角的定位精度达到±4°,俯仰角的定位精度达到±5°。
Description
技术领域
本发明涉及一种声学、光学联合风机故障定位装置,可以用于复杂环境下对风机进行光学成像,同时,通过声学分析,定位出故障噪声点,并在成像中显示出来。
背景技术
传统转动机械故障定位装置大都使用个别特征量进行分析,如基于声传感器的转动机械故障定位装置只通过声学特征进行定位,定位精度较低且可视化效果较差,对设备的故障点定位及后续故障诊断影响较大。近年来,实时成像及识别技术如今广泛的应用于生产生活的方方面面,其作用是对物体或者人体进行识别之后得到相关的一些属性和信息,提供给后续处理系统进行处理。
声学成像技术可通过测量一定空间内的声波到达各麦克风的信号相位差异,依据相控阵原理确定声源的位置,并以图像的方式显示声源在空间的分布,取得空间声场分布云图,其中图像的颜色和亮度代表声音的强弱。
发明内容
本发明的目的是以图像的方式显示风机故障声源点在空间的分布,将风机故障声源点通过摄像画面实时呈现出来。
为达到上述目的本发明采用以下技术方案:
本发明由声传感器阵列、光学相机、信号采集与处理模块构成。通过麦克风阵列采集声音并生成声学图像,并通过工业相机采集光学图像信息,创建叠加融合在光学图像上的声学图像,实现声学故障目标(声源点)的可视化。
所述声传感器阵列包括16个阵元MAX9814型驻极体咪头麦克风组成的麦克风阵列、麦克风阵列排布架及三角支架。
所述光学相机为度申科技公司U3S230-H2,最大分辨率为1920×1080,最大帧率为40fps。
所述信号采集与处理模块包括数据采集卡和PC端虚拟仪器LabVIEW程序组成。数据采集卡将采集到的声学信号经模数转换后的数字量送入PC端虚拟仪器LabVIEW程序中。
一种声学、光学联合风机故障定位装置,为风机的转子产生裂痕、转子不对中、转子挠度异常时的故障定位及可视化,包括如下步骤:
步骤1、声传感器采集声音信号,所述声传感器为均匀圆阵。将M(M=16)个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上。以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系。
第m个阵元的位置在空间坐标系中表示为:
远场中入射声源的单位向量表示为:
因此第m个阵元与参考阵元之间的延时τm表示为:
其中<·,·>表示内积,c为声速。声源点的方位矢量表示为:
则麦克风阵列的输出表示为:
其中x(t)是麦克风接收到的声源信号。
步骤2、声音信号预处理,采用基于理想二值掩模(Ideal Binary Mask,IBM)的方法对风机故障噪声进行信号增强。其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类。IBM的计算公式如下:
其中LC为阈值,取0,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个范围在[0,1]的值,计算公式为:
其中β为可调节尺度因子。
步骤3标记异常声音,采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类。
步骤4、采用改进MUSIC算法得出故障位置
4.1)采用广义互相关方法求延时值。
假设麦克风接收的信号表达式如下:
x1(n)=a1S(n-τ1)+w1(n)
x2(n)=a2S(n-τ2)+w2(n)
式中:a1、a2为声波从声源到麦克风之间的传播衰减系数,取值范围为0-1,本发明中主要针对远场声源进行定位,故a1、a2值为1;S(n)表示实际声源信号;S(n-τ)表示理想状态下声源信号;τ1、τ2分别代表声源与麦克风1(参考阵元)和麦克风2(圆周上任意一个麦克风)之间的传播时间;w1(n)、w2(n)分别代表麦克风1和2接收信号中的高斯白噪声,且声源信号S(n)与噪声信号w1(n)、w2(n)两者之间互不相关。
利用阵列麦克风1和2的接收信号间互相关函数求广义互相关函数,则两路信号间延时位于互相关函数峰值处。互相关函数如下:
R12(τ)=E{x1(n)x2(n-τ)}
将x1(n)、x2(n)带入上式得:
R12(τ)=a1a2E{S(n-τ1)S(n-τ2-τ)}+a1E{S(n-τ1)w2(n-τ)}+
a2E{S(n-τ2-τ)w1(n)+E{w1(n)w2(n-τ)}}
4.2)将时延带入改进MUSIC算法,获得故障噪声点位坐标。
麦克风参考阵元接收信号表示:w0(n),其余各阵元接收信号表示为:x1(n)、x2(n)...xM(n)。利用广义互相关法分别求出各阵元与参考阵元的时迟:τ1、τ2...τM,接下来按照传统MUSIC算法的形式对接受数据协方差矩阵进行特征值分解,并将特征值按升序排列。把与声源信号个数K相等的最大特征值和对应的特征向量Us张成的空间看作信号子空间,它与声源有关。把剩下的M-K个特征值对应的特征向量UN张成的空间看作噪声子空间,该空间受噪声影响,则有:
扫描θ(0°≤θ≤90°)和φ(0°≤φ≤360°)求得谱函数值:
通过寻找波峰,确定满足条件峰值PMUSIC最大,所对应的θ和φ,其值即为声源在空间坐标系中的俯仰角和方位角。
所述的一种声学、光学联合风机故障定位装置通过改进MUSIC算法得出故障位置并实现故障点可视化,方法为:
将相机固定于传声器阵列的中心。对于空间中的声源点P,假设风机故障噪声点的坐标为p(x,y)。器由相机坐标系和图像坐标系的关系可知,p(x,y)可以由P在相机坐标系下的坐标P(XC,YC,ZC)得到:
而声源点P在相机坐标系下的坐标P(XC,YC,ZC)也可以用球坐标系表示为:
将点P在相机坐标系下的球坐标代入到之前的式中,可以得到:
p(x,y)即为风机故障噪声点的坐标。
与现有技术相比,本发明的有益效果是:
1、本发明提供的改进MUSIC的声源定位方法可以得到更加尖锐的指向性波束,更低的旁瓣。能使方向角的定位精度达到±4°,俯仰角的定位精度达到±5°。
2、本发明提供的均匀圆阵声传感器阵列解决了左右舷模糊问题,定位精度高,定位稳定性强。
3、本发明提供的声学、光学联合风机故障定位装置可通过光学相机进行智能判断,去除虚假目标,实现故障点定位的目的。
附图说明
图1:一种声学、光学联合风机故障定位装置系统结构
图2:麦克风整列设计图
图3:故障声源定位原理图
具体实施方式
本发明为风机的转子产生裂痕、转子不对中、转子挠度异常时的故障定位及可视化,采用了如下的技术方案及实现步骤,系统整体设计方案如图1所示。一种声、光学联合风机故障定位装置具体实施步骤如下:
步骤1、声传感器采集声音信号,所述声传感器为均匀圆阵。将M(M=16)个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上,麦克风阵列设计图如图2所示。以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系。
第m个阵元的位置在空间坐标系中表示为:
远场中入射声源的单位向量表示为:
因此第m个阵元与参考阵元之间的延时τm表示为:
其中<·,·>表示内积,c为声速。声源点的方位矢量表示为:
则麦克风阵列的输出表示为:
其中x(t)是麦克风接收到的声源信号。
步骤2、声音信号预处理,采用基于理想二值掩模(Ideal Binary Mask,IBM)的方法对风机故障噪声进行信号增强。其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类。IBM的计算公式如下:
其中LC为阈值,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个范围在[0,1]的值,计算公式为:
其中β为可调节尺度因子,一般取值为0.5。
步骤3标记异常声音,采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类。
步骤4、采用改进MUSIC算法得出故障位置
4.1)采用广义互相关方法求延时值。
假设麦克风接收的信号表达式如下:
x1(n)=a1S(n-τ1)+w1(n)
x2(n)=a2S(n-τ2)+w2(n)
式中:a1、a2为声波从声源到麦克风之间的传播衰减系数,取值范围为0-1,本;S(n)表示实际声源信号;S(n-τ)表示理想状态下声源信号;τ1、τ2分别代表声源与麦克风1(参考阵元)和麦克风2(圆周上任意一个麦克风)之间的传播时间;w1(n)、w2(n)分别代表麦克风1和2接收信号中的高斯白噪声,且声源信号S(n)与噪声信号w1(n)、w2(n)两者之间互不相关。
利用阵列麦克风1和2的接收信号间互相关函数求广义互相关函数,则两路信号间延时位于互相关函数峰值处。互相关函数如下:
R12(τ)=E{x1(n)x2(n-τ)}
将x1(n)、x2(n)带入上式得:
R12(τ)=a1a2E{S(n-τ1)S(n-τ2-τ)}+a1E{S(n-τ1)w2(n-τ)}+
a2E{S(n-τ2-τ)w1(n)+E{w1(n)w2(n-τ)}}
4.2)将时延带入改进MUSIC算法,获得故障噪声点位坐标。
麦克风参考阵元接收信号表示:w0(n),其余各阵元接收信号表示为:x1(n)、x2(n)...xM(n)。利用广义互相关法分别求出各阵元与参考阵元的时迟:τ1、τ2...τM,接下来按照传统MUSIC算法的形式对接受数据协方差矩阵进行特征值分解,并将特征值按升序排列。把与声源信号个数K相等的最大特征值和对应的特征向量Us张成的空间看作信号子空间,它与声源有关。把剩下的M-K个特征值对应的特征向量UN张成的空间看作噪声子空间,该空间受噪声影响,则有:
扫描θ(0°≤θ≤90°)和φ(0°≤φ≤360°)求得谱函数值:
通过寻找波峰,确定满足条件峰值PMUSIC最大,所对应的θ和φ,其值即为声源在空间坐标系中的俯仰角和方位角。
所述的一种声学、光学联合风机故障定位装置通过改进MUSIC算法得出故障位置并实现故障点可视化,方法为:
将相机固定于传声器阵列的中心。对于空间中的声源点P,假设风机故障噪声点的坐标为p(x,y)。器由相机坐标系和图像坐标系的关系可知,p(x,y)可以由P在相机坐标系下的坐标P(XC,YC,ZC)得到:
而声源点P在相机坐标系下的坐标P(XC,YC,ZC)也可以用球坐标系表示为:
将点P在相机坐标系下的球坐标代入到之前的式中,可以得到:
p(x,y)即为风机故障噪声点的坐标。故障声源定位原理图如图3所示。
Claims (2)
1.基于声传感器的风机故障智能诊断装置,其特征在于:由声传感器阵列、光学相机、信号采集与处理模块构成;通过麦克风阵列采集声音并生成声学图像,并通过工业相机采集光学图像信息,创建叠加融合在光学图像上的声学图像,实现声学故障目标的可视化;
所述声传感器阵列包括16个阵元MAX9814型驻极体咪头麦克风组成的麦克风阵列、麦克风阵列排布架及三角支架;
所述光学相机最大分辨率为1920×1080,最大帧率为40fps;
所述信号采集与处理模块包括数据采集卡和PC端虚拟仪器LabVIEW程序组成;数据采集卡将采集到的声学信号经模数转换后的数字量送入PC端虚拟仪器LabVIEW程序中。
2.应用如权利要求1所述装置的方法,其特征在于,包括如下步骤:
步骤1、声传感器采集声音信号,所述声传感器为均匀圆阵;将M个完全相同的麦克风均匀分布在平面X-Y上一个半径为r的圆周上,M=16;以整个阵列模型的中心位置即参考阵元为空间坐标系的圆心,坐标系的X轴为参考阵元与第一个阵元之间的连线,建立声学成像的空间坐标系;
第m个阵元的位置在空间坐标系中表示为:
远场中入射声源的单位向量表示为:
因此第m个阵元与参考阵元之间的延时τm表示为:
其中<·,·>表示内积,c为声速;声源点的方位矢量表示为:
则麦克风阵列的输出表示为:
其中x(t)是麦克风接收到的声源信号;
步骤2、声音信号预处理,采用基于理想二值掩模的方法对风机故障噪声进行信号增强;其假设声音信号能量稀疏且不可交,给可能属于一个源的区域分配掩码为1,其余区域分配掩码为0,即为风机运转时的噪声谱中将无关异常诊断的噪声信号掩蔽掉后进行风机故障噪声分类;IBM的计算公式如下:
其中LC为阈值,取0,t为时间,SNR计算公式为:
其中S(t,f)2和N(t,f)2分别表示时频单元内语音能量和噪声能量,IRM为一个范围在[0,1]的值,计算公式为:
其中β为可调节尺度因子,取0.5;
步骤3标记异常声音,采用基于BP神经网络的方法对增强后的风机故障噪声时频图进行信号进行分类,包括BP神经网络建立、BP神经网络样本训练及BP神经网络分类;
步骤4、采用改进MUSIC算法得出故障位置
4.1)采用广义互相关方法求延时值;
假设麦克风接收的信号表达式如下:
x1(n)=a1S(n-τ1)+w1(n)
x2(n)=a2S(n-τ2)+w2(n)
式中:a1、a2为声波从声源到麦克风之间的传播衰减系数,取值范围为0-1,a1、a2值为1;S(n)表示实际声源信号;S(n-τ)表示理想状态下声源信号;τ1、τ2分别代表声源与麦克风1即参考阵元和麦克风2即圆周上任意一个麦克风之间的传播时间;w1(n)、w2(n)分别代表麦克风1和2接收信号中的高斯白噪声,且声源信号S(n)与噪声信号w1(n)、w2(n)两者之间互不相关;
利用阵列麦克风1和2的接收信号间互相关函数求广义互相关函数,则两路信号间延时位于互相关函数峰值处;互相关函数如下:
R12(τ)=E{x1(n)x2(n-τ)}
将x1(n)、x2(n)带入上式得:
R12(τ)=a1a2E{S(n-τ1)S(n-τ2-τ)}+a1E{S(n-τ1)w2(n-τ)}+a2E{S(n-τ2-τ)w1(n)+E{w1(n)w2(n-τ)}}
4.2)将时延带入改进MUSIC算法,获得故障噪声点位坐标;
麦克风参考阵元接收信号表示:w0(n),其余各阵元接收信号表示为:x1(n)、x2(n)...xM(n);利用广义互相关法分别求出各阵元与参考阵元的时迟:τ1、τ2...τM,接下来按照传统MUSIC算法的形式对接受数据协方差矩阵进行特征值分解,并将特征值按升序排列;把与声源信号个数K相等的最大特征值和对应的特征向量Us张成的空间看作信号子空间,它与声源有关;把剩下的M-K个特征值对应的特征向量UN张成的空间看作噪声子空间,该空间受噪声影响,则有:
扫描θ(0°≤θ≤90°)和φ(0°≤φ≤360°)求得谱函数值:
通过寻找波峰,确定满足条件峰值PMUSIC最大,所对应的θ和φ,其值即为声源在空间坐标系中的俯仰角和方位角;
将相机固定于传声器阵列的中心;对于空间中的声源点P,假设风机故障噪声点的坐标为p(x,y);器由相机坐标系和图像坐标系的关系可知,p(x,y)可以由P在相机坐标系下的坐标P(XC,YC,ZC)得到:
而声源点P在相机坐标系下的坐标P(XC,YC,ZC)也可以用球坐标系表示为:
将点P在相机坐标系下的球坐标代入到之前的式中,得到:
p(x,y)即为风机故障噪声点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771136.2A CN113607447A (zh) | 2021-07-08 | 2021-07-08 | 一种声学光学联合风机故障定位装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771136.2A CN113607447A (zh) | 2021-07-08 | 2021-07-08 | 一种声学光学联合风机故障定位装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113607447A true CN113607447A (zh) | 2021-11-05 |
Family
ID=78304173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110771136.2A Pending CN113607447A (zh) | 2021-07-08 | 2021-07-08 | 一种声学光学联合风机故障定位装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113607447A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783462A (zh) * | 2022-05-11 | 2022-07-22 | 安徽理工大学 | 一种基于cs-music矿井提升机故障源定位分析方法 |
CN115452141A (zh) * | 2022-11-08 | 2022-12-09 | 杭州兆华电子股份有限公司 | 一种非均匀声学成像方法 |
CN115497501A (zh) * | 2022-11-18 | 2022-12-20 | 国网山东省电力公司济南供电公司 | 基于sw-music的变压器故障声纹定位方法及系统 |
CN116359642A (zh) * | 2023-03-10 | 2023-06-30 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007051615A1 (de) * | 2007-10-24 | 2009-04-30 | Gesellschaft zur Förderung angewandter Informatik e.V. | Verfahren und Anordnung zur Bestimmung der relativen Lage von Mikrofonen sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium |
CN108594795A (zh) * | 2018-05-31 | 2018-09-28 | 北京康拓红外技术股份有限公司 | 一种动车组声音故障诊断系统及诊断方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN110488223A (zh) * | 2019-07-05 | 2019-11-22 | 东北电力大学 | 一种声源定位方法 |
CN111537822A (zh) * | 2020-05-22 | 2020-08-14 | 国网上海市电力公司 | 一种基于声学成像的变压器故障诊断系统 |
CN112466323A (zh) * | 2020-11-24 | 2021-03-09 | 中核检修有限公司 | 一种光学图像与声学图像融合方法及系统 |
-
2021
- 2021-07-08 CN CN202110771136.2A patent/CN113607447A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007051615A1 (de) * | 2007-10-24 | 2009-04-30 | Gesellschaft zur Förderung angewandter Informatik e.V. | Verfahren und Anordnung zur Bestimmung der relativen Lage von Mikrofonen sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium |
CN108594795A (zh) * | 2018-05-31 | 2018-09-28 | 北京康拓红外技术股份有限公司 | 一种动车组声音故障诊断系统及诊断方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN110488223A (zh) * | 2019-07-05 | 2019-11-22 | 东北电力大学 | 一种声源定位方法 |
CN111537822A (zh) * | 2020-05-22 | 2020-08-14 | 国网上海市电力公司 | 一种基于声学成像的变压器故障诊断系统 |
CN112466323A (zh) * | 2020-11-24 | 2021-03-09 | 中核检修有限公司 | 一种光学图像与声学图像融合方法及系统 |
Non-Patent Citations (2)
Title |
---|
兰琼琼 等: "基于特征组合的多目标监督性语音分离研究", 无线通信技术, no. 3, 30 September 2019 (2019-09-30), pages 17 - 22 * |
李磊;于海锋;闫永立;胡广辉;曹亚飞;雷雯;罗宁;: "基于LabVIEW的声学相控阵视频监控系统", 电子测量技术, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783462A (zh) * | 2022-05-11 | 2022-07-22 | 安徽理工大学 | 一种基于cs-music矿井提升机故障源定位分析方法 |
CN115452141A (zh) * | 2022-11-08 | 2022-12-09 | 杭州兆华电子股份有限公司 | 一种非均匀声学成像方法 |
CN115497501A (zh) * | 2022-11-18 | 2022-12-20 | 国网山东省电力公司济南供电公司 | 基于sw-music的变压器故障声纹定位方法及系统 |
CN116359642A (zh) * | 2023-03-10 | 2023-06-30 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测系统与方法 |
CN116359642B (zh) * | 2023-03-10 | 2024-01-23 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113607447A (zh) | 一种声学光学联合风机故障定位装置及方法 | |
CN108008348B (zh) | 基于可调夹角均匀线阵的水下波达方向估计方法及装置 | |
CN113126028B (zh) | 一种基于多个麦克风阵列的噪声源定位方法 | |
CN114325584B (zh) | 基于合成孔径的多阵元超声波声源三维成像方法及系统 | |
CN110444220B (zh) | 一种多模态远程语音感知方法及装置 | |
CN102944872B (zh) | 雷达散射截面近场到近场的变换方法 | |
CN113868583B (zh) | 一种子阵波束聚焦的声源距离计算方法及系统 | |
CN112146751B (zh) | 一种基于时域等效源法的实时声场分离方法 | |
CN109597021B (zh) | 一种波达方向估计方法及装置 | |
CN112466323A (zh) | 一种光学图像与声学图像融合方法及系统 | |
CN114355290B (zh) | 一种基于立体阵列的声源三维成像方法及系统 | |
CN110736976B (zh) | 一种任意阵形的声纳波束形成器性能估计方法 | |
CN110515034B (zh) | 一种声信号方位角测量系统及方法 | |
CN111352075B (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
CN110864802A (zh) | 基于虚拟声源波叠加的舰壳声纳平台区自噪声预报方法 | |
CN113126030A (zh) | 基于宽带声场干涉结构的深海直达声区目标深度估计方法 | |
Zhu et al. | Broadband direction of arrival estimation based on convolutional neural network | |
CN116559778B (zh) | 一种基于深度学习的车辆鸣笛定位方法及系统 | |
CN110554358B (zh) | 一种基于虚拟球阵列扩展技术的噪声源定位识别方法 | |
CN108680902A (zh) | 一种基于多麦克风阵列的声源定位系统 | |
CN115061089B (zh) | 一种声源定位方法、系统、介质、设备及装置 | |
CN112698169B (zh) | 一种电晕放电定位方法、装置、电子设备及存储介质 | |
CN208520985U (zh) | 一种基于多麦克风阵列的声源定位系统 | |
CN110161459A (zh) | 一种幅度调制声源的快速定位方法 | |
CN115407270B (zh) | 一种分布式阵列的声源定位方法 |
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 |