CN113837141A - 一种抗驱鼠器干扰的信号提取方法及装置 - Google Patents

一种抗驱鼠器干扰的信号提取方法及装置 Download PDF

Info

Publication number
CN113837141A
CN113837141A CN202111188680.0A CN202111188680A CN113837141A CN 113837141 A CN113837141 A CN 113837141A CN 202111188680 A CN202111188680 A CN 202111188680A CN 113837141 A CN113837141 A CN 113837141A
Authority
CN
China
Prior art keywords
interference
signal
mouse
partial discharge
inherent
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
CN202111188680.0A
Other languages
English (en)
Other versions
CN113837141B (zh
Inventor
林颖
辜超
刘萌
白德盟
李�杰
杨祎
李程启
郑文杰
徐冉
李壮壮
张峰达
高建峰
王平
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111188680.0A priority Critical patent/CN113837141B/zh
Publication of CN113837141A publication Critical patent/CN113837141A/zh
Application granted granted Critical
Publication of CN113837141B publication Critical patent/CN113837141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明提供了一种抗驱鼠器干扰的信号提取方法及系统，该方法包括如下步骤：获取含抗鼠器干扰的原始局部放电超声信号；含抗鼠器干扰的原始局部放电超声信号进行集合经验模态分解得到各固有模态函数分量；根据各固有模态函数分量和训练好的SVM模型，对放电分量与驱鼠器干扰分量进行模式识别得到抗干扰信号，可有效反映放电信号与驱鼠器干扰之间的特征差异，算法最终获得的抗驱鼠器干扰信号具有明显的工频周期性与高信噪比的优点。

Description

一种抗驱鼠器干扰的信号提取方法及装置
技术领域
本发明属于信号处理技术领域，尤其涉及一种抗驱鼠器干扰的信号提取方 法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。
基于局部放电超声信号的缺陷诊断与放电定位，要求现场采集的信号数据 能够尽可能真实的反映放电信息，而实际所检测的超声信号往往受到严重的驱 鼠器干扰的影响，因此抗驱鼠器干扰对局部放电超声信号检测而言具有十分重 要的工程意义。
局部放电超声信号自身具有工频周期性，相对于随机性强、无规则的驱鼠 器干扰而言，放电信号表现更加规则，这一特性差异可以成为去除局部放电超 声信号中驱鼠器干扰的依据。现有技术一方面无相关的技术进行抗驱鼠器干扰 信号的提取，另一方面，虽然通过存在对信号的分解，但是无法有效分离放电 与驱鼠器干扰成分以及存在的模态混叠问题。
发明内容
为了解决现有技术的不足，本公开提供了一种抗驱鼠器干扰的信号提取方 法及装置。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供基于一种抗驱鼠器干扰的信号提取方法，包括如 下步骤：
获取含抗鼠器干扰的原始局部放电超声信号；
对含抗鼠器干扰的原始局部放电超声信号进行集合经验模态分解得到各固 有模态函数分量；
根据各固有模态函数分量和训练好的SVM模型，对放电分量与驱鼠器干扰 分量进行模式识别得到抗干扰信号。
在一些实施方式中，所述对含抗鼠器干扰的原始局部放电超声信号进行集 合经验模态分解得到各固有模态函数分量，具体包括：
对原始局部放电超声信号进行多次加噪得到含抗鼠器干扰的原始局部放电 超声信号；
对含抗鼠器干扰的原始局部放电超声信号进行经验模态分解，获得固有模 态函数分量；
计算各阶固有模态函数分量的集成平均，获得集合经验模态分解的各固有 模态函数最终分量。
在一些实施方式中，所述对含抗鼠器干扰的原始局部放电超声信号进行集 合经验模态分解得到各固有模态函数分量，具体包括：
对原始局部放电超声信号进行多次加噪得到含抗鼠器干扰的原始局部放电 超声信号；
对含抗鼠器干扰的原始局部放电超声信号进行经验模态分解，获得固有模 态函数分量；
计算各阶固有模态函数分量的集成平均，获得集合经验模态分解的各固有 模态函数最终分量。
在一些实施方式中，所述含抗鼠器干扰的原始局部放电超声信号进行经验 模态分解，获得固有模态函数分量的具体步骤包括：
(1)计算含抗鼠器干扰的原始局部放电超声信号的极大值点和极小值点；
(2)采用插值法连接所有极大值点和极小值点，基于三次样条函数插值拟 合得到上包络线和下包络线；
(3)基于上包络线和下包络线计算均值曲线；
(4)对含抗鼠器干扰的原始局部放电超声信号进行一次筛分：
(5)在一次筛分的基础上，迭代反复执行步骤(1)～(4)，得到第一阶 固有模态函数；
(6)将第一阶固有模态函数剔除；
(7)对剔除后的信号进行与形成第一阶固有模态函数相同的操作，并不断 循环迭代，直到所分解的固有模态函数满足：均值为零、极值点个数与零点个 数相同或相差不超过一个，迭代终止；
(8)产生原始信号经验模态的所有固有模态函数分量。
在一些实施方式中，所述第一阶固有模态函数筛选的过程包括：当筛分的 信号满足：均值为零、极值点个数与零点个数相同或相差不超过一个，迭代终 止，此时的筛分结果即为第一阶固有模态函数。
在一些实施方式中，所述SVM模型的训练过程具体包括：
提取各固有模态函数分量的信息熵；
获取标准局部放电超声信号与标准驱鼠器干扰信号作为样本训练集；
提取各固有模态函数分量和样本训练集的信息熵特征参数；
根据各固有模态函数分量和样本训练集的信息熵特征参数和SVM模型进行 训练得到信号分类结果。
在一些实施方式中，所述模式识别得到抗干扰信号之前将识别所得的驱鼠 器干扰分量剔除，重组剩余固有模态函数分量，获得最终的抗干扰信号。
在一些实施方式中，所述SVM的训练模型为：
Figure BDA0003300328740000041
s.t yi(wTxi+b)≥1-ζi，ζi≥0
式中，f(w)表示支持向量到超平面的距离，w表示超平面的梯度参数，C表 示惩罚参数，C值越大，对分类的惩罚越大，ζi表示为松弛变量，每一个样本 都有一个对应的松弛变量，表征该样本不满足约束的程度，xi表示第i个特征向 量，yi表示为类标记，b表示样本到超平面距离。
本发明的第二个方面提供一种抗驱鼠器干扰的信号提取装置，包括：
信号获取模块，被配置为：获取含抗鼠器干扰的原始局部放电超声信号；
信号分解模块，被配置为：对含抗鼠器干扰的原始局部放电超声信号进行 集合经验模态分解得到各固有模态函数分量；
抗干扰信号提取模块，被配置为：根据各固有模态函数分量和训练好的SVM 模型，对放电分量与驱鼠器干扰分量进行模式识别得到抗干扰信号。
本发明的第三个方面提供一种计算机设备，包括存储器、处理器及存储在 存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现 如上述所述任意一种抗驱鼠器干扰的信号提取方法的步骤。
本发明的第四个方面提供一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如上述所述一种抗驱鼠器干扰的信号提取方法 的步骤。
与现有技术相比，本发明的有益效果是：
(1)通过对局部放电超声信号的EEMD分解，可有效分离放电与驱鼠器干 扰成分，避免了EMD算法分解的模态混叠问题；
(2)通过信息熵反映信号的随机程度强弱，并采用标准信号训练SVM，可 有效反映放电信号与驱鼠器干扰之间的特征差异，算法最终获得的抗驱鼠器干 扰信号具有明显的工频周期性与高信噪比的优点。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述 中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例提供的政务直办视频系统的总体架构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器 件、组件和/或它们的组合。
实施例一
图1为本实施例中一种抗驱鼠器干扰的信号提取方法流程图，本发明提供 了一种抗驱鼠器干扰的信号提取方法，包括：
步骤S1：获取含抗鼠器干扰的原始局部放电超声信号；
步骤S2:对含抗鼠器干扰的原始局部放电超声信号进行集合经验模态 (EEMD)分解得到各固有模态函数(IMF)分量；
具体包括如下步骤：
步骤S201:对原始局部放电超声信号f(t)进行N次加噪得到含抗鼠器干扰的 原始局部放电超声信号Fi(t)，公式为：
Fi(t)＝f(t)+noise_i(i＝1,2,…,N)
其中，noise_i为高斯白噪声。
步骤S202:对含抗鼠器干扰的原始局部放电超声信号Fi(t)进行经验模态分解EMD分解，获得IMF分量；
步骤S203：计算各阶IMF分量的集成平均，获得集合经验模态(EEMD) 分解的最终IMF分量。
其中，对含抗鼠器干扰的原始局部放电超声信号Fi(t)进行EMD分解，获得 IMF分量；
具体包括如下步骤：
(1)计算含抗鼠器干扰的原始局部放电超声信号Fi(t)的极大值点和极小值 点；
(2)采用插值法连接所有极大值点和极小值点，基于三次样条函数插值拟 合得到上包络线up_line(t)和下包络线down_line(t)；
(3)基于上包络线和下包络线计算均值曲线average(t)：
average(t)＝(up_line(t)+down_line(t))/2；
(4)对含抗鼠器干扰的原始局部放电超声信号Fi(t)进行一次筛分：
Fi(t)-average(t)；
(5)在一次筛分的基础上，迭代反复执行步骤1)～4)，直到所筛分的信 号满足：均值为零、极值点个数与零点个数相同或相差不超过一个，迭代终止， 此时的筛分结果即为第一阶固有模态函数，记为IMF1；
(6)将第一阶固有模态函数IMF1从Fi(t)中剔除，得到Fi(t)-IMF1；
(7)对剔除后的信号进行与形成IMF1相同的操作，并不断循环迭代，直 到所分解的IMF满足：均值为零、极值点个数与零点个数相同或相差不超过一 个，迭代终止；
(8)产生原始信号EMD的所有IMF分量。
步骤S3:根据各固有模态函数(IMF)分量和训练好的SVM模型，对放电 分量与驱鼠器干扰分量进行模式识别；
所述SVM模型的训练过程具体包括：
1)提取所分解的各IMF(固有模态函数)分量的信息熵；
2)获取标准局部放电超声信号与标准驱鼠器干扰信号作为样本训练集；
3)提取各固有模态函数分量和样本训练集的信息熵特征参数；
4)将各固有模态函数分量和样本训练集的信息熵特征参数输入SVM模型训 练SVM模型得到分类结果。
其中，对所分解的各固有模态函数与标准信号进行信息熵特征提取，信息 熵算法为：
H＝-∑pilog2pi
式中，pi代表信号中某一信号值xi所出现的概率，信息熵反映了信号的随机 程度强弱。
将标准信号样本输入SVM的训练模型，并将样本集设定为放电样本与驱鼠 器干扰样本2类，SVM的训练模型表达为：
Figure BDA0003300328740000081
s.t yi(wTxi+b)≥1-ζi，ζi≥0
式中，f(w)表示支持向量到超平面的距离，w表示超平面的梯度参数，C表 示惩罚参数，C值越大，对分类的惩罚越大，ζi表示为松弛变量，每一个样本 都有一个对应的松弛变量，表征该样本不满足约束的程度，xi表示第I个特征向 量。yi表示为类标记，b表示样本到超平面的距离。
对于训练完成的SVM模型，可直接应用于原信号EEMD分解的IMF分量 中，并对各IMF进行模式分类，SVM的分类模型表达为：
g(f(x))＝sgn(wTxj+b)
步骤S4：将识别所得驱鼠器干扰分量剔除，重组剩余IMF分量，获得最终的 抗干扰信号。
经过本实施例一的局部放电超声信号具有明显的工频周期性，且具备高信 噪比特征，可用于局部放电诊断与绝缘缺陷定位分析。
实施例二
本实施例提供了基于一种抗驱鼠器干扰的信号提取装置，通过以下技术方 案实现：
信号获取模块，被配置为：获取含抗鼠器干扰的原始局部放电超声信号；
信号分解模块，被配置为：对含抗鼠器干扰的原始局部放电超声信号进行 集合经验模态(EEMD)分解得到各固有模态函数(IMF)分量；
抗干扰信号提取模块，被配置为：根据各固有模态函数(IMF)分量和训练 好的SVM模型，对放电分量与驱鼠器干扰分量进行模式识别到抗干扰信号。
实施例三
本说明书实施方式提供一种计算机设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施 例一中的一种抗驱鼠器干扰的信号提取方法的步骤。
实施例四
本说明书实施方式提供一种计算机可读存储介质，其上存储有计算机程序， 其特征在于，该程序被处理器执行时实现实施例一中的一种抗驱鼠器干扰的信 号提取方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和 硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算 机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储 器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或 方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的 结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机 或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他 可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多 个流程和/或方框图一个方框或多个方框中指定的功能的装置。
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流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。 其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领 域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。

Claims (10)

1.一种抗驱鼠器干扰的信号提取方法，其特征在于，包括如下步骤：
获取含抗鼠器干扰的原始局部放电超声信号；
对含抗鼠器干扰的原始局部放电超声信号进行集合经验模态分解得到各固有模态函数分量；
根据各固有模态函数分量和训练好的SVM模型，对放电分量与驱鼠器干扰分量进行模式识别得到抗干扰信号。
2.如权利要求1所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述对含抗鼠器干扰的原始局部放电超声信号进行集合经验模态分解得到各固有模态函数分量，具体包括：
对原始局部放电超声信号进行多次加噪得到含抗鼠器干扰的原始局部放电超声信号；
对含抗鼠器干扰的原始局部放电超声信号进行经验模态分解，获得固有模态函数分量；
计算各阶固有模态函数分量的集成平均，获得集合经验模态分解的各固有模态函数最终分量。
3.如权利要求2所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述含抗鼠器干扰的原始局部放电超声信号进行经验模态分解，获得固有模态函数分量的具体步骤包括：
(1)计算含抗鼠器干扰的原始局部放电超声信号的极大值点和极小值点；
(2)采用插值法连接所有极大值点和极小值点，基于三次样条函数插值拟合得到上包络线和下包络线；
(3)基于上包络线和下包络线计算均值曲线；
(4)对含抗鼠器干扰的原始局部放电超声信号进行一次筛分：
(5)在一次筛分的基础上，迭代反复执行步骤(1)～(4)，得到第一阶固有模态函数；
(6)将第一阶固有模态函数剔除；
(7)对剔除后的信号进行与形成第一阶固有模态函数相同的操作，并不断循环迭代，直到所分解的固有模态函数满足：均值为零、极值点个数与零点个数相同或相差不超过一个，迭代终止；
(8)产生原始信号经验模态的所有固有模态函数分量。
4.如权利要求3所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述第一阶固有模态函数筛选的过程包括：当筛分的信号满足：均值为零、极值点个数与零点个数相同或相差不超过一个，迭代终止，此时的筛分结果即为第一阶固有模态函数。
5.如权利要求1所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述SVM模型的训练过程具体包括：
提取各固有模态函数分量的信息熵；
获取标准局部放电超声信号与标准驱鼠器干扰信号作为样本训练集；
提取各固有模态函数分量和样本训练集的信息熵特征参数；
根据各固有模态函数分量和样本训练集的信息熵特征参数和SVM模型进行训练得到信号分类结果。
6.如权利要求1所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述模式识别得到抗干扰信号之前将识别所得的驱鼠器干扰分量剔除，重组剩余固有模态函数分量，获得最终的抗干扰信号。
7.如权利要求1所述的一种抗驱鼠器干扰的信号提取方法，其特征在于，所述SVM的训练模型为：
Figure FDA0003300328730000031
s.t yi(wTxi+b)≥1-ζi，ζi≥0
式中，f(w)表示支持向量到超平面的距离，w表示超平面的梯度参数，C表示惩罚参数，C值越大，对分类的惩罚越大，ζi表示为松弛变量，每一个样本都有一个对应的松弛变量，表征该样本不满足约束的程度，xi表示第i个特征向量，yi表示为类标记，b表示样本到超平面距离。
8.一种抗驱鼠器干扰的信号提取装置，其特征在于，包括：
信号获取模块，被配置为：获取含抗鼠器干扰的原始局部放电超声信号；
信号分解模块，被配置为：对含抗鼠器干扰的原始局部放电超声信号进行集合经验模态分解得到各固有模态函数分量；
抗干扰信号提取模块，被配置为：根据各固有模态函数分量和训练好的SVM模型，对放电分量与驱鼠器干扰分量进行模式识别得到抗干扰信号。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一所述的一种抗驱鼠器干扰的信号提取方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一所述的一种抗驱鼠器干扰的信号提取方法的步骤。
CN202111188680.0A 2021-10-12 2021-10-12 一种抗驱鼠器干扰的信号提取方法及装置 Active CN113837141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111188680.0A CN113837141B (zh) 2021-10-12 2021-10-12 一种抗驱鼠器干扰的信号提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111188680.0A CN113837141B (zh) 2021-10-12 2021-10-12 一种抗驱鼠器干扰的信号提取方法及装置

Publications (2)

Publication Number Publication Date
CN113837141A true CN113837141A (zh) 2021-12-24
CN113837141B CN113837141B (zh) 2023-10-27

Family

ID=78968482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111188680.0A Active CN113837141B (zh) 2021-10-12 2021-10-12 一种抗驱鼠器干扰的信号提取方法及装置

Country Status (1)

Country Link
CN (1) CN113837141B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090116595A1 (en) * 2007-05-21 2009-05-07 Florida State University System and methods for determining masking signals for applying empirical mode decomposition (emd) and for demodulating intrinsic mode functions obtained from application of emd
CN107907807A (zh) * 2017-12-25 2018-04-13 国网湖北省电力公司信息通信公司 一种气体绝缘组合电器局部放电模式识别方法
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111553308A (zh) * 2020-05-11 2020-08-18 成都亿科康德电气有限公司 一种电力变压器局部放电信号的重构方法
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
CN112595782A (zh) * 2020-11-17 2021-04-02 江西理工大学 一种基于eemd算法的超声波横波起跳点识别方法及系统
CN112686182A (zh) * 2021-01-04 2021-04-20 华北电力大学（保定） 局部放电模式识别方法及终端设备
CN113075512A (zh) * 2021-04-01 2021-07-06 陕西省地方电力（集团）有限公司 基于声检测的变压器放电故障诊断方法和系统
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090116595A1 (en) * 2007-05-21 2009-05-07 Florida State University System and methods for determining masking signals for applying empirical mode decomposition (emd) and for demodulating intrinsic mode functions obtained from application of emd
CN107907807A (zh) * 2017-12-25 2018-04-13 国网湖北省电力公司信息通信公司 一种气体绝缘组合电器局部放电模式识别方法
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111553308A (zh) * 2020-05-11 2020-08-18 成都亿科康德电气有限公司 一种电力变压器局部放电信号的重构方法
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
CN112595782A (zh) * 2020-11-17 2021-04-02 江西理工大学 一种基于eemd算法的超声波横波起跳点识别方法及系统
CN112686182A (zh) * 2021-01-04 2021-04-20 华北电力大学（保定） 局部放电模式识别方法及终端设备
CN113075512A (zh) * 2021-04-01 2021-07-06 陕西省地方电力（集团）有限公司 基于声检测的变压器放电故障诊断方法和系统
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
勾建军;王振浩;薛雷;: "基于经验模态分解的局部放电信号窄带周期干扰的抑制", 黑龙江电力, no. 02 *
姚林朋;郑文栋;钱勇;杜永平;杨富民;毕杰昌;黄成军;江秀臣;: "基于集合经验模态分解的局部放电信号的窄带干扰抑制", 电力系统保护与控制, no. 22 *
张寰宇;张建文;马艳红;王恩俊;: "基于EMD-SVD特征和SVM油纸绝缘热老化阶段的识别", 绝缘材料, no. 12 *
田书;寿好俊;: "基于EEMD和能量法的谐振接地配电网故障选线研究", 电子测量技术, no. 09 *

Also Published As

Publication number Publication date
CN113837141B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Chen et al. Median filtering forensics based on convolutional neural networks
Shi et al. Textural features for steganalysis
US11450012B2 (en) BBP assisted defect detection flow for SEM images
Mallawaarachchi et al. Spectrogram denoising and automated extraction of the fundamental frequency variation of dolphin whistles
US20210192019A1 (en) System and method for digital steganography purification
CN113392732B (zh) 一种局部放电超声信号抗干扰方法及系统
CN113936132B (zh) 基于计算机视觉的化工厂水体污染检测方法与系统
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN113837141A (zh) 一种抗驱鼠器干扰的信号提取方法及装置
CN116184988B (zh) 基于多模态数据的故障预测方法、装置、设备及存储介质
CN112907107A (zh) 一种基于多源信息融合的渔业事故应急处理系统及方法
Zhong et al. A survey on incremental learning
CN116304649A (zh) 电机故障信号特征提取方法、系统、计算机及存储介质
Mai et al. A modified unsharp masking method using particle swarm optimization
US20210374541A1 (en) Information processing method and recording medium
CN111079705B (zh) 一种振动信号分类方法
CN113705624A (zh) 一种用于工控系统的入侵检测方法和系统
CN114664313A (zh) 语音识别方法、装置、计算机设备、存储介质和程序产品
CN115438239A (zh) 一种自动化异常样本筛选的异常检测方法及装置
CN114510715B (zh) 模型的功能安全测试方法、装置、存储介质及设备
Uthayakumar et al. Generalized fractal dimensions in the recognition of noise free images
Huang et al. Process monitoring with ICA‐based signal extraction technique and CART approach
CN112084907B (zh) 一种时频图特征数据点抓取与处理方法、存储介质及设备
CN117457017B (zh) 语音数据的清洗方法及电子设备
CN118072109A (zh) 一种基于数据增强和对比学习的图像识别方法及系统

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