CN113919389A - 一种基于声纹成像的gis故障诊断方法及系统 - Google Patents
一种基于声纹成像的gis故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113919389A CN113919389A CN202110975809.6A CN202110975809A CN113919389A CN 113919389 A CN113919389 A CN 113919389A CN 202110975809 A CN202110975809 A CN 202110975809A CN 113919389 A CN113919389 A CN 113919389A
- Authority
- CN
- China
- Prior art keywords
- module
- gis
- fault diagnosis
- imaging
- 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
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
- G06F2218/02—Preprocessing
-
- 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
-
- 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
- G06F2218/08—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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声纹成像的GIS故障诊断方法及系统。本发明的诊断系统包括采集模块、成像定位模块、故障诊断模块和PC模块;本发明的诊断方法为:通过声成像方法定位异常声信号,再对采集到的GIS声信号做EMD自适应分解,并计算各个IMF分量的一维谱熵作为特征元素代入SVM中,能够对GIS的多种故障类型进行一次性的诊断判别,简单快捷,可以避免故障源辐射出的声信号被其他干扰源所覆盖,一定程度上可以提高传声器阵列对期望方向上的声学特征采集效果,避免影响后续的故障诊断。
Description
技术领域
本发明涉及电力设备噪声振动信号采集分析技术领域,具体地说是一种基于声纹成像的GIS故障诊断方法及系统。
背景技术
目前GIS设备机械故障检测的主要方式为振动信号分析。通过在GIS设备壳体表面放置振动传感器,分析传感器接收到的振动信号,根据振动信号频谱的变化即可判断GIS是否出现机械故障,并对故障类型进行分类。但采用振动分析时,振动传感器只能安装在设备表面,只能获取局部位置的振动信号,难以反映GIS设备整体的运行状况。
GIS设备由于机械故障所造成的异常振动会辐射出声信号,根据声信号与振动信号的同理性,可用GIS辐射出的声信号进行故障诊断。基于声学的故障诊断具有非接触式、操作简单快捷、不影响设备正常运行的优点。
但是,采用声学信号进行故障诊断最大的难点在于背景噪声的干扰,不同于振动信号,声信号的信噪比较振动信号低的多,特别是在环境干扰噪声较大的情况下,故障源辐射出的声信号极易被其他干扰源所覆盖,且当传声器阵列的测点位置选择不当会导致该处的声学特征采集效果变差,严重影响后续的故障诊断。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于声纹成像的GIS故障诊断方法及系统,其适用于干扰噪声较强的声信号采集环境,利用声源可视化原理,提取GIS辐射出的声信号并进行故障诊断。
为实现上述目的,本发明采用如下技术方案:一种基于声纹成像的GIS故障诊断方法,其包括以下步骤:
S1、采集GIS辐射出的声信号;
S2、对所述步骤S1中采集的GIS辐射出的声信号进行时频分析和特征提取,对异常声源的位置进行定位;
S3、对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,作为训练样本代入SVM模型模块中得到故障类型;
S4、将步骤S2和S3得到的故障诊断结果进行可视化处理,并同时进行存储和报警提醒。
进一步地,所述步骤S1中,采集GIS辐射出的声信号所用的设备为传声器阵列和数据采集仪,两者之间采用数据线连接;传声器阵列获取GIS辐射出的声信号采用的是远场声源信号模型:
式中,r为声源与传声器阵列中心的距离,L为各传声器之间的间距,λ为声信号的波长;
根据传声器的分布位置不同,不同位置上的传声器接收到的信号存在一定的时间延迟,以第一个传声器作为参考,则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为:
τm=d cosθ/c,m=1,2,Λ,M,
式中,c为声速,d为相邻两个传声器之间的距离,θ为远场声源的入射角度,τm为时间延迟,M为阵元数;
阵列波束形成的输出为:
式中,wm为加权系数,pm为所对应阵元接收到的复声压信号,t为时间;
用矢量表示上式可得:
进一步地,所述声信号的EMD分解包括以下步骤:
a、令原始信号为x(t),为获取信号的上下包络线,首先找出所需的极大值点和极小值点,对这两类点用插值的方式分别拟合原始信号的波形,构造出上包络线和下包络线;
b、计算上下包络线的平均值m1,并计算h1=x(t)-m1,若h1满足IMF分量的条件,则令h1为IMF1,并进入下一个循环;
c、若h1不满足条件,将h1替代原始信号x(t),并重复步骤a和步骤b,得到h2,并判断新生成的h2是否满足上述条件,若还未满足条件,继续循环步骤a和步骤b,直到获得满足条件的IMF1;
d、若h1为IMF1,则为计算下一个IMF分量,需要将h1从原始信号x(t)中分离出来,得到可以继续分解的信号:
R1=x(t)-IMF1;
e、将R1替代需要分解的信号,重复循环步骤a-d,循环至满足结束条件,最终得到n个满足条件的IMF分量和残差Rn,信号x(t)表示为:
计算各个IMF分量的一维谱熵:
式中,q(j)为第j个功率谱在整个IMF中所占的百分比;N为IMF包含的谱线条数;
f、最后将这些IMF分量的一维谱熵作为样本代入SVM模型模块中训练样本,得到具体故障类型的诊断结果。
更进一步地,步骤e中,所述的结束条件为Rn的极值点数小于两个。
更进一步地,分解得到的IMF分量需要满足以下两个条件:
条件一、在所需要分解的信号中,极点数和过零点数的差值需要控制在一个以内;
条件二、在任意时刻,信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
本发明采用的另一种技术方案为:一种基于声纹成像的GIS故障诊断系统,其包括:
采集模块,用于采集GIS辐射出的声信号;
成像定位模块,用于对采集的GIS辐射出的声信号进行时频分析和特征提取,定位异常声源位置;
故障诊断模块,用于对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,作为训练样本代入SVM模型模块中得到诊断结果;
PC模块,将成像定位模块和故障诊断模块得到的故障诊断结果进行可视化处理,并将故障诊断结果存储于存储器中,若故障诊断模块中判断GIS设备出现故障,会触发PC模块中的报警器。
进一步地,所述采集模块包括传声器阵列和数据采集仪,两者之间采用数据线连接。
进一步地,所述成像定位模块包括时频分析模块和声源定位模块,声源定位模块用于定位异常声源位置,时频分析模块用于对采集的GIS辐射出的声信号进行时频分析。
进一步地,所述故障诊断模块包括特征提取模块和SVM模型模块;所述的特征提取模块对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,所述的一维谱熵作为训练样本代入SVM模型模块中,得到诊断结果。
进一步地,所述PC模块包括显示屏、存储器和报警器。
本发明具有以下有益效果:本发明通过声成像方法定位异常声信号,再对采集到的GIS声信号做EMD自适应分解,并计算各个IMF分量的一维谱熵作为特征元素代入SVM中,能够对GIS的多种故障类型进行一次性的诊断判别,简单快捷,可以避免故障源辐射出的声信号被其他干扰源所覆盖,一定程度上可以提高传声器阵列对期望方向的声学特征采集效果,避免影响后续的故障诊断,且为判断GIS的运行状态、评估GIS的故障情况以及保障GIS安全稳定运行提供了新方法。
附图说明
图1为本发明一种基于声纹成像的GIS故障诊断方法的流程示意图;
图2为本发明一种基于声纹成像的GIS故障诊断系统的结构示意图。
图中:1、采集模块;11、传声器阵列;12、数据采集仪;2、成像定位模块;21、时频分析模块;22、声源定位模块;3、故障诊断模块;31、特征提取模块;32、SVM模型模块;4、PC模块;41、显示屏;42、存储器;43、报警器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
参照图1,一种基于声纹成像的GIS故障诊断方法,其包括以下步骤:
S1、采集GIS辐射出的声信号;
S2、对步骤S1中采集的GIS辐射出的声信号进行时频分析和特征提取,并对异常声源的位置进行定位;
S3、对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵作为训练样本代入SVM模型模块中得到故障类型;
S4、将步骤S2和S3得到的故障诊断结果进行可视化处理,并同时进行存储和报警提醒。
SVM(Support Vector Machine,支持向量机)是机器学习算法中一种典型的监督学习方法,实现该方法的前提是需准备大量的训练样本,并对样本进行特征提取得到特征向量,将特征向量数据和样本的类型索引作为输入,训练得到SVM模型模块。
SVM模型模块的训练步骤如下:
步骤31、用分类器将所有样本集的特征分类;
步骤32、根据选定的核函数分别计算每个分类器中每个特征向量的有关值;
步骤33、根据这些特征相关值计算协方差矩阵空间;
步骤34、对这个协方差矩阵空间进行Householder变换;
步骤35、计算特征系数,得到协方差矩阵以及其对应的超平面矩阵,根据这两个矩阵分别计算每个特征的特征系数,并将特征系数对协方差矩阵进行缩放;
步骤36、获得模型参数;
步骤37、根据训练得到的模型参数对某个测试集进行计算,验证该模型分类的准确性。
在具体实施的过程中,选择正常运行的GIS与已知故障类型的GIS声信号作为样本集,并以3:1的比例划分训练样本和测试样本。将信号的IMF分量的一维谱熵作为特征分量并与相关的分类器相对应,核函数采用RBF核函数进行分类,惩罚因子C=1000,通过SVM模型模块找到分类的最佳条件,即获取准确度较高(故障诊断正确率高)的超平面,从而在声纹诊断的过程中,根据此超平面去判断GIS是否出现故障,提升了诊断的准确度和速度。
S1中,采集GIS辐射出的声信号所用的设备为传声器阵列和数据采集仪,两者之间采用数据线连接;传声器阵列获取GIS辐射出的声信号采用的是远场声源信号模型:
式中,r为声源与传声器阵列中心的距离,L为各传声器之间的间距,λ为声信号的波长。
根据传声器的分布位置不同,不同位置上的传声器接收到的信号存在一定的时间延迟,以第一个传声器作为参考,则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为:
τm=d cosθ/c,m=1,2,Λ,M,
式中,c为声速,d为相邻两个传声器之间的距离,θ为远场声源的入射角度,τm为时间延迟,M为阵元数;
阵列波束形成的输出为:
式中,wm为加权系数,pm为所对应阵元接收到的复声压信号,t为时间;
用矢量表示上式可得:
声信号的EMD分解包括以下步骤:
a、令原始信号为x(t),为获取信号的上下包络线首先找出所需的极大值点和极小值点,对这两类点用插值的方式分别拟合原始信号的波形,构造出上包络线和下包络线;
b、计算上下包络线的平均值m1,并计算h1=x(t)-m1,若h1满足IMF分量的条件,则令h1为IMF1,并进入下一个循环;
c、若h1不满足条件,将h1替代原始信号x(t),并重复步骤a和步骤b,得到h2,并判断新生成的h2是否满足上述条件,若还未满足条件,继续循环步骤a和步骤b,直到获得满足条件的IMF1;
d、若h1为IMF1,则为了计算下一个IMF分量,需要将h1从原始信号x(t)中分离出来,得到可以继续分解的信号:
R1=x(t)-IMF1;
e、将R1替代需要分解的信号,重复循环步骤a-d,循环至满足结束条件(Rn的极值点数小于两个),最终得到n个满足条件的IMF分量和残差Rn,信号x(t)可以表示为:
首先对信号进行EMD分解,分解得到n个IMF分量,计算各个IMF分量的一维谱熵:
式中,q(j)为第j个功率谱在整个IMF中所占的百分比;N为IMF包含的谱线条数。
f、最后将这些IMF分量的一维谱熵作为样本代入SVM模型模块中训练样本,得到具体故障类型的诊断结果。
步骤e中,所述的结束条件为Rn的极值点数小于两个。
分解得到的IMF分量需要满足以下两个条件:
条件一、在所需要分解的信号中,极点数和过零点数的差值需要控制在一个以内;
条件二、在任意时刻,信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
GIS辐射出的声信号依次进行阵列信号处理、时频分析处理、特征提取处理和特征定位处理后,得到信号的故障定位。
GIS辐射出的声信号依次进行经过单通道声音信号处理、经验模式分解处理、一维谱熵向量处理和SVM模型模块故障诊断处理,得到信号的故障类型。
实施例2
参照图2,一种基于声纹成像的GIS故障诊断的系统,包括:
采集模块1,用于采集GIS辐射出的声信号;
成像定位模块2,用于对采集的GIS辐射出的声信号进行时频分析和特征提取,定位异常声源位置;
故障诊断模块3,用于对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,作为训练样本代入SVM模型模块中得到故障类型;
PC模块4包括显示屏41、存储器42和报警器43,将诊断结果进行可视化处理,并将成像定位模块2和故障诊断模块3得到的故障诊断结果存储于存储器中,若故障诊断模块中判断GIS设备出现故障,会触发PC模块中的报警器。
具体地,所述采集模块1包括传声器阵列11和数据采集仪12,两者之间采用数据线连接。
具体地,所述成像定位模块2包括时频分析模块21和声源定位模块22,声源定位模块22用于定位异常声源位置,时频分析模块21用于对采集的GIS辐射出的声信号进行时频分析。
所述故障诊断模块3包括特征提取模块31和SVM模型模块32;所述的特征提取模块31对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,所述的一维谱熵作为训练样本代入SVM模型模块32中,得到诊断结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于声纹成像的GIS故障诊断方法,其特征在于,包括以下步骤:
S1、采集GIS辐射出的声信号;
S2、对所述步骤S1中采集的GIS辐射出的声信号进行时频分析和特征提取,对异常声源的位置进行定位;
S3、对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,作为训练样本代入SVM模型模块中得到故障类型;
S4、将步骤S2和S3得到的故障诊断结果进行可视化处理,并同时进行存储和报警提醒。
2.根据权利要求1所述的一种基于声纹成像的GIS故障诊断方法,其特征在于,所述步骤S1中,采集GIS辐射出的声信号所用的设备为传声器阵列和数据采集仪,两者之间采用数据线连接;传声器阵列获取GIS辐射出的声信号采用的是远场声源信号模型:
式中,r为声源与传声器阵列中心的距离,L为各传声器之间的间距,λ为声信号的波长;
根据传声器的分布位置不同,不同位置上的传声器接收到的信号存在一定的时间延迟,以第一个传声器作为参考,则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为:
τm=dcosθ/c,m=1,2,Λ,M,
式中,c为声速,d为相邻两个传声器之间的距离,θ为远场声源的入射角度,τm为时间延迟,M为阵元数;
阵列波束形成的输出为:
式中,wm为加权系数,pm为所对应阵元接收到的复声压信号,t为时间;
用矢量表示上式可得:
3.根据权利要求1所述的一种基于声纹成像的GIS故障诊断方法,其特征在于,所述声信号的EMD分解包括以下步骤:
a、令原始信号为x(t),为获取信号的上下包络线,首先找出所需的极大值点和极小值点,对这两类点用插值的方式分别拟合原始信号的波形,构造出上包络线和下包络线;
b、计算上下包络线的平均值m1,并计算h1=x(t)-m1,若h1满足IMF分量的条件,则令h1为IMF1,并进入下一个循环;
c、若h1不满足条件,将h1替代原始信号x(t),并重复步骤a和步骤b,得到h2,并判断新生成的h2是否满足上述条件,若还未满足条件,继续循环步骤a和步骤b,直到获得满足条件的IMF1;
d、若h1为IMF1,则为计算下一个IMF分量,需要将h1从原始信号x(t)中分离出来,得到可以继续分解的信号:
R1=x(t)-IMF1;
e、将R1替代需要分解的信号,重复循环步骤a-d,循环至满足结束条件,最终得到n个满足条件的IMF分量和残差Rn,信号x(t)表示为:
计算各个IMF分量的一维谱熵:
式中,q(j)为第j个功率谱在整个IMF中所占的百分比;N为IMF包含的谱线条数;
f、最后将这些IMF分量的一维谱熵作为样本代入SVM模型模块中训练样本,得到具体故障类型的诊断结果。
4.根据权利要求3所述的一种基于声纹成像的GIS故障诊断方法,其特征在于,步骤e中,所述的结束条件为Rn的极值点数小于两个。
5.根据权利要求3所述的一种基于声纹成像的GIS故障诊断方法,其特征在于,分解得到的IMF分量需要满足以下两个条件:
条件一、在所需要分解的信号中,极点数和过零点数的差值需要控制在一个以内;
条件二、在任意时刻,信号中由极大值点插值所构建的上包络线和极小值点所构建的下包络线均值为零。
6.一种基于声纹成像的GIS故障诊断系统,其特征在于,包括:
采集模块(1),用于采集GIS辐射出的声信号;
成像定位模块(2),用于对采集的GIS辐射出的声信号进行时频分析和特征提取,定位异常声源位置;
故障诊断模块(3),用于对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,作为训练样本代入SVM模型模块中得到故障类型;
PC模块(4),将成像定位模块(2)和故障诊断模块(3)得到的故障诊断结果进行可视化处理,并将故障诊断结果存储于存储器中,若故障诊断模块中判断GIS设备出现故障,会触发PC模块中的报警器。
7.根据权利要求6所述的一种基于声纹成像的GIS故障诊断系统,其特征在于,所述采集模块(1)包括传声器阵列(11)和数据采集仪(12),两者之间采用数据线连接。
8.根据权利要求6所述的一种基于声纹成像的GIS故障诊断系统,其特征在于,所述成像定位模块(2)包括时频分析模块(21)和声源定位模块(22),声源定位模块(22)用于定位异常声源位置,时频分析模块(21)用于对采集的GIS辐射出的声信号进行时频分析。
9.根据权利要求6所述的一种基于声纹成像的GIS故障诊断系统,其特征在于,所述故障诊断模块(3)包括特征提取模块(31)和SVM模型模块(32);所述的特征提取模块(31)对采集到的声信号进行EMD分解,并求取分解后IMF分量的一维谱熵,所述的一维谱熵作为训练样本代入SVM模型模块(32)中,得到诊断结果。
10.根据权利要求6所述的一种基于声纹成像的GIS故障诊断系统,其特征在于,所述PC模块(4)包括显示屏(41)、存储器(42)和报警器(43)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975809.6A CN113919389A (zh) | 2021-08-24 | 2021-08-24 | 一种基于声纹成像的gis故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975809.6A CN113919389A (zh) | 2021-08-24 | 2021-08-24 | 一种基于声纹成像的gis故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919389A true CN113919389A (zh) | 2022-01-11 |
Family
ID=79233196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975809.6A Pending CN113919389A (zh) | 2021-08-24 | 2021-08-24 | 一种基于声纹成像的gis故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919389A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233589A (zh) * | 2023-09-14 | 2023-12-15 | 中国南方电网有限责任公司超高压输电公司广州局 | Gis设备故障诊断方法、装置、计算机设备及存储介质 |
CN117437931A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市新厚泰电子科技有限公司 | 一种用于传声器的声音信号优化传输方法 |
-
2021
- 2021-08-24 CN CN202110975809.6A patent/CN113919389A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233589A (zh) * | 2023-09-14 | 2023-12-15 | 中国南方电网有限责任公司超高压输电公司广州局 | Gis设备故障诊断方法、装置、计算机设备及存储介质 |
CN117437931A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市新厚泰电子科技有限公司 | 一种用于传声器的声音信号优化传输方法 |
CN117437931B (zh) * | 2023-12-20 | 2024-04-02 | 深圳市新厚泰电子科技有限公司 | 一种用于传声器的声音信号优化传输方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN107644650B (zh) | 一种基于渐进串行正交化盲源分离算法的改进声源定位方法及其实现系统 | |
KR102209401B1 (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
CN111626153A (zh) | 一种基于集成学习的局放故障状态识别方法 | |
CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN107607065A (zh) | 一种基于变分模态分解的冲击回波信号分析方法 | |
JP2012018066A (ja) | 異常検査装置 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN106708009A (zh) | 一种基于支持向量机聚类的船舶动力定位测量系统多故障诊断方法 | |
CN113642439A (zh) | 一种有载分接开关的机械状态异常检测方法、装置及设备 | |
CN112420074A (zh) | 一种汽车后视镜电机异响声音的诊断方法 | |
CN116929539A (zh) | 一种基于可视化声源技术的电抗器故障诊断方法与系统 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
CN104991245A (zh) | 一种无人飞行器预警装置及其预警方法 | |
CN115421078A (zh) | 设备状态分类模型的构建方法、使用方法、计算机可读介质、装置 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
Li et al. | A Combined Acousto-Optic Imaging and Location Method Based on DNN for Substation Equipment Defects Detection | |
Li et al. | A robust classification method for power transformer status recognition based on sound signals | |
Vladimirovich et al. | Analysis of methods of non-invasive vibroacoustic diagnostics | |
CN110631827A (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
CN117361256B (zh) | 一种基于人工智能的电梯安全管理方法及系统 |
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 |