CN114023353A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114023353A CN114023353A CN202111205413.XA CN202111205413A CN114023353A CN 114023353 A CN114023353 A CN 114023353A CN 202111205413 A CN202111205413 A CN 202111205413A CN 114023353 A CN114023353 A CN 114023353A
- Authority
- CN
- China
- Prior art keywords
- transformer
- audio data
- fault
- similarity calculation
- cluster analysis
- 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 53
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种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，该方法包括：在变压器侧采集变压器音频数据；对采集的变压器音频数据进行预处理；对经过预处理后的音频数据进行信号特征提取特征向量；对提取的特征向量进行聚类分析，确定音频数据的故障类别；根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。本发明将声纹识别技术应用于变压器噪声识别并分类，判断变压器运行状态，识别变压器故障类别，为变压器状态监测及变电站噪声治理提供依据。
Description
技术领域
本发明涉及变压器状态监测技术领域，特别涉及一种基于聚类分析和相似度计算的变压器故障分类方法系统。
背景技术
电力变压器作为电力网的重要组成部分，承担着电压转换和电能传输的重要作用，也是电站看到的来源之一。电力系统中变压器使用量大，容量等级和规格种类繁多，运行时间长，导致其事故率也相应升高。一旦变压器出现故障，将可能对电网带来巨大的经济损失，并危及运维人员人身安全。因此，对变压器工作状态进行有效监测，及早发现潜在故障隐患，成为了电力行业研究人员重点关注的问题。传统的检测方法主要包括：油色谱检测法、超声检测法、超高频检测法和振动检测法等，然而这些传统方法存在着检测不全面和安装使用不方便等局限性。
声纹识别技术是一种通过提取人声音信号的特征来判断说话人的方法，它通过提取不同说话人声音信号的特征向量组成特征向量库，进而比较特征向量相似度来确定说话人身份。由于运行中的变压器噪声信号蕴含着丰富的设备信息，且与变压器结构、运行状态等密切相关，因此可将现有声纹识别技术应用于变压器噪声识别，对复杂的噪声机理进行有效分析并识别出不同的设备状态，为变压器状态监测及变电站噪声治理提供依据。
发明内容
本发明实施例的目的是提供一种基于聚类分析和相似度计算的变压器故障分类方法和系统，用于对变压器声纹信息进行识别分类，判断变压器运行状态，识别变压器故障类别，为变压器状态监测提供依据。
为解决上述技术问题，本发明第一方面提供了一种基于聚类分析和相似度计算的变压器故障分类方法，包括：
在变压器侧采集变压器音频数据；
对采集的变压器音频数据进行预处理；
对经过预处理后的音频数据进行信号特征提取，提取特征向量；
对提取的特征向量进行聚类分析，确定音频数据的故障类别；
聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
进一步的，所述预处理包括语音增强、分帧和加窗。
进一步的，所述语音增强包括语音降噪、语音分离、语音解混响和/或回声消除。
进一步的，采用梅尔频率倒谱系数MFCC对音频数据进行信号特征提取，包括傅里叶变换、取模值、Mel滤波、对数变化和离散余弦变换的步骤。
进一步的，所述对提取的特征向量进行聚类分析，确定音频数据的故障类别的步骤包括：
随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；
对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；
重新计算每个簇的平均值；
重复上述步骤，直到准则函数收敛，确定聚类中心点及其个数，聚类中心点个数即为音频数据的故障类别数。
进一步的，采用如下公式计算每个对象与簇中心的样本聚类误差平方和，以表示每个对象与各簇中心的距离：
式中，k是聚类数量，Ci为样本集，p是样本，mi是第i个聚类的中心点；k越大，E越小，则样本聚合程度越高。
进一步的，所述根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别包括：
假设特征词数为n，故障类别数为m，则第i份故障分析报告与第j个故障类别的相似度Di,j表示为：
式中，wki、wkj分别为第i份故障分析报告的第k维坐标和第j个故障类别的第k维坐标，每个坐标表示一个特征向量；
相似度值Di,j越大，表示属于对应故障类别的可能性越高；根据计算结果对变压器音频数据进行故障分类。
进一步的，还包括：
根据识别结果建立故障模型数据库并不断更新的步骤。
本发明的第二方面提供了一种基于聚类分析和相似度计算的变压器故障分类装置，用于执行如前所述的方法，包括：
采集模块，在变压器侧采集变压器音频数据；
预处理模块，对采集的变压器音频数据进行预处理；
特征向量提取模块，对经过预处理后的音频数据进行信号特征提取特征向量；
聚类分析模块，对提取的特征向量进行聚类分析，确定音频数据的故障类别；
故障类别判断模块，根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
本发明的第三方面提供了一种基于聚类分析和相似度计算的变压器故障分类系统，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的方法。
综上所述，本发明公开了一种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，该方法包括：在变压器侧采集变压器音频数据；对采集的变压器音频数据进行预处理；对经过预处理后的音频数据进行信号特征提取特征向量；对提取的特征向量进行聚类分析；根据聚类中心点进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。本发明将声纹识别技术应用于变压器噪声识别并分类，判断变压器运行状态，识别变压器故障类别，为变压器状态监测及变电站噪声治理提供依据。
附图说明
图1是本发明实施例提供的基于聚类分析和相似度计算的变压器故障分类方法流程示意图；
图2是本发明一具体实施例提供的基于聚类分析和相似度计算的变压器故障分类方法流程示意图；
图3是本发明实施例中提取特征向量的方法流程示意图；
图4是本发明另一具体实施例提供的基于聚类分析和相似度计算的变压器故障分类方法流程示意图；
图5是本发明实施例提供的基于聚类分析和相似度计算的变压器故障分类系统结构框图。
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明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明的第一方面提供了一种基于聚类分析和相似度计算的变压器故障分类方法，如图1所示，包括如下步骤：
步骤S100，在变压器侧利用拾音器采集变压器音频数据。
步骤S200，对采集到的音频数据进行预处理(语音增强去噪、分帧、加窗)；
步骤S300，对预处理后的音频数据进行信号特征提取(MFCC)，提取特征向量；
步骤S400，对提取的特征向量进行聚类分析(k-means)，确定音频数据的故障类别；
步骤S500,根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
具体的，如图2所示。在步骤S100中，在变压器侧布置拾音器阵列，采集变压器音频数据。
在步骤S200中，对采集到的变压器原始音频数据进行预处理，包括语音增强、分帧和加窗。语音增强包括语音降噪、语音分离和语音解混响(可以包含回声消除)问题。本质上是语音降噪，噪声的影响会大大降低的语音识别准确率，因此进行语音识别的前端降噪显得十分重要。常用的语音降噪方法有谱减法、自适应滤波法和维纳滤波法等。分帧是对语音增强后的时域声波信号进行交叠分段的分帧操作，根据不同应用选择不同的帧长和帧移。然后，将每帧时域数据进行加窗处理，目的是为了削弱下一步要进行的傅里叶变换带来的频谱泄漏影响。窗函数包括矩形窗、汉宁窗和汉明窗三种。
在步骤S300中，对预处理后的音频数据进行特征提取。常见的特征提取方法有线性预测分析LPC、线性预测倒谱系数LPCC和梅尔频率倒谱系数MFCC等。变压器噪声是集中在1000Hz以下的低频噪声，从梅尔频率的定义可以看出，梅尔频率加强了低频分量，削弱了高频分量，所以将变压器噪声信号映射到梅尔频率域上可以突出变压器噪声信号中富含信息的低频部分，有助于对噪声信号中有用信息的提取。所以本方案采取MFCC用于变压器噪声的特征提取。MFCC的求取过程包括快速傅里叶变换、取模值、Mel滤波、对数变换和离散余弦变换五个过程，如图3所示。
在步骤S400中，提取的特征向量进行聚类分析，确定音频数据的故障类别。聚类分析的方法有很多，包括划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法等。在此采用划分方法中的k-means聚类算法，kmeans聚类属于无监督学习，聚类之前并不知道类别，音频数据的每个特征向量都对应于多维空间的一个点。随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛，确定聚类中心点及其个数，聚类中心点个数即为音频数据的故障类别数。通常，采用平方误差准则，计算每个对象与簇中心的样本聚类误差平方和，以表示每个对象与各簇中心的距离，其定义如下：
式中，k是聚类数量，Ci为样本集，p是样本，mi是第i个聚类的中心点；k越大，E越小，则样本聚合程度越高。
通过聚类分析可确定音频信号的故障类别，然后进行相似度计算进行语音故障信号识别。
在步骤S500中，根据相似度分析结果对故障类别进行分类，根据步骤S400聚类分析得到的中心点个数，即故障类别数，通过相似度计算判断音频数据的故障类别。评价样本间相似度常用的方法是距离计算、余弦相似度计算和核函数计算等，本专利提出的相似度计算方法为：假设特征词数为n，故障类别数为m，那么第i份故障分析报告与第j个故障类别的相似度Di,j可表示为：
式中，wki、wkj分别为第i份故障分析报告的第k维坐标和第j个故障类别的第k维坐标，每个坐标表示一个特征向量。
相似度值Di,j越大，表示属于对应故障类别的可能性越高；根据计算结果对变压器音频数据进行故障分类。
进一步的，还包括步骤S600，如图4所示，根据识别结果建立故障模型数据库，不断丰富故障模型数据库，更好的对变压器音频信号进行识别分类，判断变压器运行状态和故障类型。
本发明第二方面提供了一种基于聚类分析和相似度计算的变压器故障分类装置，用于执行如前所述的方法，如图5所示，包括：
采集模块，在变压器侧采集变压器音频数据；
预处理模块，对采集的变压器音频数据进行预处理；
特征向量提取模块，对经过预处理后的音频数据进行信号特征提取特征向量；
聚类分析模块，对提取的特征向量进行聚类分析，确定音频数据的故障类别；
故障类别判断模块，根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
本发明的第三方面提供了一种基于聚类分析和相似度计算的变压器故障分类系统，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的方法。
综上所述，本发明公开了一种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，该方法包括：在变压器侧采集变压器音频数据；对采集的变压器音频数据进行预处理；对经过预处理后的音频数据进行信号特征提取特征向量；对提取的特征向量进行聚类分析，确定音频数据的故障类别；根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。本发明将声纹识别技术应用于变压器噪声识别并分类，判断变压器运行状态，识别变压器故障类别，为变压器状态监测及变电站噪声治理提供依据。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (11)
1.一种基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，包括：
在变压器侧采集变压器音频数据；
对采集的变压器音频数据进行预处理；
对经过预处理后的音频数据进行信号特征提取，提取特征向量；
对提取的特征向量进行聚类分析，确定音频数据的故障类别；
聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
2.根据权利要求1所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，所述预处理包括语音增强、分帧和加窗。
3.根据权利要求2所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，所述语音增强包括语音降噪、语音分离、语音解混响和/或回声消除。
4.根据权利要求1所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，采用梅尔频率倒谱系数MFCC对音频数据进行信号特征提取，包括傅里叶变换、取模值、Mel滤波、对数变化和离散余弦变换的步骤。
5.根据权利要求1所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，所述对提取的特征向量进行聚类分析，确定音频数据的故障类别的步骤包括：
随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；
对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；
重新计算每个簇的平均值；
重复上述步骤，直到准则函数收敛，确定聚类中心点及其个数，聚类中心点个数即为音频数据的故障类别数。
6.根据权利要求5所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，采用如下公式计算每个对象与簇中心的样本聚类误差平方和，以表示每个对象与各簇中心的距离：
式中，k是聚类数量，Ci为样本集，p是样本，mi是第i个聚类的中心点；k越大，E越小，则样本聚合程度越高。
7.根据权利要求1所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，所述根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别包括：
假设特征词数为n，故障类别数为m，则第i份故障分析报告与第j个故障类别的相似度Di,j表示为：
式中，wki、wkj分别为第i份故障分析报告的第k维坐标和第j个故障类别的第k维坐标，每个坐标表示一个特征向量；
相似度值Di,j越大，表示属于对应故障类别的可能性越高；根据计算结果对变压器音频数据进行故障分类。
8.根据权利要求1所述的基于聚类分析和相似度计算的变压器故障分类方法，其特征在于，还包括：
根据识别结果建立故障模型数据库并不断更新的步骤。
9.一种基于聚类分析和相似度计算的变压器故障分类装置，其特征在于，用于执行如权利要求1-8任一项所述的方法，包括：
采集模块，在变压器侧采集变压器音频数据；
预处理模块，对采集的变压器音频数据进行预处理；
特征向量提取模块，对经过预处理后的音频数据进行信号特征提取特征向量；
聚类分析模块，对提取的特征向量进行聚类分析，确定音频数据的故障类别；
故障类别判断模块，根据聚类分析结果进行相似度计算，对音频数据进行识别分类，判断变压器的故障类别。
10.一种基于聚类分析和相似度计算的变压器故障分类系统，其特征在于，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111205413.XA CN114023353A (zh) | 2021-10-15 | 2021-10-15 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111205413.XA CN114023353A (zh) | 2021-10-15 | 2021-10-15 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114023353A true CN114023353A (zh) | 2022-02-08 |
Family
ID=80056315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111205413.XA Pending CN114023353A (zh) | 2021-10-15 | 2021-10-15 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114023353A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115171726A (zh) * | 2022-07-04 | 2022-10-11 | 枣强县辉煌新能源科技有限公司 | 音频处理系统及其方法 |
| CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种变压器声纹检测系统的噪声消除方法 |
| CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228045A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 一种身份识别系统 |
| CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
| KR20190139126A (ko) * | 2018-06-07 | 2019-12-17 | 고려대학교 세종산학협력단 | 소리 정보를 이용한 전력용 변압기의 이상 상황 탐지 |
| CN111785286A (zh) * | 2020-05-22 | 2020-10-16 | 南京邮电大学 | 面向家居cnn分类与特征匹配联合的声纹识别方法 |
| CN112927710A (zh) * | 2021-01-21 | 2021-06-08 | 安徽南瑞继远电网技术有限公司 | 一种基于无监督方式的电力变压器工况噪声分离方法 |
| CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-10-15 CN CN202111205413.XA patent/CN114023353A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228045A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 一种身份识别系统 |
| KR20190139126A (ko) * | 2018-06-07 | 2019-12-17 | 고려대학교 세종산학협력단 | 소리 정보를 이용한 전력용 변압기의 이상 상황 탐지 |
| CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
| CN111785286A (zh) * | 2020-05-22 | 2020-10-16 | 南京邮电大学 | 面向家居cnn分类与特征匹配联合的声纹识别方法 |
| CN112927710A (zh) * | 2021-01-21 | 2021-06-08 | 安徽南瑞继远电网技术有限公司 | 一种基于无监督方式的电力变压器工况噪声分离方法 |
| CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 余长厅;黎大健;汲胜昌;邓军;: "基于振动噪声及BP神经网络的变压器故障诊断方法研究", 高压电器, no. 06, 16 June 2020 (2020-06-16) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115171726A (zh) * | 2022-07-04 | 2022-10-11 | 枣强县辉煌新能源科技有限公司 | 音频处理系统及其方法 |
| CN115602191A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种变压器声纹检测系统的噪声消除方法 |
| CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114023353A (zh) | 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 | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
| CN111429935B (zh) | 一种语音话者分离方法和装置 | |
| CN103646649A (zh) | 一种高效的语音检测方法 | |
| AU2013223662B2 (en) | Modified mel filter bank structure using spectral characteristics for sound analysis | |
| CN112017682B (zh) | 一种单通道语音同时降噪和去混响系统 | |
| CA2492204A1 (en) | Similar speaking recognition method and system using linear and nonlinear feature extraction | |
| CN111986699B (zh) | 基于全卷积网络的声音事件检测方法 | |
| CN111081223B (zh) | 一种语音识别方法、装置、设备和存储介质 | |
| CN106910495A (zh) | 一种应用于异常声音检测的音频分类系统和方法 | |
| CN115101076B (zh) | 一种基于多尺度通道分离卷积特征提取的说话人聚类方法 | |
| CN115457966B (zh) | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 | |
| CN112735435A (zh) | 具备未知类别内部划分能力的声纹开集识别方法 | |
| CN111489763A (zh) | 一种基于gmm模型的复杂环境下说话人识别自适应方法 | |
| Poorna et al. | Emotion recognition using multi-parameter speech feature classification | |
| CN107103913B (zh) | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 | |
| Couvreur et al. | Automatic noise recognition in urban environments based on artificial neural networks and hidden markov models | |
| CN113555038B (zh) | 基于无监督领域对抗学习的说话人无关语音情感识别方法及系统 | |
| CN117452286A (zh) | 一种基于变压器噪声的故障在线监测方法、介质及系统 | |
| Singh et al. | Novel feature extraction algorithm using DWT and temporal statistical techniques for word dependent speaker’s recognition | |
| CN114970695B (zh) | 一种基于非参贝叶斯模型的说话人分割聚类方法 | |
| CN111402898B (zh) | 音频信号处理方法、装置、设备及存储介质 | |
| Arslan et al. | Noise robust voice activity detection based on multi-layer feed-forward neural network | |
| CN113345427A (zh) | 一种基于残差网络的环境声音识别系统及方法 |
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 |