CN114036977A - 基于二维图像编码特征的风机电能质量扰动监测方法 - Google Patents
基于二维图像编码特征的风机电能质量扰动监测方法 Download PDFInfo
- Publication number
- CN114036977A CN114036977A CN202111216742.4A CN202111216742A CN114036977A CN 114036977 A CN114036977 A CN 114036977A CN 202111216742 A CN202111216742 A CN 202111216742A CN 114036977 A CN114036977 A CN 114036977A
- Authority
- CN
- China
- Prior art keywords
- layer
- dimensional
- disturbance
- signals
- voltage
- 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
- G06F2218/04—Denoising
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Abstract
一种基于二维图像编码特征的风机电能质量扰动监测方法,结合Stockwell变换(S变换)和卷积神经网络的混合方法来评估电能质量,首先,利用小波包分解对信号进行去噪;然后,利用S变换技术将一维时间序列电压信号转换为二维时频特征S变换矩阵;接着采用奇异值分解方法对所得到的S变换矩阵进行特征增强,然后将特征增强的二维时频特征S变换矩阵作为数字图像文件输入卷积神经网络模型,对电能质量扰动的不同模式进行分类。本发明结合S变换具有多分辨率特性,克服了短时傅里叶变换分辨率固定的缺点,且S变换对于电压扰动信号的高频冲击成分具有较高的敏感性;有效满足实际工程中辨识高精度和特征提取自动化的要求。
Description
技术领域
本发明涉及一种基于二维图像编码特征的风机电能质量扰动监测方法。
背景技术
近年来,随着可再生能源的日益普及,电能质量扰动逐渐成为是分布式智能电网中的一个重要问题。以往的工作主要集中在通过改进信号分析方法和识别模型来实现电能质量扰动的特征提取。然而,标签噪声在实际网格中普遍存在,这将严重影响这些方法的性能。以往的工作通常基于统计学特征方法由人工筛选,从电能质量扰动电压信号中提取相关时域、频域的特征向量,而后应用传统的机器学习方法构造故障事件分类器,完成电能质量异常扰动模式的识别,这导致在现实场景下,基于上述方法实现的电能质量异常扰动事件辨识系统往往收到人为干扰的影响因素,无法满足实际工程中辨识高精度和自动化提取深层特征的要求。
发明内容
针对上述问题,本发明提出了一种基于二维图像编码特征的风机电能质量扰动监测方法,结合Stockwell变换(S变换)和卷积神经网络的混合方法来评估电能质量,结合S变换具有多分辨率特性,克服了短时傅里叶变换分辨率固定的缺点,且S变换对于电压扰动信号的高频冲击成分具有较高的敏感性;利用奇异值分解对二维S变换时频系数矩阵进行重构,以提取出瞬态变换明细的特征段,并以此进行电能质量扰动的模式识别,有效满足实际工程中辨识高精度和特征提取自动化的要求。
本发明解决其技术问题所采用的技术方案是:
一种基于二维图像编码特征的风机电能质量扰动监测方法,所述方法包括以下步骤:
步骤1:电压信号预处理,过程如下:
基于IEEE-1159标准中定义的数学模型,产生的一组电能质量扰动的时序信号,其中仿真信号包括12种典型代表扰动特征,包括标准正弦电压信号、电压跌落扰动信号、电压隆起扰动信号、瞬态断电扰动信号、谐波电压扰动信号、电压闪变扰动信号、电压跌落与高次谐波复合扰动信号、电压隆起与高次谐波复合扰动信号、瞬态断电与高次谐波复合扰动信号、电压闪变与高次谐波复合扰动信号、电压瞬态振荡扰动信号和电压周期缺口信号;
步骤2:电压信号预处理降噪,过程如下:
在得到仿真波形数据后,利用变分模态分解方法将原始信号进行分割,分解得到多个本征模态函数;对每个本征模态函数进行利香农熵计算,若熵值大于设定阈值,则判定该模态函数为噪声分量,予以剔除,而后将剔除噪声分量的本征模态函数叠加重构,得到降噪的电压时序信号;
步骤3:一维时序电压信号编码转换为二维特征向量矩阵,过程如下:
采用Stockwell变换将一维时序电压信号进行变换,得到二维S变换时频系数矩阵,其中行向量表示信号中某一频率成分随着时间变化的幅值变化序列,列向量表示特定时刻下信号中的频率成分的变化序列。而后,采用奇异值分解方法对该二维S变换时频系数矩阵进行重构;
步骤4:基于卷积神经网络的图像特征提取,过程为:
利用卷积神经网络优异的图像特征提取能力,将重建得到的二维S变换时频系数矩阵视作为二维RGB图像,输入到卷积神经网络结构,网络框架结构连接拓扑为:输入层INPUT连接卷积层C1,输出为32个198×198维度的矩阵,卷积层C1连接池化层S1,输出为32个99×99维度的矩阵,池化层S1连接卷积层C2,输出为64个97×97维度的矩阵,卷积层C2连接池化层S2,输出为64个48×48维度的矩阵,池化层S2连接卷积层C3,输出为64个46×46维度的矩阵,卷积层C3连接池化层S3,输出为64个23×23维度的矩阵,池化层S3连接全连接层F1,全连接层F1连接全连接层F2,全连接层F2连接输出层OUT;
进一步,所述步骤3中,一维时序电压信号转换为二维特征向量矩阵的过程如下
3.1)对时序信号进行S变换得到时频谱系数矩阵,矩阵维度为200×200,200对应为时序电压信号的采样长度;
3.2)在得到二维S变换时频系数矩阵后,对该矩阵进行奇异值分解,并得到其相对应的奇异值,将奇异值按递减方式进行排序;
3.3)取上述奇异值均值的1/10作为阈值,将奇异值序列中小于该阈值的元素设置为0,重建二维S变换时频系数矩阵。
再进一步,所述步骤1中,时序波形信号的采样率为1kHz,采样长度为200个点,一个采样时序序列包含10个工频电压周波,且电压信号幅值参数A做归一化处理,定义为1。
再进一步,所述步骤2中,设定阈值为0.6。
所述步骤2的过程包括:
2.1)在变分模态分解过程中,利用希尔伯特变换将每个本征模态函数转换为单边谱域中的解析表达式,以获得每个本征模态函数的带宽;
2.2)在希尔伯特变换之后,每个本征模态函数的频谱被调制解调移到基带,并且通过使用指数调谐项来调整相应的估计中心频率;
2.3)利用梯度的平方L2范数,根据解调信号的高斯平滑度估计带宽,通过解决约束变分问题实现本征模态函数的求解。
更进一步,所述步骤4中,每一层的细节如下所示:
4.1)输入层:将电能质量扰动原始电压信号通过变分模态分解后,得到降噪后的时序电压信号,然后通过S变换和奇异值分解,将重构二维S变换时频系数矩阵作为卷积神经网络结构的输入层;
4.2)卷积层:神经网络结构中包含3个卷积层,卷积层C1是32个维度为3×3内核,卷积层C1作为输入向量的过滤器,对数据进行单独处理;卷积层C2是64个维度为3×3内核;卷积层C3是64个维度为3×3内核;另外,神经网络中的激活函数选择为ReLu;
4.3)池化层:神经网络结构中包含3个池化层,池化层S1、池化层S2和池化层S3的维度均为2×2,卷积层后跟随池化层,目的是降低输出向量的维数,增加特征的空间不变性;
4.4)全连通层:全连接层F1中神经元的维度个数为192×1,全连接层F2中神经元的维度个数为64×1,在全连通层中,每个输出神经元都与所有输入神经元相连,在全连接层的末端,通过softmax函数与输出层连接,以产生分类结果;
4.5)输出层:输出层有12个神经元,分别为二元取值,即0或者1,输出层对应12种典型的电能质量扰动事件类型。
本发明的方案,首先,利用小波包分解对信号进行去噪。然后,利用S变换技术将一维时间序列电压信号转换为二维时频特征S变换矩阵。接着采用奇异值分解方法对所得到的S变换矩阵进行特征增强,然后将特征增强的二维时频特征S变换矩阵作为数字图像文件输入卷积神经网络模型,对电能质量扰动的不同模式进行分类。本发明的有益效果为:结合S变换具有多分辨率特性,克服了短时傅里叶变换分辨率固定的缺点,且S变换对于电压扰动信号的高频冲击成分具有较高的敏感性;利用奇异值分解对二维S变换时频系数矩阵进行重构,以提取出瞬态变换明细的特征段,并以此进行电能质量扰动的模式识别;利用卷积神经网络优异的图像特征提取能力,将重建得到的二维S变换时频系数矩阵视作为二维RGB图像,有效满足实际工程中辨识高精度和特征提取自动化的要求。
附图说明
图1是基于二维图像编码特征的风机电能质量扰动监测方法的流程图。
图2是卷积神经网络的架构图。
具体实施方式
下面对本发明做进一步说明。
参照图1和图2,一种基于二维图像编码特征的风机电能质量扰动监测方法,包括以下步骤:
步骤1:电压信号预处理,过程如下:
基于IEEE-1159标准中定义的数学模型,产生的一组电能质量扰动的时序信号,其中仿真信号包括12种典型代表扰动特征,包括标准正弦电压信号、电压跌落扰动信号、电压隆起扰动信号、瞬态断电扰动信号、谐波电压扰动信号、电压闪变扰动信号、电压跌落与高次谐波复合扰动信号、电压隆起与高次谐波复合扰动信号、瞬态断电与高次谐波复合扰动信号、电压闪变与高次谐波复合扰动信号、电压瞬态振荡扰动信号和电压周期缺口信号;具体的,时序波形信号的采样率为1kHz,采样长度为200个点,信号幅值参数A做归一化处理定义为1,T为电压周波周期即20ms,其余参数均在表1中说明,此外,在得到数学解析模型的基础上,耦合信噪比为30dB的高斯白噪声用以模拟真实场景下的电压采集信号。
表1
步骤2:电压信号预处理降噪,过程如下:
在得到仿真波形数据后,利用变分模态分解方法将原始信号进行分割,分解得到多个本征模态函数,过程包括:2.1)利用希尔伯特变换将每个本征模态函数转换为单边谱域中的解析表达式,以获得每个本征模态函数的带宽;2.2)在希尔伯特变换之后,每个本征模态函数的频谱被调制解调移到基带,并且通过使用指数调谐项来调整相应的估计中心频率;2.3)利用梯度的平方L2范数,根据解调信号的高斯平滑度估计带宽,通过解决约束变分问题实现本征模态函数的求解。由变分模态分解的数学解析定义可得,每一个本征模态函数对应一个特定的频谱,能够准确地反映电能质量的信号变化,因此,可以通过变分模态分解方法消除高频噪声,保留了信号的有效特征分量。考虑到谐波分量的存在,经验模态小波的分解数目选取为8;而后,对每个本征模态函数进行香农熵计算,若熵值大于0.6阈值,则判定该模态函数为噪声分量,予以剔除,而后将剔除噪声分量的本征模态函数叠加重构,得到降噪的电压时序信号;
步骤3:一维时序电压信号编码转换为二维特征向量矩阵,过程如下:
采用Stockwell变换将一维时序电压信号进行变换,得到二维S变换时频系数矩阵,其中行向量表示信号中某一频率成分随着时间变化的幅值变化序列,列向量表示特定时刻下信号中的频率成分的变化序列;而后,采用奇异值分解方法对该二维S变换时频系数矩阵进行重构,过程包括:3.1)对时序信号进行S变换得到时频谱系数矩阵,矩阵维度为2000×2000,2000对应为时序电压信号的采样长度;3.2)对该矩阵进行奇异值分解,并得到其相对应的奇异值,将奇异值按递减方式进行排序;3.3)取上述奇异值均值的1/10作为阈值,将奇异值序列中小于该阈值的元素设置为0,重建二维S变换时频系数矩阵。
步骤4:基于卷积神经网络的图像特征提取,过程为:
利用卷积神经网络优异的图像特征提取能力,将重建得到的二维S变换时频系数矩阵视作为二维RGB图像,记作S变换时频矩阵A1,S变换时频矩阵A2,S变换时频矩阵A3,输入到卷积神经网络结构,如图2所示,其网络框架结构连接拓扑为:输入层INPUT连接卷积层C1,输出为32个198×198维度的矩阵,卷积层C1连接池化层S1,输出为32个99×99维度的矩阵,池化层S1连接卷积层C2,输出为64个97×97维度的矩阵,卷积层C2连接池化层S2,输出为64个48×48维度的矩阵,池化层S2连接卷积层C3,输出为64个46×46维度的矩阵,卷积层C3连接池化层S3,输出为64个23×23维度的矩阵,池化层S3连接全连接层F1,全连接层F1连接全连接层F2,全连接层F2连接输出层OUT;
每一层的细节如下所示:
4.1)输入层:将电能质量扰动原始电压信号通过变分模态分解后,得到降噪后的时序电压信号,然后通过S变换和奇异值分解,将重构二维S变换时频系数矩阵作为卷积神经网络结构的输入层,输入层是3个200×200的矩阵;
4.2)卷积层:神经网络结构中包含3个卷积层,卷积层C1是32个维度为3×3内核,卷积层C1作为输入向量的过滤器,对数据进行单独处理;卷积层C2是64个维度为3×3内核;卷积层C3是64个维度为3×3内核;另外,神经网络中的激活函数选择为ReLu;
4.3)池化层:神经网络结构中包含3个池化层,池化层S1、池化层S2和池化层S3的维度均为2×2,卷积层后跟随池化层,目的是降低输出向量的维数,增加特征的空间不变性;
4.4)全连通层:全连接层F1中神经元的维度个数为192×1,全连接层F2中神经元的维度个数为64×1,在全连通层中,每个输出神经元都与所有输入神经元相连,在全连接层的末端,通过softmax函数与输出层连接,以产生分类结果;
4.5)输出层:输出层有12个神经元,分别为二元取值,即0或者1,输出层对应12种典型的电能质量扰动事件类型。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (6)
1.一种基于二维图像编码特征的风机电能质量扰动监测方法,所述方法,其特征在于,所述方法包括以下步骤:
步骤1:电压信号预处理,过程如下:
基于IEEE-1159标准中定义的数学模型,产生的一组电能质量扰动的时序信号,其中仿真信号包括12种典型代表扰动特征,包括标准正弦电压信号、电压跌落扰动信号、电压隆起扰动信号、瞬态断电扰动信号、谐波电压扰动信号、电压闪变扰动信号、电压跌落与高次谐波复合扰动信号、电压隆起与高次谐波复合扰动信号、瞬态断电与高次谐波复合扰动信号、电压闪变与高次谐波复合扰动信号、电压瞬态振荡扰动信号和电压周期缺口信号;
步骤2:电压信号预处理降噪,过程如下:
在得到仿真波形数据后,利用变分模态分解方法将原始信号进行分割,分解得到多个本征模态函数;对每个本征模态函数进行利香农熵计算,若熵值大于设定阈值,则判定该模态函数为噪声分量,予以剔除,而后将剔除噪声分量的本征模态函数叠加重构,得到降噪的电压时序信号;
步骤3:一维时序电压信号编码转换为二维特征向量矩阵,过程如下:
采用Stockwell变换将一维时序电压信号进行变换,得到二维S变换时频系数矩阵,其中行向量表示信号中某一频率成分随着时间变化的幅值变化序列,列向量表示特定时刻下信号中的频率成分的变化序列,而后,采用奇异值分解方法对该二维S变换时频系数矩阵进行重构;
步骤4:基于卷积神经网络的图像特征提取,过程为:
利用卷积神经网络优异的图像特征提取能力,将重建得到的二维S变换时频系数矩阵视作为二维RGB图像,输入到卷积神经网络结构,网络框架结构连接拓扑为:输入层INPUT连接卷积层C1,输出为32个198×198维度的矩阵,卷积层C1连接池化层S1,输出为32个99×99维度的矩阵,池化层S1连接卷积层C2,输出为64个97×97维度的矩阵,卷积层C2连接池化层S2,输出为64个48×48维度的矩阵,池化层S2连接卷积层C3,输出为64个46×46维度的矩阵,卷积层C3连接池化层S3,输出为64个23×23维度的矩阵,池化层S3连接全连接层F1,全连接层F1连接全连接层F2,全连接层F2连接输出层OUT。
2.如权利要求1所述的基于二维图像编码特征的风机电能质量扰动监测方法,其特征在于,所述步骤3中,一维时序电压信号转换为二维特征向量矩阵的过程如下:
3.1)对时序信号进行S变换得到时频谱系数矩阵,矩阵维度为200×200,200对应为时序电压信号的采样长度;
3.2)在得到二维S变换时频系数矩阵后,对该矩阵进行奇异值分解,并得到其相对应的奇异值,将奇异值按递减方式进行排序;
3.3)取上述奇异值均值的1/10作为阈值,将奇异值序列中小于该阈值的元素设置为0,重建二维S变换时频系数矩阵。
3.如权利要求1或2所述的基于二维图像编码特征的风机电能质量扰动监测方法,其特征在于,所述步骤1中,时序波形信号的采样率为1kHz,采样长度为200个点,信号幅值参数A做归一化处理,定义为1。
4.如权利要求1或2所述的基于二维图像编码特征的风机电能质量扰动监测方法,其特征在于,所述步骤2中,设定阈值为0.6。
5.如权利要求1或2所述的基于二维图像编码特征的风机电能质量扰动监测方法,其特征在于,所述步骤2的过程包括:
2.1)在变分模态分解过程中,利用希尔伯特变换将每个本征模态函数转换为单边谱域中的解析表达式,以获得每个本征模态函数的带宽;
2.2)在希尔伯特变换之后,每个本征模态函数的频谱被调制解调移到基带,并且通过使用指数调谐项来调整相应的估计中心频率;
2.3)利用梯度的平方L2范数,根据解调信号的高斯平滑度估计带宽,通过解决约束变分问题实现本征模态函数的求解。
6.如权利要求1或2所述的基于二维图像编码特征的风机电能质量扰动监测方法,其特征在于,所述步骤4中,每一层的细节如下所示:
4.1)输入层:将电能质量扰动原始电压信号通过变分模态分解后,得到降噪后的时序电压信号,然后通过S变换和奇异值分解,将重构二维S变换时频系数矩阵作为卷积神经网络结构的输入层;
4.2)卷积层:神经网络结构中包含3个卷积层,卷积层C1是32个维度为3×3内核,卷积层C1作为输入向量的过滤器,对数据进行单独处理;卷积层C2是64个维度为3×3内核;卷积层C3是64个维度为3×3内核;另外,神经网络中的激活函数选择为ReLu;
4.3)池化层:神经网络结构中包含3个池化层,池化层S1、池化层S2和池化层S3的维度均为2×2,卷积层后跟随池化层,目的是降低输出向量的维数,增加特征的空间不变性;
4.4)全连通层:全连接层F1中神经元的维度个数为192×1,全连接层F2中神经元的维度个数为64×1,在全连通层中,每个输出神经元都与所有输入神经元相连,在全连接层的末端,通过softmax函数与输出层连接,以产生分类结果;
4.5)输出层:输出层有12个神经元,分别为二元取值,即0或者1,输出层对应12种典型的电能质量扰动事件类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111216742.4A CN114036977A (zh) | 2021-10-19 | 2021-10-19 | 基于二维图像编码特征的风机电能质量扰动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111216742.4A CN114036977A (zh) | 2021-10-19 | 2021-10-19 | 基于二维图像编码特征的风机电能质量扰动监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036977A true CN114036977A (zh) | 2022-02-11 |
Family
ID=80142006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111216742.4A Pending CN114036977A (zh) | 2021-10-19 | 2021-10-19 | 基于二维图像编码特征的风机电能质量扰动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036977A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817847A (zh) * | 2022-06-30 | 2022-07-29 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
CN116125235A (zh) * | 2023-04-14 | 2023-05-16 | 南昌工程学院 | 基于超声信号的gis局部放电故障诊断方法 |
-
2021
- 2021-10-19 CN CN202111216742.4A patent/CN114036977A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817847A (zh) * | 2022-06-30 | 2022-07-29 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
CN116125235A (zh) * | 2023-04-14 | 2023-05-16 | 南昌工程学院 | 基于超声信号的gis局部放电故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884419B (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
CN114036977A (zh) | 基于二维图像编码特征的风机电能质量扰动监测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN109918417B (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
CN113591604A (zh) | 基于噪声标签重构的风力发电机电能质量扰动状态监测方法 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
Qin et al. | Adaptive diagnosis of DC motors using R-WDCNN classifiers based on VMD-SVD | |
Yang et al. | Transfer learning based rolling bearing fault diagnosis | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
Tran et al. | Denoising induction motor sounds using an autoencoder | |
CN114139586A (zh) | 基于多尺度分析二维特征提取的电能质量复合扰动识别方法 | |
CN112464708B (zh) | 双馈异步风机电能质量异常故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN112561055B (zh) | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 | |
de Aguiar et al. | Performance of scattering transform feature extraction for electrical load classification | |
Esa et al. | Audio Deformation based data augmentation for convolution neural network in Vibration analysis | |
Gao | Research on modulation recognition method of electromagnetic signal based on wavelet transform convolutional neural network |
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 |