CN114062510B - 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 - Google Patents

一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 Download PDF

Info

Publication number
CN114062510B
CN114062510B CN202111001917.XA CN202111001917A CN114062510B CN 114062510 B CN114062510 B CN 114062510B CN 202111001917 A CN202111001917 A CN 202111001917A CN 114062510 B CN114062510 B CN 114062510B
Authority
CN
China
Prior art keywords
matrix
acoustic emission
signals
porcelain insulator
training
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.)
Active
Application number
CN202111001917.XA
Other languages
English (en)
Other versions
CN114062510A (zh
Inventor
焦敬品
冯泽文
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111001917.XA priority Critical patent/CN114062510B/zh
Publication of CN114062510A publication Critical patent/CN114062510A/zh
Application granted granted Critical
Publication of CN114062510B publication Critical patent/CN114062510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法，利用麦克风检测系统采集的瓷绝缘子声发射信号构造训练字典和测试样本，对声发射信号的傅里叶变换进行QR分解，增强训练字典的稀疏性，并计算出稀疏系数，从而结合协同表示分类对声发射信号进行识别。与其他算法相比，基于QR分解的协同表示分类方法在保证识别准确率的同时大幅降低计算复杂度，是一种有效的瓷绝缘子裂纹识别算法。

Description

一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法
技术领域
本发明为一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法，该方法适用于有裂纹的瓷质绝缘子识别，属于无损检测领域。
背景技术
绝缘子是电网运行中数量最为庞大的绝缘部件，是电网输电线路上的重要组成部分，对于电网安全稳定运行至关重要。运行中的绝缘子因长期受到机械应力、强电磁场、外部环境和内部因素等影响，导致瓷绝缘子产生脆断、交界面缺陷等劣化情况，一旦发生故障将严重阻碍电力系统的稳定运行。因此，研究在电路运行中瓷绝缘子是否产生裂纹对于电网安全稳定运行具有重要意义。
声发射(acoustic emission,AE)是指材料因局部能量的快速释放而发出瞬态弹性波的现象。作为一种动态监测技术，声发射技术已经被应用绝缘子故障检测。例如，Abdel等[1]利用超声装置采集了绝缘缺陷而导致的局部放电的声发射信号，经数据分析处理，得到了声信号可作为判断绝缘缺陷结论；Fan等[2]将声发射技术应用于复合绝缘子结构设计和质量控制，使得复合绝缘子机械特性得到提高；Andrew等[3]研究了非陶瓷材料缺陷绝缘子局部放电的声发射现象，探讨了该类绝缘子声发射的能量；Ranachowski等[4]研究了瓷绝缘子劣化程度与超声波传播及衰减参数之间的关系，并以此分析绝缘子的品质；李晓红等[5]研究了合成绝缘子压接界面的声发射检测；Kikuchi等[6]基于放电声发射技术，研制了缺陷绝缘子的声感应检测系统；Wong等[7]对真空中固体绝缘子表面局部放电产生的声发射信号进行研究。诸如以上文献所述，利用声发射技术进行绝缘子的研究工作很多，但目前已有文献仅研究了非瓷质绝缘子缺陷或衰减参数对瓷绝缘子的影响，本发明利用声发射技术进行了瓷绝缘子有无裂纹表征的研究。
本发明涉及一种基于协同表示(Collaborative Representation，CR)的瓷绝缘子声发射信号识别方法。通过对敲击瓷绝缘子采集的声发射信号进行正交三角(QR)分解，提取其在低维子空间映射的特征系数，用于构造训练字典，并利用协同表示方法实现对瓷绝缘子有无裂纹的表征与识别。
发明内容
本发明的目的在于提供一种基于协同表示分类的瓷绝缘子声发射信号识别方法，通过该方法可以实现对瓷绝缘子有无裂纹的识别。本方法通过力锤敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子，产生两种不同的声发射信号，用麦克风接收产生的信号，并对采集到的信号进行处理。首先采用QR分解，提取其在低维子空间映射的特征系数，用于构造训练字典，然后利用协同表示分类方法实现瓷绝缘子有无裂纹的表征与识别。
本发明提出的一种基于协同表示的瓷绝缘子裂纹识别方法，其基本原理如下：
使用力锤敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子，产生两种不同的声发射信号，并用麦克风接收产生的信号，然后对得到的声发射信号进行快速傅里叶变换，在此基础上进行QR分解，并计算出稀疏系数，从而结合协同表示分类对声发射信号进行识别。协同表示用多个相似训练样本的线性组合来近似表示测试样本，哪个类别存在最小重构误差，则表示对识别准确率的贡献更大。图1给出了基于协同表示的瓷绝缘子声发射信号识别方法流程图。
测试样本为y∈Rm，训练样本共有K类，每个类别信号含有n个训练样本，第k类中的n个训练样本集合可以表示为其中，m表示样本维度，k＝1,...,K。所有训练样本集为X＝[X1,X2,……,XK]∈Rm×kn，则测试样本能够被所有训练样本的集合线性表示为：
y＝Xα
其中，α表示稀疏系数。式(1)的稀疏解可以转化成下面的优化问题：
其中，λ＞0,为正则化参数，对式(2)中α求导，得到稀疏系数，即为：
因为(XTX+λ×I)-1XT独立于y，可被预先计算出来作为投影矩阵。当测试样本y到来时，可以通过投影矩阵得到稀疏系数α，因此计算速度较快。
为进一步提高识别效率，引入QR分解的对训练样本矩阵进行分解，提高了运算速度。QR分解将训练样本矩阵分解为一个正交矩阵和一个三角矩阵
X＝QR
式中，Q∈Rm×n为正交矩阵，R∈Rn×n为三角矩阵，重新得到稀疏系数为
QR分解具有数值稳定行，利用QR分解可以增大原始矩阵的列独立性，从而提高重构样本的质量。通过式(5)求解出测试样本的稀疏系数的最稀疏解则测试样本y在训练样本下的重构值为
y'i＝Xiα'i，i＝1,2
最后计算测试样本y与其在训练样本X下重构值y'i的误差值v'i
vi＝||y-y'i||2，i＝1,2
根据误差值的最小原则判断当前测试样本所属的类别。
本发明的技术方案如下：
本发明所采用的装置，包括力锤1、瓷绝缘子2、麦克风传感器3、功率放大器4、HS3采集板卡和计算机(配套分析软件)。用力锤敲击瓷绝缘子的金属和陶瓷结合区，并由麦克风传感器接收声发射信号，然后通过前置放大器4放大，并由HS3采集板卡5采集放大后的信号，最后在计算机6上进行信号分析、处理。
本发明提出的一种基于协同表示分类的瓷绝缘子裂纹声发射信号识别方法是通过以下步骤实现的：
步骤一：搭建声发射检测系统。系统包括力锤1、瓷绝缘子2、麦克风传感器3、功率放大器4、HS3采集板卡5和计算机(配套分析软件)6。
步骤二：采集声发射信号，并进行初步处理。敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子采集到两种声发射信号，基于MATLAB软件对所有声发射信号进行截断，分别截取n组(共2n组)信号，数据维度为m。最后，对所有声发射信号进行傅里叶变换，得到2n个频谱图。
步骤三：构建训练样本和测试样本。分别随机抽取有裂纹瓷绝缘子和无裂纹瓷绝缘子各n组信号中的n1组(共2n1组)声发射信号的频谱图，并转化为列向量，每一列代表一个信号，组成训练子字典vi(i＝1,2)，两种情况剩余的n2组(共2n2组)信号组成测试样本集v0。
步骤四：选取不同数量的样本组成训练字典，分析样本数对结果的影响，并对其进行QR分解，得到上三角矩阵R和正交矩阵Q。
步骤五：对分解后得到的上三角矩阵R和正交矩阵Q进行处理，基于穆尔-彭罗斯广义逆矩阵，求解基矩阵R的子空间R-1，将正交矩阵Q的转置矩阵QT向子空间R-1进行投影，得到投影矩阵P。
步骤六：将测试样本向矩阵P进行投影，求解测试样本在训练样本上的稀疏系数，并通过公式(5)求取所有测试样本在训练样本上的重构信号。
步骤七：比较所有测试样本在训练样本上重构信号的误差，并根据误差值的最小原则判断所有测试样本的类别。
本发明具有以下优点：(1)可以通过分析声发射信号来实现对瓷绝缘子有无裂纹的识别；(2)该算法识别准确率高；(3)该算法运算速度快。
附图说明
图1是基于协同表示的瓷绝缘子声发射信号识别方法流程图
图2是具体实施的算法流程图。
图3是训练样本的识别准确率图。
图4是本方法整体实施流程图。
具体实施方式
下面结合具体实验对本发明作进一步说明：
本实验实施过程包括以下步骤：
步骤一：按照图1所示的检测装置系统搭建瓷绝缘子裂纹声发射检测系统，系统包括力锤1、瓷绝缘子2、麦克风传感器3、功率放大器4、HS3采集板卡5和计算机(配套分析软件)6。
步骤二：采集有裂纹声发射信号和无裂纹声发射信号，并进行初步处理。用力锤敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子，麦克风传感器采集到两种不同的声发射信号，基于MATLAB软件对所有声发射信号进行截断，分别截取250组(共500组)信号，数据维度为10000。然后，对所有声发射信号进行傅里叶变换，得到500个频谱图。
步骤三：构建训练样本和测试样本。分别随机抽取有裂纹瓷绝缘子和无裂纹瓷绝缘子各250组信号中的200组(共400组)声发射信号的频谱图，并转化为列向量，每一列代表一个信号，组成训练子字典vi(i＝1,2)，vi∈R8192×200两种情况各剩余的50组(共100组)信号组成测试样本集v0，v0∈R8192×50。
步骤四：选取不同数量(80～400组)的信号组成训练字典，分析样本数对结果的影响，并对其进行QR分解，得到上三角矩阵R和正交矩阵Q。
步骤五：对分解后得到的上三角矩阵R和正交矩阵Q进行处理，基于穆尔-彭罗斯广义逆矩阵，求解基矩阵R的子空间R-1，将正交矩阵Q的转置矩阵QT向子空间R-1进行投影，得到投影矩阵P，即P＝R-1QT。
步骤六：将测试样本v0∈R8192×50向矩阵P进行投影，求解测试样本在训练样本上的稀疏系数α，并通过公式(5)求取所有测试样本在训练样本上的重构信号。
步骤七：比较所有测试样本在训练样本上重构信号的误差，并根据误差值的最小原则判断所有测试样本的类别。
与现有分类方法相比，本发明具有以下优点：(1)对二分类问题具有更高的识别准确率；(2)适用于高维数据，QR分解后的训练字典具有低维和稀疏性的特点；(3)具有更快的运算速度，较少程序运行时间。
本方法的实施流程图如图4所示。
以上是本发明的一个典型应用，本发明的应用不限于此。
参考文献
[1]Abdel-Salam M,Abdel-Sattar S,Sayed Y,et al.Early detection of weakpoints in MEEC distribution system[C].IEEE Industry ApplicationsConference.IEEE,2001：2541-2545.
[2]Fan Ju,Liang Xidong,Yin Yu,Wang Chengsheng,and ChenLing.Application of Acoustic Emission Technology on Structure Design andQuality Control of Composite Insulators[C].Proceedings of The 6thInternational Conference on properties and Applications of DielectricMaterials,2000,358-361.
[3]Andrew J.Phillips,Robert Melaia.Ultrasonic emissions from non-ceramic insulators with defects[C].High Voltage Engineering Symposium,22-27August 1999 Conference Publication No.467.
[4]Ranachowski P,F Rejmund,Ranachowski Z,et al.Acousticinvestigations of long-rod insulators and their material properties[J].IEEETransactions on Dielectrics and Electrical Insulation,2010,17(1):81-88.
[5]李晓红,丁杰,陈汉明,丁辉.电网绝缘子的无损检测技术[J].无损检测,2004(03):129-131+143.
[6]Kikuchi T,Nakauchi H,Matsuoka R,et al.Remote sensing system forfaulty suspension insulator units[C].International Conference on Propertiesand Applications of Dielectric Materials,1997,2:766-769.
[7]Wong K L,Shihab S.Radiating signal model for broadband acousticemission from high voltage equipment[C].In:2002 International Conference onPower System Technology.,Vol.3,2002:1859-1862

Claims (2)

1.一种基于协同表示分类的瓷绝缘子裂纹声发射信号识别方法，其特征在于：使用力锤敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子，产生两种不同的声发射信号，并用麦克风接收产生的信号，然后对得到的声发射信号进行傅里叶变换，并在此基础上进行QR分解，计算出稀疏系数，结合协同表示分类对声发射信号进行识别；
采集声发射信号的傅里叶变换后的数据后，测试样本为y∈Rm，训练样本共有K类，每个类别信号含有n个训练样本，第k类中的n个训练样本集合表示为其中，m表示样本维度，k＝1,...,K；所有训练样本集为X＝[X1,X2,……,XK]∈Rm×kn，则测试样本能够被所有训练样本的集合线性表示为：
y＝Xα (1)
其中，α表示稀疏系数；式(1)的稀疏解转化成下面的优化问题：
其中，λ＞0,为正则化参数，对式(2)中α求导，得到稀疏系数，即为：
当测试样本y到来时，通过投影矩阵得到稀疏系数α；
引入QR分解的对训练样本矩阵进行分解提高识别效率，提高运算速度；QR分解将训练样本矩阵分解为一个正交矩阵和一个三角矩阵：
X＝QR
式中，Q∈Rm×n为正交矩阵，R∈Rn×n为三角矩阵，重新得到稀疏系数为：
QR分解具有数值稳定行，利用QR分解增大原始矩阵的列独立性，提高重构样本的质量；求解出测试样本的稀疏系数的最稀疏解则测试样本y在训练样本下的重构值为
y'i＝Xiα'i，i＝1,2
最后计算测试样本y与其在训练样本X下重构值y'i的误差值v'i
vi＝||y-y′i||2，i＝1,2
根据误差值的最小原则判断当前测试样本所属的类别；
该方法是通过以下步骤实现的：
步骤一：搭建声发射检测系统；
步骤二：采集声发射信号，并进行初步处理；敲击有裂纹瓷绝缘子和无裂纹瓷绝缘子采集到两种声发射信号，基于MATLAB软件对所有声发射信号进行截断，分别截取n组信号，共2n组，数据维度为m；最后，对所有声发射信号进行傅里叶变换，得到2n个频谱图；
步骤三：构建训练样本和测试样本；分别随机抽取有裂纹瓷绝缘子和无裂纹瓷绝缘子各n组信号中的n1组声发射信号的频谱图，并转化为列向量，每一列代表一个信号，组成训练子字典vi，i＝1,2，两种情况剩余的n2组信号组成测试样本集v0；
步骤四：选取不同数量的样本组成训练字典，分析样本数对结果的影响，并对其进行QR分解，得到上三角矩阵R和正交矩阵Q；
步骤五：对分解后得到的上三角矩阵R和正交矩阵Q进行处理，基于穆尔-彭罗斯广义逆矩阵，求解基矩阵R的子空间R-1，将正交矩阵Q的转置矩阵QT向子空间R-1进行投影，得到投影矩阵P；
步骤六：将测试样本向矩阵P进行投影，求解测试样本在训练样本上的稀疏系数，并求取所有测试样本在训练样本上的重构信号；
步骤七：比较所有测试样本在训练样本上重构信号的误差，并根据误差值的最小原则判断所有测试样本的类别。
2.根据权利要求1所述的一种基于协同表示分类的瓷绝缘子裂纹声发射信号识别方法，其特征在于：实现该方法的装置包括力锤、瓷绝缘子、麦克风传感器、功率放大器、HS3采集板卡和计算机；用力锤敲击瓷绝缘子的金属和陶瓷结合区，并由麦克风传感器接收声发射信号，然后通过前置放大器放大，并由HS3采集板卡采集放大后的信号，最后在计算机上进行信号分析、处理。
CN202111001917.XA 2021-08-30 2021-08-30 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 Active CN114062510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111001917.XA CN114062510B (zh) 2021-08-30 2021-08-30 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111001917.XA CN114062510B (zh) 2021-08-30 2021-08-30 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法

Publications (2)

Publication Number Publication Date
CN114062510A CN114062510A (zh) 2022-02-18
CN114062510B true CN114062510B (zh) 2023-11-17

Family

ID=80233639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001917.XA Active CN114062510B (zh) 2021-08-30 2021-08-30 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法

Country Status (1)

Country Link
CN (1) CN114062510B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558498A (zh) * 2013-11-18 2014-02-05 华北电力大学 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法
CN106096505A (zh) * 2016-05-28 2016-11-09 重庆大学 基于多尺度特征协同表示的sar目标识别方法
CN108983749A (zh) * 2018-07-10 2018-12-11 福州大学 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
CN109557434A (zh) * 2018-12-04 2019-04-02 红相股份有限公司 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
CN110631827A (zh) * 2019-08-27 2019-12-31 安徽大学 一种基于改进协同表示分类的齿轮箱故障诊断方法
CN111238816A (zh) * 2020-03-06 2020-06-05 中原工学院 一种基于稀疏分类算法的滚动轴承复合故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558498A (zh) * 2013-11-18 2014-02-05 华北电力大学 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法
CN106096505A (zh) * 2016-05-28 2016-11-09 重庆大学 基于多尺度特征协同表示的sar目标识别方法
CN108983749A (zh) * 2018-07-10 2018-12-11 福州大学 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
CN109557434A (zh) * 2018-12-04 2019-04-02 红相股份有限公司 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
CN110631827A (zh) * 2019-08-27 2019-12-31 安徽大学 一种基于改进协同表示分类的齿轮箱故障诊断方法
CN111238816A (zh) * 2020-03-06 2020-06-05 中原工学院 一种基于稀疏分类算法的滚动轴承复合故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的稀疏表示DOA估计算法;赵宏伟等;《电子设计工程》;第24卷(第9期);全文 *
基于QR分解的稀疏LSSVM算法;周水生等;《吉林大学学报（理学报）》;第56卷(第2期);全文 *
基于QR分解重构虚拟样本的人脸识别算法;郭艳君等;《计算机工程与科学》;第38卷(第11期);全文 *

Also Published As

Publication number Publication date
CN114062510A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN108303366B (zh) 一种硅橡胶材料老化状态多维联合分析方法
CN109696605B (zh) 一种发电机定子线棒环氧云母绝缘的寿命评估方法
CN111983394B (zh) 一种基于sf6分解产物分析的gis放电故障诊断方法
CN107037327A (zh) 局部放电故障判定特征提取方法及判定方法
Yang et al. Partial discharge pattern recognition of XLPE cables at DC voltage based on the compressed sensing theory
Gu et al. Application of chaos synchronization technique and pattern clustering for diagnosis analysis of partial discharge in power cables
CN112816838B (zh) 基于fft、vmd和ls-svm的gis设备缺陷诊断装置及方法
CN107561416A (zh) 一种基于压缩感知的局部放电信号采集系统及方法
Tang et al. Comprehensive evaluation and application of GIS insulation condition part 1: Selection and optimization of insulation condition comprehensive evaluation index based on multi-source information fusion
CN114062510B (zh) 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法
CN113671037B (zh) 一种支柱绝缘子振动声学信号处理方法
CN111562248A (zh) 一种基于sf6内标的gis故障诊断方法
CN113960392A (zh) 能够提高闪络电压的航空绝缘材料改性方法及其测试系统
Janani et al. Statistical feature extraction and system identification algorithms for partial discharge signal classification using laguerre polynomial expansion
Guan et al. Partial discharge pattern recognition of transformer based on deep forest algorithm
Li et al. Assessment of the moisture content of oil–paper insulation based on the nonlinear coefficient of low-frequency–per-unit curve
Din et al. Leakage current signal parameter of various surface roughness conditions of field-aged polymer insulators
Zhao et al. Partial discharge patterns recognition of gis with denoising-stacked autoencoder networks
CN112257227A (zh) 基于介电模量指纹数据库套管绝缘状态的评估方法
Zhonghao et al. Research on Monitoring of Tunnel Cable Insulation Layer Based on Terahertz Wave Clustering Analysis
Shi et al. A Partial Discharge Acoustic Detection Method of the Switchgear Based on Wavelet Denoising
Wang et al. Analysis and detection of electric field distribution characteristics of degraded insulators
CN113052018B (zh) 一种钣金拉伸过程声发射信号识别方法
Chen et al. Properties and gas production law of surface discharge in transformer oil-paper insulation
Chen et al. Partial discharge pattern classification of composite insulators by electromagnetic spectrum and stacked autoencoder 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
GR01 Patent grant
GR01 Patent grant