CN114283847A - 一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 - Google Patents
一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 Download PDFInfo
- Publication number
- CN114283847A CN114283847A CN202111409170.1A CN202111409170A CN114283847A CN 114283847 A CN114283847 A CN 114283847A CN 202111409170 A CN202111409170 A CN 202111409170A CN 114283847 A CN114283847 A CN 114283847A
- Authority
- CN
- China
- Prior art keywords
- cnn
- audio signal
- lstm
- core component
- looseness
- 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
- 239000008358 core component Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005236 sound signal Effects 0.000 claims abstract description 68
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 241000269400 Sirenidae Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于CNN+LSTM的变压器铁芯部件松动识别方法及装置，其中方法包括：获取变压器铁芯部件的音频信号；基于CNN+LSTM网络模型，对音频信号进行异常噪声分析；依据噪声分析结果，得到变压器铁芯部件松动的故障判断结果。基于CNN+LSTM对变压器铁芯部件松动的异常噪声进行识别和判断，提高了变压器铁芯松动识别的准确性，提升了变压器故障在线监测的水平和能力。
Description
技术领域
本发明涉及电力设备检测技术领域，特别涉及一种基于CNN+LSTM的 变压器铁芯部件松动识别方法及装置。
背景技术
随着社会发展，用电需求不断增加，电网规模不断扩大，变压器作为 电力系统不可或缺的主要设备，通过电磁感应原理实现电压变换，对电力 传输和消纳起到了重要作用。
从不同电压等级变电站到智能配电房，再到居民小区，变压器无处不 在。变压器运行时通常伴随着嗡嗡的噪声，如何抑制变压器噪声一直是个 重要的研究课题。但变压器噪声会随其工况的改变而有所不同，这也给基 于声纹识别的故障检测提供了重要判据。其中铁芯部件松动也是导致变压 器噪音异常的重要原因之一。
发明内容
本发明实施例的目的是提供一种基于CNN+LSTM的变压器铁芯部件松 动识别方法及装置，基于CNN+LSTM对变压器铁芯部件松动的异常噪声进 行识别和判断，提高了变压器铁芯松动识别的准确性，提升了变压器故障 在线监测的水平和能力。
为解决上述技术问题，本发明实施例的第一方面提供了一种基于 CNN+LSTM的变压器铁芯部件松动识别方法，包括如下步骤：
获取变压器铁芯部件的音频信号；
基于CNN+LSTM网络模型，对所述音频信号进行异常噪声分析；
依据噪声分析结果，得到所述变压器铁芯部件松动的故障判断结果。
进一步地，所述基于CNN+LSTM网络模型对所述音频信号进行异常噪 声分析之前还包括：
获取所述变压器铁芯部件松动故障样本的音频信号；
对所述松动故障样本的音频信号进行声纹特征提取，转化成特征矢 量；
搭建所述CNN+LSTM网络模型，依据所述松动故障样本的音频信号对 所述CNN+LSTM网络模型进行训练。
进一步地，所述对所述松动故障样本的音频信号进行声纹特征提取之 前，还包括：
在所述松动故障样本的音频信号中叠加环境噪声，增加模型泛化能 力。
进一步地，所述据所述松动故障样本的音频信号对所述CNN+LSTM网 络模型进行训练之后，还包括：
对所述CNN+LSTM网络模型的参数进行优化。
进一步地，所述对所述松动故障样本的音频信号进行声纹特征提取， 包括：
将梅尔倒谱系数作为音频信号特征，对所述松动故障样本的音频信号 进行声纹特征提取。
相应地，本发明实施例的第二方面提供了一种基于CNN+LSTM的变压 器铁芯部件松动识别装置。包括：
音频获取模块，其用于获取变压器铁芯部件的音频信号；
噪声分析模块，其用于基于CNN+LSTM网络模型，对所述音频信号进 行异常噪声分析；
故障判断模块，其用于依据噪声分析结果，得到所述变压器铁芯部件 松动的故障判断结果。
进一步地，所述基于CNN+LSTM的变压器铁芯部件松动识别装置还包 括：模型训练模块；
所述模型训练模块包括：
故障音频获取单元，其用于获取所述变压器铁芯部件松动故障样本的 音频信号；
声纹提取单元，其用于对所述松动故障样本的音频信号进行声纹特征 提取，转化成特征矢量；
模型训练单元，其用于搭建所述CNN+LSTM网络模型，依据所述松动 故障样本的音频信号对所述CNN+LSTM网络模型进行训练。
进一步地，所述模型训练模块还包括：环境噪声叠加单元，其用于在 所述松动故障样本的音频信号中叠加环境噪声，增加模型泛化能力。
进一步地，所述模型训练模块还包括：模型优化单元，其用于对所述 CNN+LSTM网络模型的参数进行优化。
进一步地，所述声纹提取单元将梅尔倒谱系数作为音频信号特征，对 所述松动故障样本的音频信号进行声纹特征提取。
本发明实施例的上述技术方案具有如下有益的技术效果：
基于CNN+LSTM对变压器铁芯部件松动的异常噪声进行识别和判断， 提高了变压器铁芯松动识别的准确性，提升了变压器故障在线监测的水平 和能力。
附图说明
图1是本发明实施例提供的基于CNN+LSTM的变压器铁芯部件松动识 别方法流程图；
图2a是本发明实施例提供的音量调整前采样图；
图2b是本发明实施例提供的音量调整后采样图；
图3a是本发明实施例提供的音调调整前采样图；
图3b是本发明实施例提供的音调调整后采样图；
图4a是本发明实施例提供的音速调整前采样图；
图4b是本发明实施例提供的音速调整后采样图；
图5a是本发明实施例提供的音频噪声融合前采样图；
图5b是本发明实施例提供的音频噪声融合前采样图；
图6是本发明实施例提供的网络结构示意图；
图7是本发明实施例提供的模型训练示意图；
图8是本发明实施例提供的基于CNN+LSTM的变压器铁芯部件松动识 别装置模块框图；
图9是本发明实施例提供的模型训练模块框图。
附图标记：
1、音频获取模块，2、噪声分析模块，3、故障判断模块，4、模型训 练模块，41、故障音频获取单元，42、声纹提取单元，43、模型训练单元， 44、环境噪声叠加单元，45、模型优化单元。
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。
请参照图1，本发明实施例的第一方面提供了一种基于CNN+LSTM的变 压器铁芯部件松动识别方法，包括如下步骤：
步骤S200，获取变压器铁芯部件的音频信号。
步骤S400，基于CNN+LSTM网络模型，对音频信号进行异常噪声分析。
步骤S600，依据噪声分析结果，得到变压器铁芯部件松动的故障判断 结果。
进一步地，步骤S400中，基于CNN+LSTM网络模型对音频信号进行异 常噪声分析之前，还包括：
步骤S310，获取变压器铁芯部件松动故障样本的音频信号。
步骤S320，对松动故障样本的音频信号进行声纹特征提取，转化成特 征矢量。
步骤S330，搭建CNN+LSTM网络模型，依据松动故障样本的音频信号 对CNN+LSTM网络模型进行训练。
进一步地，步骤S320中，对松动故障样本的音频信号进行声纹特征 提取之前，还包括：
步骤S311，在松动故障样本的音频信号中叠加环境噪声，增加模型泛 化能力。
进一步地，据松动故障样本的音频信号对CNN+LSTM网络模型进行训 练之后，还包括：
步骤S340，对CNN+LSTM网络模型的参数进行优化。
进一步地，步骤S320对松动故障样本的音频信号进行声纹特征提取， 进一步包括：
将梅尔倒谱系数作为音频信号特征，对松动故障样本的音频信号进行 声纹特征提取。
在本发明的一个具体实施过程中，基于CNN+LSTM的变压器铁芯部件 松动识别方法包括如下步骤：
第一步：搜集变压器铁芯部件松动故障样本。
第二步：采用样本增广方法对故障样本进行扩充。
第三步：对故障样本混入环境噪声，增加模型泛化能力。
第四步：对音频信号进行声纹特征提取，转化成特征矢量。
第五步：搭建CNN+LSTM网络模型。
第六步：模型训练及超参数调优。
第一步中搜集变压器铁芯部件松动故障样本，通过部署在变压器周围 的指向性音频采集器，获取了某220Kv变电站内变压器铁芯部件松动正常 及故障音频样本。拾音器部署方式为立杆式，每个变压器周围在不同方位 部署六个。拾音器采样频率为44.1kHz，频率响应为20Hz～20kHz，拾音范 围为2～30米。
第二步中采用样本增广方法对故障样本进行扩充，通过调整原音频信 号采样率、音调、幅值等实现音频样本的扩充。实际效果如图2a、图2b、 图3a、图3b、图4a、图4b、图5a和图5b所示。
第三步中对故障样本混入环境噪声，增加模型泛化能力，实际采集样 本时，通常不会遇到鸟叫、汽笛等偶然性噪声，但考虑到训练模型的泛化 性能，需要在训练样本中融入这些瞬态噪声的因素。由于该类噪声都属于 加性噪声，通过幅值叠加即可实现音频融合。融合效果如图5a和图5b所 示。
第四步中对音频信号进行声纹特征提取，转化成特征矢量，本方法采 用梅尔倒谱系数作为音频信号特征，将特征维度设置为64。
第五步中搭建CNN+GRU网络模型，网络结构如下图6所示，该模型基 于Keras开源框架搭建，分为两大部分，前半部分利用卷积网络特征提取 能力强的优势，设计一个两层的一维卷积结构，filters(卷积数量)设 置为8和10，kernel_size(卷积尺寸)设置为25，padding(填充)设 置为same，input_shape(输入尺寸)设置为64×1，activation(激活 函数)选择relu。后半部分首先添加Dropout层对网络参数进行稀疏，以 提高网络的收敛速度，稀疏系数设置为0.25。然后添加LSTM(长短期记 忆网络)层，增强网络模型对声纹特征的记忆能力。最后添加Dense层， 将网络节点数量压缩到2。
第六步中，模型训练及超参数调优，模型训练过程如下图7所示，设 置学习率为0.001，batch_size为16，epoch为10，由于数据量较小，模 型训练3轮迭代训练，已经基本收敛，准确率也达到99％以上。
上述基于CNN+LSTM的变压器铁芯部件松动识别方法基于CNN+LSTM对 变压器铁芯部件松动的异常噪声进行识别和判断，提高了变压器铁芯松动 识别的准确性，提升了变压器故障在线监测的水平和能力。
相应地，请参照图7，本发明实施例的第二方面提供了一种基于 CNN+LSTM的变压器铁芯部件松动识别装置，包括：
音频获取模块1，其用于获取变压器铁芯部件的音频信号；
噪声分析模块2，其用于基于CNN+LSTM网络模型，对音频信号进行异 常噪声分析；
故障判断模块3，其用于依据噪声分析结果，得到变压器铁芯部件松 动的故障判断结果。
进一步地，请参照图7，基于CNN+LSTM的变压器铁芯部件松动识别装 置还包括：模型训练模块4。模型训练模块4包括：
故障音频获取单元41，其用于获取变压器铁芯部件松动故障样本的音 频信号；
声纹提取单元42，其用于对松动故障样本的音频信号进行声纹特征提 取，转化成特征矢量；
模型训练单元43，其用于搭建CNN+LSTM网络模型，依据松动故障样 本的音频信号对CNN+LSTM网络模型进行训练。
进一步地，模型训练模块还包括：环境噪声叠加单元44，其用于在松 动故障样本的音频信号中叠加环境噪声，增加模型泛化能力。
进一步地，模型训练模块还包括：模型优化单元45，其用于对CNN+LSTM 网络模型的参数进行优化。
进一步地，声纹提取单元将梅尔倒谱系数作为音频信号特征，对松动 故障样本的音频信号进行声纹特征提取。
上述基于CNN+LSTM的变压器铁芯部件松动识别装置基于CNN+LSTM对 变压器铁芯部件松动的异常噪声进行识别和判断，提高了变压器铁芯松动 识别的准确性，提升了变压器故障在线监测的水平和能力。
相应地，本发明实施例的第三方面还提供了一种电子设备，包括：至 少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存 储器存储有可被所述一个处理器执行的指令，所述指令被所述一个处理器 执行，以使所述至少一个处理器执行上述基于CNN+LSTM的变压器铁芯部 件松动识别方法。
此外，本发明实施例的第四方面还提供了一种计算机可读存储介质， 其上存储有计算机指令，该指令被处理器执行时实现上述基于CNN+LSTM 的变压器铁芯部件松动识别方法。
本发明实施例旨在保护一种基于CNN+LSTM的变压器铁芯部件松动识 别方法及装置，其中方法包括：获取变压器铁芯部件的音频信号；基于 CNN+LSTM网络模型，对音频信号进行异常噪声分析；依据噪声分析结果， 得到变压器铁芯部件松动的故障判断结果。上述技术方案具备如下效果：
基于CNN+LSTM对变压器铁芯部件松动的异常噪声进行识别和判断， 提高了变压器铁芯松动识别的准确性，提升了变压器故障在线监测的水平 和能力。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、 或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施 例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个 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、CD-ROM、光学存储器等)上实施的计算机程序产品的形 式。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处 理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读 存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一 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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备 上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机 实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现 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 的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对 其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普 通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等 同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵 盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于CNN+LSTM的变压器铁芯部件松动识别方法，其特征在于，包括如下步骤：
获取变压器铁芯部件的音频信号；
基于CNN+LSTM网络模型，对所述音频信号进行异常噪声分析；
依据噪声分析结果，得到所述变压器铁芯部件松动的故障判断结果。
2.根据权利要求1所述的基于CNN+LSTM的变压器铁芯部件松动识别方法，其特征在于，所述基于CNN+LSTM网络模型对所述音频信号进行异常噪声分析之前还包括：
获取所述变压器铁芯部件松动故障样本的音频信号；
对所述松动故障样本的音频信号进行声纹特征提取，转化成特征矢量；
搭建所述CNN+LSTM网络模型，依据所述松动故障样本的音频信号对所述CNN+LSTM网络模型进行训练。
3.根据权利要求2所述的基于CNN+LSTM的变压器铁芯部件松动识别方法，其特征在于，所述对所述松动故障样本的音频信号进行声纹特征提取之前，还包括：
在所述松动故障样本的音频信号中叠加环境噪声，增加模型泛化能力。
4.根据权利要求2所述的基于CNN+LSTM的变压器铁芯部件松动识别方法，其特征在于，所述据所述松动故障样本的音频信号对所述CNN+LSTM网络模型进行训练之后，还包括：
对所述CNN+LSTM网络模型的参数进行优化。
5.根据权利要求2所述的基于CNN+LSTM的变压器铁芯部件松动识别方法，其特征在于，所述对所述松动故障样本的音频信号进行声纹特征提取，包括：
将梅尔倒谱系数作为音频信号特征，对所述松动故障样本的音频信号进行声纹特征提取。
6.一种基于CNN+LSTM的变压器铁芯部件松动识别装置，其特征在于，包括：
音频获取模块，其用于获取变压器铁芯部件的音频信号；
噪声分析模块，其用于基于CNN+LSTM网络模型，对所述音频信号进行异常噪声分析；
故障判断模块，其用于依据噪声分析结果，得到所述变压器铁芯部件松动的故障判断结果。
7.根据权利要求6所述的基于CNN+LSTM的变压器铁芯部件松动识别装置，其特征在于，还包括：模型训练模块；
所述模型训练模块包括：
故障音频获取单元，其用于获取所述变压器铁芯部件松动故障样本的音频信号；
声纹提取单元，其用于对所述松动故障样本的音频信号进行声纹特征提取，转化成特征矢量；
模型训练单元，其用于搭建所述CNN+LSTM网络模型，依据所述松动故障样本的音频信号对所述CNN+LSTM网络模型进行训练。
8.根据权利要求7所述的基于CNN+LSTM的变压器铁芯部件松动识别装置，其特征在于，
所述模型训练模块还包括：环境噪声叠加单元，其用于在所述松动故障样本的音频信号中叠加环境噪声，增加模型泛化能力。
9.根据权利要求7所述的基于CNN+LSTM的变压器铁芯部件松动识别装置，其特征在于，
所述模型训练模块还包括：模型优化单元，其用于对所述CNN+LSTM网络模型的参数进行优化。
10.根据权利要求7所述的基于CNN+LSTM的变压器铁芯部件松动识别装置，其特征在于，
所述声纹提取单元将梅尔倒谱系数作为音频信号特征，对所述松动故障样本的音频信号进行声纹特征提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111409170.1A CN114283847A (zh) | 2021-11-22 | 2021-11-22 | 一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111409170.1A CN114283847A (zh) | 2021-11-22 | 2021-11-22 | 一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114283847A true CN114283847A (zh) | 2022-04-05 |
Family
ID=80869822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111409170.1A Pending CN114283847A (zh) | 2021-11-22 | 2021-11-22 | 一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114283847A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434777A (zh) * | 2023-06-09 | 2023-07-14 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
-
2021
- 2021-11-22 CN CN202111409170.1A patent/CN114283847A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434777A (zh) * | 2023-06-09 | 2023-07-14 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
| CN116434777B (zh) * | 2023-06-09 | 2023-10-20 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111261183B (zh) | 一种语音去噪的方法及装置 | |
| CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
| CN108198561A (zh) | 一种基于卷积神经网络的翻录语音检测方法 | |
| CN112857767B (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN110797031A (zh) | 语音变音检测方法、系统、移动终端及存储介质 | |
| CN102982351A (zh) | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 | |
| CN114283847A (zh) | 一种基于cnn+lstm的变压器铁芯部件松动识别方法及装置 | |
| CN109087646B (zh) | 一种导入人工智能超深度学习用于语音图像识别的方法 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN112837670B (zh) | 语音合成方法、装置及电子设备 | |
| CN117789766A (zh) | 一种水电机组放电和轴承故障风险声音的分类方法及系统 | |
| CN113077812A (zh) | 语音信号生成模型训练方法、回声消除方法和装置及设备 | |
| CN110070891B (zh) | 一种歌曲识别方法、装置以及存储介质 | |
| CN111755025B (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
| CN116168727A (zh) | 一种变压器异常声音检测方法、系统、设备及存储介质 | |
| Zhang et al. | A novel insect sound recognition algorithm based on mfcc and cnn | |
| CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
| Hong-Jing et al. | Mechanical fault diagnosis based on acoustic features in transformers | |
| CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
| Eltanashi et al. | Proposed speaker recognition model using optimized feed forward neural network and hybrid time-mel speech feature | |
| Gu et al. | Voiceprint Recognition Based on Big Data and Gaussian Mixture Model | |
| CN114034375B (zh) | 一种特高压输电线路噪声测量系统及方法 | |
| Zhang et al. | Application of semantic speech recognition in designing of robust adaptive model for DFIG wind energy conversion system | |
| CN116312545B (zh) | 多噪声环境下的语音识别系统和方法 |
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 |