CN114609493B - 一种信号数据增强的局部放电信号识别方法 - Google Patents
一种信号数据增强的局部放电信号识别方法 Download PDFInfo
- Publication number
- CN114609493B CN114609493B CN202210495619.9A CN202210495619A CN114609493B CN 114609493 B CN114609493 B CN 114609493B CN 202210495619 A CN202210495619 A CN 202210495619A CN 114609493 B CN114609493 B CN 114609493B
- Authority
- CN
- China
- Prior art keywords
- signal
- partial discharge
- rir
- signals
- acoustic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种信号数据增强的局部放电信号识别方法,采集参照环境中的参照RIR信号;在CGANS模型中根据参照RIR信号生成模拟RIR信号;结合参照和模拟RIR信号对局部放电信号的数据集进行增强并训练CNN‑LSTM模型;从而识别声信号是否为局部放电信号,并计算局部放电信号的位置。本发明的方法能够准确辨别混响或非混响条件下局部放电信号的特征,并在识别到局部放电信号之后对其进行定位,找到局部放电位置。
Description
技术领域
本发明属于放电信号识别技术领域,具体涉及一种信号数据增强的局部放电信号识别方法。
背景技术
局部放电就是在高压电力系统的设备里的绝缘体当中,因为电场的局部性的集中而产生的一种放电现象,具有一定的危害,因此需要定位局部放电的位置后对设备进行检修。
局部放电一般会伴随声、光、热的现象产生,因为可以通过外在现象如声音定位局部放电的位置,但当前通过声音定位局部放电位置的方法存在如下缺陷:
声音在空气中会由于空气的环境因素,如湿度、温度、气压等产生不同程度的混响,且在建筑物中或建筑物附近的声音会产生回音。常规的识别手段难以从复杂的环境噪声中找到局部放电的特征性声音,即使有自动化的识别手段,由于环境条件会随时间变化,而环境湿度、气压等的变化均会使声音的混响效果发生改变,因此难以准确识别并在其中找到局部放电的特征性声音。而如果想提高自动化识别的数据集,各种环境条件的组合过多,无法全部穷举,单纯靠数据采集不能完成数据集的搜集。
综上所述,需要一种能够在复杂环境下识别局部放电信号、并免除环境条件变化干扰的技术。
发明内容
基于现有技术中存在的上述缺点和不足,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种信号数据增强的局部放电信号识别方法。
为了达到上述发明目的,本发明采用以下技术方案:
一种信号数据增强的局部放电信号识别方法,具体包括如下步骤:
S1、采集参照环境中的参照RIR信号;
S2、在CGANS模型中根据参照RIR信号生成若干模拟环境的模拟RIR信号;
S3、结合参照RIR信号和模拟RIR信号对局部放电信号的数据集进行增强;
S4、使用增强后的数据集训练CNN-LSTM模型;
S5、使用CNN-LSTM模型识别声信号是否为局部放电信号,若是,计算局部放电信号的位置。
作为优选方案,步骤S5具体包括:
S51、采集声信号;
S52、使用CNN-LSTM模型识别声信号是否为局部放电信号,若声信号为局部放电信号,进入S54,否则持续识别;
S53、计算局部放电信号的位置。
作为进一步优选的方案,步骤S5还包括:
多次获取局部放电信号的位置,并对获取的多个位置做合并运算,得到局部放电信号的精确位置。
作为进一步优选的方案,步骤S53具体包括:
S531、设置若干个假定声源位置;
S532、根据声信号,通过波束形成计算得到该声信号在各个假定声源位置的声强;
S533、使用差分进化算法迭代假定声源位置,直到声强收敛至最大值,将迭代后的假定声源位置作为局部放电信号的位置。
作为优选方案,参照RIR信号的采集方法具体包括:
在参照环境中生成预设持续时间的Chirps声信号;
采集Chirps声信号混响后的混响信号;
将混响信号与Chirps声信号互相关,得到原始RIR信号;
重复上述步骤,采集得到若干原始RIR信号;
将若干原始RIR信号取均值,得到参照RIR信号。
作为优选方案,CGANS根据信号的混响环境设置条件信息。
作为进一步优选的方案,CGANS的条件信息具体为:
密闭空间无遮挡物的RIR信号设置为1,密闭空间有遮挡物的RIR信号设置为2;
CGANS生成时使用1或2作为条件信息。
作为优选方案,局部放电信号的数据集增强具体为:
将数据集中原始的局部放电信号数据分别与参照RIR信号、模拟RIR信号卷积;
将卷积后的信号与原始的局部放电信号数据混合,生成包含无混响、经参照RIR混响和经模拟RIR混响的局部放电信号的增强数据集。
作为优选方案,卷积具体为:
其中,u(t)为原始声信号,w(t)为卷积后的信号。
本发明与现有技术相比,有益效果是:
(1)本发明的方法能够准确辨别混响或非混响条件下局部放电信号的特征,并在识别到局部放电信号之后对其进行定位,找到局部放电位置。
(2)本发明的方法能够适应不同环境下局部放电信号的混响区别并对其辨别。
(3)传统局部放电数据集很小,且未考虑环境对声信号造成的干扰;本发明的方法可以扩大数据集,并且考虑了环境对信号的影响,可以极大的提高识别率。
(4)本发明的方法能够以多次不同位置的采样得到精确的局部放电信号位置。
附图说明
图1是本发明实施例的一种信号数据增强的局部放电信号识别方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例:本实施例的一种信号数据增强的局部放电信号识别方法,其流程图如图1所示,使用如下方法实现:
首先进行步骤S1、在参照环境中采集参照RIR信号,参照RIR信号用于表征声音在参照环境中的混响情况。
具体的,在本实施例中给出参照RIR信号的一种优选采集方法:
使用上述方法采集得到的参照RIR信号,通过取均值排除了部分采集时存在的误差和错误。能够表征在该参照环境下、声信号由原始未混响变为混响后信号的传递函数。
由于声音的混响过程对环境变化十分敏感,会随外部环境变化,受反射面、温度、湿度和气压影响均较大,哪怕在同一天的不同时间段,RIR信号即声信号的混响效果都会有不同。而如果想采集一个声信号在各个时间段、不同环境条件下的全部混响数据的工作量和时间成本过于庞大。因此本实施例在通过步骤S1采集参照RIR信号后,为了扩大RIR数据集的数据对其进行增强,使其能够包含多种情况的RIR信号、避免仅有少量环境条件的数据。
作为上述思想的实施手段,本实施例进行步骤S2、在CGANS模型中根据参照RIR信号生成众多其他环境的模拟RIR信号,其中其他环境包含了温度、湿度、气压等环境条件的变化和反射条件、声源位置及采样位置的少量改变。通过CGANS模型的对抗式生成使RIR信号的数量和种类扩增,模拟得到多种环境条件影响的RIR信号。
具体的,步骤S2可以使用以下手段时间:
在CGANS的生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。具体损失函数可记为:
进一步的,该CGANS模型的条件信息根据信号的混响环境设置,在本实施例中,密闭空间无遮挡物的RIR信号的条件信息设置为1,密闭空间有遮挡物的RIR信号的条件信息设置为2;CGANS的生成器在生成时使用1或2作为条件信息,从而能生成不同混响情况下的RIR信号。通过运用CGANS的特性,使生成的RIR信号更符合真实混响情况,避免生成生成重复信号或者噪声信号干扰后续的对局部放电信号辨别。
通过参照RIR信号在CGANS模型生成模拟RIR信号之后,将新生成的模拟RIR信号记为。上述参照RIR信号和模拟RIR信号均表示了原始声信号经混响后变化的传递函数,因此,将其与原始声信号进行卷积,便可以得到原始声信号经混响后所生成的混响后声信号,该声信号代表了局部放电信号经混响后的变化。而将生成的混响后声信号与原局部放电信号混合,就可以得到一个包含众多环境下局部放电信号的识别训练数据集,其中包含了人工采集难以完成的大量、各种环境的数据。
进行步骤S3、结合参照RIR信号和模拟RIR信号对局部放电信号的数据集进行增强;
增强具体包括卷积和混合两步操作,卷积操作是将数据集中原始无混响的局部放电信号数据分别与参照RIR信号、模拟RIR信号卷积,生成混响后的局部放电信号。具体的,原始声信号的卷积使用如下公式:
其中,u(t)为原始声信号,w(t)为卷积生成的信号。
完成数据集的增强后,便可以进行步骤S4、使用增强后的数据集训练CNN-LSTM模型,使其能够准确识别多种环境下的局部放电信号。经过上述增强后数据集训练的CCN-LSTM模型,对局部放电信号的识别率可以从78%提高到93%。
CNN-LSTM模型训练完成后,进行步骤S5、使用CNN-LSTM模型识别声信号是否为局部放电信号,若是,计算局部放电信号的位置。
通过上述方法,能够对声信号进行辨别,从而忽略其中不是局部放电信号的噪声,准确识别局部放电信号并对其进行定位。
更进一步的,上述S5还具体分为如下过程:
S51、采集声信号;
S52、使用CNN-LSTM模型识别声信号是否为局部放电信号,若声信号为局部放电信号,进入S54,否则持续识别;从而自动化地在多个噪声或持续一段时间的采集中识别定位局部放电信号,避免由于噪声干扰难以针对局部放电信号找到其位置。
识别到局部放电信号后进行步骤S53、计算局部放电信号的位置;
更具体地,本实施例提供一种上述位置计算S53的具体方法:
采集声信号时采用麦克风阵列进行采集,然后进行步骤S531、设置若干个假定声源位置;
S532、对于识别为局部放电信号的声信号,对于该声信号,通过波束形成计算得到该声信号在各个所述假定声源位置的声强;
具体的,上述假定采集点的声强值使用如下方法计算:
则参考阵元接收声源发出的声信号为:
则第m个阵元所求得的信号为:
综上所述,在假定采集点处应接收到的声强值为:
其中g m 是第m个阵元的权重。
然后进行步骤S533、使用差分进化算法迭代假定声源位置,直到假定声源位置的声强收敛至最大值,将该迭代后的假定声源位置作为局部放电信号的位置。
更具体的,上述迭代方法具体如下:
将假定采集点作为差分进化算法中的个体,将每个假定采集点的三维坐标分别设定为对应个体的三条染色体,编码方案设置为实数编码,将适应度函数设置为:
最终通过迭代进化,即可以在最后一次迭代所得到的种群中挑选声强值最大的假定参考点,即声源坐标。
应当说明的是,上述实施例仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (5)
1.一种信号数据增强的局部放电信号识别方法,其特征在于,所述方法具体包括如下步骤:
S1、采集参照环境中的参照RIR信号;
S2、在CGANS模型中根据所述参照RIR信号生成若干模拟环境的模拟RIR信号;
S3、结合所述参照RIR信号和所述模拟RIR信号对局部放电信号的数据集进行增强;
S4、使用所述增强后的数据集训练CNN-LSTM模型;
S5、使用所述CNN-LSTM模型识别声信号是否为局部放电信号,若是,计算所述局部放电信号的位置;
所述步骤S5具体包括:
S51、采集所述声信号;
S52、使用所述CNN-LSTM模型识别所述声信号是否为局部放电信号,若所述声信号为局部放电信号,进入S53,否则持续识别;
S53、计算所述局部放电信号的位置;
所述步骤S5还包括:
多次获取所述局部放电信号的位置,并对获取的多个位置做合并运算,得到所述局部放电信号的精确位置;
所述步骤S53具体包括:
S531、设置若干个假定声源位置;
S532、根据所述声信号,通过波束形成计算得到该声信号在各个所述假定声源位置的声强;
S533、使用差分进化算法迭代所述声源位置,直到所述声强收敛至最大值,将所述迭代后的假定声源位置作为所述局部放电信号的位置;
所述参照RIR信号的采集方法具体包括:
在所述参照环境中生成预设持续时间的Chirp声信号;
采集所述Chirp声信号混响后的混响信号;
将所述混响信号与所述Chirp声信号互相关,得到原始RIR信号;
重复上述步骤,采集得到若干原始RIR信号;
将所述若干原始RIR信号取均值,得到所述参照RIR信号。
2.如权利要求1所述的一种信号数据增强的局部放电信号识别方法,其特征在于,所述CGANS根据声信号的混响环境设置条件信息。
3.如权利要求2所述的一种信号数据增强的局部放电信号识别方法,其特征在于,所述CGANS的条件信息具体为:
密闭空间无遮挡物的RIR信号设置为1,密闭空间有遮挡物的RIR信号设置为2;
所述CGANS生成时使用1或2作为条件信息。
4.如权利要求1所述的一种信号数据增强的局部放电信号识别方法,其特征在于,所述局部放电信号的数据集增强具体为:
将所述数据集中原始的局部放电信号数据分别与所述参照RIR信号、所述模拟RIR信号卷积;
将所述卷积后的信号与所述原始的局部放电信号数据混合,生成包含无混响、经所述参照RIR信号混响和经所述模拟RIR信号混响的局部放电信号的增强数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495619.9A CN114609493B (zh) | 2022-05-09 | 2022-05-09 | 一种信号数据增强的局部放电信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495619.9A CN114609493B (zh) | 2022-05-09 | 2022-05-09 | 一种信号数据增强的局部放电信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114609493A CN114609493A (zh) | 2022-06-10 |
CN114609493B true CN114609493B (zh) | 2022-08-12 |
Family
ID=81868799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495619.9A Active CN114609493B (zh) | 2022-05-09 | 2022-05-09 | 一种信号数据增强的局部放电信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114609493B (zh) |
Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5754877A (en) * | 1980-09-19 | 1982-04-01 | Hitachi Denshi Ltd | Reverberation simulating system for underwater acoustic equipment |
WO2003044516A1 (en) * | 2001-10-31 | 2003-05-30 | Sintef Energiforskning As | Device and method for acoustic detection and localization of defects |
CN104835506A (zh) * | 2014-02-10 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 获取混响湿声的方法和装置 |
CN108922518A (zh) * | 2018-07-18 | 2018-11-30 | 苏州思必驰信息科技有限公司 | 语音数据扩增方法和系统 |
CN109286790A (zh) * | 2018-10-17 | 2019-01-29 | 杭州兆华电子有限公司 | 一种基于声源定位的定向监听系统及其监听方法 |
CN109326302A (zh) * | 2018-11-14 | 2019-02-12 | 桂林电子科技大学 | 一种基于声纹比对和生成对抗网络的语音增强方法 |
CN109655720A (zh) * | 2018-12-18 | 2019-04-19 | 北京三听科技有限公司 | 基于二维传感器阵列的局放检测方法及装置 |
CN109741736A (zh) * | 2017-10-27 | 2019-05-10 | 百度(美国)有限责任公司 | 使用生成对抗网络进行鲁棒语音识别的系统和方法 |
CN109887489A (zh) * | 2019-02-23 | 2019-06-14 | 天津大学 | 基于生成对抗网络的深度特征的语音去混响方法 |
CN110046774A (zh) * | 2019-05-31 | 2019-07-23 | 广东工业大学 | 一种配电网故障定位方法、装置及相关设备 |
CN110068795A (zh) * | 2019-03-31 | 2019-07-30 | 天津大学 | 一种基于卷积神经网络的室内麦克风阵列声源定位方法 |
CN110146792A (zh) * | 2019-05-17 | 2019-08-20 | 西安工程大学 | 基于生成对抗网络的变压器局部放电图谱生成方法 |
CN110211575A (zh) * | 2019-06-13 | 2019-09-06 | 苏州思必驰信息科技有限公司 | 用于数据增强的语音加噪方法及系统 |
CN110276802A (zh) * | 2019-06-26 | 2019-09-24 | 湖南大学 | 医学图像中病症组织定位方法、装置与设备 |
CN110289011A (zh) * | 2019-07-18 | 2019-09-27 | 大连理工大学 | 一种用于分布式无线声传感器网络的语音增强系统 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
CN110600017A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 语音处理模型的训练方法、语音识别方法、系统及装置 |
CN110660403A (zh) * | 2018-06-28 | 2020-01-07 | 北京搜狗科技发展有限公司 | 一种音频数据处理方法、装置、设备及可读存储介质 |
EP3640814A1 (en) * | 2018-10-17 | 2020-04-22 | Fujitsu Limited | User-friendly explanation production using generative adversarial networks |
CN111126226A (zh) * | 2019-12-17 | 2020-05-08 | 杭州电子科技大学 | 一种基于小样本学习和特征增强的辐射源个体识别方法 |
CN111275108A (zh) * | 2020-01-20 | 2020-06-12 | 国网山东省电力公司枣庄供电公司 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
CN111366820A (zh) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 局部放电信号的模式识别方法、装置、设备及存储介质 |
CN111736050A (zh) * | 2020-08-28 | 2020-10-02 | 杭州兆华电子有限公司 | 局部放电故障监测和评估装置及方法 |
CN111929548A (zh) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN111985528A (zh) * | 2020-07-06 | 2020-11-24 | 国网天津市电力公司 | 一种基于pdgan的电缆局放数据增强方法 |
CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强系统、方法和介质 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112560603A (zh) * | 2020-12-04 | 2021-03-26 | 中国船舶重工集团公司第七一五研究所 | 一种基于小波图像的水声数据集扩充方法 |
CN112598579A (zh) * | 2020-12-28 | 2021-04-02 | 苏州科达特种视讯有限公司 | 面向监控场景的图像超分辨率方法、装置及存储介质 |
CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
CN112884062A (zh) * | 2021-03-11 | 2021-06-01 | 四川省博瑞恩科技有限公司 | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 |
CN112946432A (zh) * | 2020-12-29 | 2021-06-11 | 广东电网有限责任公司电力科学研究院 | 一种电缆局部放电测试信号的生成方法及其装置 |
KR20210077944A (ko) * | 2019-12-18 | 2021-06-28 | 한전케이디엔주식회사 | 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법 |
CN113283299A (zh) * | 2021-04-27 | 2021-08-20 | 国网山东省电力公司烟台供电公司 | 基于cgan网络增强局部放电信号prpd图谱数据的方法 |
CN113496466A (zh) * | 2020-04-07 | 2021-10-12 | 三星电子株式会社 | 用于真实世界超分辨率的训练网络的系统和方法 |
WO2021219798A2 (en) * | 2020-04-30 | 2021-11-04 | Dolby International Ab | Method, apparatus and system for enhancing multi-channel audio in a dynamic range reduced domain |
CN113962360A (zh) * | 2021-10-09 | 2022-01-21 | 西安交通大学 | 一种基于gan网络的样本数据增强方法及系统 |
CN114022311A (zh) * | 2021-11-16 | 2022-02-08 | 东北大学 | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 |
CN114186589A (zh) * | 2021-12-08 | 2022-03-15 | 国网上海市电力公司 | 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法 |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
CN114446314A (zh) * | 2021-12-31 | 2022-05-06 | 中国人民解放军陆军工程大学 | 一种深度生成对抗网络的语音增强方法 |
-
2022
- 2022-05-09 CN CN202210495619.9A patent/CN114609493B/zh active Active
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5754877A (en) * | 1980-09-19 | 1982-04-01 | Hitachi Denshi Ltd | Reverberation simulating system for underwater acoustic equipment |
WO2003044516A1 (en) * | 2001-10-31 | 2003-05-30 | Sintef Energiforskning As | Device and method for acoustic detection and localization of defects |
CN104835506A (zh) * | 2014-02-10 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 获取混响湿声的方法和装置 |
CN109741736A (zh) * | 2017-10-27 | 2019-05-10 | 百度(美国)有限责任公司 | 使用生成对抗网络进行鲁棒语音识别的系统和方法 |
CN110660403A (zh) * | 2018-06-28 | 2020-01-07 | 北京搜狗科技发展有限公司 | 一种音频数据处理方法、装置、设备及可读存储介质 |
CN108922518A (zh) * | 2018-07-18 | 2018-11-30 | 苏州思必驰信息科技有限公司 | 语音数据扩增方法和系统 |
CN109286790A (zh) * | 2018-10-17 | 2019-01-29 | 杭州兆华电子有限公司 | 一种基于声源定位的定向监听系统及其监听方法 |
EP3640814A1 (en) * | 2018-10-17 | 2020-04-22 | Fujitsu Limited | User-friendly explanation production using generative adversarial networks |
CN109326302A (zh) * | 2018-11-14 | 2019-02-12 | 桂林电子科技大学 | 一种基于声纹比对和生成对抗网络的语音增强方法 |
CN109655720A (zh) * | 2018-12-18 | 2019-04-19 | 北京三听科技有限公司 | 基于二维传感器阵列的局放检测方法及装置 |
CN109887489A (zh) * | 2019-02-23 | 2019-06-14 | 天津大学 | 基于生成对抗网络的深度特征的语音去混响方法 |
CN110068795A (zh) * | 2019-03-31 | 2019-07-30 | 天津大学 | 一种基于卷积神经网络的室内麦克风阵列声源定位方法 |
CN110146792A (zh) * | 2019-05-17 | 2019-08-20 | 西安工程大学 | 基于生成对抗网络的变压器局部放电图谱生成方法 |
CN110046774A (zh) * | 2019-05-31 | 2019-07-23 | 广东工业大学 | 一种配电网故障定位方法、装置及相关设备 |
CN110211575A (zh) * | 2019-06-13 | 2019-09-06 | 苏州思必驰信息科技有限公司 | 用于数据增强的语音加噪方法及系统 |
CN110276802A (zh) * | 2019-06-26 | 2019-09-24 | 湖南大学 | 医学图像中病症组织定位方法、装置与设备 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN110289011A (zh) * | 2019-07-18 | 2019-09-27 | 大连理工大学 | 一种用于分布式无线声传感器网络的语音增强系统 |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
CN110600017A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 语音处理模型的训练方法、语音识别方法、系统及装置 |
CN111126226A (zh) * | 2019-12-17 | 2020-05-08 | 杭州电子科技大学 | 一种基于小样本学习和特征增强的辐射源个体识别方法 |
KR20210077944A (ko) * | 2019-12-18 | 2021-06-28 | 한전케이디엔주식회사 | 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법 |
CN111275108A (zh) * | 2020-01-20 | 2020-06-12 | 国网山东省电力公司枣庄供电公司 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
CN111366820A (zh) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 局部放电信号的模式识别方法、装置、设备及存储介质 |
CN113496466A (zh) * | 2020-04-07 | 2021-10-12 | 三星电子株式会社 | 用于真实世界超分辨率的训练网络的系统和方法 |
WO2021219798A2 (en) * | 2020-04-30 | 2021-11-04 | Dolby International Ab | Method, apparatus and system for enhancing multi-channel audio in a dynamic range reduced domain |
CN111985528A (zh) * | 2020-07-06 | 2020-11-24 | 国网天津市电力公司 | 一种基于pdgan的电缆局放数据增强方法 |
CN111929548A (zh) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN111736050A (zh) * | 2020-08-28 | 2020-10-02 | 杭州兆华电子有限公司 | 局部放电故障监测和评估装置及方法 |
CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112488294A (zh) * | 2020-11-20 | 2021-03-12 | 北京邮电大学 | 一种基于生成对抗网络的数据增强系统、方法和介质 |
CN112560603A (zh) * | 2020-12-04 | 2021-03-26 | 中国船舶重工集团公司第七一五研究所 | 一种基于小波图像的水声数据集扩充方法 |
CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
CN112598579A (zh) * | 2020-12-28 | 2021-04-02 | 苏州科达特种视讯有限公司 | 面向监控场景的图像超分辨率方法、装置及存储介质 |
CN112946432A (zh) * | 2020-12-29 | 2021-06-11 | 广东电网有限责任公司电力科学研究院 | 一种电缆局部放电测试信号的生成方法及其装置 |
CN112884062A (zh) * | 2021-03-11 | 2021-06-01 | 四川省博瑞恩科技有限公司 | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 |
CN113283299A (zh) * | 2021-04-27 | 2021-08-20 | 国网山东省电力公司烟台供电公司 | 基于cgan网络增强局部放电信号prpd图谱数据的方法 |
CN113962360A (zh) * | 2021-10-09 | 2022-01-21 | 西安交通大学 | 一种基于gan网络的样本数据增强方法及系统 |
CN114022311A (zh) * | 2021-11-16 | 2022-02-08 | 东北大学 | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
CN114186589A (zh) * | 2021-12-08 | 2022-03-15 | 国网上海市电力公司 | 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法 |
CN114446314A (zh) * | 2021-12-31 | 2022-05-06 | 中国人民解放军陆军工程大学 | 一种深度生成对抗网络的语音增强方法 |
Non-Patent Citations (3)
Title |
---|
Speech Enhancement Approach Based on Relativistic Wasserstein Generation Adversarial Networks;Jing Huang;《2021 International Conference on Wireless Communications and Smart Grid (ICWCSG)》;20211231;全文 * |
变压器局部放电信号检测与类型识别;赵建利;《现代电子技术》;20160315;全文 * |
基于深度残差网络的GIS局部放电PRPD谱图模式识别;许辰航;《高电压技术》;20220331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114609493A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scheibler et al. | Pyroomacoustics: A python package for audio room simulation and array processing algorithms | |
Schissler et al. | Acoustic classification and optimization for multi-modal rendering of real-world scenes | |
Cox et al. | Extracting room reverberation time from speech using artificial neural networks | |
JP2007033445A (ja) | 信号源の軌跡をモデル化する方法及びシステム | |
Ratnarajah et al. | IR-GAN: Room impulse response generator for far-field speech recognition | |
CN107202976B (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
Comanducci et al. | Source localization using distributed microphones in reverberant environments based on deep learning and ray space transform | |
CN110726972A (zh) | 干扰及高混响环境下使用传声器阵列的语音声源定位方法 | |
Ramírez et al. | A general-purpose deep learning approach to model time-varying audio effects | |
Tang et al. | Low-frequency compensated synthetic impulse responses for improved far-field speech recognition | |
Dang et al. | A feature-based data association method for multiple acoustic source localization in a distributed microphone array | |
Vargas et al. | On improved training of CNN for acoustic source localisation | |
Gaultier et al. | VAST: The virtual acoustic space traveler dataset | |
Bezzam et al. | A study on more realistic room simulation for far-field keyword spotting | |
Srivastava et al. | Realistic sources, receivers and walls improve the generalisability of virtually-supervised blind acoustic parameter estimators | |
CN114609493B (zh) | 一种信号数据增强的局部放电信号识别方法 | |
CN110838303B (zh) | 一种利用传声器阵列的语音声源定位方法 | |
Papayiannis et al. | Sparse parametric modeling of the early part of acoustic impulse responses | |
Ick et al. | Blind acoustic room parameter estimation using phase features | |
CN111123202B (zh) | 一种室内早期反射声定位方法及系统 | |
SongGong et al. | Indoor multi-speaker localization based on Bayesian nonparametrics in the circular harmonic domain | |
CN115426055B (zh) | 一种基于解耦卷积神经网络的含噪水声信号盲源分离方法 | |
CN112269158B (zh) | 一种基于unet结构利用传声器阵列语音源定位方法 | |
Pertilä | Acoustic source localization in a room environment and at moderate distances | |
ÇATALBAŞ et al. | 3D moving sound source localization via conventional microphones |
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 |