CN114842870A - 基于多频段自监督的声纹异常检测方法 - Google Patents
基于多频段自监督的声纹异常检测方法 Download PDFInfo
- Publication number
- CN114842870A CN114842870A CN202210255241.5A CN202210255241A CN114842870A CN 114842870 A CN114842870 A CN 114842870A CN 202210255241 A CN202210255241 A CN 202210255241A CN 114842870 A CN114842870 A CN 114842870A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- transformer
- data
- analysis module
- label
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于多频段自监督的声纹异常检测方法,涉及变压器异常检测技术领域,解决了现有技术在对变压器声纹数据处理过程中,针对获取的所有声纹数据均进行检测,数据处理量大,且数据处理效率不高,导致变压器异常检测效率降低的技术问题;本发明对声纹数据进行第一次分析识别,根据第一次分析识别结果判断是否要进行第二次分析识别,基于声纹评估模型进行第二次分析识别,以完成变压器的故障预警,通过两次分析识别能够降低数据处理量,同时提高故障识别精度;本发明为划分获取的子区域合理配置了边缘处理模块,同时将变压器的位置和状态进行可视化展示,提高了本发明的效率和稳定性,便于工作人员及时处理变压器故障。
Description
技术领域
本发明属于变压器异常检测领域,涉及声纹异常检测技术,具体是基于多频段自监督的声纹异常检测方法。
背景技术
在工业领域中,声纹识别技术通过设备在正常运行/各类故障状态下声纹表现不同,收集、标注设备各类工况下历史声纹数据并构建模型,进而实现在实际场景中自动化识别设备故障隐患。
现有技术(公开号为:CN113611331A的发明专利)公开了一种变压器声纹异常检测方法,通过去噪模型对变压器声纹数据进行去噪处理后,使用Mel频谱特征提取方法获取Mel频谱特征,再根据检测模型获取声纹数据得分,进而判断变压器是否正常;现有技术在对变压器声纹数据处理过程中,针对获取的所有声纹数据均进行检测,数据处理量大,且数据处理效率不高,导致变压器异常检测的效率降低;因此,亟须一种基于多频段自监督的声纹异常检测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了基于多频段自监督的声纹异常检测方法,用于解决现有技术在对变压器声纹数据处理过程中,针对获取的所有声纹数据均进行检测,数据处理量大,且数据处理效率不高,导致变压器异常检测效率降低的技术问题。
本发明对检测区域内的变压器进行初始化设置,之后对声纹数据进行第一次分析识别,根据第一次分析识别结果判断是否要进行第二次分析识别,基于声纹评估模型进行第二次分析识别,以完成变压器的故障预警,通过两次分析识别能够降低数据处理量,同时提高故障识别精度。
为实现上述目的,本发明的第一方面提供了基于多频段自监督的声纹异常检测方法,包括中心分析模块和与之相连的若干边缘分析模块,若干边缘分析模块通过声纹采集设备采集声纹数据;
对检测区域内的变压器进行初始化设置,并为变压器配置边缘分析模块;其中,初始化设置包括设置识别标签和关联人员;
边缘分析模块:通过所述声纹采集设备采集变压器的声纹数据;对预处理之后的声纹数据进行第一次分析识别,获取一次标签;以及
根据所述一次标签与所述中心分析模块对声纹数据进行协同处理;
中心分析模块:根据所述一次标签对所述声纹数据进行第二次分析识别,获取二次标签,并根据二次标签进行预警;以及
基于人工智能模型建立声纹评估模型;其中,二次标签基于声纹评估模型获取。
优选的,根据行政划分对检测区域的所述变压器进行初始化设置,包括:
根据行政划分将检测区域划分为若干子区域;
获取若干所述子区域中的变压器,并进行可视化展示;
将变压器频段和标签设置规则结合为变压器设置识别标签,以及为变压器设置关联人员。
优选的,根据若干所述子区域的大小为变压器配置边缘分析模块,每个所述子区域至少配置一个所述边缘分析模块;或者
根据变压器数量配置边缘分析模块,且每个所述子区域至少配置一个所述边缘分析模块。
优选的,所述边缘分析模块对所述声纹数据进行分析,根据分析结果设置一次标签,包括:
对接收到的声纹数据进行预处理;其中,预处理包括数据去噪和数据去重;
获取所述声纹数据对应变压器的所述识别标签,根据所述识别标签获取对应的声纹标准曲线;
将所述声纹数据和所述声纹标准曲线对比,设置一次标签。
优选的,将所述声纹数据和所述声纹标准曲线的振幅进行对比,设置一次标签,包括:
提取所述声纹数据中振幅最值以及对应的频率值;
获取所述声纹标准曲线中频率值对应的振幅值;
获取所述振幅值与所述振幅最值的差值,标记为振幅差值;
当振幅差值小于等于差值阈值时,则判定对应所述声纹数据异常;否则,判定所述声纹数据正常;其中,差值阈值根据实际经验设定;
根据所述声纹数据的正常或者异常,设定一次标签。
优选的,所述边缘分析模块和所述中心分析模块对所述声纹数据进行协同处理,包括:
当所述声纹数据异常时,调用存储在所述边缘分析模块中的判断程序;
通过所述判断程序分析对应所述边缘分析模块的数据处理能力是否满足要求;
当所述边缘分析模块的数据处理能力满足要求时,则所述边缘分析模块结合声纹评估模型对所述声纹数据进行分析;否则,通过所述中心分析模块对所述声纹数据进行分析。
优选的,基于所述声纹评估模型对所述声纹数据进行二次识别,包括:
调用所述声纹评估模型;
将所述声纹数据输入至所述声纹评估模型,获取二次标签。
优选的,所述中心分析模块根据二次标签进行预警,包括:
对所述二次标签对应的故障进行警报,并获取故障对应的处理流程;
将处理流程发送至对应变压器的关联人员,并实时反馈处理结果。
与现有技术相比,本发明的有益效果是:
1、本发明对检测区域内的变压器进行初始化设置,之后对声纹数据进行第一次分析识别,根据第一次分析识别结果判断是否要进行第二次分析识别,基于声纹评估模型进行第二次分析识别,以完成变压器的故障预警,通过两次分析识别能够降低数据处理量,同时提高故障识别精度。
2、本发明对检测区域进行了合理划分,为划分获取的子区域合理配置了边缘处理模块,同时将变压器的位置和状态进行可视化展示,提高了本发明的效率和稳定性,便于工作人员及时处理变压器故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
现有技术(公开号为:CN113611331A的发明专利)公开了一种变压器声纹异常检测方法,通过去噪模型对变压器声纹数据进行去噪处理后,使用Mel频谱特征提取方法获取Mel频谱特征,再根据检测模型获取声纹数据得分,进而判断变压器是否正常;现有技术在对变压器声纹数据处理过程中,针对获取的所有声纹数据均进行检测处理,数据处理量大,且数据处理效率不高,导致变压器异常检测的效率降低。
本发明对检测区域内的变压器进行初始化设置,之后对声纹数据进行第一次分析识别,根据第一次分析识别结果判断是否要进行第二次分析识别,基于声纹评估模型进行第二次分析识别,以完成变压器的故障预警,通过两次分析识别能够降低数据处理量,同时提高故障识别精度。
请参阅图1,本申请第一方面实施例提供了基于多频段自监督的声纹异常检测方法,包括中心分析模块和与之相连的若干边缘分析模块,若干边缘分析模块通过声纹采集设备采集声纹数据;
对检测区域内的变压器进行初始化设置,并为变压器配置边缘分析模块;
边缘分析模块:通过声纹采集设备采集变压器的声纹数据;对预处理之后的声纹数据进行第一次分析识别,获取一次标签;以及根据一次标签与中心分析模块对声纹数据进行协同处理;
中心分析模块:根据一次标签对声纹数据进行第二次分析识别,获取二次标签,并根据二次标签进行预警;以及基于人工智能模型建立声纹评估模型。
本申请的主要思路是对检测区域中的变压器进行合理分配,实时采集变压器的声纹数据,并进行第一次分析识别,如果第一次分析识别结果异常时,则进行第二次识别分析,获取对应的故障。可以理解的是,检测区域即是进行变压器故障检测的目标区域。
本申请中的初始化设置包括设置识别标签、关联人员等,初始化设置的目的是为了更加直观地对大量变压器进行监控,识别标签用于识别变压器,且变压器的后续相关数据均可与对应的识别标签进行关联,关联人员相当于责任人,在变压器故障时,关联人员进行故障排除等工作。
在一个优选的实施例中,根据行政划分对检测区域的变压器进行初始化设置,包括:
根据行政划分将检测区域划分为若干子区域;
获取若干子区域中的变压器,并进行可视化展示;
将变压器频段和标签设置规则结合为变压器设置识别标签,以及为变压器设置关联人员。
本实施例的主要目的是对检测区域中的变压器进行合理划分,方便统一管理。通过行政划分,如县、镇、村等,将检测区域划分为若干子区域,然后再根据变压器所在的子区域进行初始化设置。
本实施例在识别标签设置过程中,应考虑变压器的频段,以便于后续调用声纹标准曲线以及声纹评估模型。
可以理解的是,可视化展示是根据变压器的位置将检测区域中的变压器展示出来,方便工作人员快速查找出故障变压器,以及相关数据。
本实施例的识别标签包括子区域编号、变压器编号和频段代号,如子区域编号是01,变压器在该子区域中的编号为02,变压器的频段代号为03,则识别标签可以设置为010203。
在一个可选的实施例中,根据若干子区域的大小为变压器配置边缘分析模块,每个子区域至少配置一个边缘分析模块。
本实施例根据子区域的大小来设置边缘分析模块,当子区域的总面积满足面积要求时,则至少为该子区域设置一个边缘分析模块;当子区域的总面积不满足面积要求时,可与其他子区域共用一个边缘分析模块。
举例说明本实施例:
当子区域面积为1平方千米,边缘分析模块设置的面积要求是1平方千米时,则可为该子区域设置一个边缘分析模块。
当子区域面积为1平方千米,边缘分析模块设置的面积要求是0.5平方千米时,则可为该子区域设置两个边缘分析模块。
当子区域面积为1平方千米,边缘分析模块设置的面积要求是2平方千米时,则可为该子区域与另外一个子区域(面积最好小于2平方千米)共同设置一个边缘分析模块。
在一个可选的实施例中,根据变压器数量配置边缘分析模块,且每个子区域至少配置一个边缘分析模块。
本实施例根据变压器数量设置边缘分析模块,在保证数据处理效率的同时,能够降低成本。值得注意的是,即使子区域的变压器数量不够,也至少在该子区域设置一个边缘分析模块。
举例说明本实施例:
每个边缘处理模块负责10台变压器的故障检测,当某子区域中有100台变压器时,则为该子区域设置10个边缘分析模块;当某子区域中有10台变压器时,则为该子区域设置1个边缘分析模块;当某子区域中有1台变压器时,则也应该为该子区域设置1个边缘分析模块。
在一个优选的实施例中,边缘分析模块对声纹数据进行分析,根据分析结果设置一次标签,包括:
对接收到的声纹数据进行预处理;
获取声纹数据对应变压器的识别标签,根据识别标签获取对应的声纹标准曲线;
将声纹数据和声纹标准曲线对比,设置一次标签。
本实施例的主要目的是对声纹数据进行第一次识别,判断声纹数据是否有异常,进而生成一次标签。
本实施例是将从变压器实时获取的声纹数据与对应的声纹标准曲线进行对比,根据对比结果设置一次标签。
本实施例中的预处理包括数据去噪和数据去重,数据去操采用U-net去噪模型,参考公开号为CN113611331A的发明专利。
在一个具体的实施例中,将声纹数据和声纹标准曲线的振幅进行对比,设置一次标签,包括:
提取声纹数据中振幅最值以及对应的频率值;
获取声纹标准曲线中频率值对应的振幅值;
获取振幅值与振幅最值的差值,标记为振幅差值;
当振幅差值小于等于差值阈值时,则判定对应声纹数据异常;否则,判定声纹数据正常;
根据声纹数据的正常或者异常,设定一次标签。
本实施例是通过声纹数据和声纹标准曲线的振幅对比,来设置一次标签;在另外一些优选的实施例中,还可以对比二者的均方差、重合度等来设置一次标签。
值得注意的是,振幅最值和振幅值对应的频率值一致(相同或者非常接近),以使得二者的对比更加有意义,更加有信服力。
在一个优选的实施例中,边缘分析模块和中心分析模块对声纹数据进行协同处理,包括:
当声纹数据异常时,调用存储在边缘分析模块中的判断程序;
通过判断程序分析对应边缘分析模块的数据处理能力是否满足要求;
当边缘分析模块的数据处理能力满足要求时,则边缘分析模块结合声纹评估模型对声纹数据进行分析;否则,通过中心分析模块对声纹数据进行分析。
本实施例中的判断程序主要用于判断边缘分析模块的数据处理能力是否满足要求,即边缘分析模块能否在规定时间内处理完异常的声纹数据(可能是一个变压器的,也可能是多个变压器的)。
本实施例中当边缘分析模块的数据处理能力不够时,则将声纹数据发送至中心分析模块进行处理,以便实现数据的高效处理。
在一个优选的实施例中,基于声纹评估模型对声纹数据进行二次识别,包括:
调用声纹评估模型;
将声纹数据输入至声纹评估模型,获取二次标签。
本实施例的声纹评估模型基于人工智能模型进行训练,包括:
获取标准训练数据;其中,标准训练数据包括声纹数据以及对应的故障标签;
构建人工智能模型;其中,人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型;
通过标准训练数据训练人工智能模型,将训练完成的人工智能模型标记为声纹评估模型。
可以理解的是,标准训练数据中包括的声纹数据既包括正常的,又包括异常的,才能够保证声纹评估模型的精度和鲁棒性。
在一个具体的实施例中,中心分析模块根据二次标签进行预警,包括:
对二次标签对应的故障进行警报,并获取故障对应的处理流程;
将处理流程发送至对应变压器的关联人员,并实时反馈处理结果。
本发明的工作原理:
对检测区域内的变压器进行初始化设置,并为变压器配置边缘分析模块。
边缘分析模块通过声纹采集设备采集变压器的声纹数据;对预处理之后的声纹数据进行第一次分析识别,获取一次标签。
中心分析模块或者边缘分析模块根据一次标签对声纹数据进行第二次分析识别,获取二次标签,并根据二次标签进行预警。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于多频段自监督的声纹异常检测方法,包括中心分析模块和与之相连的若干边缘分析模块,若干边缘分析模块通过声纹采集设备采集声纹数据,其特征在于:
对检测区域内的变压器进行初始化设置,并为变压器配置边缘分析模块;其中,初始化设置包括设置识别标签和关联人员;
边缘分析模块:通过所述声纹采集设备采集变压器的声纹数据;对预处理之后的声纹数据进行第一次分析识别,获取一次标签;以及
根据所述一次标签与所述中心分析模块对声纹数据进行协同处理;
中心分析模块:根据所述一次标签对所述声纹数据进行第二次分析识别,获取二次标签,并根据二次标签进行预警;以及
基于人工智能模型建立声纹评估模型;其中,二次标签基于声纹评估模型获取。
2.根据权利要求1所述的基于多频段自监督的声纹异常检测方法,其特征在于,根据行政划分对检测区域的所述变压器进行初始化设置,包括:
根据行政划分将检测区域划分为若干子区域;
获取若干所述子区域中的变压器,并进行可视化展示;
将变压器频段和标签设置规则结合为变压器设置识别标签,以及为变压器设置关联人员。
3.根据权利要求2所述的基于多频段自监督的声纹异常检测方法,其特征在于,根据若干所述子区域的大小为变压器配置边缘分析模块,每个所述子区域至少配置一个所述边缘分析模块;或者
根据变压器数量配置边缘分析模块,且每个所述子区域至少配置一个所述边缘分析模块。
4.根据权利要求1所述的基于多频段自监督的声纹异常检测方法,其特征在于,所述边缘分析模块对所述声纹数据进行分析,根据分析结果设置一次标签,包括:
对接收到的声纹数据进行预处理;其中,预处理包括数据去噪和数据去重;
获取所述声纹数据对应变压器的所述识别标签,根据所述识别标签获取对应的声纹标准曲线;
将所述声纹数据和所述声纹标准曲线对比,设置一次标签。
5.根据权利要求4所述的基于多频段自监督的声纹异常检测方法,其特征在于,将所述声纹数据和所述声纹标准曲线的振幅进行对比,设置一次标签,包括:
提取所述声纹数据中振幅最值以及对应的频率值;
获取所述声纹标准曲线中频率值对应的振幅值;
获取所述振幅值与所述振幅最值的差值,标记为振幅差值;
当振幅差值小于等于差值阈值时,则判定对应所述声纹数据异常;否则,判定所述声纹数据正常;其中,差值阈值根据实际经验设定;
根据所述声纹数据的正常或者异常,设定一次标签。
6.根据权利要求5所述的基于多频段自监督的声纹异常检测方法,其特征在于,所述边缘分析模块和所述中心分析模块对所述声纹数据进行协同处理,包括:
当所述声纹数据异常时,调用存储在所述边缘分析模块中的判断程序;
通过所述判断程序分析对应所述边缘分析模块的数据处理能力是否满足要求;
当所述边缘分析模块的数据处理能力满足要求时,则所述边缘分析模块结合声纹评估模型对所述声纹数据进行分析;否则,通过所述中心分析模块对所述声纹数据进行分析。
7.根据权利要求1或6所述的基于多频段自监督的声纹异常检测方法,其特征在于,基于所述声纹评估模型对所述声纹数据进行二次识别,包括:
调用所述声纹评估模型;
将所述声纹数据输入至所述声纹评估模型,获取二次标签。
8.根据权利要求7所述的基于多频段自监督的声纹异常检测方法,其特征在于,所述中心分析模块根据二次标签进行预警,包括:
对所述二次标签对应的故障进行警报,并获取故障对应的处理流程;
将处理流程发送至对应变压器的关联人员,并实时反馈处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210255241.5A CN114842870A (zh) | 2022-03-15 | 2022-03-15 | 基于多频段自监督的声纹异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210255241.5A CN114842870A (zh) | 2022-03-15 | 2022-03-15 | 基于多频段自监督的声纹异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842870A true CN114842870A (zh) | 2022-08-02 |
Family
ID=82561926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210255241.5A Pending CN114842870A (zh) | 2022-03-15 | 2022-03-15 | 基于多频段自监督的声纹异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691509A (zh) * | 2022-12-29 | 2023-02-03 | 杭州兆华电子股份有限公司 | 一种适用于工业设备异常音检测的干扰识别方法 |
-
2022
- 2022-03-15 CN CN202210255241.5A patent/CN114842870A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691509A (zh) * | 2022-12-29 | 2023-02-03 | 杭州兆华电子股份有限公司 | 一种适用于工业设备异常音检测的干扰识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN108030494A (zh) | 基于交叉验证的心电信号错误标记训练样本识别方法 | |
CN107576435B (zh) | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 | |
CN105116870A (zh) | 空调机组的故障分析方法、装置和系统 | |
CN105577440A (zh) | 一种网络故障时间定位方法和分析设备 | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN115511367B (zh) | 生产线的质量智能管理系统 | |
CN114842870A (zh) | 基于多频段自监督的声纹异常检测方法 | |
CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN114640177B (zh) | 一种基于电力能效监测装置的电力能效监测方法 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN102346948A (zh) | 一种周界入侵检测方法和系统 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN116976865B (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
CN113267601A (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
CN106250937B (zh) | 一种基于非相似度指标的故障分类诊断方法 | |
CN116070139A (zh) | 一种智能工地安全检测系统及方法 | |
CN111581425A (zh) | 一种基于深度学习的设备声音分类方法 | |
CN116308295A (zh) | 一种工业生产数据管理方法及系统 |
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 |