CN115034275B - 一种声像仪最优检测距离确定方法、装置及存储介质 - Google Patents

一种声像仪最优检测距离确定方法、装置及存储介质 Download PDF

Info

Publication number
CN115034275B
CN115034275B CN202210964759.6A CN202210964759A CN115034275B CN 115034275 B CN115034275 B CN 115034275B CN 202210964759 A CN202210964759 A CN 202210964759A CN 115034275 B CN115034275 B CN 115034275B
Authority
CN
China
Prior art keywords
detection distance
distance
component
determining
characteristic
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
CN202210964759.6A
Other languages
English (en)
Other versions
CN115034275A (zh
Inventor
纪航
许强
雷兴
黄成军
周韫捷
陈琰
叶頲
杜习周
张圣甫
郭灿新
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.)
Huacheng Electrical Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Original Assignee
Huacheng Electrical Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
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 Huacheng Electrical Technology Co ltd, State Grid Shanghai Electric Power Co Ltd, East China Power Test and Research Institute Co Ltd filed Critical Huacheng Electrical Technology Co ltd
Priority to CN202210964759.6A priority Critical patent/CN115034275B/zh
Publication of CN115034275A publication Critical patent/CN115034275A/zh
Application granted granted Critical
Publication of CN115034275B publication Critical patent/CN115034275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/1209—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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及一种声像仪最优检测距离确定方法、装置及存储介质，其中方法包括：步骤1）获取原始局部放电超声信息；步骤2）对帧声信号进行特征量提取；步骤3）确定特征模式识别参数矩阵每个分量的特征值；步骤4）确定后验概率；步骤5）重新计算特征值；步骤6）基于正态分布模型拟合特征值；步骤7）确定对数似然函数并判断收敛性；步骤8）利用Hilbert包络分析方法确定瞬时频率最大值；步骤9）基于初始距离、终止距离和距离调整步长调整声像仪和放电源之间的距离，重复步骤1）‑步骤8），记录每个距离下归一化后的n维分量均值与瞬时频率最大值的和；所述和的最大值对应的检测距离即为最优检测距离。与现有技术相比，本发明具有准确性高等优点。

Description

一种声像仪最优检测距离确定方法、装置及存储介质
技术领域
本发明涉及电力设备局部放电巡检领域，尤其是涉及一种声像仪最优检测距离确定方法、装置及存储介质。
背景技术
现场运行的高压电气设备在恶劣的自然环境下长期运行，其自身物理或化学特性会受到影响，绝缘性能逐步下降，在一定条件下发生放电，严重威胁电网的安全稳定运行。局部放电的原因多样，且通常会伴随有声、光、电等现象发生。对于电力设备的局部放电而言，大多数局部放电现象为沿面或电晕放电，这种类型的局部放电发生时都会产生超声波。
声像仪检测装置是采用可视化声学成像技术，基于传声器阵列测量技术通过测量全息面上的声压，运用重构算法重建被测设备表面的声场，测量声源的幅值，并以图像的方式显示声源在空间的分布，即得到空间声场分布云图－声像图，并以图像的颜色和亮度代表声音的强弱。通过放电检测有助于发现电力设备的电晕放电、悬浮放电、表面放电等绝缘缺陷。
声像仪局部放电检测与超声波法、脉冲电流法等局放检测方法相比，具有非接触、精确定位等优点而得到广泛的应用。但在工程实际中检测放电时，声像仪的检测距离并不固定，而距离对声强值与图谱有明显的影响。由于超声波时差计算算法的限制，常规的声像仪在小于0.3m的距离下进行检测，但离的过近，会造成部分声压传感器无法接收到信号，导致计算误差无法准确显示图像。因此，声像仪的检测距离的不固定会影响检测结果，从而影响现场巡检效率及巡检结果的分析与诊断。
发明内容
本发明的目的就是为了提供一种声像仪最优检测距离确定方法，解决由于检测距离不准确导致的测试效果差与测试效率低的问题。
本发明的目的可以通过以下技术方案来实现：
一种声像仪最优检测距离确定方法，包括以下步骤：
步骤1)获取电力设备原始局部放电超声信息并进行预处理得到帧声信号，其中，所述电力设备原始局部放电超声信息由放电源发送至声像仪进行接收；
步骤2)对帧声信号进行特征量提取，得到统计特征量与分形特征量；
步骤3)根据统计特征量与分形特征量确定特征模式识别参数矩阵，并计算特征模式识别参数矩阵每个分量的特征值；
步骤4)根据各个分量的特征值确定后验概率；
步骤5)根据后验概率重新计算每个分量的特征值；
步骤6)基于正态分布模型拟合特征值，其中，所述正态分布模型的参数包括n维分量的均值μ，n＝1,2,3…N，N为特征模式识别参数矩阵分量的个数；
步骤7)确定正态分布模型的对数似然函数并判断其收敛性，若对数似然函数收敛，则将当前正态分布模型作为最优正态分布模型，执行步骤8)；若对数似然函数不收敛，则基于每个分量的当前特征值重新执行步骤4)-步骤7)；
步骤8)利用Hilbert包络分析方法，基于帧声信号确定瞬时频率最大值；
步骤9)根据预配置的初始距离、终止距离和距离调整步长调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，步骤1)-步骤8)的重复次数Kloop为(终止距离-初始距离)/距离调整步长，若不能整除时取余加1，步骤1)-步骤8)循环Kloop次后自动终止；记录每个检测距离下归一化后的n维分量均值与归一化后的瞬时频率最大值的和；所述和的最大值对应的检测距离即为最优检测距离。
n维分量均值代表的局部放电信号时域可区分特征的大小，瞬时频率最大值代表的是局部放电信号特征频率的大小，归一化求和的目的是为了综合表示出局部放电信号时域、频域的特征。
用于电力设备局放信号检测的声像仪的检测，对象是由一系列脉冲组成的周期性的局部放电超声信号，局放检测的有效性需要综合考察具有统计性质的局放特征值信息，以及时域波形的时频信息。对于最优的检测结果，期望局放特征值信息最大化以及时频信息的结果最大化，考虑这两者一致的重要性，赋予各50％的权重进行加权平均获得表征最优的检测结果。归一化后的n维分量均值表征了局放特征值信息，归一化后的瞬时频率最大值表征了超声信号的时频信息，因此，当二者相加的和最大时，对应的检测距离最优，在此最优检测距离下能够得到最优的检测效果。
所述步骤1)中预处理为对原始局部放电超声信息进行加窗FFT操作，将有限长度信号分为帧声信号。
所述统计特征量包括相位分段内的平均幅值、最大幅值、放电次数、放电相位、相邻两次放电的时间间隔，所述分形特征量包括放电间隔灰度图盒维数、放电间隔灰度图信息维数。
所述特征值包括均值、权重和方差。
所述步骤4)中后验概率的计算公式为：
Figure GDA0003861676180000031
其中，p(zlk＝1|xl)为数据xl属于第k个模型的后验概率，μk为每个分量的均值，πk为每个分量的权重，∑k为每个分量的方差，N(xl|μk,∑k)为正态分布函数。
所述步骤5)根据后验概率重新计算每个分量的特征值的计算公式为：
Figure GDA0003861676180000032
Figure GDA0003861676180000033
Figure GDA0003861676180000034
其中，μ′k为重新计算的每个分量的均值，π′k为重新计算的每个分量的权重，∑′k为重新计算的每个分量的方差。
所述正态分布模型为：
Figure GDA0003861676180000035
其中，μ为n维分量的均值，π为n维分量的权重，∑为n行n列的协方差矩阵，|∑|为∑的行列式。
所述对数似然函数为：
Figure GDA0003861676180000036
其中，log p(X|π,μ,∑)为对数似然函数，πk为每个分量的权重，N(xn|μk,Σk)为正态分布函数。
所述步骤8)包括：
步骤8-1)利用Hilbert包络分析方法对帧声信号进行Hilbert变换：
z(t)＝Hilbert(a(t))＝x(t)+jy(t)
其中，z(t)是Hilbert变换结果，a(t)为帧声信号；
步骤8-2)基于Hilbert变换结果确定瞬时频率最大值：
Figure GDA0003861676180000041
Figure GDA0003861676180000042
fmax＝max(f(t))
其中，
Figure GDA0003861676180000043
是x(t)的相位调制信号，f(t)是瞬时频率，fmax是瞬时频率最大值。
所述步骤9)包括：
步骤9-1)根据现场需求设定初始距离、终止距离和距离调整步长，调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，记录每个检测距离下的n维分量均值与瞬时频率最大值；
步骤9-2)对n维分量均值μ进行归一化：
Figure GDA0003861676180000044
μk为每个分量的均值；
步骤9-3)对瞬时频率最大值fmax进行归一化：
Figure GDA0003861676180000045
fstandard为超声缺陷特征频率值，此处取40kHz；
步骤9-4)计算归一化后的n维分量均值与归一化后的瞬时频率最大值的和stai：
stai＝μ′+f′
所述和stai的最大值对应的检测距离即为最优检测距离。
一种声像仪最优检测距离确定装置，包括：
感知单元，用于对电力设备原始超声信号进行采集；
信号处理单元，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方法；
显示单元，用于显示最优检测距离。
一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明根据对数似然函数的收敛性，判断局部放电超声信号特征模式识别参数矩阵元素的最优正态模型，从而实现声像仪最优检测距离推荐，无需人工进行验证和测量，针对不同实验场景均可适用，提高了巡检人员的检测效率与检测数据的准确性。
(2)本发明同时提取超声波信号的统计特性与分形特征2种超声信号特征值，提高了检测距离数据分析的准确性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种声像仪最优检测距离确定方法，解决由于检测距离不准确导致的测试效果差与测试效率低的问题，如图1所示，包括以下步骤：
步骤1)获取电力设备原始局部放电超声信息，对原始局部放电超声信息进行加窗FFT操作，将有限长度信号分为帧声信号，所述电力设备原始局部放电超声信息由放电源发送至声像仪进行接收。
步骤2)对帧声信号进行特征量提取，得到统计特征量与分形特征量，所述统计特征量包括相位分段内的平均幅值、最大幅值、放电次数、放电相位、相邻两次放电的时间间隔，所述分形特征量包括放电间隔灰度图盒维数、放电间隔灰度图信息维数。
步骤3)根据统计特征量与分形特征量确定特征模式识别参数矩阵，并计算特征模式识别参数矩阵每个分量的均值、权重和方差。
步骤4)根据各个分量的均值、权重和方差确定后验概率；
后验概率的计算公式为：
Figure GDA0003861676180000061
其中，p(zlk＝1|xl)为数据xl属于第k个模型的后验概率，μk为每个分量的均值，πk为每个分量的权重，∑k为每个分量的方差，N(xl|μk,∑k)为正态分布函数。
步骤5)根据后验概率重新计算每个分量的均值、权重和方差：
Figure GDA0003861676180000062
Figure GDA0003861676180000063
Figure GDA0003861676180000064
其中，μ′k为重新计算的每个分量的均值，π′k为重新计算的每个分量的权重，∑′k为重新计算的每个分量的方差，n＝1,2,3…N，N为特征模式识别参数矩阵分量的个数。
步骤6)基于正态分布模型拟合特征值：
Figure GDA0003861676180000065
其中，μ为n维分量的均值，π为n维分量的权重，∑为n行n列的协方差矩阵，|∑|为∑的行列式。
步骤7)确定正态分布模型的对数似然函数并判断其收敛性：
Figure GDA0003861676180000066
其中，log p(X|π,μ,∑)为对数似然函数，πk为每个分量的权重，N(xn|μk,Σk)为正态分布函数；
若对数似然函数收敛，则将当前正态分布模型作为最优正态分布模型，执行步骤8)；若对数似然函数不收敛，则基于每个分量的当前特征值重新执行步骤4)-步骤7)。
步骤8)利用Hilbert包络分析方法，基于帧声信号确定瞬时频率最大值；
步骤8-1)利用Hilbert包络分析方法对帧声信号进行Hilbert变换：
z(t)＝Hilbert(a(t))＝x(t)+jy(t)
其中，z(t)是Hilbert变换结果，a(t)为帧声信号；
步骤8-2)基于Hilbert变换结果确定瞬时频率最大值：
Figure GDA0003861676180000071
Figure GDA0003861676180000072
fmax＝max(f(t))
其中，
Figure GDA0003861676180000073
是x(t)的相位调制信号，f(t)是瞬时频率，fmax是瞬时频率最大值。
步骤9)根据现场需求设定初始距离、终止距离和距离调整步长，调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，记录每个检测距离下归一化后的n维分量均值与归一化后的瞬时频率最大值的和；所述和的最大值对应的检测距离为最优检测距离。
步骤9-1)根据现场需求设定初始距离、终止距离和距离调整步长，调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，记录每个检测距离下的n维分量均值与瞬时频率最大值；
步骤9-2)对n维分量均值μ进行归一化：
Figure GDA0003861676180000074
μk为每个分量的均值；
步骤9-3)对瞬时频率最大值fmax进行归一化：
Figure GDA0003861676180000075
fstandard为超声缺陷特征频率值，此处取40kHz；
步骤9-4)计算归一化后的n维分量均值与瞬时频率最大值的和stai：
stai＝μ′+f′
所述和stai的最大值对应的检测距离即为最优检测距离。
用于电力设备局放信号检测的声像仪的检测，对象是由一系列脉冲组成的周期性的局部放电超声信号，局放检测的有效性需要综合考察具有统计性质的局放特征值信息，以及时域波形的时频信息。对于最优的检测结果，期望局放特征值信息最大化以及时频信息的结果最大化，考虑这两者一致的重要性，赋予各50％的权重进行加权平均获得表征最优的检测结果。上述的计算步骤中，归一化后的n维分量均值表征了局放特征值信息，归一化后的瞬时频率最大值表征了超声信号的时频信息，因此，当二者相加的和最大时，对应的检测距离最优，在此最优检测距离下能够得到最优的检测效果。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (11)

1.一种声像仪最优检测距离确定方法，其特征在于，包括以下步骤：
步骤1)获取电力设备原始局部放电超声信息并进行预处理得到帧声信号，其中，所述电力设备原始局部放电超声信息由放电源发送至声像仪进行接收；
步骤2)对帧声信号进行特征量提取，得到统计特征量与分形特征量，所述统计特征量包括相位分段内的平均幅值、最大幅值、放电次数、放电相位、相邻两次放电的时间间隔，所述分形特征量包括放电间隔灰度图盒维数、放电间隔灰度图信息维数；
步骤3)根据统计特征量与分形特征量确定特征模式识别参数矩阵，并计算特征模式识别参数矩阵每个分量的特征值；
步骤4)根据各个分量的特征值确定后验概率；
步骤5)根据后验概率重新计算每个分量的特征值；
步骤6)基于正态分布模型拟合特征值，其中，所述正态分布模型的参数包括n维分量的均值μ，n＝1,2,3…N，N为特征模式识别参数矩阵分量的个数；
步骤7)确定正态分布模型的对数似然函数并判断其收敛性，若对数似然函数收敛，则将当前正态分布模型作为最优正态分布模型，执行步骤8)；若对数似然函数不收敛，则基于每个分量的当前特征值重新执行步骤4)-步骤7)；
步骤8)利用Hilbert包络分析方法，基于帧声信号确定瞬时频率最大值；
步骤9)根据预配置的初始距离、终止距离和距离调整步长调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，记录每个检测距离下归一化后的n维分量均值与归一化后的瞬时频率最大值的和；所述和的最大值对应的检测距离即为最优检测距离。
2.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述步骤1)中预处理为对原始局部放电超声信息进行加窗FFT操作，将有限长度信号分为帧声信号。
3.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述特征值包括均值、权重和方差。
4.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述步骤4)中后验概率的计算公式为：
Figure FDA0003861676170000021
其中，p(zlk＝1|xl)为数据xl属于第k个模型的后验概率，μk为每个分量的均值，πk为每个分量的权重，∑k为每个分量的方差，N(xl|μk,∑k)为正态分布函数。
5.根据权利要求4所述的一种声像仪最优检测距离确定方法，其特征在于，所述步骤5)根据后验概率重新计算每个分量的特征值的计算公式为：
Figure FDA0003861676170000022
Figure FDA0003861676170000023
Figure FDA0003861676170000024
其中，μ′k为重新计算的每个分量的均值，π′k为重新计算的每个分量的权重，∑′k为重新计算的每个分量的方差。
6.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述正态分布模型为：
Figure FDA0003861676170000025
其中，μ为n维分量的均值，π为n维分量的权重，∑为n行n列的协方差矩阵，|∑|为∑的行列式。
7.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述对数似然函数为：
Figure FDA0003861676170000026
其中，logp(X|π,μ,∑)为对数似然函数，πk为每个分量的权重，N(xn|μk,Σk)为正态分布函数。
8.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，所述步骤8)包括：
步骤8-1)利用Hilbert包络分析方法对帧声信号进行Hilbert变换：
z(t)＝Hilbert(a(t))＝x(t)+jy(t)
其中，z(t)是Hilbert变换结果，a(t)为帧声信号；
步骤8-2)基于Hilbert变换结果确定瞬时频率最大值：
Figure FDA0003861676170000031
Figure FDA0003861676170000032
fmax＝max(f(t))
其中，
Figure FDA0003861676170000033
是x(t)的相位调制信号，f(t)是瞬时频率，fmax是瞬时频率最大值。
9.根据权利要求1所述的一种声像仪最优检测距离确定方法，其特征在于，
所述步骤9)包括：
步骤9-1)根据预配置的初始距离、终止距离和距离调整步长，调整声像仪和放电源之间的检测距离，重复步骤1)-步骤8)，记录每个检测距离下的n维分量均值与瞬时频率最大值；
步骤9-2)对n维分量均值μ进行归一化：
Figure FDA0003861676170000034
其中，μk为每个分量的均值；
步骤9-3)对瞬时频率最大值fmax进行归一化：
Figure FDA0003861676170000035
其中，fstandard为超声缺陷特征频率值；
步骤9-4)计算归一化后的n维分量均值与归一化后的瞬时频率最大值的和stai：
stai＝μ′+f′
所述和stai的最大值对应的检测距离即为最优检测距离。
10.一种声像仪最优检测距离确定装置，包括：
感知单元，用于对电力设备原始超声信号进行采集；
信号处理单元，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法；
显示单元，用于显示最优检测距离。
11.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-9中任一所述的方法。
CN202210964759.6A 2022-08-12 2022-08-12 一种声像仪最优检测距离确定方法、装置及存储介质 Active CN115034275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964759.6A CN115034275B (zh) 2022-08-12 2022-08-12 一种声像仪最优检测距离确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964759.6A CN115034275B (zh) 2022-08-12 2022-08-12 一种声像仪最优检测距离确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115034275A CN115034275A (zh) 2022-09-09
CN115034275B true CN115034275B (zh) 2022-11-18

Family

ID=83130691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964759.6A Active CN115034275B (zh) 2022-08-12 2022-08-12 一种声像仪最优检测距离确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115034275B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62194475A (ja) * 1985-08-22 1987-08-26 Mitsubishi Electric Corp 静止誘導機器の内部放電監視装置
KR20140055256A (ko) * 2012-10-31 2014-05-09 한국전기연구원 결함위치 유도 기능을 갖는 휴대용 초음파 부분방전 측정 장치 및 방법
CN111090026A (zh) * 2019-12-27 2020-05-01 国网浙江浦江县供电有限公司 一种10kV架空导线绝缘层树枝磨损的超声波检测装置和方法
CN112083297A (zh) * 2020-08-20 2020-12-15 西安交通大学 一种基于声压的抗干扰的变压器局部放电定位方法及装置
CN112130316A (zh) * 2020-10-27 2020-12-25 华北电力大学 多通道多谱段滤光片结构及其应用、方法
CN114358093A (zh) * 2022-03-17 2022-04-15 国网浙江省电力有限公司电力科学研究院 一种电力设备中局部放电的检测方法及设备
CN114624689A (zh) * 2022-05-12 2022-06-14 杭州兆华电子股份有限公司 一种基于声像仪的近场聚焦声源距离计算方法及系统
CN114707458A (zh) * 2022-03-02 2022-07-05 贵州电网有限责任公司 一种适用于开关柜局部放电监测的传感器部署方法
CN114859194A (zh) * 2022-07-07 2022-08-05 杭州兆华电子股份有限公司 一种基于非接触式的局部放电检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62194475A (ja) * 1985-08-22 1987-08-26 Mitsubishi Electric Corp 静止誘導機器の内部放電監視装置
KR20140055256A (ko) * 2012-10-31 2014-05-09 한국전기연구원 결함위치 유도 기능을 갖는 휴대용 초음파 부분방전 측정 장치 및 방법
CN111090026A (zh) * 2019-12-27 2020-05-01 国网浙江浦江县供电有限公司 一种10kV架空导线绝缘层树枝磨损的超声波检测装置和方法
CN112083297A (zh) * 2020-08-20 2020-12-15 西安交通大学 一种基于声压的抗干扰的变压器局部放电定位方法及装置
CN112130316A (zh) * 2020-10-27 2020-12-25 华北电力大学 多通道多谱段滤光片结构及其应用、方法
CN114707458A (zh) * 2022-03-02 2022-07-05 贵州电网有限责任公司 一种适用于开关柜局部放电监测的传感器部署方法
CN114358093A (zh) * 2022-03-17 2022-04-15 国网浙江省电力有限公司电力科学研究院 一种电力设备中局部放电的检测方法及设备
CN114624689A (zh) * 2022-05-12 2022-06-14 杭州兆华电子股份有限公司 一种基于声像仪的近场聚焦声源距离计算方法及系统
CN114859194A (zh) * 2022-07-07 2022-08-05 杭州兆华电子股份有限公司 一种基于非接触式的局部放电检测方法及装置

Also Published As

Publication number Publication date
CN115034275A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110047519B (zh) 一种语音端点检测方法、装置及设备
CN109490730A (zh) 电缆放电检测方法、装置、存储介质及处理器
CN106226407A (zh) 一种基于奇异谱分析的超声回波信号在线预处理方法
CN109085244A (zh) 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法
CN110109058A (zh) 一种平面阵列反卷积声源识别方法
CN114487733A (zh) 一种基于声纹的局部放电检测方法
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN110850420B (zh) 基于弹球损失的FisherSVM声纳信号判别方法
CN114237046A (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN115034275B (zh) 一种声像仪最优检测距离确定方法、装置及存储介质
CN117708760B (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
CN115186772B (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN111666912A (zh) 计及电气特征量与图形特征的局部放电融合特征提取方法
CN117214294A (zh) 管道损伤超声导波检测装置及其损伤信号三维重构方法
RU2148274C1 (ru) Способ идентификации личности по особенностям подписи
CN114692693A (zh) 基于分形理论的分布式光纤信号识别方法、装置、存储介质
CN115204222A (zh) 基于同步压缩小波变换的雷电预测方法、装置以及设备
Zhang et al. Flaw classification in ultrasonic guided waves signal using Wavelet Transform and PNN classifier
CN113361579A (zh) 一种水下目标探测辨识方法、系统、设备及可读存储介质
Lukovenkova et al. Digital Signal Processing Methods for Geoacoustic Emission
Jia et al. Underwater spectral line enhancement and transient interference suppression based on constrained non-negative matrix factorization
CN116226647B (zh) 电力电缆局部放电模式的识别方法、装置、设备及介质
Zhang et al. Microseismic signal reconstruction by block matching with a novel matching criterion
CN116124902B (zh) 一种对超声导波损伤定位精度的诊断方法

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
GR01 Patent grant
GR01 Patent grant