CN115497501A - 基于sw-music的变压器故障声纹定位方法及系统 - Google Patents
基于sw-music的变压器故障声纹定位方法及系统 Download PDFInfo
- Publication number
- CN115497501A CN115497501A CN202211442439.0A CN202211442439A CN115497501A CN 115497501 A CN115497501 A CN 115497501A CN 202211442439 A CN202211442439 A CN 202211442439A CN 115497501 A CN115497501 A CN 115497501A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- fault
- signal
- model
- sound source
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001272567 Hominoidea Species 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000004804 winding 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
- G10L21/10—Transforming into visible information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- 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
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
- G10L2021/02166—Microphone arrays; Beamforming
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了一种基于SW‑MUSIC的变压器故障声纹定位方法及系统，属于电力变压器声纹感知与故障定位技术领域，方法包括：实时采集待测电力变压器的声纹信号；基于SW‑MUSIC算法和声纹信号建立故障定位模型；根据声纹信号和故障定位模型，进行故障定位；故障定位模型是利用SW‑MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。本发明减小了麦克风阵列位置误差带来的影响，优化了最终电力变压器声纹故障定位结果。
Description
技术领域
本发明涉及一种基于SW-MUSIC的变压器故障声纹定位方法及系统，属于电力变压器声纹感知与故障定位技术领域。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
近年来，在国民经济高速发展和制造业升级转型的大背景下，电网规模逐渐扩大，智能电网事业迅猛发展。跨区域、跨省输电额度上升，使得特高压变压器占比日益扩大。电力变压器作为电力系统的核心设备，承担着高压输变电及功率传输的重任。不断增高的电压等级和大容量的单机变压器，导致电力系统的故障风险等级成倍增加。变压器本身的内部结构复杂、运行工况恶劣，一个或几个部件出现故障就可能会造成整个设备或电力系统异常或瘫痪。因此，如何保持和维护电力变压器的状态良好和运行稳定是维持智能电网正常运行的关键。
利用声音可以方便快捷的对信息进行获取，从获取的信息中得到事物的位置和所属状态。传统的信号采集技术是对变压器的电信号、温度、振动信号等物理量进行操作与分析，有部分故障类型检测不到位，如：内部装配金具松动、铁芯叠片间绝缘松动、绕组断线等，存在难以确定故障发生位置的问题。相比于其它信号，声音信号具有绕射能力强、易于采集、采集非侵入的特点。电力变压器内部发生故障的时候会产生区别于正常工作运行状态的响声，声波引起空气振动，可以根据产生的声纹对故障进行定位研究。基于声纹的故障定位系统具有操作简便、全时段监测、非侵入、减小监测盲区的特点。因此，利用电力变压器的声纹对内部故障进行定位具有良好的工业前景。
上世纪声纹识别技术开始发展，从对人耳展开研究到应用于工业设备的监测中，相关技术取得了突破式的进步。各个领域对声纹的应用，为电力变压器声纹故障定位提供了参考基础和技术保障。目前声纹定位方法大致分为：基于波束形成器、基于时延差和基于高分辨谱估计三种方法。波束形成技术通过调整相位阵列参数，判断分属近场信号和远场信号，利用声达时延差，使不同的信号进行相长干涉和相消干涉，产生“波束”用来增强期望方向的声纹信号并输出期望方向的声纹信息。但是当噪声子空间较为复杂、室内混响较多的情况下，波束形成技术的检测精度会相应降低。基于声达时延差的方法是根据麦克风阵列排布方式进行声音信号的时延估计，得到声源大致方位，然后利用其它几何方法进行位置的准确估计。但传统的声达时延差算法对噪声比较敏感，导致定位精度较低。高分辨谱估计利用阵元阵列获得的信号计算矩阵，从而对声源方向信息进行估计。常用的方法有Capon法、APES算法和MUSIC算法等。高分辨谱估计在环境噪声较多的情况下也能具有良好的性能，但是传统的MUSIC算法需事先知道麦克风阵列排布的精准位置，很大程度上依靠先验经验，无法保证对声源定位的准确性。
发明内容
为了解决上述问题，本发明提出了一种基于SW-MUSIC的变压器故障声纹定位方法及系统，能够解决实际现场交变载荷冲击下的麦克风阵列对复杂工况声源的位置误差以及变压器故障定位分辨率精度不够高的问题。
本发明解决其技术问题采取的技术方案是：
一方面，本发明实施例提供的一种基于SW-MUSIC的变压器故障声纹定位方法，包括以下步骤：
实时采集待测电力变压器的声纹信号；
基于SW-MUSIC算法和声纹信号建立故障定位模型；
根据获取的电力变压器声纹信号和故障定位模型，进行故障定位；
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
作为本实施例一种可能的实现方式，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
作为本实施例一种可能的实现方式，所述基于SW-MUSIC算法和声纹信号建立故障定位模型，包括以下步骤：
利用声纹信号构造麦克风阵列的信号模型；
融合平滑相关变换加权算法，构建时延参数更新模型；
通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
寻找谱估计函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
作为本实施例一种可能的实现方式，所述进行故障定位，即：利用故障定位模型寻找声纹信号的声源所在方位。
作为本实施例一种可能的实现方式，所述方法还包括以下步骤：
可视化显示故障定位信息。
作为本实施例一种可能的实现方式，所述可视化显示故障定位信息，包括：
采集待测电力变压器的实际图像；
将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
另一方面，本发明实施例提供的一种基于SW-MUSIC的变压器故障声纹定位系统，包括：
信号采集模块，用于实时采集待测电力变压器的声纹信号；
模型建立模块，用于基于SW-MUSIC算法和声纹信号建立故障定位模型；
故障定位模块，用于根据获取的电力变压器声纹信号和故障定位模型，进行故障定位；
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
作为本实施例一种可能的实现方式，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
作为本实施例一种可能的实现方式，所述模型建立模块包括：
信号模型建立模块，用于利用声纹信号构造麦克风阵列的信号模型；
更新模型建立模块，用于融合平滑相关变换加权算法，构建时延参数更新模型；
参数更新模块，用于通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
算法改进模块，用于对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
谱函数峰值计算模块，用于计算谱函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
作为本实施例一种可能的实现方式，所述的系统还包括：
可视化模块，用于可视化显示故障定位信息。
作为本实施例一种可能的实现方式，所述可视化模块包括：
图像采集模块，用于采集待测电力变压器的实际图像；
图像可视化模块，用于将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
第三方面，本发明实施例提供的一种计算机设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述任意基于SW-MUSIC的变压器故障声纹定位方法的步骤。
第四方面，本发明实施例提供的一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任意基于SW-MUSIC的变压器故障声纹定位方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下：
1、本发明考虑到电力变压器内部故障存在不易定位的问题，将声纹感知定位技术应用到电力变压器领域，采用非侵入的不破坏变压器内部结构方式进行信号采集，根据故障发生时产生的异响对其进行定位研究。
2、本发明采用声纹感知定位技术中精度较高的MUSIC算法，在测试环境噪声源较多的时候也能保持良好的性能。并且在声音信号源的角度相似的时候，仍能进行高分辨率的方位估计。
3、本发明融合声源信号时延差思想，对MUSIC算法进行改进优化。将平滑相关变换加权算法加入整体的算法流程中，降低对理论麦克风阵列位置的依赖，从互相关算法的结果中重构麦克风阵列流型，调整导向矢量。本发明减小了实际麦克风阵列布局中各个阵元相对位置的偏差给最后结果带来的影响。
4、本发明将从特征向量划分出来的噪声子空间进行加权处理，增强循环搜索时导向矢量和噪声子空间的正交性，使算法的分辨率增加，优化了最终的电力变压器声纹故障定位结果。
附图说明
图1是根据一示例性实施例示出的一种基于SW-MUSIC的变压器故障声纹定位方法的流程图；
图2是根据一示例性实施例示出的一种基于SW-MUSIC的变压器故障声纹定位系统的示意图；
图3是根据一示例性实施例示出的一种采用本发明所述系统进行变压器故障定位的具体流程图；
图4是根据一示例性实施例示出的一种十字麦克风阵列定位示意图；
图5是根据一示例性实施例示出的一种协方差特征矩阵排列图；
图6（a）和图6（b）是根据一示例性实施例示出的目标信号来向图（图6（a）是正交目标信号来向图，图6（b）是伪普目标信号来向图）；
图7是根据一示例性实施例示出的一种声源定位图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明实施例提供的一种基于SW-MUSIC的变压器故障声纹定位方法，包括以下步骤：
实时采集待测电力变压器的声纹信号；
基于SW-MUSIC算法和声纹信号建立故障定位模型；
根据获取的电力变压器声纹信号和故障定位模型，进行故障定位。
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
作为本实施例一种可能的实现方式，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
作为本实施例一种可能的实现方式，所述基于SW-MUSIC算法和声纹信号建立故障定位模型，包括以下步骤：
利用声纹信号构造麦克风阵列的信号模型；
融合平滑相关变换加权算法，构建时延参数更新模型；
通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
寻找谱估计函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
作为本实施例一种可能的实现方式，所述进行故障定位，即：利用故障定位模型寻找声纹信号的声源所在方位。
作为本实施例一种可能的实现方式，所述方法还包括以下步骤：
可视化显示故障定位信息。
作为本实施例一种可能的实现方式，所述可视化显示故障定位信息，包括：
采集待测电力变压器的实际图像；
将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
本发明利用平滑相关变换加权算法更新时延，减小了麦克风阵列位置误差带来的影响；从特征向量划分出来的噪声子空间进行加权处理，重构噪声子空间，增强了循环搜索时导向矢量和噪声子空间的正交性，使算法的分辨率增加，优化了最终的电力变压器声纹故障定位结果。
本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
如图2所示，本发明实施例提供的一种基于SW-MUSIC的变压器故障声纹定位系统，包括：
信号采集模块，用于实时采集待测电力变压器的声纹信号；
模型建立模块，用于基于SW-MUSIC算法和声纹信号建立故障定位模型；
故障定位模块，用于根据获取的电力变压器声纹信号和故障定位模型，进行故障定位；
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
作为本实施例一种可能的实现方式，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
作为本实施例一种可能的实现方式，所述模型建立模块包括：
信号模型建立模块，用于利用声纹信号构造麦克风阵列的信号模型；
更新模型建立模块，用于融合平滑相关变换加权算法，构建时延参数更新模型；
参数更新模块，用于通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
算法改进模块，用于对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
谱函数峰值计算模块，用于计算谱函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
作为本实施例一种可能的实现方式，所述的系统还包括：
可视化模块，用于可视化显示故障定位信息。
作为本实施例一种可能的实现方式，所述可视化模块包括：
图像采集模块，用于采集待测电力变压器的实际图像；
图像可视化模块，用于将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
如图3所示，采用本发明所述系统进行变压器故障定位的具体过程如下。
1）、实时采集待测电力变压器的声纹信号。
利用声纹信号采集设备对电力变压器进行信号采集，电力变压器内部故障引发空气振动，通过十字麦克风阵列对故障声纹信号进行采集。十字麦克风阵列排布如图4所示，阵列中心为参考点，由此建立阵列流型。
2）、基于SW-MUSIC算法和声纹信号建立故障定位模型；
故障定位模型主要利用SW-MUSIC算法，融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，建立声纹信号的协方差矩阵，分解得到协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权更新噪声子空间，如图5所示，利用特征向量矩阵为正交矩阵这一性质，循环搜索导向矢量与噪声子空间正交的时候，建立谱函数，从而估计声源方位信息。
首先利用声纹信号构造麦克风阵列的信号模型，考虑声音信号为远场模型，公式(1)为麦克风阵列的信号模型：
其中，
为N个阵元的声纹接受信号，A(θ,φ)为麦克
风阵列流型，
为声源入射信号，N(t)为麦克风阵元接收到的噪声
信号，噪声相互独立。第k个阵元与参考阵元的相对时延τ0k为公式(2)：
其中，θ为入射信号的俯仰角，φ为入射信号的方位角，c为声速，d为阵元间距。公式(3)为阵列流型：
其中，ω为声纹信号的中心频率。将式(2)带入式(3)可得公式(4)：
构建时延参数更新模型，将平滑相关变换加权算法融入整体流程中，针对两个信号来说，通过求取功率谱得到相关函数，在频域范围内抑制噪声的作用，进而得到相对的声源信号的时延差。
具体的，假设两个声源信号为公式(5)、(6):
其中，
是声源传播过程中的衰减系数，
为理论状态的信号，
为声源到第p个阵元（参考点）和第q个阵元的时间延时，
为各自
阵元接收到的白噪声，噪声相互独立。求取p，q阵元之间的互相关函数，公式(7)为互相关函
数：
将公式(5)、(6)带入公式(7)中可以得到公式(8):
其中，根据噪声互不相关，接收信号和噪声也互不相关，所以公式(7)中的后三项可以消除，公式(9)为消除后的结果：
从公式(8)可以看出当
，即
处于峰值位置时，为p，q麦克风之间的
时间延迟。为了减弱噪声信号对时延精度的影响，利用平滑相关变换加权算法，公式(10)为p，q阵元的平滑相关变换加权函数：
其中，
为快速傅里叶变换之后的信号，公式(11)平滑相关变换加权
函数
：
其中，
为p、q麦克风的自功率谱密度。
经过平滑相关变换加权算法计算p、q麦克风的
，对阵列流型中的时延参数进
行更新，切实结合实际麦克风阵列的布局进行信号采集。
接下来进入到定位算法中，公式(12)为构造阵列信号的协方差矩阵：
其中，
为信号部分，
为噪声部分。对协方差矩阵R进行
特征分解，公式(13)为特征分解结果：
其中，U S 为信号子空间、U N 为噪声子空间，由与噪声相关的N-K个特征向量构成。为了使导向矢量和噪声子空间的正交性更强，构造权重矩阵重构噪声子空间，公式(14)、(15)为权重矩阵的计算方法：
其中，λ为特征值矩阵，p可根据实际情况自行调节。将构造的权重矩阵ω与噪声子空间相乘，如公式(16)所示：
最终通过循环扫描可以得到谱估计函数，扫描范围为：θ(0°≤θ≤90°)、φ(0°≤φ≤360°)，公式(17)为谱函数：
在全部扫描情况下，计算谱估计函数峰值P MUISC-M ，进而寻找出与之相对应的方位角θ和俯仰角φ即为声源所在方位。
3）、根据获取的电力变压器声纹信号和故障定位模型，进行故障定位。
将实时获取的电力变压器声纹信号代入公式(17)的谱函数，计算谱估计函数峰值P MUISC-M ，进而寻找出与之相对应的方位角θ和俯仰角φ，即为声源所在方位，从而完成故障定位。
4）、可视化显示故障定位信息。
正交目标信号来向如图6（a）所示，伪普目标信号来向图如图6（b）所示，将得到的目标信号（声纹信号）来向（方向）转换为声源图，与采集的待测电力变压器实际图像融合进行故障定位的可视化显示，得到故障定位的可视化图像，如图7所示。
本发明实施例提供的一种计算机设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述任意基于SW-MUSIC的变压器故障声纹定位方法的步骤。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述基于SW-MUSIC的变压器故障声纹定位方法。
本领域技术人员可以理解，所述计算机设备的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。
在一些实施例中，该计算机设备还可以包括触摸屏可用于显示图形用户界面（例如，应用程序的启动界面）和接收用户针对图形用户界面的操作（例如，针对应用程序的启动操作）。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用LCD(LiquidCrystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作，并生成预先设定的操作指令，例如，用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作。另外，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位、姿势，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成处理器能够处理的信息，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板，也可以采用未来发展的任何技术实现触控面板。进一步的，触控面板可覆盖显示面板，用户可以根据显示面板显示的图形用户界面，在显示面板上覆盖的触控面板上或者附近进行操作，触控面板检测到在其上或附近的操作后，传送给处理器以确定用户输入，随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外，触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
对应于上述应用程序的启动方法，本发明实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任意基于SW-MUSIC的变压器故障声纹定位方法的步骤。
本申请实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
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。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
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 (13)
1.一种基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，包括以下步骤：
实时采集待测电力变压器的声纹信号；
基于SW-MUSIC算法和声纹信号建立故障定位模型；
根据获取的电力变压器声纹信号和故障定位模型，进行故障定位；
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
2.根据权利要求1所述的基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
3.根据权利要求1所述的基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，所述基于SW-MUSIC算法和声纹信号建立故障定位模型，包括以下步骤：
利用声纹信号构造麦克风阵列的信号模型；
融合平滑相关变换加权算法，构建时延参数更新模型；
通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
寻找谱估计函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
4.根据权利要求1所述的基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，所述进行故障定位，即：利用故障定位模型寻找声纹信号的声源所在方位。
5.根据权利要求1-4任意一项所述的基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，还包括以下步骤：
可视化显示故障定位信息。
6.根据权利要求5所述的基于SW-MUSIC的变压器故障声纹定位方法，其特征在于，所述可视化显示故障定位信息，包括：
采集待测电力变压器的实际图像；
将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
7.一种基于SW-MUSIC的变压器故障声纹定位系统，其特征在于，包括：
信号采集模块，用于实时采集待测电力变压器的声纹信号；
模型建立模块，用于基于SW-MUSIC算法和声纹信号建立故障定位模型；
故障定位模块，用于根据获取的电力变压器声纹信号和故障定位模型，进行故障定位；
其中，所述故障定位模型是利用SW-MUSIC算法，其中融入平滑相关变换加权算法更新声源信号相对时延差，重构麦克风阵列流型，进而建立声纹信号的协方差矩阵，利用协方差矩阵的特征值和特征向量，从特征向量中划分信号子空间和噪声子空间，加权重构噪声子空间，进而建立谱函数，进行估计声源方位信息。
8.根据权利要求7所述的基于SW-MUSIC的变压器故障声纹定位系统，其特征在于，所述声纹信号为通过十字麦克风阵列采集到的声纹信号。
9.根据权利要求7所述的基于SW-MUSIC的变压器故障声纹定位系统，其特征在于，所述模型建立模块包括：
信号模型建立模块，用于利用声纹信号构造麦克风阵列的信号模型；
更新模型建立模块，用于融合平滑相关变换加权算法，构建时延参数更新模型；
参数更新模块，用于通过求取功率谱得到相关函数，得到相对的声源信号的时延差并利用时延参数更新模型进行参数更新；
算法改进模块，用于对MUSIC算法进行改进，得到谱函数：
其中，θ为方位角，0°≤θ≤90°，φ为俯仰角，0°≤φ≤360°；A(θ,φ)为麦克风阵列流型；U N-updata 为加权更新后的噪声子空间矩阵；
谱函数峰值计算模块，用于计算谱函数峰值P MUISC-M ，寻找出与之相对应的方位角θ和俯仰角φ,即为声源所在方位。
10.根据权利要求7-9任意一项所述的基于SW-MUSIC的变压器故障声纹定位系统，其特征在于，还包括：
可视化模块，用于可视化显示故障定位信息。
11.根据权利要求10所述的基于SW-MUSIC的变压器故障声纹定位系统，其特征在于，所述可视化模块包括：
图像采集模块，用于采集待测电力变压器的实际图像；
图像可视化模块，用于将声纹信号的来向画出声源图与待测电力变压器实际图像融合，得到故障定位的可视化图像。
12.一种计算机设备，其特征在于，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-6任一所述的基于SW-MUSIC的变压器故障声纹定位方法的步骤。
13.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-6任一所述的基于SW-MUSIC的变压器故障声纹定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442439.0A CN115497501B (zh) | 2022-11-18 | 2022-11-18 | 基于sw-music的变压器故障声纹定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211442439.0A CN115497501B (zh) | 2022-11-18 | 2022-11-18 | 基于sw-music的变压器故障声纹定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115497501A true CN115497501A (zh) | 2022-12-20 |
| CN115497501B CN115497501B (zh) | 2023-04-07 |
Family
ID=85116082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211442439.0A Active CN115497501B (zh) | 2022-11-18 | 2022-11-18 | 基于sw-music的变压器故障声纹定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115497501B (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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080130914A1 (en) * | 2006-04-25 | 2008-06-05 | Incel Vision Inc. | Noise reduction system and method |
| CN102147458A (zh) * | 2010-12-17 | 2011-08-10 | 中国科学院声学研究所 | 一种针对宽带声源的波达方向估计方法及其装置 |
| CN105093070A (zh) * | 2014-05-06 | 2015-11-25 | 长沙理工大学 | 一种大型变压器多放电源超声定位方法 |
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
| CN110488223A (zh) * | 2019-07-05 | 2019-11-22 | 东北电力大学 | 一种声源定位方法 |
| CN111983357A (zh) * | 2020-08-21 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种结合声纹检测功能的超声可视化故障检测方法 |
| CN113362856A (zh) * | 2021-06-21 | 2021-09-07 | 国网上海市电力公司 | 一种应用于电力物联网的声音故障检测方法以及装置 |
| CN113607447A (zh) * | 2021-07-08 | 2021-11-05 | 中核检修有限公司 | 一种声学光学联合风机故障定位装置及方法 |
-
2022
- 2022-11-18 CN CN202211442439.0A patent/CN115497501B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080130914A1 (en) * | 2006-04-25 | 2008-06-05 | Incel Vision Inc. | Noise reduction system and method |
| CN102147458A (zh) * | 2010-12-17 | 2011-08-10 | 中国科学院声学研究所 | 一种针对宽带声源的波达方向估计方法及其装置 |
| CN105093070A (zh) * | 2014-05-06 | 2015-11-25 | 长沙理工大学 | 一种大型变压器多放电源超声定位方法 |
| CN110488223A (zh) * | 2019-07-05 | 2019-11-22 | 东北电力大学 | 一种声源定位方法 |
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
| CN111983357A (zh) * | 2020-08-21 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种结合声纹检测功能的超声可视化故障检测方法 |
| CN113362856A (zh) * | 2021-06-21 | 2021-09-07 | 国网上海市电力公司 | 一种应用于电力物联网的声音故障检测方法以及装置 |
| CN113607447A (zh) * | 2021-07-08 | 2021-11-05 | 中核检修有限公司 | 一种声学光学联合风机故障定位装置及方法 |
Non-Patent Citations (5)
| Title |
|---|
| 仝卜匀: "基于时延估计技术的声源定位方法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 冯西安,黄建国: "三种修正的宽带信号子空间谱估计方法" * |
| 周京波等: "基于信息融合的感应电动机定子故障检测方法研究", 《船电技术》 * |
| 李蜀丰等: "基于改进MUSIC的声源定位方法", 《电子测量与仪器学报》 * |
| 许允之等: "基于3s/2r变换的改进互功率谱MUSIC算法的电动机故障诊断", 《煤矿机电》 * |
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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115497501B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115497501B (zh) | 基于sw-music的变压器故障声纹定位方法及系统 | |
| CN108414833B (zh) | 一种信号分量频率的精确估计方法 | |
| CN104064186A (zh) | 一种基于独立分量分析的电气设备故障音检测方法 | |
| CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及系统 | |
| WO2020024816A1 (zh) | 音频信号处理方法、装置、设备和存储介质 | |
| So et al. | Subspace approach for fast and accurate single-tone frequency estimation | |
| CN108037410B (zh) | 一种基于可控响应功率的局部放电超声波定位方法与装置 | |
| CN104614069A (zh) | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 | |
| CN113155973B (zh) | 一种基于自适应奇异值分解的梁损伤识别方法 | |
| CN106154117A (zh) | 一种分布式并网孤岛检测的组合方法 | |
| KR100921368B1 (ko) | 이동형 마이크로폰 어레이를 이용한 소음원 위치 판별정밀도 개선 시스템 및 방법 | |
| Zhou et al. | High accuracy insulation fault diagnosis method of power equipment based on power maximum likelihood estimation | |
| Zhang et al. | Order domain beamforming for the acoustic localization of rotating machinery under variable speed working conditions | |
| CN105203937A (zh) | 一种变压器内部放电模式识别方法及故障诊断系统 | |
| CN110377927B (zh) | 一种基于matlab仿真的泵站机组转子状态监控方法 | |
| Chahine | Rotor fault diagnosis in induction motors by the matrix pencil method and support vector machine | |
| CN114897032A (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
| Chen et al. | Method based on sparse signal decomposition for harmonic and inter-harmonic analysis of power system | |
| CN105822289A (zh) | 用于油井动液面检测的频率估算方法 | |
| CN106872933B (zh) | 一种电磁矢量传感器阵元姿态位置六维误差自校正方法 | |
| KR101282692B1 (ko) | 충격음의 음장 표시 방법 | |
| CN104391268A (zh) | 一种波达方位角的检测方法 | |
| CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 | |
| Li et al. | A new iterative near-field coherent subspace method for rub-impact fault localization using AE technique | |
| CN113050036B (zh) | 基于多谐振点传声器阵列的gis波束形成定位方法 |
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 |