CN115542101A - 一种变压器声纹检测系统的声纹预处理方法 - Google Patents
一种变压器声纹检测系统的声纹预处理方法 Download PDFInfo
- Publication number
- CN115542101A CN115542101A CN202211513016.3A CN202211513016A CN115542101A CN 115542101 A CN115542101 A CN 115542101A CN 202211513016 A CN202211513016 A CN 202211513016A CN 115542101 A CN115542101 A CN 115542101A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- signal
- transformer
- preprocessing method
- segmented
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000007781 pre-processing Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012935 Averaging Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 239000012212 insulator Substances 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及声纹检测领域，具体涉及在声纹检测之前对声纹数据的预处理。本发明是通过以下技术方案得以实现的：一种变压器声纹检测系统的声纹预处理方法，包含S01、分段信号形成步骤；S02、频域信号转换步骤；S03、功率分谱形成步骤；S04、功率总谱形成步骤；将所有的分段信号的功率分谱进行平均处理，形成一张总的功率总谱。本发明的目的是提供一种变压器声纹检测系统的声纹预处理方法，与原检测系统匹配性好，在无需额外增加硬件设备的情况下，降低处理器后续对声纹数据的处理时间，提升变压器检测效率，并且使得声纹检测系统的数据处理对象为频域信号而非时域信号，使得后续的声纹鉴别中，系统更能有效区分特征与噪声，去偏置与去噪效果提升。
Description
技术领域
本发明涉及声纹检测领域，具体涉及在声纹检测之前对声纹数据的预处理。
背景技术
电力变压器是电力系统中最重要的设备之一，对于电力系统的安全稳定运行具有重要作用，一旦电力变压器发生故障而造成停电，将造成重大的经济损失。基于此，在电力变压器工作的过程中，需要对变压器的健康程度、工作状态进行检测，来识别是否出现故障。
传统的变压器监测手段主要依靠人力观察油色谱分析仪、电压电流测量仪表等辅助装置分析结果，或者使用传声筒对变压器主体进行听声，多为离线手段，并且，诊断发现时，设备缺陷和故障已经形成，因此诊断存在滞后性。
基于此，现有技术使用了声纹检测的技术方案。如公开号为CN114167315的中国专利文件公开了一种变压器智能在线检测系统及其方法，其硬件上包含声纹传感器和振动传感器，分别用于采集变压器在工作时的声纹信号和振动信号，还包含处理器，处理器可以获得上述两种传感器的信号并提取对应的频谱特征，并对这些频谱特征进行分析、识别、判断操作，从而判断出变压器的健康状态。
然而，该技术方案还存在一定的技术缺陷：首先，为了能有效识别声纹信号，声纹信号数据的采集时间往往较长，处理器获得的是一段时间较长的信号数据，相应的，数据量大。而在处理器后续对该段信号数据进行处理、分析的过程中，会由于这些信号数据的长度，造成计算速度慢、总体检测识别效率低的情形。其次，在现有技术中，往往是对数据信号的时域信号进行分析，以时域信号作为数据基础去做分析、切割、过滤、降噪等操作，而这样的操作方式使得分析结果不理想，具体体现在特征与噪声的区分效果不佳，后期以此为基础去做偏置和去噪，效果不好。
发明内容
本发明的目的是提供一种变压器声纹检测系统的声纹预处理方法，与原检测系统匹配性好，在无需额外增加硬件设备的情况下，降低处理器后续对声纹数据的处理时间，提升变压器检测效率，并且使得声纹检测系统的数据处理对象为频域信号而非时域信号，使得后续的声纹鉴别中，系统更能有效区分特征与噪声，去偏置与去噪效果提升。
本发明是通过以下技术方案得以实现的：一种变压器声纹检测系统的声纹预处理
方法，包含如下步骤： S01、分段信号形成步骤； 将一个完整的采样信号分割成多段分段信
号，指定每段所述分段信号的长度； S02、频域信号转换步骤； 并行处理，将每个所述分段
信号做傅里叶变换，使得每个所述分段信号从时域信号转换为频域信号Y，得到每个所述分
段信号的频谱；
，在该公式中，N为分段信号长度，n为信号值的编号, 
该分段信号中第n个信号值，e为自然常数，i为虚数单位； S03、功率分谱形成步骤；
将每个所述分段信号的频谱转换为每个所述分段信号的功率分谱， 功率分谱计算方式为
频谱*频谱的共轭复数/频率分辨率C； 频率分辨率C的计算方式为采样率/分段信号长度；
S04、功率总谱形成步骤； 将所有的分段信号的功率分谱进行平均处理，形成一张总的功率
总谱。
作为本发明的优选，在S01步骤中还存在补零步骤，对最后一个所述分段信号进行补零操作，使该段分段信号的数据长度等于分段信号的指定长度。
作为本发明的优选，在S01步骤中还存在加窗步骤，对分段完毕的所有的分段信号进行加窗操作。
作为本发明的优选，在所述加窗步骤中，采用平顶窗或矩形窗或凯塞窗或布莱克曼窗作为加窗窗口。
作为本发明的优选，在所述加窗步骤中，采用汉宁窗作为加窗窗口。
作为本发明的优选，在S04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为能量平均法或最小保持平均法或最大保持平均法。
作为本发明的优选，在S04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为加权平均的算法，公式为：
综上所述，本发明具有如下有益效果：
1、一个冗长的信号被分隔成多段相互独立的分段信号，且能被处理器同时并行处理，大大降低处理时间，提升声纹检测系统的运行效率。
2、在本发明中，把时域录音整个转换到频域进行处理，更有效区分特征与噪声，后期的去偏置与去噪效果提升。
3、各个分段进行加窗处理，避免分段的端点会由于数据不稳定产生能量冲击的问题。
4、汉宁窗能更好地平衡分辨率与旁瓣衰减的关系，其主瓣带宽窄，而旁瓣衰减值较快，这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
5、加权平均计算，数据增加时可以基于当前平均数与新数据作平均，无需全部数据重新计算。
6、不同的放电情况预先存储不同的滤波策略，处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减，突出每种模式在频谱图信号中的特征。
具体实施方式
以下对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1，一种变压器声纹检测系统的声纹预处理方法，其在硬件设备上依然使用原本的变压器声纹检测系统，无需额外变化。该种预处理方法主要是在处理器正式检测声纹信号之前，对声纹信号做了优化处理。
具体的，其包含如下步骤：
S01、分段信号形成步骤。
该步骤中，需要将一个完整的采样信号分割成若干段分段信号。此时需要确定分段信号的指定长度，这个长度一般为2的整数次方，例如1024、2048、4096等。在本实施例中，将2048作为分段的指定长度。而采样信号的长度为取决于采样率和采样时间，如，在本实施例中，采样率为48K采样，采样时间为2秒，则一个完整的采样信号的长度为48K*2=96000。既然2048作为分段长度，则这里就分成了96000/2048=46.875段，即形成了47段的分段信号。
在本步骤中还存在有补零步骤，即第47段的末尾受总长的影响，并没有数据，此时需要在第47段的末尾做补零操作，即，没有数据的部分都补上数据0，使47段的总长度同样为2048。
进一步的，在本实施例中，这里还存在加窗步骤。
这是由于，分段之后，各个分段的端点会由于数据不稳定产生能量冲击的问题，需要对分段后的数据进行加窗处理。
加窗可以直接选用现有技术中的窗口方式，如平顶窗、矩形窗、凯塞窗、布莱克曼窗。然而，所使用的窗口类型也会影响分辨率。在本实施例中，需要平衡分辨率与旁瓣衰减的关系。在本实施例中，选择采用汉宁窗，这是因为其主瓣带宽窄，为1.44（dB），而旁瓣衰减值较快，为-60（dB per 10 Oct），这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
S02、频域信号转换步骤。
该步骤为关键步骤之一，是将所有的每个分段信号做傅里叶变换，让分段信号从时域信号转换为频域信号Y。
由于做了分段处理，每个分段信号的数据长度都比较小，做傅里叶变换这一处理的时间都大为缩短。而这个过程不是串行处理，而是并行处理，即47段分段信号一起同步进行傅里叶变换，得到各自的频域信号Y。傅里叶变换公式如下：
在该公式中，N为分段信号长度，在本实施例中，即为2048。n为信号值的编号，
该分段信号中第n个信号值，e为自然常数，e = 2.71828182845904523536 ...i为虚数单
位，
，π为圆周率，k为频率信号的编号值，为0、1、2、3……N-1。
至此，每段信号的频域信号转换完成，即每段信号的频谱都已自然形成。
需要说明的是，现有技术中，往往是去噪滤波在时域上处理，而在本发明中，把时域录音整个转换到频域进行处理，更有效区分特征与噪声，后期的去偏置与去噪效果提升。
S03、功率分谱形成步骤。
在本步骤中，就是根据S02末尾形成的频谱转换计算为功率谱。
而功率谱的计算方式为：“频谱”乘以“共轭复数”除以“频率分辨率”。频谱即是上文中的Y，而共轭复数为Y’，由于Y为复数形式，表示为：Y=a+bi,则共轭复数Y’=a-bi。频率分辨率C的计算方式为采样率/分段信号长度。例如在本实施例中，如上文所述，采样率为48K采样，分段信号长度为2048，则C=48K/2048=23.4375Hz。
至此，每段分段信号的功率谱也以形成，在本实施例中，由于存在47段分段信号，故一共形成了47段功率分谱。
S04、功率总谱形成步骤。
该步骤是将47段功率分谱进行整合，最后形成一张总的功率总谱。这个整合是指对47段功率分谱进行平均操作。平均的方式有较多选择，可以选择能量平均法、最小保持平均法、最大保持平均法或其他平均的算法。
在本实施例中，采用了加权平均的算法。具体的公式为：
这样的平均处理方式，当前数据与前一数据进行加权计算，相较于其他平均，这种平均对实时数据处理友好。数据增加时可以基于当前平均数与新数据作平均，无需全部数据重新计算。
而这个总的功率总谱即为本技术方案的最终结果，至此，所有预处理都已结束，可进行后续的声纹识别声纹检测。
实施例2，在实施例1的基础上还有S05、放电匹配步骤和S06、滤波步骤。
放电是指变压器的表面会出现放电现象，从而使得总的功率图谱的图像质量有影响。在S05中，主要是对变压器的表面的放电情况进行评估和判断，从而选择合适的滤波策略在S06中，对功率图谱进行滤波操作。
具体的，在S05步骤中，处理器对功率图谱进行图像识别。在本实施例中，先进行分帧处理，随后处理器对分帧后的功率图谱进行图像识别。在实际工作中，往往存在以下四种放电识别结果，情况一：悬浮电位体放电；这种情况从功率图谱图像上看，放电脉冲幅值稳定，且相邻放电时间间隔基本一致。当悬浮金属体不对称时，正负半波检测信号有极性差异。情况二：沿面放电；这种情况从功率图谱图像上看，放电幅值分散性较大，放电时间间隔不稳定，极性效应不明显。情况三：金属尖端/电晕放电；这种情况从功率图谱图像上看，放电次数较多，放电幅值分散性小，时间间隔均匀。放电的极性效应非常明显，通常仅在工频相位的负半周出现。情况四：绝缘件内部气隙放电。这种情况从功率图谱图像上看，放电次数少，周期重复性低。放电幅值也较分散，但放电相位较稳定，无明显极性效应。
识别过程可以通过人工识别，也可以处理器通过视觉识别程序来实现。
识别之后，不同的放电情况预先存储不同的滤波策略，处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减，突出每种模式在频谱图信号中的特征。比如电晕放电，会进行半周期滤波操作，使特征中正周期的干扰信号衰减，滤波后使负周期放电信号更清晰。
Claims (10)
1.一种变压器声纹检测系统的声纹预处理方法，其特征在于，包含如下步骤： S01、分
段信号形成步骤； 将一个完整的采样信号分割成多段分段信号，指定每段所述分段信号的
长度； S02、频域信号转换步骤； 并行处理，将每个所述分段信号做傅里叶变换，使得每个
所述分段信号从时域信号转换为频域信号Y，得到每个所述分段信号的频谱；
，在该公式中，N为分段信号长度，n为信号值的编号，
该分段
信号中第n个信号值，e为自然常数，i为虚数单位，k为频率信号编号，取值为0、1、2……N-1；
S03、功率分谱形成步骤； 将每个所述分段信号的频谱转换为每个所述分段信号的功率分
谱， 功率分谱计算方式为频谱*频谱的共轭复数/频率分辨率C； 频率分辨率C的计算方式
为采样率/分段信号长度； S04、功率总谱形成步骤； 将所有的分段信号的功率分谱进行平
均处理，形成一张总的功率总谱。
2.根据权利要求1所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在S01步骤中还存在补零步骤，对最后一个所述分段信号进行补零操作，使该段分段信号的数据长度等于分段信号的指定长度。
3.根据权利要求1所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在S01步骤中还存在加窗步骤，对分段完毕的所有的分段信号进行加窗操作。
4.根据权利要求3所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在所述加窗步骤中，采用平顶窗或矩形窗或凯塞窗或布莱克曼窗作为加窗窗口。
5.根据权利要求3所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在所述加窗步骤中，采用汉宁窗作为加窗窗口。
6.根据权利要求1所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在S04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为能量平均法或最小保持平均法或最大保持平均法。
7.根据权利要求1所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在
S04步骤中，对所有的分段信号的功率分谱采用平均整合的方式为加权平均的算法，公式
为：
， 
为包括当前Z向量的移动平均值 ，
即
为移动平均值到前一个Z向量，
为应用于当前Z向量的加权因子，而其计算方式为：
，其中，
为遗忘因子，由用户指定。
8.根据权利要求1所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：还包含S05、放电匹配步骤； 处理器对功率总谱进行图像识别，判断出变压器处于何种放电模式，并匹配该种放电模式对应的滤波模式； S06、滤波步骤； 处理器依据匹配出的滤波模式对功率总谱进行滤波修正操作。
9.根据权利要求8所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在所述S05中，放电模式包含四种情况，情况一：悬浮电位体放电；情况二：沿面放电；情况三：金属尖端/电晕放电；情况四：绝缘件内部气隙放电。
10.根据权利要求8所述的一种变压器声纹检测系统的声纹预处理方法，其特征在于：在所述S05中，处理器对所述功率总谱先进行分帧处理，随后处理器再对分帧后的功率总谱进行图像识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211513016.3A CN115542101A (zh) | 2022-11-30 | 2022-11-30 | 一种变压器声纹检测系统的声纹预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211513016.3A CN115542101A (zh) | 2022-11-30 | 2022-11-30 | 一种变压器声纹检测系统的声纹预处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115542101A true CN115542101A (zh) | 2022-12-30 |
Family
ID=84721638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211513016.3A Pending CN115542101A (zh) | 2022-11-30 | 2022-11-30 | 一种变压器声纹检测系统的声纹预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115542101A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
| CN103576061A (zh) * | 2013-10-17 | 2014-02-12 | 国家电网公司 | 一种用于变压器放电性故障诊断的方法 |
| CN104375067A (zh) * | 2014-11-18 | 2015-02-25 | 深圳供电局有限公司 | 一种环网开关柜局部放电检测装置和方法 |
| CN105021958A (zh) * | 2014-07-27 | 2015-11-04 | 国家电网公司 | 基于多传感器检测的开关柜局部放电数据记录分析方法 |
| CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
| CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
| CN106841905A (zh) * | 2017-04-14 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种变压器短路故障的识别方法及装置 |
| CN107423656A (zh) * | 2016-05-23 | 2017-12-01 | 何铭 | 一种协同式人机混合智能识别方法 |
| CN107728018A (zh) * | 2017-09-20 | 2018-02-23 | 国网浙江省电力公司绍兴供电公司 | 一种电力电缆现场局部放电信号的降噪方法 |
| CN107991590A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于频域功率谱的电缆局部放电信号特征向量提取方法 |
| CN108169638A (zh) * | 2017-12-29 | 2018-06-15 | 山东中实易通集团有限公司 | 一种带电检测局部放电缺陷类型判定的方法 |
| CN109445882A (zh) * | 2017-08-21 | 2019-03-08 | 深圳市鼎阳科技有限公司 | 一种频谱三维显示装置、方法及计算机可读存储介质 |
| CN111123044A (zh) * | 2019-11-25 | 2020-05-08 | 国网江西省电力有限公司电力科学研究院 | 一种sf6酸性分解物浓度判断gis局放量的方法及装置 |
| CN113866570A (zh) * | 2021-08-06 | 2021-12-31 | 厦门欧易奇机器人有限公司 | 一种基于声纹的局放监测方法 |
| CN114019236A (zh) * | 2021-10-12 | 2022-02-08 | 中国科学院空天信息创新研究院 | 一种电网谐波单通道混叠目标信号检测方法和装置 |
-
2022
- 2022-11-30 CN CN202211513016.3A patent/CN115542101A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
| CN103576061A (zh) * | 2013-10-17 | 2014-02-12 | 国家电网公司 | 一种用于变压器放电性故障诊断的方法 |
| CN105021958A (zh) * | 2014-07-27 | 2015-11-04 | 国家电网公司 | 基于多传感器检测的开关柜局部放电数据记录分析方法 |
| CN104375067A (zh) * | 2014-11-18 | 2015-02-25 | 深圳供电局有限公司 | 一种环网开关柜局部放电检测装置和方法 |
| CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
| CN107423656A (zh) * | 2016-05-23 | 2017-12-01 | 何铭 | 一种协同式人机混合智能识别方法 |
| CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
| CN106841905A (zh) * | 2017-04-14 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种变压器短路故障的识别方法及装置 |
| CN109445882A (zh) * | 2017-08-21 | 2019-03-08 | 深圳市鼎阳科技有限公司 | 一种频谱三维显示装置、方法及计算机可读存储介质 |
| CN107728018A (zh) * | 2017-09-20 | 2018-02-23 | 国网浙江省电力公司绍兴供电公司 | 一种电力电缆现场局部放电信号的降噪方法 |
| CN107991590A (zh) * | 2017-11-28 | 2018-05-04 | 广东电网有限责任公司珠海供电局 | 一种基于频域功率谱的电缆局部放电信号特征向量提取方法 |
| CN108169638A (zh) * | 2017-12-29 | 2018-06-15 | 山东中实易通集团有限公司 | 一种带电检测局部放电缺陷类型判定的方法 |
| CN111123044A (zh) * | 2019-11-25 | 2020-05-08 | 国网江西省电力有限公司电力科学研究院 | 一种sf6酸性分解物浓度判断gis局放量的方法及装置 |
| CN113866570A (zh) * | 2021-08-06 | 2021-12-31 | 厦门欧易奇机器人有限公司 | 一种基于声纹的局放监测方法 |
| CN114019236A (zh) * | 2021-10-12 | 2022-02-08 | 中国科学院空天信息创新研究院 | 一种电网谐波单通道混叠目标信号检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
| CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
| CN111059066B (zh) | 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法 | |
| RU2709414C1 (ru) | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов | |
| Xu et al. | A novel deconvolution cascaded variational mode decomposition for weak bearing fault detection with unknown signal transmission path | |
| CN110173439B (zh) | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 | |
| CN109684898A (zh) | 航空发动机及其振动信号盲分离方法和装置 | |
| CN115857013A (zh) | 一种利用改进welch法计算地震计自噪声的方法 | |
| Huang et al. | Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA | |
| CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
| Gupta et al. | Estimation of instantaneous frequencies using iterative empirical mode decomposition | |
| CN115542101A (zh) | 一种变压器声纹检测系统的声纹预处理方法 | |
| Gryllias et al. | A peak energy criterion (pe) for the selection of resonance bands in complex shifted morlet wavelet (csmw) based demodulation of defective rolling element bearings vibration response | |
| CN108008262B (zh) | 一种局部放电快速检测方法 | |
| CN110542927B (zh) | 变窗口加权地震数据尖峰噪声压制方法 | |
| CN117349615A (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
| CN117169193A (zh) | 一种基于拉曼光谱谱峰识别判断变压器油绝缘老化的方法 | |
| CN115436058B (zh) | 一种轴承故障特征提取的方法、装置、设备以及存储介质 | |
| Stanković | About time-variant filtering of speech signals with time-frequency distributions for hands-free telephone systems | |
| CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
| Huang et al. | Short-time kurtogram for bearing fault feature extraction under time-varying speed conditions | |
| CN115602191A (zh) | 一种变压器声纹检测系统的噪声消除方法 | |
| CN114813129A (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
| Li et al. | Adaptive de-noising for PD online monitoring based on wavelet transform | |
| CN110263711B (zh) | 一种基于改进谱峭度的耦合信号冲击特征提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221230 |
|
| RJ01 | Rejection of invention patent application after publication |