CN115862680A - 一种基于电机运行音频的故障检测方法及系统 - Google Patents
一种基于电机运行音频的故障检测方法及系统 Download PDFInfo
- Publication number
- CN115862680A CN115862680A CN202211583429.9A CN202211583429A CN115862680A CN 115862680 A CN115862680 A CN 115862680A CN 202211583429 A CN202211583429 A CN 202211583429A CN 115862680 A CN115862680 A CN 115862680A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- audio
- motor
- short
- data
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000005236 sound signal Effects 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于电机运行音频的故障检测方法及系统，包括：采集电机运行时转子转动的第一音频信号；对第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；在频域上对第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；基于GMM高斯混合模型，通过获取第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据；本发明显著降低了检测电机故障的成本，保障了电机的安全运行。
Description
技术领域
本发明涉及新能源设备故障检测领域，尤其涉及一种基于电机运行音频的故障检测方法及系统。
背景技术
如今，人们对新能源的利用与日俱增，促使了新能源电机的广泛使用。然而，恶劣的工作环境增加了电机各种故障的风险，组件的振动、腐蚀和温度变化都会影响电机的正常工作，并可能导致电力系统的严重故障。与此同时，对电机进行非计划维护的代价高昂。为了降低这一成本，避免电机潜在不可逆损害，必须尽早发现故障。
一个典型的基于音频的故障检测系统由三个部分组成：收集并上传电机运行音频的声音采集系统，部署了故障检测模型的服务器以及检测结果的显示和报警系统。
考虑到模型的鲁棒性、安全性和可用性，一个基于电机运行音频的电机故障检测系统需要满足以下要求：(1)区分故障与正常。对于电机运行时的音频数据，模型需要能从中提取特征并判断是正常运行还是存在异常。(2)模型的鲁棒性。对于一些异常声音，特别是原先训练数据中不存在的声音，模型需要能稳定地运行，不受异常噪声的干扰。(3)成本。用户不需要部署过于复杂的设备或者训练异常庞大的模型。
目前，电机故障检测系统主要着眼于使用桨矩角位置、转子转矩等工程特征，而暂时还很少使用音频来作为特征。然而伴随着新能源越来越广泛的应用，急需一种基于电机运行音频的故障检测方法及系统，用于解决现有技术存在的问题，则变得尤为重要了。
发明内容
为了改进现有的方法，以及降低检测方案的成本，本发明的目的是提供一种基于电机运行音频的故障检测方法及系统，用于满足现有的技术需求。
为了实现上述技术目的，本发明提供了一种基于电机运行音频的故障检测方法，包括以下步骤：
采集电机运行时转子转动的第一音频信号；
对第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
在频域上对第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
基于GMM高斯混合模型，通过获取第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
优选地，在采集第一音频信号的过程中，在电机底部，距离电机的塔筒8-12厘米处，采集第一音频信号，其中，第一音频信号包括故障音频和正常音频。
优选地，在对第一音频信号进行预加重处理的过程中，通过一阶FIR高通数字滤波器，对第一音频信号进行预加重处理。
优选地，在获取第二音频信号的过程中，对预加重处理后的第一音频信号，通过短时傅里叶变换生成频谱图；
对帧长从80ms到300ms的频谱图，设置步长为20ms，并以窗函数进行排列组合，生成时频图；
根据分辨率较高同时噪声较少的时频图，生成第二音频信号。
优选地，在以窗函数进行排列组合的过程中，窗函数包括矩形窗、汉宁窗、汉明窗中的一种或多种组合。
优选地，在生成第三音频信号的过程中，基于第二音频信号，通过使用SVM算法对人声做剪裁处理，以及对背景噪声进行LMS自适应滤波算法处理后，生成第三音频信号。
优选地，在通过GMM高斯混合模型生成故障数据的过程中，GMM高斯混合模型表示为：
L＝log(p(X))
其中，p(xi)表示数据xi的概率，ck表示类簇，k表示高斯分布个数；
使用EM算法迭代计算L最大似然估计。
优选地，在进行聚类训练的过程中，根据电机的转动周期，对第三音频信号进行切片；
根据切片后的第三音频信号，作为模型输入，通过GMM高斯混合模型进行聚类训练。
优选地，在对第三音频信号进行切片的过程中，根据短时能量和短时过零率，通过语音端点检测算法，对第三音频信号进行周期划分，并对周期数据做对齐处理，其中，根据电机转速的下限，进行周期数据的对齐处理；
获取切片后的第三音频信号的短时能量、短时过零率、梅尔倒谱系数，并将梅尔倒谱系数从二维数据平铺成一维数据后，通过GMM高斯混合模型进行聚类训练。
本发明提供了一种基于电机运行音频的故障检测系统，包括：
数据采集模块，用于采集电机运行时转子转动的第一音频信号；
数据预处理模块，用于对第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
数据去噪模块，用于在频域上对第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
故障数据识别模块，用于基于GMM高斯混合模型，通过获取第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
本发明公开了以下技术效果：
本发明提出的故障检测方法，根据电机运行时的音频数据判断电机是否存在故障，通过SVM算法和LMS自适应滤波算法来降低噪声，使用GMM算法训练模型，显著降低了检测电机故障的成本，保障了电机的安全运行。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的基于音频的电机故障检测系统结构模型；
图2为本发明所述的基于音频的电机故障检测系统流程图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-2所示，本发明提供了一种基于电机运行音频的故障检测方法，包括以下步骤：
采集电机运行时转子转动的第一音频信号；
对第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
在频域上对第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
基于GMM高斯混合模型，通过获取第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
进一步优选地，在采集第一音频信号的过程中，在电机底部，距离电机的塔筒8-12厘米处，采集第一音频信号，其中，第一音频信号包括故障音频和正常音频。
进一步优选地，在对第一音频信号进行预加重处理的过程中，通过一阶FIR高通数字滤波器，对第一音频信号进行预加重处理。
进一步优选地，在获取第二音频信号的过程中，对预加重处理后的第一音频信号，通过短时傅里叶变换生成频谱图；
对帧长从80ms到300ms的频谱图，设置步长为20ms，并以窗函数进行排列组合，生成时频图；
根据分辨率较高同时噪声较少的时频图，生成第二音频信号。
进一步优选地，在以窗函数进行排列组合的过程中，窗函数包括矩形窗、汉宁窗、汉明窗中的一种或多种组合。
进一步优选地，在生成第三音频信号的过程中，基于第二音频信号，通过使用SVM算法对人声做剪裁处理，以及对背景噪声进行LMS自适应滤波算法处理后，生成第三音频信号。
进一步优选地，在通过GMM高斯混合模型生成故障数据的过程中，GMM高斯混合模型表示为：
L＝log(p(X))
其中，p(xi)表示数据xi的概率，ck表示类簇，k表示高斯分布个数；
使用EM算法迭代计算L最大似然估计。
进一步优选地，在进行聚类训练的过程中，根据电机的转动周期，对第三音频信号进行切片；
根据切片后的第三音频信号，作为模型输入，通过GMM高斯混合模型进行聚类训练。
进一步优选地，在对第三音频信号进行切片的过程中，根据短时能量和短时过零率，通过语音端点检测算法，对第三音频信号进行周期划分，并对周期数据做对齐处理，其中，根据电机转速的下限，进行周期数据的对齐处理；
获取切片后的第三音频信号的短时能量、短时过零率、梅尔倒谱系数，并将梅尔倒谱系数从二维数据平铺成一维数据后，通过GMM高斯混合模型进行聚类训练。
本发明提供了一种基于电机运行音频的故障检测系统，包括：
数据采集模块，用于采集电机运行时转子转动的第一音频信号；
数据预处理模块，用于对第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
数据去噪模块，用于在频域上对第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
故障数据识别模块，用于基于GMM高斯混合模型，通过获取第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
如图1所示的基于音频的电机故障检测结构模型，它包括本发明涉及的实体和实体之间的连接请求。
本发明涉及四个实体：音频采集设备、运行模型的服务器、工作人员、用户。工作人员接收音频采集设备收集的声音，做降噪处理并训练一个可以检测故障的模型，将这个模型部署到服务器。服务器会将电机运行状态推送给用户并在出现故障时发出警告。
本发明主要包含四大部分内容：数据收集、数据处理、特征提取、模型训练和使用，具体包括以下内容：
(1)数据收集阶段：在电机底部，距离电机的塔筒10厘米左右，将音频采集器使用防风毛套包裹，使用扎带固定好。
(2)数据处理阶段：首先计算频谱图并选择合适的帧长和窗函数。由于原始数据无法直接输入模型，首先需要去除输入音频中的人声部分和噪声部分，具体做法是基于对数帧能量和过零率等特征使用SVM模型生成一个人声检测模型，利用这个模型去除人声。再使用LMS自适应滤波算法降低环境噪声。
(3)特征提取阶段：使用基于短时能量和短时过零率的波峰波谷来划分音频周期，然后利用选好的帧长和窗函数对每个周期计算短时能量、短时过零率、梅尔倒谱系数。
(4)模型训练和使用阶段：使用GMM算法，基于步骤(3)提取的特征训练一个模型，使用训练好的模型对待检测数据做分类，用户使用GMM高斯混合模型对输入特征做聚类，从聚类结果中找到异常类别，并将聚类到同一类别的待测试数据作为故障数据。
实施例1：如图2所示的数据处理阶段，实现了对原始数据中人声的裁剪和环境噪声的降噪，以下是降噪的步骤说明：
步骤101：对于输入音频时域信号X＝{x1,x2,...,xn},使用一阶FIR高通数字滤波器实现预加重，公式为H(z)＝1-uz-1。设n时刻的信号值为X(n),则经过预加重的处理结果为y(n)＝x(t)-ax(t-1)。
步骤102：利用短时傅里叶变换计算输入信号的频谱图，公式为
其中，h(τ-t)是分析窗函数。对帧长从80ms到300ms，步长20ms以及窗函数为矩形窗、汉宁窗、汉明窗进行排列组合，计算短时傅里叶时频图，比较并选择分辨率较高同时噪声较少的参数使用。
步骤103：人工听取20h的电机运行音频数据，对存在人声的片段打上标记，存在为1，不存在为0。
步骤104：每秒为一帧，设一帧待检测音频数据为X(n)，n的范围为1-L，即每帧数据的所有采样点，计算待检测音频的以下特征：对数帧能量，公式为
过零率；在延迟一个位置处标准化自相关函数，公式为/>
12阶线性预测的第一个系数；12阶线性预测误差的对数。
步骤105：计算上述特征，对存在多个值的特征计算均值和方差，将上述值作为特征，使用SVM算法作为一个分类任务进行训练。
步骤106：对待检测故障的音频数据应用训练好的模型，去除存在人声的片段
步骤107：基于环境声与电机声不相关的特性，对待检测故障的音频数据应用LMS自适应滤波算法，将噪声信号估计为
其中，Xi为输入信号，Wi为权系数。从原始信号中减去噪声信号。
如图2所示的特征提取阶段，实现了对处理后的音频信号数据划分周期并提取特征，以下是步骤说明：
步骤201：以20ms为一段，计算待检测音频的短时能量和短时过零率。
步骤202：以短时能量作为纵轴，时间作为横轴，将其作为一段信号计算波峰波谷，记录波峰与波谷出现的时间序列T1。以短时过零率作为纵轴，时间作为横轴，将其作为一段信号计算波峰波谷，记录波峰与波谷出现的时间序列T2。
步骤203：取同一个端点对应的t1∈T1，t2∈T2，取其平均值作为端点。
步骤204：根据上述过程计算出的待检测音频周期，根据电机转速的下限为8rpm,将每段音频片段对齐到8s，对不存在的片段做补0处理。
步骤205：对每段数据计算短时能量、过零率、梅尔倒谱系数，将梅尔倒谱系数从二维数据平铺成一维数据。
如图2所示的模型训练和使用阶段，实现了根据提取出的特征训练一个模型并用于检测故障，以下是步骤说明：
步骤301：假设特征数据符合k个高斯分布，令ck为类簇，每个数据Xi的概率为
L＝log(p(X))。
步骤302：使用EM算法迭代计算L最大似然估计；
步骤303：将计算好的模型部署到服务器，对新的数据聚类并输出结果；
通过上述的算法过程，用户可以实时监测电机的运行状态，并在电机发生故障时收到报警。
步骤303：将计算好的模型部署到服务器，对新的数据聚类并输出结果。
通过上述的算法过程，用户可以实时监测电机的运行状态，并在电机发生故障时收到报警。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
本发明是参照根据本发明实施例的方法、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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
Claims (10)
1.一种基于电机运行音频的故障检测方法，其特征在于，包括以下步骤：
采集电机运行时转子转动的第一音频信号；
对所述第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
在频域上对所述第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
基于GMM高斯混合模型，通过获取所述第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
2.根据权利要求1所述一种基于电机运行音频的故障检测方法，其特征在于：
在采集第一音频信号的过程中，在电机底部，距离电机的塔筒8-12厘米处，采集所述第一音频信号，其中，所述第一音频信号包括故障音频和正常音频。
3.根据权利要求2所述一种基于电机运行音频的故障检测方法，其特征在于：
在对所述第一音频信号进行预加重处理的过程中，通过一阶FIR高通数字滤波器，对所述第一音频信号进行预加重处理。
4.根据权利要求3所述一种基于电机运行音频的故障检测方法，其特征在于：
在获取第二音频信号的过程中，对预加重处理后的所述第一音频信号，通过短时傅里叶变换生成频谱图；
对帧长从80ms到300ms的所述频谱图，设置步长为20ms，并以窗函数进行排列组合，生成时频图；
根据分辨率较高同时噪声较少的所述时频图，生成所述第二音频信号。
5.根据权利要求4所述一种基于电机运行音频的故障检测方法，其特征在于：
在以窗函数进行排列组合的过程中，所述窗函数包括矩形窗、汉宁窗、汉明窗中的一种或多种组合。
6.根据权利要求5所述一种基于电机运行音频的故障检测方法，其特征在于：
在生成第三音频信号的过程中，基于所述第二音频信号，通过使用SVM算法对人声做剪裁处理，以及对背景噪声进行LMS自适应滤波算法处理后，生成所述第三音频信号。
7.根据权利要求6所述一种基于电机运行音频的故障检测方法，其特征在于：
在通过GMM高斯混合模型生成故障数据的过程中，所述GMM高斯混合模型表示为：
L＝log(p(X))
其中，p(xi)表示数据xi的概率，ck表示类簇，k表示高斯分布个数；
使用EM算法迭代计算L最大似然估计。
8.根据权利要求7所述一种基于电机运行音频的故障检测方法，其特征在于：
在进行聚类训练的过程中，根据所述电机的转动周期，对所述第三音频信号进行切片；
根据切片后的所述第三音频信号，作为模型输入，通过所述GMM高斯混合模型进行聚类训练。
9.根据权利要求6所述一种基于电机运行音频的故障检测方法，其特征在于：
在对所述第三音频信号进行切片的过程中，根据所述短时能量和所述短时过零率，通过语音端点检测算法，对所述第三音频信号进行周期划分，并对周期数据做对齐处理，其中，根据电机转速的下限，进行周期数据的对齐处理；
获取切片后的所述第三音频信号的所述短时能量、所述短时过零率、所述梅尔倒谱系数，并将所述梅尔倒谱系数从二维数据平铺成一维数据后，通过所述GMM高斯混合模型进行聚类训练。
10.一种基于电机运行音频的故障检测系统，其特征在于，包括：
数据采集模块，用于采集电机运行时转子转动的第一音频信号；
数据预处理模块，用于对所述第一音频信号进行预加重处理，获取噪声少且分辨率高的第二音频信号；
数据去噪模块，用于在频域上对所述第二音频信号的噪声做过滤处理，并对于存在人声的片段做剪裁并拼接剩余片段，生成第三音频信号；
故障数据识别模块，用于基于GMM高斯混合模型，通过获取所述第三音频信号的短时能量、短时过零率、梅尔倒谱系数，进行聚类训练，根据聚类到同一类别的第三音频信号，生成故障数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211015161 | 2022-08-23 | ||
| CN2022110151619 | 2022-08-23 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115862680A true CN115862680A (zh) | 2023-03-28 |
Family
ID=85671773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211583429.9A Withdrawn CN115862680A (zh) | 2022-08-23 | 2022-12-10 | 一种基于电机运行音频的故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115862680A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935894A (zh) * | 2023-09-19 | 2023-10-24 | 佛山科学技术学院 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
-
2022
- 2022-12-10 CN CN202211583429.9A patent/CN115862680A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935894A (zh) * | 2023-09-19 | 2023-10-24 | 佛山科学技术学院 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
| CN116935894B (zh) * | 2023-09-19 | 2023-11-21 | 佛山科学技术学院 | 一种基于时频域突变特征的微电机异音识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108896878B (zh) | 一种基于超声波的局部放电检测方法 | |
| JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
| CN102426835B (zh) | 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 | |
| US8140331B2 (en) | Feature extraction for identification and classification of audio signals | |
| CN109599120B (zh) | 一种基于大规模养殖场厂哺乳动物异常声音监测方法 | |
| CN110570880B (zh) | 一种鼾声信号识别方法 | |
| CN106548786B (zh) | 一种音频数据的检测方法及系统 | |
| CN102628917A (zh) | 局部放电识别方法和系统 | |
| JP6784758B2 (ja) | ノイズ信号判定方法及び装置並びに音声ノイズ除去方法及び装置 | |
| CN115862680A (zh) | 一种基于电机运行音频的故障检测方法及系统 | |
| CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| CN110838302B (zh) | 基于信号能量尖峰识别的音频分割方法 | |
| Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
| US8666734B2 (en) | Systems and methods for multiple pitch tracking using a multidimensional function and strength values | |
| CN105812721A (zh) | 一种跟踪监控方法及跟踪监控设备 | |
| CN105352541B (zh) | 一种基于电网防灾减灾系统的变压器运行辅助监测系统及其监测方法 | |
| CN111755025B (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
| CN112782421A (zh) | 一种基于音频的转速识别方法 | |
| JP7402500B2 (ja) | 状態変化検知システム及び状態変化検知プログラム | |
| WO2022205400A1 (zh) | 一种基于语音识别的安全预警方法、装置及终端设备 | |
| Cnockaert et al. | Fundamental frequency estimation and vocal tremor analysis by means of morlet wavelet transforms | |
| CN118376407B (zh) | 一种风电机组传动系统振动信号重构方法及系统 | |
| CN113654652B (zh) | 一种直流控保装置故障识别方法及相关装置 | |
| CN117524250A (zh) | 基于自监督和弱监督的水轮发电机组异常声音检测方法 | |
| NIŢĂ et al. | Enf phase discontinuity detection based on multi-harmonics analysis |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230328 |