CN108196164A - 一种用于强背景噪声下电缆故障点放电声音信号提取方法 - Google Patents
一种用于强背景噪声下电缆故障点放电声音信号提取方法 Download PDFInfo
- Publication number
- CN108196164A CN108196164A CN201711445026.7A CN201711445026A CN108196164A CN 108196164 A CN108196164 A CN 108196164A CN 201711445026 A CN201711445026 A CN 201711445026A CN 108196164 A CN108196164 A CN 108196164A
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- mode decomposition
- empirical mode
- background noise
- 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
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- 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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
- Locating Faults (AREA)
Abstract
本发明属于智能背景降噪技术领域,公开了一种用于强背景噪声下电缆故障点放电声音信号提取方法,采集已知故障点处高信噪比的冲击放电声z0与未知故障点的低信噪比混合信号x0;对采集的混合信号x0进行经验模态分解得到本征模态分量;对信号x0与本征模态分量进行基于收敛因子的五阶收敛ICA;判断得到的两个ICA分量;判断经验模态分解代数是否达到预定值;若达到预定值,将本征模态分量的频谱分布分别与信号z0的频谱分布进行比较;提取频谱与信号z0频谱具有最大相关性的本征模态分量为最终所要求得的未知故障点的冲击放电声。本发明约束少,依赖性小,能够避免无意义的分解,减少方法计算量,使得电缆故障检测定点仪达到实时检测故障点的目的。
Description
技术领域
本发明属于智能背景降噪技术领域,尤其涉及一种用于强背景噪声下电缆故障点放电声音信号提取方法。
背景技术
随着城市的快速发展,地埋电缆逐渐取代高空电缆,且社会经济的增长使得电缆工作负荷增加,加之工作周期增长,电缆容易发生故障但故障点不易被检测到,如果故障点定位不准,故障处理不及时,将会造成经济社会的巨大损失,因此一种快速、准确的电缆故障定位方法对保障人们生活与生产的质量具有重大意义。声测法、声磁同步法与音频电流感应法等是目前电缆故障定位中的有效方法,这些方法中都需要对声音信号进行检测以达到判断故障点位置的目的,但电缆故障点的检测大多位于工厂、马路等背景噪声复杂的环境中,电缆故障点冲击放电声音信号极易受到周围环境噪声的影响而成为电缆故障精确定位中的难点。快速傅里叶变换的经典谱分析、参数化的自回归滑动平均谱分析、卡尔曼滤波等传统的基于统计理论的滤波方法难以去除其中的非平稳的、频谱分布位于整个频率轴且与有效冲击放电声音信号频谱分布部分重叠的随机噪声。随着信息处理技术与智能技术的日益融合,出现了许多新方法,其中基于高阶统计特性的独立分量分析(IndependentComponent Analysis,ICA)由于能够分离混合信号中的独立成分而备受关注,ICA利用源信号间的统计独立性可以成功解决“鸡尾酒会”问题,是信号处理、图像处理、人工神经网络、生物医学等领域的研究热点,其是一种多通道的信号处理技术。现实世界中大多观测信号如电缆故障检测定点仪检测到的电缆故障点放电声音信号等都是由混合方式未知的多个源信号混叠产生,因而ICA具有广泛的现实应用意义。但ICA求解需基于观测通道数不少于混合信号中源信号数等约束条件,所以限制了它的使用范围。针对硬件结构已定且仅有一个传感器的电缆故障检测定点仪,盲信号处理中极具潜力的ICA信号处理技术不能得到有效的应用。
综上所述,现有技术存在的问题是:传统的基于统计理论的滤波方法难以去除非平稳的、频谱分布位于整个频率轴且与有效冲击放电声音信号频谱分布部分重叠的随机噪声,即目前电缆故障检测定点仪中的定位算法无法有效提取含有复杂环境噪声信号中的放电声音信号,因此将会导致定点仪因检测不到冲击放电声音信号而停止输出或将干扰信号当作冲击放电声音信号而使得输出结果误差大的问题;盲信号处理中极具潜力的ICA信号处理技术的求解需基于观测通道数不少于混合信号中源信号数等约束条件,所以需使用多传感器采集多路观测信号,而定点仪中多传感器的安装会导致定点仪体积庞大,安装位置难以确定,增加了定点仪的复杂性,因此存在针对硬件结构已定且仅有一个传感器的电缆故障检测定点仪,ICA的优势得不到有效发挥的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种用于强背景噪声下电缆故障点放电声音信号提取方法。
本发明是这样实现的,一种用于强背景噪声下电缆故障点放电声音信号提取方法,所述用于强背景噪声下电缆故障点放电声音信号提取方法采集已知故障点处高信噪比的冲击放电声z0与未知故障点的低信噪比混合信号x0;对采集的混合信号x0进行经验模态分解得到本征模态分量;对信号x0与本征模态分量进行基于收敛因子的五阶收敛ICA;判断得到的两个ICA分量;判断经验模态分解代数是否达到预定值;若达到预定值,将本征模态分量的频谱分布分别与信号z0的频谱分布进行比较;提取频谱与信号z0频谱具有最大相关性的本征模态分量即为最终所要求得的未知故障点的冲击放电声。
进一步,所述用于强背景噪声下电缆故障点放电声音信号提取方法包括以下步骤:
(1)采集已知电缆故障点处高信噪比的冲击放电声z0并保存,在强背景噪声环境下采集未知电缆故障点的低信噪比混合信号x0;
(2)对采集的低信噪比混合信号x0进行经验模态分解得到本征模态分量imf1,并设经验模态分解代数i=1;
(3)对信号xi-1与本征模态分量imfi进行基于收敛因子的五阶收敛ICA,按统计独立意义将imfi从xi-1中分离出来,得到两个ICA分量信号imfi和xi;
(4)根据得到的两个ICA分量信号的频率将其与本征模态分量imfi、信号xi进行对应,判断两个分量的归属;
(5)根据混合声音信号x0的特点设定经验模态分解代数预定值,并判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi,进而转向步骤(3);
(6)若达到经验模态分解代数预定值,则分别计算本征模态分量imf1~imfi的频谱分布与信号z0的频谱分布,并将本征模态分量imf1~imfi的频谱分布分别与信号z0的频谱分布进行比较;
(7)提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj,即为最终所要求得的未知故障点的冲击放电声。
进一步,所述步骤(1)采集已知电缆故障点处高信噪比的冲击放电声z0并保存,在强背景噪声环境下采集未知电缆故障点的低信噪比混合信号x0,信号z0与x0的采集不需要在同一时刻、同一电缆、相同环境等约束情况下。
进一步,所述步骤(3)对经验模态分解分量imfi与信号xi-1进行基于收敛因子的五阶收敛ICA分解,按统计独立意义将imfi从xi-1中分离出来,得到两个ICA分量信号imfi和xi,信号imfi和xi之间是相互独立的;
所述基于收敛因子的五阶收敛ICA分解进一步具体包括:
(1)对信号imfi与xi-1组成的混合信号矩阵进行中心化与预白化处理,并随机初始化分离矩阵W0,设收敛误差ε=1×10-5;
(2)初始化收敛因子αk=1,求出ΔWk;
ΔWk=F(Wk)/JF(Wk);
式中,J为雅克比矩阵,E[·]为均值运算,g(·)为非线性函数,并取为g(y)=tanh(y),
(3)判断||F(Wk-αkΔWk)||2<||F(Wk)||2是否成立,若不成立,则对αk进行更新,使得αk+1=0.5αk,并重复进行该步骤,若成立,则进行下一步;
(4)计算Wk+1,并对其进行去相关与归一化;
(5)判断|Wk+1-Wk|<ε是否成立,若不成立,则返回执行(4),若成立,则算法收敛,得到分离矩阵Wk+1,进而根据求出ICA两个独立分量。
进一步,所述步骤(4)经验模态分解是从高频开始对信号进行分解,根据得到的两个ICA分量信号的频率将其与本征模态分量imfi、信号xi进行对应,判断两个分量的归属。
进一步,所述步骤(5)混合声音信号x0经过数次经验模态分解之后,设定经验模态分解代数预定值为20,并判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi。
进一步,所述步骤(7)电缆故障点冲击放电声音信号为周期性与瞬间高能量性的窄带信号,提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj,为最终所要求得的未知故障点的冲击放电声。
本发明的另一目的在于提供一种利用所述用于强背景噪声下电缆故障点放电声音信号提取方法的电缆故障定位仪。
本发明基于电缆故障点放电声音信号特点,打破多通道信号处理技术ICA观测通道数不少于混合信号中独立分量数的要求的限制,且引入收敛因子,使得ICA分离结果不依赖于初始值的选择,均能达到收敛的目的,并采用基于五阶收敛牛顿迭代法的ICA以消除松弛因子对收敛速度的影响,收敛速度加快,可有效地将电缆故障点放电混合信号中的噪声与放电声音信号区分开来。在工厂附近约50m远处的强背景噪声环境下采集电缆故障点放电混合信号,针对故障点冲击放电声音信号完全淹没在背景噪声中的信号,传统的频谱分析技术已显得无能为力,本发明则可灵敏地从低信噪比混合信号中提取出放电声音信号,得到的放电声音信号信噪比提高8dB左右,从而基本解决了目前电缆故障检测定点仪中的定位算法无法有效提取含有复杂环境噪声信号中的放电声音信号,与盲信号处理中极具潜力的ICA信号处理技术不能在硬件结构已定且仅有一个传感器的电缆故障检测定点仪中得到有效应用的问题。
与现有技术相比,本发明有以下优势:
1、ICA信号处理技术的初始分离矩阵为随机选取的,导致迭代次数相差大,甚至出现不收敛的情况,在ICA中引入收敛因子可以使其克服对初始值的依赖性,加大收敛范围,并采用基于五阶收敛牛顿迭代法的ICA以消除松弛因子对收敛速度的影响,加快收敛速度,本发明中经验模态分解代数基于电缆故障点放电混合信号的特点进行设置,能够避免无意义的分解,减少方法计算量,使得电缆故障检测定点仪达到实时检测故障点的目的。
2、本发明是基于ICA与经验模态分解两者间的弥补性将两者进行结合,从而打破ICA观测通道数不少于混合信号中独立分量数的要求的限制,且使得经验模态分解结果彼此独立,ICA信号处理技术是盲源分离技术中的一种有效方法,其适合于处理电缆故障检测定点仪检测到的、由混合方式未知的多个源信号混叠产生的电缆故障点放电混合信号,经验模态分解是一种分析线性、非线性、平稳、非平稳信号的有效方法,数据处理能力高效,且具有适应性,加之本发明根据各放电声频谱之间的强相关性自动提取频谱与已知电缆故障点处高信噪比冲击放电声频谱具有最大相关性的本征模态分量作为最终所要求得的未知故障点的冲击放电声,因而本发明处理电缆故障点放电混合信号具有高效性、自适应性。
附图说明
图1是本发明实施例提供的用于强背景噪声下电缆故障点放电声音信号提取方法流程图。
图2是本发明实施例提供的用于强背景噪声下电缆故障点放电声音信号提取方法实现流程图。
图3是本发明实施例提供的实施例1验证本发明时所构造的冲击放电声音信号。
图4是本发明实施例提供的实施例1验证本发明时所构造的带噪混合信号。
图5是本发明实施例提供的实施例1本发明处理后的冲击放电声。
图6是本发明实施例提供的实施例2验证本发明时采集并保存的已知电缆故障点处高信噪比的冲击放电声。
图7是本发明实施例提供的实施例2验证本发明时现场所采集的未知电缆故障点的低信噪比混合信号。
图8是本发明实施例提供的实施例2本发明处理后的冲击放电声。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的用于强背景噪声下电缆故障点放电声音信号提取方法包括以下步骤:
S101:采集已知故障点处高信噪比的冲击放电声z0与未知故障点的低信噪比混合信号x0;
S102:对采集的混合信号x0进行经验模态分解得到本征模态分量;
S103:对信号x0与本征模态分量进行基于收敛因子的五阶收敛ICA;
S104:判断得到的两个ICA分量;
S105:判断经验模态分解代数是否达到预定值;
S106:若达到预定值,将本征模态分量的频谱分布分别与信号z0的频谱分布进行比较;
S107:提取频谱与信号z0频谱具有最大相关性的本征模态分量即为最终所要求得的未知故障点的冲击放电声。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例的用于强背景噪声下电缆故障点放电声音信号提取方法具体包括以下步骤:
步骤1,采集已知故障点处高信噪比的冲击放电声z0与未知故障点的低信噪比混合信号x0。
提前在已知电缆故障点正上方采集高信噪比的冲击放电声z0并保存在电缆故障定位仪中,在实际检测中的强背景噪声环境下采集未知电缆故障点的低信噪比混合信号x0,即信号z0与x0的采集不需要在同一时刻、同一电缆、相同环境等约束情况下。
步骤2,对信号x0进行经验模态分解得到imf1,并设分解代数i=1。
2.1.对采集的低信噪比混合信号x0进行经验模态分解得到本征模态分量imf1。
2.2.设经验模态分解代数i=1。
步骤3,对信号xi-1与本征模态分量imfi进行基于收敛因子的五阶收敛ICA,按统计独立意义将imfi从xi-1中分离出来。
3.1.ICA分解要求观测通道数不少于混合信号中独立分量数,分解得到的分量之间彼此独立,经验模态分解不能完全保证其分解分量之间相互独立或正交,但能够分解单个信号,因此将两者相互结合,将经验模态分解分量imfi与信号xi-1进行ICA分解。
3.2.本发明的ICA为基于牛顿迭代法的快速ICA(FastICA),其初始分离矩阵为随机选取的,常会导致迭代次数相差大,甚至出现不收敛的情况,因此引入松弛因子使其克服对初始值的依赖性,加大收敛范围。
3.3.采用基于五阶收敛牛顿迭代法的ICA以消除松弛因子对收敛速度的影响,加快收敛速度。
3.4.按统计独立意义将imfi从xi-1中分离出来,得到两个ICA分量信号imfi和xi,信号imfi和xi之间是相互独立的。
步骤4,判断得到的两个ICA分量,区分出imfi与xi。
经验模态分解是从高频开始对信号进行分解,因此分解出的本征模态分量频率一定高于剩余信号频率,因而根据得到的两个ICA分量信号的频率将其与本征模态分量imfi、信号xi进行对应,判断两个分量的归属,频率高的、相同时间段内极大值点个数多的分量为本征模态分量imfi,频率低的、相同时间段内极大值点个数少的分量为信号xi。
步骤5,判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi。
电缆故障点冲击放电声音信号频率范围为80~1500Hz,混合声音信号x0经过数次经验模态分解之后所得信号接近直流信号,已不包含电缆故障点冲击放电声音信号,再对其进行经验模态分解已无意义,因此为了加快计算速度,根据经验与混合信号x0的特点,且在留有安全裕量的基础上,设定经验模态分解代数预定值为20,并判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi,进而转向步骤3。
步骤6,若达到预定值,将本征模态分量imf1~imfi的频谱分布分别与信号z0的频谱分布进行比较。
若达到经验模态分解代数预定值,则分别计算本征模态分量imf1~imfi的频谱分布与信号z0的频谱分布,并将本征模态分量imf1~imfi的频谱分布分别与信号z0的频谱分布进行比较。
步骤7,提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj即为最终所要求得的未知故障点的冲击放电声。
电缆故障点冲击放电声音信号为周期性与瞬间高能量性的窄带信号,其频谱分布具有相对稳定性与非遍历性,能量分布集中在低频段,各个放电声频谱之间呈现出强相关性,而噪声频谱分布较宽、无规则性,大小较均匀,具有遍历性,因此利用电缆故障点冲击放电声频谱与噪声频谱间的较大差异性与各放电声间的强相关性,提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj,即为最终所要求得的未知故障点的冲击放电声。
下面结合仿真实验对本发明的应用效果作详细的描述。
一、对本发明进行仿真验证
本发明采用指数衰减的振荡信号表示电缆故障点冲击放电声音信号,如图3所示。在冲击放电声音信号上叠加高斯白噪声,使得冲击放电声音信号完全被噪声所淹没,带噪混合信号初始信噪比为-14dB,如图4所示。图5为本发明的用于强背景噪声下电缆故障点放电声音信号提取方法对混合信号处理后的声音信号,信号的信噪比为-6dB,比图4中信号信噪比提高了8dB,可见本发明的用于强背景噪声下电缆故障点放电声音信号提取方法去噪效果明显,可有效地分离出冲击放电声,从而达到精确定位电缆故障的目的。
二、现场采集电缆故障点放电混合信号对本发明进行实验验证
在一实验现场用15~30kV电压对电缆故障点完全击穿,产生冲击放电声,此故障点位置已知,在此故障点正上方采集高信噪比的冲击放电声音信号并保存,其波形图如图6所示,在工厂附近、强背景噪声环境下的另一实验现场用15~30kV电压对电缆故障点完全击穿,产生冲击放电声,并在离电缆故障点约5m远处采集电缆故障点放电混合信号,其波形图如图7所示,从图中可以看出电缆故障点冲击放电声信噪比很低。采用本发明的用于强背景噪声下电缆故障点放电声音信号提取方法对电缆故障点放电混合信号进行处理,如图8所示,从图中可以看出,得到一个符合冲击放电声音信号特性的、具有周期性与瞬间高能量性的信号,说明冲击放电声音信号被很清晰地分离出来,并且将图8与图6进行对比发现,即使电缆故障点放电混合信号与保存的已知故障点高信噪比冲击放电声音信号的采集不在同一时刻、同一电缆、相同环境下、所含故障点冲击放电信号数目不同,但由于各放电声频谱间的强相关性,也可以有效地将冲击放电声音信号从混合信号中分离出来。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述用于强背景噪声下电缆故障点放电声音信号提取方法采集已知故障点处高信噪比的冲击放电声z0与未知故障点的低信噪比混合信号x0;对采集的混合信号x0进行经验模态分解得到本征模态分量;对信号x0与本征模态分量进行基于收敛因子的五阶收敛ICA;判断得到的两个ICA分量;判断经验模态分解代数是否达到预定值;若达到预定值,将本征模态分量的频谱分布分别与信号z0的频谱分布进行比较;提取频谱与信号z0频谱具有最大相关性的本征模态分量即为最终所要求得的未知故障点的冲击放电声。
2.如权利要求1所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述用于强背景噪声下电缆故障点放电声音信号提取方法包括以下步骤:
(1)采集已知电缆故障点处高信噪比的冲击放电声z0并保存,在强背景噪声环境下采集未知电缆故障点的低信噪比混合信号x0;
(2)对采集的低信噪比混合信号x0进行经验模态分解得到本征模态分量imf1,并设经验模态分解代数i=1;
(3)对信号xi-1与本征模态分量imfi进行基于收敛因子的五阶收敛ICA,按统计独立意义将imfi从xi-1中分离出来,得到两个ICA分量信号imfi和xi;
(4)根据得到的两个ICA分量信号的频率将其与本征模态分量imfi、信号xi进行对应,判断两个分量的归属;
(5)根据混合声音信号x0的特点设定经验模态分解代数预定值,并判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi,进而转向步骤(3);
(6)若达到经验模态分解代数预定值,则分别计算本征模态分量imf1~imfi的频谱分布与信号z0的频谱分布,并将本征模态分量imf1~imfi的频谱分布分别与信号z0的频谱分布进行比较;
(7)提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj,即为最终所要求得的未知故障点的冲击放电声。
3.如权利要求2所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述步骤(1)采集已知电缆故障点处高信噪比的冲击放电声z0并保存,在强背景噪声环境下采集未知电缆故障点的低信噪比混合信号x0,信号z0与x0的采集不需要在同一时刻、同一电缆、相同环境等约束情况下。
4.如权利要求2所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述步骤(3)对经验模态分解分量imfi与信号xi-1进行基于收敛因子的五阶收敛ICA分解,按统计独立意义将imfi从xi-1中分离出来,得到两个ICA分量信号imfi和xi,信号imfi和xi之间是相互独立的;
所述基于收敛因子的五阶收敛ICA分解进一步具体包括:
(1)对信号imfi与xi-1组成的混合信号矩阵进行中心化与预白化处理,并随机初始化分离矩阵W0,设收敛误差ε=1×10-5;
(2)初始化收敛因子αk=1,求出ΔWk;
ΔWk=F(Wk)/JF(Wk);
式中,J为雅克比矩阵,E[·]为均值运算,g(·)为非线性函数,并取为g(y)=tanh(y),
(3)判断||F(Wk-αkΔWk)||2<||F(Wk)||2是否成立,若不成立,则对αk进行更新,使得αk+1=0.5αk,并重复进行该步骤,若成立,则进行下一步;
(4)计算Wk+1,并对其进行去相关与归一化;
(5)判断|Wk+1-Wk|<ε是否成立,若不成立,则返回执行(4),若成立,则算法收敛,得到分离矩阵Wk+1,进而根据求出ICA两个独立分量。
5.如权利要求2所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述步骤(4)经验模态分解是从高频开始对信号进行分解,根据得到的两个ICA分量信号的频率将其与本征模态分量imfi、信号xi进行对应,判断两个分量的归属。
6.如权利要求2所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述步骤(5)混合声音信号x0经过数次经验模态分解之后,设定经验模态分解代数预定值为20,并判断经验模态分解代数是否达到预定值,若未达到预定值,则将经验模态分解代数i加1,并继续对信号xi-1进行经验模态分解得到本征模态分量imfi。
7.如权利要求2所述的用于强背景噪声下电缆故障点放电声音信号提取方法,其特征在于,所述步骤(7)电缆故障点冲击放电声音信号为周期性与瞬间高能量性的窄带信号,提取频谱与信号z0频谱具有最大相关性的本征模态分量imfj,为最终所要求得的未知故障点的冲击放电声。
8.一种利用权利要求1~7任意一项所述用于强背景噪声下电缆故障点放电声音信号提取方法的电缆故障定位仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711445026.7A CN108196164B (zh) | 2017-12-27 | 2017-12-27 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711445026.7A CN108196164B (zh) | 2017-12-27 | 2017-12-27 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108196164A true CN108196164A (zh) | 2018-06-22 |
CN108196164B CN108196164B (zh) | 2020-04-28 |
Family
ID=62584563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711445026.7A Active CN108196164B (zh) | 2017-12-27 | 2017-12-27 | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108196164B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009092A (zh) * | 2018-06-15 | 2018-12-18 | 东华大学 | 一种去除脑电信号噪声伪迹的方法 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
CN111175608A (zh) * | 2020-01-19 | 2020-05-19 | 上海电力大学 | 基于加速独立分量分析的配电网谐波责任定量划分方法 |
CN112329189A (zh) * | 2019-07-30 | 2021-02-05 | 天津大学青岛海洋技术研究院 | 一种基于独立量分析的瞬变电磁有用信号提取方法 |
CN113729311A (zh) * | 2021-09-29 | 2021-12-03 | 河南中烟工业有限责任公司 | 基于声频测量的烟支插拔及烟气抽吸检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661752A (zh) * | 2009-09-16 | 2010-03-03 | 深圳华为通信技术有限公司 | 信号处理方法和装置 |
CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
CN104375973A (zh) * | 2014-11-24 | 2015-02-25 | 沈阳建筑大学 | 一种基于集合经验模态分解的盲源信号去噪方法 |
CN104636314A (zh) * | 2015-01-30 | 2015-05-20 | 太原科技大学 | 一种单通道混沌信号盲源分离法 |
CN204359892U (zh) * | 2014-12-24 | 2015-05-27 | 西安电子科技大学 | 基于高性能dsp的声磁同步电缆故障定点检测装置 |
CN106093701A (zh) * | 2016-06-06 | 2016-11-09 | 国家电网公司 | 一种基于经验模态分解滤波的电缆故障信号检测方法 |
CN106885971A (zh) * | 2017-03-06 | 2017-06-23 | 西安电子科技大学 | 一种用于电缆故障检测定点仪的智能背景降噪方法 |
CN106895906A (zh) * | 2017-03-23 | 2017-06-27 | 西安理工大学 | 一种水轮发电机组振动故障的特征提取方法 |
CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
-
2017
- 2017-12-27 CN CN201711445026.7A patent/CN108196164B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661752A (zh) * | 2009-09-16 | 2010-03-03 | 深圳华为通信技术有限公司 | 信号处理方法和装置 |
CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
CN104375973A (zh) * | 2014-11-24 | 2015-02-25 | 沈阳建筑大学 | 一种基于集合经验模态分解的盲源信号去噪方法 |
CN204359892U (zh) * | 2014-12-24 | 2015-05-27 | 西安电子科技大学 | 基于高性能dsp的声磁同步电缆故障定点检测装置 |
CN104636314A (zh) * | 2015-01-30 | 2015-05-20 | 太原科技大学 | 一种单通道混沌信号盲源分离法 |
CN106093701A (zh) * | 2016-06-06 | 2016-11-09 | 国家电网公司 | 一种基于经验模态分解滤波的电缆故障信号检测方法 |
CN106885971A (zh) * | 2017-03-06 | 2017-06-23 | 西安电子科技大学 | 一种用于电缆故障检测定点仪的智能背景降噪方法 |
CN106895906A (zh) * | 2017-03-23 | 2017-06-27 | 西安理工大学 | 一种水轮发电机组振动故障的特征提取方法 |
CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
Non-Patent Citations (3)
Title |
---|
FENGLI WANG ET AL.: "Diagnostics of Machinery Faults based on EMD and ICA", 《PROCEEDINGS 2016 7TH INTERNATIONAL CONFERENCE ON MECHATRONICS, CONTROL AND MATERIALS (ICMCM 2016)》 * |
王永涓: "基于改进FastICA算法的地震信号去噪研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
米建伟 等: "非平稳背景噪声下声音信号增强技术", 《仪器仪表学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009092A (zh) * | 2018-06-15 | 2018-12-18 | 东华大学 | 一种去除脑电信号噪声伪迹的方法 |
CN109009092B (zh) * | 2018-06-15 | 2020-06-02 | 东华大学 | 一种去除脑电信号噪声伪迹的方法 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
CN109596955B (zh) * | 2018-12-30 | 2021-06-22 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
CN112329189A (zh) * | 2019-07-30 | 2021-02-05 | 天津大学青岛海洋技术研究院 | 一种基于独立量分析的瞬变电磁有用信号提取方法 |
CN111175608A (zh) * | 2020-01-19 | 2020-05-19 | 上海电力大学 | 基于加速独立分量分析的配电网谐波责任定量划分方法 |
CN113729311A (zh) * | 2021-09-29 | 2021-12-03 | 河南中烟工业有限责任公司 | 基于声频测量的烟支插拔及烟气抽吸检测方法 |
CN113729311B (zh) * | 2021-09-29 | 2024-02-20 | 河南中烟工业有限责任公司 | 基于声频测量的烟支插拔及烟气抽吸检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108196164B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108196164A (zh) | 一种用于强背景噪声下电缆故障点放电声音信号提取方法 | |
CN105548832B (zh) | 高压电力电缆故障识别方法 | |
CN106330385A (zh) | 一种干扰类型识别方法 | |
Iorkyase et al. | Improving RF-based partial discharge localization via machine learning ensemble method | |
CN109901031A (zh) | 用于局部放电信号的信噪分离方法、信息数据处理终端 | |
WO2013091460A1 (zh) | 电气设备特高频局部放电检测中信号与干扰的鉴别方法 | |
CN105095624A (zh) | 一种光纤传感振动信号的识别方法 | |
CN104777442A (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
CN110554284B (zh) | 基于gis设备的局放检测方式的相关性分析方法及*** | |
CN107595289A (zh) | 非接触式呼吸通气量检测方法、装置、介质及计算机设备 | |
CN105559771B (zh) | 一种心电信号质量检测的方法及装置 | |
CN105205736A (zh) | 基于经验模态分解的电力负荷异常数据的快速检测方法 | |
CN106972895A (zh) | 稀疏信道下基于累积相关系数的水声前导信号检测方法 | |
Mathew et al. | A cyclic prefix assisted spectrum sensing method for aeronautical communication systems | |
GB2499502A (en) | Identifying an emission signature in a first model of an ambient electromagnetic spectrum by comparing to a second model known to contain the signature | |
Min et al. | Voiceprint recognition of transformer fault based on blind source separation and convolutional neural network | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
Song et al. | An artificial intelligence recognition algorithm for Yangtze finless porpoise | |
Maiz et al. | Subsampling-based method for testing cyclostationarity: Application to biomechanical signals | |
You et al. | A novel algorithm for BSS of frequency-hopping signals based on time frequency ratio | |
Li et al. | Research on the detection method of MRS Signal initial amplitude based on chaotic detection system | |
Lee et al. | An S-transform based neural pattern classifier for non-stationary signals | |
Peng et al. | Development of a wide-band measurement system for AC PD pulse current signals part 1: System design and simulation | |
Ghosh et al. | Unmasking noise transients masquerading as intermediate-mass black hole binaries |
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 |