CN110310667A - 一种基于声学特征的设备故障检测方法 - Google Patents

一种基于声学特征的设备故障检测方法 Download PDF

Info

Publication number
CN110310667A
CN110310667A CN201910628092.0A CN201910628092A CN110310667A CN 110310667 A CN110310667 A CN 110310667A CN 201910628092 A CN201910628092 A CN 201910628092A CN 110310667 A CN110310667 A CN 110310667A
Authority
CN
China
Prior art keywords
matrix
signal
following formula
sample
node
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
Application number
CN201910628092.0A
Other languages
English (en)
Inventor
莫毓昌
蔡绍滨
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910628092.0A priority Critical patent/CN110310667A/zh
Publication of CN110310667A publication Critical patent/CN110310667A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G10L25/18—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 spectral information of each sub-band
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声学特征的设备故障检测方法，涉及故障检测技术领域。该干扰音分离计算方法，采用如下步骤：S11、将峭度作为信号非高斯性的度量。该基于声学特征的设备故障检测方法，通过麦克风阵列采集变电设备工作时的声音，基于负熵独立成分分析的干扰音分离技术提取独立源声音信号，基于二维主成分分析对声音数据进行降维处理提取主要频谱特征信息，基于多值决策图对声音信号分类实现故障诊断，最后基于加权多信号分类的电力设备故障定位，实现了实时在线故障检测的目的，可以准确及时的判断设备故障类型及信息，提高工作效率的同时方便了使用者的使用。

Description

一种基于声学特征的设备故障检测方法
技术领域
本发明涉及故障检测技术领域，具体为一种基于声学特征的设备故障检测方法。
背景技术
电力设备发生故障是指电力***的工作状况发生异常，电力设备的部分功能失效，或者电力设备的性能指标超出其额定范围，通常这样就是电力设备进入了故障状态。电力设备的结构复杂，在运行时，***极易出现故障。故障原因主要是指在设备运行条件下，导致电力设备发生失效的物理、化学、生物或者机械过程，如腐蚀、蠕变、磨损、受热、老化等。
在现有技术中，电力设备故障诊断以及状态检测最常用的方法就是电气测量法，但是电气量通常不能够明显地表征电力设备故障信息，且这种参数比较难以检测，难以准确及时的判断设备故障类型及信息，且电力设备在发生故障之前能够正常工作且电气量没有太大变化。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于声学特征的设备故障检测方法，解决了在现有技术中，电力设备故障诊断以及状态检测最常用的方法就是电气测量法，但是电气量通常不能够明显地表征电力设备故障信息，且这种参数比较难以检测，难以准确及时的判断设备故障类型及信息，且电力设备在发生故障之前能够正常工作且电气量没有太大变化问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种干扰音分离计算方法，采用如下步骤：
S11、将峭度作为信号非高斯性的度量，具体算法如下：
Kurt(x)＝E(x4)-3(E(x2))2；
S12、基于负熵最大方向的算法实现顺序地提取独立源信号，具体算法如下：
J(x)＝H(xgauss)-H(x)；
S13、寻找独立分量的负熵独立成分，具体操作如下：
S13.1、对数据进行中心化，使其均值为0,；白化数据，给出z；
S13.2、选取一个居中单位范数的初始化向量w，可随机选取；
S13.3、更新w，运用如下公式：
w←w-E{zg(wTz)}-E{g′(wTz)}w
S13.4标准化w，运用如下公式：
w←w/||w||
若没有收敛则循环迭代，则直到收敛为止；
S14、用样本的平均值估计，则使用对称正交化估计多个独立分量的负熵独立成分，具体操作如下：
S14.1、对数据进行中心化，使其均值为0；白化数据，给出z；
S14.2、选择m，即需要估计的独立分量个数；
S14.3、初始化所有wi，其中每一个wi都有单位范数。然后用第五步的方法对矩阵进行正交化；
S14.4、更新每个wi，运用如下公式：
S14.5、对矩阵W进行对称正交化，运用如下公式：
W←(WWT)-1/2W
W＝(wI，…，wm)T
S14.6、如果没收敛，则返回步骤S14.4。
一种基于声学特征的设备故障检测方法，包括上述干扰音分离计算方法，采用如下步骤：
S21、根据上述干扰音分离计算方法得出的参数对干扰音进行分离操作，应用二维主成分分析算法对声音数据的频谱特征进行降维处理，提取主要特征信息；
S22、用支持向量机算法对声音信号进行分类，从而判断电力设备是否处于某种故障状态；
S23、对电力设备声音训练样本的特征矩阵求均值，所有训练样本特征矩阵相应位置的特征参数数值求和然后取平均，得到均值矩阵，然后将各训练样本的特征矩阵减去均值矩阵，并依据下式求协方差矩阵：
Sx＝E(Y-EY)(Y-EY)T；
S24、对协方差矩阵求特征值，并把每一特征向量求出，并依据下式选取特征向量做最优投影轴：
{X1，X2，......Xd}＝argmaxJ(X)
J(X)＝XTGtX
S25、将各电力设备声音数据的二维特征矩阵，包括训练样本及测试样本，向上述投影矩阵投影，从而得到所有声音样本二维特征矩阵降维后的投影数据：
Y＝A[X1，X2，......Xd]＝[Y1，Y2，......，Yd]；
S26、根据正常状态类型X的分布按照下式计算H(X)和H(X|B)，具体公式如下：
S27、根据H(X)和H(X|B)，按照下式计算故障类型B的信息增益指标值IG(B)：
IG(B)＝H(X)-H(X|B)；
S28、根据所计算的信息增益指标，从大到小对故障类型B进行排序得到故障类型排序；
S29、构造决策图D的顶节点(Si,Bi)，i＝1，其中S1是全体样本集合，B1是信息增益最大的故障状态；把(Si,Bi)压入堆栈Stack中；
S210、弹出堆栈stack的栈顶元素(Si,Bi)；
S211、针对(Si,Bi)查找Hash表，如果hash表中记录“(Si,Bi)，Di”存在，则用决策图中的Di代替(Si,Bi)节点，若Si中的样本包含信号特征Xi的比例超过Q，则用决策图中的正常状态叶子节点Xi代替(Si,Bi)节点；若Bi是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则丢弃(Si,Bi)节点；若Bi不是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则根据Bi可能的取值是m类，从(Si,Bi)伸出m个分叉，每个分叉j代表Bi的一个不同类，从而形成m个决策图节点(Sj,Bj}),Sj是Si中分值取在分叉j代表类中的样本集合，Bj是信息增益排序中Bi的下一个故障状态；并把m个决策图节点(Sj,Bj})压入堆栈Stack中；转2)；
S212、对电力设备的故障进行定位，具体操作如下：
S212.1、对线阵采集的数据进行共轭重排列：
Y(t)＝JX*(t)；
S212.2、信号子空间和噪声子空间的正交性得到增强，针对新的噪声子空间构造权值矩阵W，通过权值矩阵调节噪声子空间矩阵对信号子空间矩阵中目标信号方向矢量的灵敏度：
Un＝u(：，1：M-K)；
S212.3、将权值矩阵W与噪声子空间矩阵Un对应位相乘，得到新的噪声子空间：
Unew＝W.*Un；
S212.4、加权多信号分类的空间谱估计函数可计算如下：
(三)有益效果
本发明提供了一种基于声学特征的设备故障检测方法。具备以下有益效果：该基于声学特征的设备故障检测方法，通过麦克风阵列采集变电设备工作时的声音，基于负熵独立成分分析的干扰音分离技术提取独立源声音信号，基于二维主成分分析对声音数据进行降维处理提取主要频谱特征信息，基于多值决策图对声音信号分类实现故障诊断，最后基于加权多信号分类的电力设备故障定位，实现了实时在线故障检测的目的，可以准确及时的判断设备故障类型及信息，提高工作效率的同时方便了使用者的使用。
附图说明
图1为电力设备故障检测流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种干扰音分离计算方法，采用如下步骤：
S11、将峭度作为信号非高斯性的度量，具体算法如下：
Kurt(x)＝E(x4)-3(E(x2))2；
S12、基于负熵最大方向的算法实现顺序地提取独立源信号，具体算法如下：
J(x)＝H(xgauss)-H(x)；
S13、寻找独立分量的负熵独立成分，具体操作如下：
S13.1、对数据进行中心化，使其均值为0,；白化数据，给出z；
S13.2、选取一个居中单位范数的初始化向量w，可随机选取；
S13.3、更新w，运用如下公式：
w←w-E{zg(wTz)}-E{g'(wTz)}w
S13.4标准化w，运用如下公式：
w←w/||w||
若没有收敛则循环迭代，则直到收敛为止；
S14、用样本的平均值估计，则使用对称正交化估计多个独立分量的负熵独立成分，具体操作如下：
S14.1、对数据进行中心化，使其均值为0；白化数据，给出z；
S14.2、选择m，即需要估计的独立分量个数；
S14.3、初始化所有wi，其中每一个wi都有单位范数。然后用第五步的方法对矩阵进行正交化；
S14.4、更新每个wi，运用如下公式：
S14.5、对矩阵W进行对称正交化，运用如下公式：
W←(WWT)-1/2W
W＝(w1，…，wm)T
S14.6、如果没收敛，则返回步骤S14.4。
一种基于声学特征的设备故障检测方法，包括上述干扰音分离计算方法，采用如下步骤：
S21、根据上述干扰音分离计算方法得出的参数对干扰音进行分离操作，应用二维主成分分析算法对声音数据的频谱特征进行降维处理，提取主要特征信息；
S22、用支持向量机算法对声音信号进行分类，从而判断电力设备是否处于某种故障状态；
S23、对电力设备声音训练样本的特征矩阵求均值，所有训练样本特征矩阵相应位置的特征参数数值求和然后取平均，得到均值矩阵，然后将各训练样本的特征矩阵减去均值矩阵，并依据下式求协方差矩阵：
Sx＝E(Y-EY)(Y-EY)T；
S24、对协方差矩阵求特征值，并把每一特征向量求出，并依据下式选取特征向量做最优投影轴：
{X1，X2，......Xd}＝argmaxJ(X)
J(X)＝XTGtX
S25、将各电力设备声音数据的二维特征矩阵，包括训练样本及测试样本，向上述投影矩阵投影，从而得到所有声音样本二维特征矩阵降维后的投影数据：
Y＝A[X1，X2，......Xd]＝[Y1，Y2，......，Yd]；
S26、根据正常状态类型X的分布按照下式计算H(X)和H(X|B)，具体公式如下：
S27、根据H(X)和H(X|B)，按照下式计算故障类型B的信息增益指标值IG(B)：
IG(B)＝H(X)-H(X|B)；
S28、根据所计算的信息增益指标，从大到小对故障类型B进行排序得到故障类型排序；
S29、构造决策图D的顶节点(Si,Bi)，i＝1，其中S1是全体样本集合，B1是信息增益最大的故障状态；把(Si,Bi)压入堆栈Stack中；
S210、弹出堆栈stack的栈顶元素(Si,Bi)；
S211、针对(Si,Bi)查找Hash表，如果hash表中记录“(Si,Bi)，Di”存在，则用决策图中的Di代替(Si,Bi)节点，若Si中的样本包含信号特征Xi的比例超过Q，则用决策图中的正常状态叶子节点Xi代替(Si,Bi)节点；若Bi是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则丢弃(Si,Bi)节点；若Bi不是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则根据Bi可能的取值是m类，从(Si,Bi)伸出m个分叉，每个分叉j代表Bi的一个不同类，从而形成m个决策图节点(Sj,Bj}),Sj是Si中分值取在分叉j代表类中的样本集合，Bj是信息增益排序中Bi的下一个故障状态；并把m个决策图节点(Sj,Bj})压入堆栈Stack中；转2)；
S212、对电力设备的故障进行定位，具体操作如下：
S212.1、对线阵采集的数据进行共轭重排列：
Y(t)＝JX*(t)；
S212.2、信号子空间和噪声子空间的正交性得到增强，针对新的噪声子空间构造权值矩阵W，通过权值矩阵调节噪声子空间矩阵对信号子空间矩阵中目标信号方向矢量的灵敏度：
Un＝u(:，1：M-K)；
S212.3、将权值矩阵W与噪声子空间矩阵Un对应位相乘，得到新的噪声子空间：
Unew＝W.*Un；
S212.4、加权多信号分类的空间谱估计函数可计算如下：
综上所述，该基于声学特征的设备故障检测方法，通过麦克风阵列采集变电设备工作时的声音，基于负熵独立成分分析的干扰音分离技术提取独立源声音信号，基于二维主成分分析对声音数据进行降维处理提取主要频谱特征信息，基于多值决策图对声音信号分类实现故障诊断，最后基于加权多信号分类的电力设备故障定位，实现了实时在线故障检测的目的，可以准确及时的判断设备故障类型及信息，提高工作效率的同时方便了使用者的使用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种干扰音分离计算方法，其特征在于：采用如下步骤：
S11、将峭度作为信号非高斯性的度量，具体算法如下：
Kurt(x)＝E(x4)-3(E(x2))2；
S12、基于负熵最大方向的算法实现顺序地提取独立源信号，具体算法如下：
J(x)＝H(xgauss)-H(x)；
S13、寻找独立分量的负熵独立成分，具体操作如下：
S13.1、对数据进行中心化，使其均值为0，；白化数据，给出z；
S13.2、选取一个居中单位范数的初始化向量w，可随机选取；
S13.3、更新w，运用如下公式：
w←w-E{zg(wTz)}-E{g’(wTz)}w
S13.4标准化w，运用如下公式：
w←w/||w||
若没有收敛则循环迭代，则直到收敛为止；
S14、用样本的平均值估计，则使用对称正交化估计多个独立分量的负熵独立成分，具体操作如下：
S14.1、对数据进行中心化，使其均值为0；白化数据，给出z；
S14.2、选择m，即需要估计的独立分量个数；
S14.3、初始化所有wi，其中每一个wi都有单位范数。然后用第五步的方法对矩阵进行正交化；
S14.4、更新每个wi，运用如下公式：
S14.5、对矩阵W进行对称正交化，运用如下公式：
W←(WWT)-1/2W
W＝(w1，…，wm)T
S14.6、如果没收敛，则返回步骤S14.4。
2.一种基于声学特征的设备故障检测方法，其特征在于：包括上述干扰音分离计算方法，采用如下步骤：
S21、根据上述干扰音分离计算方法得出的参数对干扰音进行分离操作，应用二维主成分分析算法对声音数据的频谱特征进行降维处理，提取主要特征信息；
S22、用支持向量机算法对声音信号进行分类，从而判断电力设备是否处于某种故障状态；
S23、对电力设备声音训练样本的特征矩阵求均值，所有训练样本特征矩阵相应位置的特征参数数值求和然后取平均，得到均值矩阵，然后将各训练样本的特征矩阵减去均值矩阵，并依据下式求协方差矩阵：
Sx＝E(Y-EY)(Y-EY)T；
S24、对协方差矩阵求特征值，并把每一特征向量求出，并依据下式选取特征向量做最优投影轴：
{X1，X2，......Xd}＝arg maxJ(X)
J(X)＝XTGt X
S25、将各电力设备声音数据的二维特征矩阵，包括训练样本及测试样本，向上述投影矩阵投影，从而得到所有声音样本二维特征矩阵降维后的投影数据：
Y＝A[X1，X2，......Xd]＝[Y1，Y2，......，Yd]；
S26、根据正常状态类型X的分布按照下式计算H(X)和H(X|B)，具体公式如下：
S27、根据H(X)和H(X|B)，按照下式计算故障类型B的信息增益指标值IG(B)：
IG(B)＝H(X)-H(X|B)；
S28、根据所计算的信息增益指标，从大到小对故障类型B进行排序得到故障类型排序；
S29、构造决策图D的顶节点(Si，Bi)，i＝1，其中S1是全体样本集合，B1是信息增益最大的故障状态；把(Si，Bi)压入堆栈Stack中；
S210、弹出堆栈stack的栈顶元素(Si，Bi)；
S211、针对(Si，Bi)查找Hash表，如果hash表中记录“(Si，Bi)，Di”存在，则用决策图中的Di代替(Si，Bi)节点，若Si中的样本包含信号特征Xi的比例超过Q，则用决策图中的正常状态叶子节点Xi代替(Si，Bi)节点；若Bi是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则丢弃(Si，Bi)节点；若Bi不是最后一个故障状态，Si中的信号特征Xi的比例不超过Q，则根据Bi可能的取值是m类，从(Si，Bi)伸出m个分叉，每个分叉j代表Bi的一个不同类，从而形成m个决策图节点(Sj，Bj})，Sj是Si中分值取在分叉j代表类中的样本集合，Bj是信息增益排序中Bi的下一个故障状态；并把m个决策图节点(Sj，Bj})压入堆栈Stack中；转2)；
S212、对电力设备的故障进行定位，具体操作如下：
S212.1、对线阵采集的数据进行共轭重排列：
Y(t)＝JX*(t)；
S212.2、信号子空间和噪声子空间的正交性得到增强，针对新的噪声子空间构造权值矩阵W，通过权值矩阵调节噪声子空间矩阵对信号子空间矩阵中目标信号方向矢量的灵敏度：
Un＝u(：，1：M-K)；
S212.3、将权值矩阵W与噪声子空间矩阵Un对应位相乘，得到新的噪声子空间：
Unew＝W.*Un；
S212.4、加权多信号分类的空间谱估计函数可计算如下：
CN201910628092.0A 2019-07-12 2019-07-12 一种基于声学特征的设备故障检测方法 Pending CN110310667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910628092.0A CN110310667A (zh) 2019-07-12 2019-07-12 一种基于声学特征的设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910628092.0A CN110310667A (zh) 2019-07-12 2019-07-12 一种基于声学特征的设备故障检测方法

Publications (1)

Publication Number Publication Date
CN110310667A true CN110310667A (zh) 2019-10-08

Family

ID=68080091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910628092.0A Pending CN110310667A (zh) 2019-07-12 2019-07-12 一种基于声学特征的设备故障检测方法

Country Status (1)

Country Link
CN (1) CN110310667A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461090A (zh) * 2020-06-17 2020-07-28 杭州云智声智能科技有限公司 一种基于环境样本基云模型的声振信号处理方法及***
CN112098129A (zh) * 2020-09-11 2020-12-18 成都大学 一种强噪声环境机器运行故障检测方法及检测***
CN112420074A (zh) * 2020-11-18 2021-02-26 麦格纳（太仓）汽车科技有限公司 一种汽车后视镜电机异响声音的诊断方法
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
CN114046968A (zh) * 2021-10-04 2022-02-15 北京化工大学 一种基于声学信号的过程装备两步故障定位方法
CN115497501A (zh) * 2022-11-18 2022-12-20 国网山东省电力公司济南供电公司 基于sw-music的变压器故障声纹定位方法及***
CN116359642A (zh) * 2023-03-10 2023-06-30 湖南金烽信息科技有限公司 一种变压器运行状态5g智能监测***与方法
CN117809696A (zh) * 2024-02-29 2024-04-02 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104155648A (zh) * 2014-08-26 2014-11-19 国家***第一海洋研究所 基于阵列数据重排的高频地波雷达单次快拍music测向方法
CN105260965A (zh) * 2015-11-18 2016-01-20 浙江师范大学 一种基于决策图的智能选课方法
CN106934421A (zh) * 2017-03-16 2017-07-07 山东大学 基于2dpca及svm的变电站电力变压器故障检测***及检测方法
CN109188244A (zh) * 2018-09-03 2019-01-11 长沙学院 基于改进FastICA的开关电流电路故障诊断方法
CN109543141A (zh) * 2018-11-05 2019-03-29 临沂大学 一种独立成分分析改进算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104155648A (zh) * 2014-08-26 2014-11-19 国家***第一海洋研究所 基于阵列数据重排的高频地波雷达单次快拍music测向方法
CN105260965A (zh) * 2015-11-18 2016-01-20 浙江师范大学 一种基于决策图的智能选课方法
CN106934421A (zh) * 2017-03-16 2017-07-07 山东大学 基于2dpca及svm的变电站电力变压器故障检测***及检测方法
CN109188244A (zh) * 2018-09-03 2019-01-11 长沙学院 基于改进FastICA的开关电流电路故障诊断方法
CN109543141A (zh) * 2018-11-05 2019-03-29 临沂大学 一种独立成分分析改进算法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461090A (zh) * 2020-06-17 2020-07-28 杭州云智声智能科技有限公司 一种基于环境样本基云模型的声振信号处理方法及***
CN112098129A (zh) * 2020-09-11 2020-12-18 成都大学 一种强噪声环境机器运行故障检测方法及检测***
CN112420074A (zh) * 2020-11-18 2021-02-26 麦格纳（太仓）汽车科技有限公司 一种汽车后视镜电机异响声音的诊断方法
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
CN114046968A (zh) * 2021-10-04 2022-02-15 北京化工大学 一种基于声学信号的过程装备两步故障定位方法
CN115497501A (zh) * 2022-11-18 2022-12-20 国网山东省电力公司济南供电公司 基于sw-music的变压器故障声纹定位方法及***
CN116359642A (zh) * 2023-03-10 2023-06-30 湖南金烽信息科技有限公司 一种变压器运行状态5g智能监测***与方法
CN116359642B (zh) * 2023-03-10 2024-01-23 湖南金烽信息科技有限公司 一种变压器运行状态5g智能监测***与方法
CN117809696A (zh) * 2024-02-29 2024-04-02 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和***
CN117809696B (zh) * 2024-02-29 2024-05-10 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和***

Similar Documents

Publication Publication Date Title
CN110310667A (zh) 一种基于声学特征的设备故障检测方法
WO2022110557A1 (zh) 一种台区户变关系异常诊断方法及装置
CN103488941B (zh) 硬件木马检测方法及***
CN106611106B (zh) 基因变异检测方法及装置
Henry Robust automatic bandwidth for long memory
CN109828184B (zh) 一种基于互近似熵的电压暂降源识别方法
Harvey et al. Phylogenetic extinction rates and comparative methodology
CN109002859B (zh) 基于主成分分析的传感器阵列特征选择和阵列优化方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN109407649A (zh) 一种基于故障特征变量选择的故障类型匹配方法
Guo et al. Fault diagnosis for power system transmission line based on PCA and SVMs
CN109753762A (zh) 基于类别修正的配电网两阶段网络拓扑识别方法及装置
CN111784093A (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN109767074A (zh) 一种高可靠性供电区配网规划效果综合评估方法
CN110188090A (zh) 一种基于数据挖掘的配网拓扑数据质量评估方法及装置
CN109446848A (zh) 一种基于主成分分析法的硬件木马检测方法
CN106099932A (zh) 一种考虑不确定性的时空相关性的日前计划潮流分析方法
CN113919430A (zh) 电压暂降监测判别方法及装置
CN116956745B (zh) 密封电子设备多余物定位确信可靠性分析方法
CN112801135B (zh) 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备
CN112636328B (zh) 一种中压配电网设备负荷状态辨识方法
Yilmaz et al. Exploratory study on clustering methods to identify electricity use patterns in building sector
CN116990633A (zh) 一种基于多特征量的故障研判方法
CN110008205A (zh) 一种监控***冗余数据清洗方法
CN114091593A (zh) 一种基于多尺度特征融合的网络级电弧故障诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191008

RJ01 Rejection of invention patent application after publication