CN113205828A - 一种基于深度学习的sf6气体泄漏检测方法 - Google Patents
一种基于深度学习的sf6气体泄漏检测方法 Download PDFInfo
- Publication number
- CN113205828A CN113205828A CN202110469596.XA CN202110469596A CN113205828A CN 113205828 A CN113205828 A CN 113205828A CN 202110469596 A CN202110469596 A CN 202110469596A CN 113205828 A CN113205828 A CN 113205828A
- Authority
- CN
- China
- Prior art keywords
- time
- background noise
- neural network
- gas leakage
- network model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 7
- 241000282414 Homo sapiens Species 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 37
- 229910018503 SF6 Inorganic materials 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 2
- 229960000909 sulfur hexafluoride Drugs 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 230000001537 neural effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- 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
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
-
- 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
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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于深度学习的SF6气体泄漏检测方法,通过使用深度学习的方法,使SF6漏气噪声的还原度达到90%,提高了SF6气体泄漏检测的精度;通过使用深度学习的方法,SF6检测的效率和精度,降低了人工成本,防止SF6气体对人身造成伤害;通过将降噪预处理与SF6气体泄漏检测相结合,构建了一套针对于变电站场景中高压电力设备SF6气体泄漏检测的方案,在低信噪比的工况下可以取得较为显著的效果。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种基于深度学习的SF6气体泄漏检测方法。
背景技术
现有高压电力设备在运行过程中,由于其安装方式、材料质量及长时间运行发生老化等因素,导致高压电力设备的法兰连接处及设备密封结构中发生SF6气体泄漏的问题,影响设备的安全可靠运行,导致设备的绝缘性能下降,从而产生安全隐患。
现如今的SF6气体泄漏检测方法有气体密度检测技术、负电晕放电技术、激光成像技术等,对SF6气体泄漏检测有着极大的影响。气体密度检测技术主要是通过测量高压电力设备气室内的气压和温度实现对SF6气体浓度的监控,虽然该技术结构简单,但测量精度不高。负电晕放电技术基于电晕放电原理,指在电场强度很高的不均匀电场区域内,带电体表面在气体或液体介质中出现的局部的自持放电现象, 而SF6气体具有负电性对负电晕放电有一定的抑制作用,使电晕电流减小,将电流改变值经放大电路转换为浓度指示值,从而来检测泄漏的SF6气体,该技术虽然灵敏度较高但负电晕传感器易损坏、寿命短且成本高。激光成像技术的基本原理是向需要检测的设备发射激光,将反射或反向散射的一部分激光在探测设备上进行成像处理,最后生成视频影像,该方法虽然检测距离较远,但结构复杂且成本较高。
发明内容
本发明为了解决上述提到的问题,提供了一种基于深度学习的SF6气体泄漏检测方法,通过声阵列采集变电站内噪声信号并通过短时傅里叶变换,加窗切片等预处理将其转换为时频图,使用卷积神经网络(CNN)提取其频谱的冗余特征,然后进行去噪,恢复为纯净的音频信号,使用VGG神经网络对该信号进行零一识别,对变电站内是否存在SF6漏气情况进行快速准确的检测。
本发明解决其技术问题所采用的技术方案是:构造一种基于深度学习的SF6气体泄漏检测方法,包括:
获取变电站内高压电力设备中SF6气体泄漏情况下的背景噪声及没有气体泄漏情况下的背景噪声,并进行降噪预处理,并将预处理后的背景噪声信号划分为训练集和测试集;
构建VGG神经网络模型,将作为训练集的背景噪声信号输入 VGG神经网络模型中进行训练,根据输出结果调整VGG神经网络模型的参数和函数,直至输出结果与背景噪声的类型一致;训练完成后,通过测试集对VGG神经网络模型检测分类的准确性进行验证;
将实时采集的变电站内高压电力设备中背景噪声信号输入至训练完成的VGG神经网络模型中,输出结果作为SF6气体泄漏情况的判断检测。
其中,降噪预处理的步骤包括:
对背景噪声信号经过短时傅里叶变换(STFT),转换为时频图,将其制作成数据集;
对卷积神经网络模型(CNN)进行搭建,使用时频图数据集对模型进行训练和调整;
将实时采集的背景噪声信号输入至训练完成的卷积神经网络模型,输出纯净信号完成降噪预处理。
其中,在对采集到的背景噪声信号经过短时傅里叶变换(STFT),转换为时频图的步骤中,对背景噪声信号进行短时傅里叶变换 (STFT),在时域上选择一个窗函数,计算出不同时刻的功率谱形成时频图,将时频图制作成数据集并划分为训练集和测试集。
其中,卷积神经网络模型(CNN)结构为两层卷积层、两层池化层和三层全连接层,以分辨率为32×32的图像作为输入。
其中,VGG神经网络模型结构为13层卷积层和3层全连接层,以分辨率为224×224的图像作为输入。
其中,短时傅里叶变换表达式如下:
其中x(t)为输入信号,h(τ-t)为分析窗函数,STFT(t,f)为给定时间t时刻的频谱。
区别于现有技术,本发明的基于深度学习的SF6气体泄漏检测方法,通过使用深度学习的方法,使SF6漏气噪声的还原度达到90%,提高了SF6气体泄漏检测的精度;通过使用深度学习的方法,SF6检测的效率和精度,降低了人工成本,防止SF6气体对人身造成伤害;通过将降噪预处理与SF6气体泄漏检测相结合,构建了一套针对于变电站场景中高压电力设备SF6气体泄漏检测的方案,在低信噪比的工况下可以取得较为显著的效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于深度学习的SF6气体泄漏检测方法的流程示意图。
图2是本发明提供的一种基于深度学习的SF6气体泄漏检测方法中CNN模型参数结构示意图。
图3是本发明提供的一种基于深度学习的SF6气体泄漏检测方法中VGG16模型参数结构示意图。
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,以下结合附图及实施例,对本发明做进一步的详细说明。应当理解,此外所描述的具体实施例仅用以解释本发明,但并不用于限定本发明。基于本发明中的实施例,本领域普通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,都将属于本发明保护的范围。
参照附图1,本发明提供一种基于深度学习的SF6气体泄漏检测方法,包括:
获取变电站内高压电力设备中SF6气体泄漏情况下的背景噪声及没有气体泄漏情况下的背景噪声,并进行降噪预处理,并将预处理后的背景噪声信号划分为训练集和测试集;
构建VGG神经网络模型,将作为训练集的背景噪声信号输入 VGG神经网络模型中进行训练,根据输出结果调整VGG神经网络模型的参数和函数,直至输出结果与背景噪声的类型一致;训练完成后,通过测试集对VGG神经网络模型检测分类的准确性进行验证;
将实时采集的变电站内高压电力设备中背景噪声信号输入至训练完成的VGG神经网络模型中,输出结果作为SF6气体泄漏情况的判断检测。
其中,降噪预处理的步骤包括:
对背景噪声信号经过短时傅里叶变换(STFT),转换为时频图,将其制作成数据集;
对卷积神经网络模型(CNN)进行搭建,使用时频图数据集对模型进行训练和调整;
将实时采集的背景噪声信号输入至训练完成的卷积神经网络模型,输出纯净信号完成降噪预处理。
其中,在对采集到的背景噪声信号经过短时傅里叶变换(STFT),转换为时频图的步骤中,对背景噪声信号进行短时傅里叶变换 (STFT),在时域上选择一个窗函数,计算出不同时刻的功率谱形成时频图,将时频图制作成数据集并划分为训练集和测试集。
其中,卷积神经网络模型(CNN)结构为两层卷积层、两层池化层和三层全连接层,以分辨率为32×32的图像作为输入。
其中,VGG神经网络模型结构为13层卷积层和3层全连接层,以分辨率为224×224的图像作为输入。
其中,短时傅里叶变换表达式如下:
其中x(t)为输入信号,h(τ-t)为分析窗函数,STFT(t,f)为给定时间t时刻的频谱。
本发明选取的应用实例为变电站内高压电力设备的SF6气体泄漏检测,变电站内主变压器及高亢等设备在工作时会产生较大的噪声,因此在对SF6气体泄漏信号检测之前需要进行降噪预处理。由于实际情况下SF6气体为有害气体,会对人类的生活环境和人身安全产生危害,因此在实际采集噪声信号时选择氮气或空气替代SF6气体进行实验,模拟实际情况下SF6气体的泄漏情况。将采集到的噪声信号经短时傅里叶变换及加窗裁剪操作获得时频图制作成数据集,将数据集按 7:3划分为训练集和测试集,使用卷积神经网络模型提取冗余特征,将采集的信号还原为纯净的漏气噪声信号,使用VGG模型对降噪预处理完的信号进行零一识别,判断是否存在漏气的情况。
具体的,在变电站内模拟不同距离、不同排放压力下SF6气体泄漏实验,使用麦克风阵列采集泄漏声信号,同时采集无气体泄漏情况时的背景噪声信号,采样率设置为44100Hz,采样时间为30s。
对两类音频信号进行短时傅里叶变换,短时傅里叶变换的帧长为 0.025秒,滑块长度为帧长的二分之一,经过短时傅里叶变换后得到时频图,便于对该信号特征进行分析。信号x(t)的短时傅里叶变换表达式如下:
其中x(t)为输入信号,h(τ-t)为分析窗函数,STFT(t,f)为给定时间t时刻的频谱。
根据实验采样结果来看,SF6的排放音频信号难以找到单一的特征频谱,但在高频段存在区域性密集分布特征,所以采用区域窗口来计算频谱分布特征,以其作为判别是否存在SF6泄漏的参量。
将分布特征时频图作为数据集,以7:3比例划分为训练集和测试集,便于后续模型训练与处理。
通常,卷积神经网络模型包括卷积层、池化层和全连接层, DnCNN作为一种典型的CNN模型,包括卷积层、批量归一化(BN) 和整流线性单元(Relu)激活层,移除了池化层,以分辨率为32×32 的时频图片作为输入,输出去噪频谱。该模型去除了全连接层,降低了训练参数,使网络更易于训练、测试和预测。模型架构如图2所示。卷积操作的数学表达式如下:
S(i,j)=(I*J)(i,j)=∑∑I(i+m,j+m)K(m,n)
其中I为输入图片,K为卷积核。
使用对应的训练集训练模型并用测试集测试该模型性能,定义损失函数并将其最小化,对搭建的卷积神经网络模型进行调整优化,损失函数表达式如下:
其中yt是输入信号,f(x(n))为输出信号,x(n)为带噪信号。
将输出的纯净信号频谱作为泄漏信号识别的数据集,用于VGG 模型的训练和测试。
使用VGG模型对降噪后的频谱进行特征提取,进行泄漏状态检测。VGG模型包括13个卷积层和3个全连接层,输入分辨率为224 ×224的图片,经过64个卷积核的两次卷积后,采用一次池化操作,第二次经过两次128个卷积核卷积后,再采用池化操作,再重复两次三个512个卷积核卷积后,再进行池化,最后经过三次全连接输出分类结果。模型架构如图3所示。
模型输出的即为气体的泄漏情况,使用测试集对训练好的VGG 模型进行验证,对其参数进行优化以得到最优的准确率。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种基于深度学习的SF6气体泄漏检测方法,其特征在于,包括:
获取变电站内高压电力设备中SF6气体泄漏情况下的背景噪声及没有气体泄漏情况下的背景噪声,并进行降噪预处理,并将预处理后的背景噪声信号划分为训练集和测试集;
构建VGG神经网络模型,将作为训练集的背景噪声信号输入VGG神经网络模型中进行训练,根据输出结果调整VGG神经网络模型的参数和函数,直至输出结果与背景噪声的类型一致;训练完成后,通过测试集对VGG神经网络模型检测分类的准确性进行验证;
将实时采集的变电站内高压电力设备中背景噪声信号输入至训练完成的VGG神经网络模型中,输出结果作为SF6气体泄漏情况的判断检测。
2.根据权利要求1所述的基于深度学习的SF6气体泄漏检测方法,其特征在于,降噪预处理的步骤包括:
对背景噪声信号经过短时傅里叶变换(STFT),转换为时频图,将其制作成数据集;
对卷积神经网络模型(CNN)进行搭建,使用时频图数据集对模型进行训练和调整;
将实时采集的背景噪声信号输入至训练完成的卷积神经网络模型,输出纯净信号完成降噪预处理。
3.根据权利要求2所述的基于深度学习的SF6气体泄漏检测方法,其特征在于,在对采集到的背景噪声信号经过短时傅里叶变换(STFT),转换为时频图的步骤中,对背景噪声信号进行短时傅里叶变换(STFT),在时域上选择一个窗函数,计算出不同时刻的功率谱形成时频图,将时频图制作成数据集并划分为训练集和测试集。
4.根据权利要求3所述的基于深度学习的SF6气体泄漏检测方法,其特征在于,卷积神经网络模型(CNN)结构为两层卷积层、两层池化层和三层全连接层,以分辨率为32×32的图像作为输入。
5.根据权利要求1所述的基于深度学习的SF6气体泄漏检测方法,其特征在于,VGG神经网络模型结构为13层卷积层和3层全连接层,以分辨率为224×224的图像作为输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469596.XA CN113205828A (zh) | 2021-04-28 | 2021-04-28 | 一种基于深度学习的sf6气体泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110469596.XA CN113205828A (zh) | 2021-04-28 | 2021-04-28 | 一种基于深度学习的sf6气体泄漏检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205828A true CN113205828A (zh) | 2021-08-03 |
Family
ID=77027118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110469596.XA Pending CN113205828A (zh) | 2021-04-28 | 2021-04-28 | 一种基于深度学习的sf6气体泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205828A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018498A (zh) * | 2021-09-22 | 2022-02-08 | 国网河北省电力有限公司营销服务中心 | 气阀装置的漏气状态评估方法、装置、终端及存储介质 |
CN117452865A (zh) * | 2023-12-22 | 2024-01-26 | 中测智联(深圳)科技有限公司 | 一种配电房环境参数智能监控*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN111223493A (zh) * | 2020-01-08 | 2020-06-02 | 北京声加科技有限公司 | 语音信号降噪处理方法、传声器和电子设备 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
-
2021
- 2021-04-28 CN CN202110469596.XA patent/CN113205828A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN111223493A (zh) * | 2020-01-08 | 2020-06-02 | 北京声加科技有限公司 | 语音信号降噪处理方法、传声器和电子设备 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
Non-Patent Citations (1)
Title |
---|
张瑞程等: "基于一维卷积神经网络的燃气管道泄漏声发射信号识别", 《中国安全生产科学技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018498A (zh) * | 2021-09-22 | 2022-02-08 | 国网河北省电力有限公司营销服务中心 | 气阀装置的漏气状态评估方法、装置、终端及存储介质 |
CN117452865A (zh) * | 2023-12-22 | 2024-01-26 | 中测智联(深圳)科技有限公司 | 一种配电房环境参数智能监控*** |
CN117452865B (zh) * | 2023-12-22 | 2024-03-26 | 中测智联(深圳)科技有限公司 | 一种配电房环境参数智能监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856517B (zh) | 一种特高压设备局部放电检测数据的判别方法 | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN113205828A (zh) | 一种基于深度学习的sf6气体泄漏检测方法 | |
CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别*** | |
Hou et al. | Research on audio-visual detection method for conveyor belt longitudinal tear | |
CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
CN112329914A (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN113345443A (zh) | 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法 | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
Hwang et al. | Application of cepstrum and neural network to bearing fault detection | |
Han et al. | A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity | |
CN113642417B (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
Krause et al. | Detection of impulse-like airborne sound for damage identification in rotor blades of wind turbines | |
CN105928666B (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
Prodeus et al. | Objective and subjective assessment of the quality and intelligibility of noised speech | |
CN110706721A (zh) | 基于bp神经网络的电除尘火花放电识别方法 | |
CN111755025A (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
Zhang et al. | Flaw classification in ultrasonic guided waves signal using Wavelet Transform and PNN classifier | |
Howard | Speech fundamental period estimation using a neural network | |
Yang et al. | Research on Voiceprint recognition method of buried drainage pipe based on MFCC and GMM-HMM | |
Joseph et al. | Indian accent detection using dynamic time warping | |
CN113933658B (zh) | 基于可听声分析的干式变压器放电检测方法及*** | |
Jiang et al. | ICA and PIND based Remainder Particle Detection Technique for Space-borne Equipment | |
Gourishetti et al. | Partial discharge monitoring using deep neural networks with acoustic emission |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |