CN114137410A - 一种基于声纹检测技术的液压机构断路器故障识别方法 - Google Patents
一种基于声纹检测技术的液压机构断路器故障识别方法 Download PDFInfo
- Publication number
- CN114137410A CN114137410A CN202111484525.3A CN202111484525A CN114137410A CN 114137410 A CN114137410 A CN 114137410A CN 202111484525 A CN202111484525 A CN 202111484525A CN 114137410 A CN114137410 A CN 114137410A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- frequency filter
- filter bank
- mel frequency
- sound signal
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000005236 sound signal Effects 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000007306 turnover Effects 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于声纹检测技术的液压机构断路器故障识别方法,包括以下步骤:采集液压断路器运行状态的声音信号,然后进行预处理;利用快速傅里叶变换算法处理预处理之后的声音信号,并计算得到梅尔频率滤波器组和翻转梅尔频率滤波器组;分别对所述梅尔频率滤波器组和翻转梅尔频率滤波器组结合,输出混合特征,即得到液压断路器故障运行状态和正常运行状态的声纹特征信号;采集液压断路器的音频信息,通过上述步骤提取该音频信息的特征,对比故障运行状态和正常运行状态下液压断路器的声纹特征信号,并找到匹配的所述声纹特征信号,判断断路器的故障状态。本发明可自动判断其机械及电气性能,响应时间短,能及时发现问题并安排维修,大大提高了维护效率。
Description
技术领域
本发明属于敞开式隔离开关在线监测,尤其涉及一种基于声纹检测技术的液压机构断路器故障识别方法。
背景技术
在电力运营维护中,液压机构断路器常常出现打压频繁等问题,目前仅能通过打压频次变化及时长跟踪液压机构劣化趋势,尚无很好的感知手段在跟踪液压机构劣化的同时预判故障位置和故障性质,进而在判断分析其机械及电气性能上常常出现错误,不能及时发现问题并安排维修,维护效率低,并造成较高的维护成本和停机成本。
发明内容
本发明所要解决的技术问题是,克服以上背景技术中提到的不足和缺陷,提供一种基于声纹检测技术的液压机构断路器故障识别方法,可自动判断分析其机械及电气性能,响应时间短,能及时发现问题并安排维修,大大提高了维护效率。
为解决上述技术问题,本发明提出的技术方案为:一种基于声纹检测技术的液压机构断路器故障识别方法,包括以下步骤:
S1.采集液压断路器运行状态的声音信号,然后进行预处理;
S2.利用快速傅里叶变换算法处理预处理之后的声音信号,并计算得到梅尔频率滤波器组和翻转梅尔频率滤波器组;
S3.分别对所述梅尔频率滤波器组和翻转梅尔频率滤波器组结合,输出混合特征,即得到液压断路器故障运行状态和正常运行状态的声纹特征信号;
S4.采集液压断路器的音频信息,通过上述步骤提取该音频信息的特征,对比故障运行状态和正常运行状态下液压断路器的声纹特征信号,并找到匹配的所述声纹特征信号,判断断路器的故障状态。
进一步的,S1中的所述采集液压断路器运行状态的声音信号的步骤包括:麦克风录取声音信号,然后对声音信号进行实时分析和音频幅值判断,对音频幅值大于设定阈值的音频,截取其前后1秒钟的音频信息。阈值是自动捕捉断路器动作所设置的声音分贝数。
进一步的,S1中的所述预处理主要包括声音信号的预加重、分帧及加窗。
进一步的,S2中的利用快速傅里叶变换算法处理预处理之后的声音信号后,通过计算获取信号的离散功率谱,然后计算其幅度平方,得到声音信号能量谱,再将信号能量谱通过梅尔频率滤波器计算获得梅尔频率滤波器组和翻转梅尔频率滤波器组。
进一步的,S3中的对所述梅尔频率滤波器组和翻转梅尔频率滤波器组依次进行离散余弦变换和梅尔特征参数Fisher优选,输出混合特征。
进一步的,所述梅尔频率滤波器组和翻转梅尔频率滤波器均至少为12维Fisher比。
进一步的,S3中,利用BP神经网络对多个待识别样本进行训练,获得特征BP神经网络模型,对所述输出混合特征进行识别,并将其分类为故障运行状态和正常运行状态。
与现有技术相比,本发明的有益效果为:通过对液压机构断路器的在不同状态下声纹特征的提取,进行分析预测液压机构断路器的运行状态及故障状态,进而判断分析其机械及电气性能,该方法响应时间短,能及时发现问题并安排维修,大大提高了维护效率,并节约了维护成本和停机成本。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的采集液压断路器运行状态的声音信号的步骤图;
图2是本发明的梅尔滤波器组幅频响应曲线图;
图3是本发明的声音信号梅尔频率倒谱系数特征参数的具体提取工作流程图;
图4是本发明的声音信号混合特征提取算法的具体工作流程图;
图5是实施例中的断路器的故障状态的频谱图;
图6是实施例中的故障状态下分闸声音信号的频谱图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明做更全面、细致地描述,但本发明的保护范围并不限于以下具体实施例。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的,并不是旨在限制本发明的保护范围。
除非另有特别说明,本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例:一种基于声纹检测技术的液压机构断路器故障识别方法,包括以下步骤:
S1.采集液压断路器运行状态的声音信号,然后进行预处理,主要包括信号的预加重、分帧及加窗;
液压断路器的声音信号是一种典型的非平稳信号,其中隐藏着丰富的故障特征信息,要实现基于声音信号的断路器运行状态识别,首先要获取可以对断路器各种运行状态类型有效表征的声音信号特征参数。
我们在220kV液压断路器上面安装了声音采集组件及分析装备,声音采集组件包括麦克风、麦克风安装支架等硬件部分和麦克风声音采集驱动程序、声音采集程序等软件部分;声音采集组件在主机应用程序的控制下,完成对液压断路器声音信号进行的实时记录,主机分析判断从声音数据流中抓取液压断路器动作时刻的声音数据和相应的时间信息。采集液压断路器运行状态的声音信号的步骤包括:麦克风录取声音信号,然后对声音信号进行实时分析和音频幅值判断,对音频幅值大于设定阈值的音频,截取其前后1秒钟的音频信息,阈值是自动捕捉断路器动作所设置的声音分贝数;如图1所示。
S2.利用快速傅里叶变换算法处理预处理之后的声音信号,并计算得到梅尔频率滤波器组和翻转梅尔频率滤波器组;
在电力设备的日常维护中,有经验的工人可以凭借断路器运行时发出的声音判断其大致故障情况;人耳听觉对于不同频率的信号对应的灵敏度响应是不同的,梅尔频率倒谱系数就是根据人耳的这一非线性特点提出的;梅尔频率表达从线性频率变换到特定的“感知频率”变换之间的相互对应。它们之间的对应关系如式:
式中fmel为梅尔频率,f为频率。
根据人耳听觉的特点,可以用一组三角滤波器近似逼近拟合人耳听觉,这组三角滤波器也被称为梅尔滤波器组,其幅频响应曲线,如图2所示。
声音信号梅尔频率倒谱系数就是基于该梅尔滤波器计算得到的,声音信号梅尔频率倒谱系数特征参数的具体提取工作流程,如图3所示,可以分为以下几个步骤:
1)根据需求将输入的声音信号进行预处理,步骤主要有三个:声音信号的预加重、分帧及加窗。
2)利用快速傅里叶变换算法处理声音信号,并计算获取声音信号的离散功率谱X(k)。
3)求信号功率谱X(k)幅度平方,得到声音信号能量谱,然后将结果通过上述的梅尔频率滤波器,获得系数m1,m2,…,mi。
梅尔频率滤波器组输出的计算公式如下:
式中P——滤波器的个数,N——采样点数;
Hi(k)——梅尔滤波器组的传递函数,其公式如下
其中,f[i]满足:
Mel(f[i+1])-Mel(f[i])=Mel(f[i])-Mel(f[i-1])
构成梅尔滤波器的数组每一个中心三角形梅尔滤波器的每个中心滤波频率f[i]各不相同,但换算到梅尔尺度上却严格的等间隔分布,并且在每个梅尔尺度上具有相同的带宽。
4)梅尔滤波器组输出处理信号,对结果进行对数处理以达到压缩相应断路器声音信号的动态范围的目的,另外可以减轻对环境和可能给算法带来的不利影响。
5)将处理后信号进行离散余弦变化(Discrete Cosine Transform,DCT)得到梅尔倒谱系数。离散余弦变化的公式:
式中M——梅尔频率倒谱系数维数;P——滤波器个数。
S3.对梅尔频率滤波器组和翻转梅尔频率滤波器组依次进行离散余弦变换和梅尔特征参数Fisher优选,输出混合特征,利用BP神经网络对多个待识别样本进行训练,获得特征BP神经网络模型,对输出混合特征进行识别,并将其分类为故障运行状态和正常运行状态,即得到液压断路器故障运行状态和正常运行状态的声纹特征信号;
采用梅尔频率倒谱系数算法提取的断路器运行状态声音信号特征参数需要至少12维其状态识别效果才达到最佳。理论上来说,维数越高所包含的故障特征信息也就越丰富,但由于每一维的参数不尽相同,多维特征必然存在众多冗余信息,不但会增加断路器状态识别时间还会影响算法的识别效果。因此有必要在利用倒谱混合特征进行状态识别前对参数进行优选。
将Fisher准则应用到断路器故障运行声音信号的特征提取中,结合梅尔频率倒谱系数与翻转梅尔频率倒谱系数,提出一种基于Fisher准则的断路器故障声音信号混合特征的提取方法,结合算法的原理及实现流程,如图4所示,给出了声音信号混合特征提取算法的具体工作流程图。
离散余弦变换的公式:
式中M——梅尔频率倒谱系数维数;
P——滤波器个数。
Fisher准则常被研究者用来确定待测目标中特征参数的区分度最大的维度。Fisher准则将特征参数空间投影成众多子空间,获取子空间内全部特征点最优的分类。针对断路器的运行状态声信号特征,利用方差分析的方法衡量声信号特征参数有效性的F比公式定义为:
式中FFisher——各维度参数自身的F比。该值越大,则表示特征的该维参数具有越强的区分度;
σbetween——为类间离散度矩阵,表示故障声信号之间第k维分量的类间方差之和,公式如下:
式中M——故障声信号的个数;
mk (i)——故障声信号i的第k维分量的均值;
mk——表示所有故障声信号第k维分量的均值;
σwithin——类内离散度矩阵,表示某个故障声信号第k维分量类内方差之和,其数学表达式如下:
式中ni——故障声信号i的样本数;
ck (i)——表示故障声信号i的第k维特征参数利用上面的方法即可优选出对于特征贡献大的特征所在的系数维度,并优选出Fisher准则计算出的结果,进而达到特征降维的目的。
S4.采集液压断路器的音频信息,通过上述步骤提取该音频信息的特征,对比故障运行状态和正常运行状态下液压断路器的声纹特征信号,并找到匹配的声纹特征信号,判断断路器的故障状态。
采集液压断路器的音频信息,通过上述方法的特征提取,判断断路器的故障状态,如图5所示的左右两副频谱图。对断路器动作进行声音信号的采集,采集分析音频信号,在故障状态下设备的音频信号与正常动作的音频信号差异较大,根据分析发现:故障状态下分闸声音信号时域上较其他声音信号区分度比较明显,如图6所示的左右两副频谱图,根据液压断路器不同的型号进行声纹特征信号的分析,给出液压机构的故障状态。
Claims (7)
1.一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,包括以下步骤:
S1.采集液压断路器运行状态的声音信号,然后进行预处理;
S2.利用快速傅里叶变换算法处理预处理之后的声音信号,并计算得到梅尔频率滤波器组和翻转梅尔频率滤波器组;
S3.分别对所述梅尔频率滤波器组和翻转梅尔频率滤波器组结合,输出混合特征,即得到液压断路器故障运行状态和正常运行状态的声纹特征信号;
S4.采集液压断路器的音频信息,通过上述步骤提取该音频信息的特征,对比故障运行状态和正常运行状态下液压断路器的声纹特征信号,并找到匹配的所述声纹特征信号,判断断路器的故障状态。
2.根据权利要求1所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,S1中的所述采集液压断路器运行状态的声音信号的步骤包括:麦克风录取声音信号,然后对声音信号进行实时分析和音频幅值判断,对音频幅值大于设定阈值的音频,截取其前后1秒钟的音频信息。
3.根据权利要求1所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,S1中的所述预处理主要包括声音信号的预加重、分帧及加窗。
4.根据权利要求1所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,进一步的,S2中的利用快速傅里叶变换算法处理预处理之后的声音信号后,通过计算获取信号的离散功率谱,然后计算其幅度平方,得到声音信号能量谱,再将信号能量谱通过梅尔频率滤波器计算获得梅尔频率滤波器组和翻转梅尔频率滤波器组。
5.根据权利要求1所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,S3中的对所述梅尔频率滤波器组和翻转梅尔频率滤波器组依次进行离散余弦变换和梅尔特征参数Fisher优选,输出混合特征。
6.根据权利要求5所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,所述梅尔频率滤波器组和翻转梅尔频率滤波器均至少为12维Fisher比。
7.根据权利要求1所述的一种基于声纹检测技术的液压机构断路器故障识别方法,其特征在于,S3中,利用BP神经网络对多个待识别样本进行训练,获得特征BP神经网络模型,对所述输出混合特征进行识别,并将其分类为故障运行状态和正常运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484525.3A CN114137410A (zh) | 2021-12-07 | 2021-12-07 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484525.3A CN114137410A (zh) | 2021-12-07 | 2021-12-07 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114137410A true CN114137410A (zh) | 2022-03-04 |
Family
ID=80385004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111484525.3A Pending CN114137410A (zh) | 2021-12-07 | 2021-12-07 | 一种基于声纹检测技术的液压机构断路器故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114137410A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577651A (zh) * | 2023-07-12 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种高压断路器声纹监测装置传感器位置选取方法及装置 |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170119353A (ko) * | 2016-04-18 | 2017-10-27 | 주식회사 세화 | 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템 |
CN109448700A (zh) * | 2018-12-26 | 2019-03-08 | 石家庄铁道大学 | 一种基于改进mfcc算法的嵌入式语音识别***及方法 |
CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
CN112071307A (zh) * | 2020-09-15 | 2020-12-11 | 江苏慧明智能科技有限公司 | 高龄老人不完整语音智能识别方法 |
CN112289341A (zh) * | 2020-11-03 | 2021-01-29 | 国网智能科技股份有限公司 | 变电站设备声音异常识别方法及*** |
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
-
2021
- 2021-12-07 CN CN202111484525.3A patent/CN114137410A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170119353A (ko) * | 2016-04-18 | 2017-10-27 | 주식회사 세화 | 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템 |
CN109448700A (zh) * | 2018-12-26 | 2019-03-08 | 石家庄铁道大学 | 一种基于改进mfcc算法的嵌入式语音识别***及方法 |
CN110490071A (zh) * | 2019-07-12 | 2019-11-22 | 国网上海市电力公司 | 一种基于mfcc的变电站声信号特征提取方法 |
CN112071307A (zh) * | 2020-09-15 | 2020-12-11 | 江苏慧明智能科技有限公司 | 高龄老人不完整语音智能识别方法 |
CN112289341A (zh) * | 2020-11-03 | 2021-01-29 | 国网智能科技股份有限公司 | 变电站设备声音异常识别方法及*** |
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
Non-Patent Citations (3)
Title |
---|
王丰华;王邵菁;陈颂;袁国刚;张君;: "基于改进MFCC和VQ的变压器声纹识别模型", 中国电机工程学报, no. 05 * |
胡峰松;张璇;: "基于梅尔频率倒谱系数与翻转梅尔频率倒谱系数的说话人识别方法", 计算机应用, no. 09, pages 2 - 5 * |
黄锐;陆安江;张正平;: "一种改进型的MEL滤波器混合特征参数提取方法研究", 通信技术, no. 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577651A (zh) * | 2023-07-12 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种高压断路器声纹监测装置传感器位置选取方法及装置 |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
CN117275512B (zh) * | 2023-11-17 | 2024-01-30 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
CN114137410A (zh) | 一种基于声纹检测技术的液压机构断路器故障识别方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN109300483B (zh) | 一种智能化音频异音检测方法 | |
WO2008148289A1 (fr) | Système et procédé d'identification audio intelligents | |
CN101494049A (zh) | 一种用于音频监控***中的音频特征参数的提取方法 | |
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 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN111918196A (zh) | 一种音频采集器录音异常的诊断方法、装置、设备及存储介质 | |
CN112394324A (zh) | 一种基于麦克风阵列的远距离声源定位的方法及*** | |
CN116935894B (zh) | 一种基于时频域突变特征的微电机异音识别方法及*** | |
CN114023353A (zh) | 基于聚类分析和相似度计算的变压器故障分类方法及*** | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断*** | |
CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
CN116564332A (zh) | 频响分析方法、装置、设备及存储介质 | |
CN114093385A (zh) | 一种无人机检测方法及装置 | |
CN114420161A (zh) | 一种基于音频特征的工程车辆工况识别方法 | |
Suhaimy et al. | Classification of ambulance siren sound with MFCC-SVM | |
CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN117949871B (zh) | 一种变压器的声音采集和异常状态识别***及方法 | |
CN113241094B (zh) | 一种基于子带谱熵法和深度卷积神经网络的汽车鸣笛识别方法 |
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 |