CN114171058A - 基于声纹的变压器运行状态监测方法及*** - Google Patents
基于声纹的变压器运行状态监测方法及*** Download PDFInfo
- Publication number
- CN114171058A CN114171058A CN202111467440.4A CN202111467440A CN114171058A CN 114171058 A CN114171058 A CN 114171058A CN 202111467440 A CN202111467440 A CN 202111467440A CN 114171058 A CN114171058 A CN 114171058A
- Authority
- CN
- China
- Prior art keywords
- audio data
- transformer
- abnormal
- data
- original audio
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 87
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 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
- G10L25/48—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
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—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 the cepstrum
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于声纹的变压器运行状态监测方法及***,包括:S100,获取变压器的原始音频数据;S200,根据变压器采集的原始音频数据的音质,确定是否需要对采集原始音频数据的音质进行修正;S300,如需要,基于原始音频数据的最值进行修正,以获取有效的原始音频数据;通过设置第一、二预设值,对变压器采集的原始音频数据进行音质划分,以确保变压器能够采集有效的原始音频数据,以便于在进行后续的进一步分析过程中,能够大幅度筛选干扰项,减少分析过程的计算量。
Description
技术领域
本发明涉及电力设备技术领域,具体涉及一种基于声纹的变压器运行状态监测方法及***。
背景技术
如今,电力需求不断提升,电能质量问题备受关注,电能的稳定供应关系着国民经济。大量实践表明,电力变压器(电抗器)出现严重事故前,往往都存在着潜伏性故障,电力变压器(电抗器)的主要故障是由于内部局部放电、局部过热、绕组变形、机械部件松动及设备绝缘的老化等潜伏性故障随时间积累引起的。一旦发生故障,给生活带来不便或者经济损失。如今,电力变压器(电抗器)保护方法主要是通过故障时的电压、电流等电气参量进行继电保护,而相关潜伏性故障由于普遍存在于内部而难以检测。
现有技术中,通过采集电压器的声响,并对声响进行声纹分析,从而能够判断出变压器的运行情况。但是大多是针对变压器采集的各种声响直接进行特征提取和进一步处理,运算量大,且庞大的数据集也会造成更多的误差。同时,对于使用过的样本数据,也没有很好的进一步利用,造成算力的资源浪费,不利于设备的可持续运算。
发明内容
为解决上述现有技术的中的不足,本发明的目的在于克服现有不足,提供一种基于声纹的变压器运行状态监测方法,包括:
获取变压器的原始音频数据;
根据所述变压器采集的原始音频数据的音质,确定是否需要对采集原始音频数据的音质进行修正;
如需要,基于所述原始音频数据的最值进行修正,以获取有效的原始音频数据。
作为上述方案的进一步优化,基于所述原始音频数据的最值进行修正,包括:
判断所述原始音频数据的音质是否大于或等于第一预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
作为上述方案的进一步优化,判断所述原始音频数据的音质是否小于或等于第二预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
作为上述方案的进一步优化,所述方法还对原始音频数据故障分类,具体包括如下:
基于所述的原始音频数据获取变压器的目标音频数据;
若校检目标音频数据未超过设置的音频异常阈值,标记当前为正常音频;
若校检目标音频数据超过设置的音频异常阈值,标记当前为异常音频,保存至异常样本库;
基于Zero-shot Learning算法将校检确认过的异常音频与异常样本库对比:
若检测异常音频类型存在于异常样本库,划归至所述异常样本库的类别;
若检测异常音频类型不存在于异常样本库,划归为未知异常类别。
作为上述方案的进一步优化,基于Active Learning算法对所述的未知异常类别音频数据标记和分类,更新后的所述异常样本库为:
记录原始的异常样本库为SQL 1,记录任意的所述目标音频数据至划归为所述异常样本库的类别或未知异常类别的次数为n,异常样本库对应的目标音频数据为Data a1,Data a2,…Data ax,记录未知异常对应的目标音频数据为Data b1,Data b2,…Data by,其中,n=x+y;
第n次异常样本库为:
SQL n=SQL 1+Data a1+Data a2+…Data ax+Data b1+…+Data by (1)
作为上述方案的进一步优化,所述目标音频数据基于变压器采集的原始音频转化的过程具体包括如下:
获取变压器环境的原始音频数据;
对采集的原始音频数据进行预加重处理,分帧和加窗,生成以帧为单位的多个预处理音频;
获取多个所述的预处理音频,基于快速傅里叶变换获取所述预处理音频对应的频谱信息;
将多个所述的频谱信息采用Mel滤波器组获取Mel频谱;
在Mel频谱上面进行倒谱分析,获得Mel频率倒谱系数MFCC。
作为上述方案的进一步优化,所述倒谱分析过程具体包括如下:
采集多个Mel频谱作对数运算;
通过离散余弦变换来实现逆变换;
选择离散余弦变换后的系数作为MFCC系数,生成目标音频数据。
作为上述方案的进一步优化,在获取多个MFCC系数后,所述音频异常阈值的生成包括如下:
基于Auto-encoder算法压缩多个所述的MFCC系数,生成空间表征数并进行输出;
基于VAE算法,将多个所述的MFCC系数转换为统计分布参数-均值和标准差;
基于Auto-encoder算法输出的空间表征数及基于VAE算法生成的均值和标准差分布参数,构建电力设备声纹模型库;
基于MSELoss函数对构建的电力设备声纹模型库划定、生成变压器的正常声音的音频异常阈值。
作为上述方案的进一步优化,基于对变压器的异常样本库更新,所述音频异常阈值对应降低1%。
本发明还公开了一种基于声纹的变压器运行状态监测***,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求书中任意一项所述基于声纹图像特征的变压器状态识别方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行权利要求书中任意一项所述基于声纹的变压器运行状态监测方法的计算机程序。
本发明采用上述的技术方案,与现有技术相比,一种基于声纹的变压器运行状态监测方法及***,具有以下技术效果:
1.本发明通过设置第一、二预设值,对变压器采集的原始音频数据进行音质划分,以确保变压器能够采集有效的原始音频数据,以便于在进行后续的进一步分析过程中,能够大幅度筛选干扰项,减少分析过程的计算量。
2.本发明通过将未存储于异常样本库的其他异常标记出来,且将其作为更新后的异常样本库样本数据,实现目标音频数据的异常情况判断的正反馈,使得在进行解析过程中,不断扩充异常样本库的容量,有助于对目标音频数据的全面整合和归纳,增强容错性,最大化标记变压器采集的原始音频,从而进行变压器的运行状态监测,效果显著。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明的流程示意图;
图2为本发明的目标音频数据归类的流程示意图;
图3为本发明的原始音频数据转化为目标音频数据的流程示意图。
具体实施方式
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。
如图1-3所示,本发明实施例公开了一种基于声纹的变压器运行状态监测方法,包括:
S100,获取变压器的原始音频数据;
S200,根据变压器采集的原始音频数据的音质,确定是否需要对采集原始音频数据的音质进行修正;
S300,如需要,基于原始音频数据的最值进行修正,以获取有效的原始音频数据。
通过设置第一、二预设值,对变压器采集的原始音频数据进行音质划分,以确保变压器能够采集有效的原始音频数据;
具体的,如变压器所处的自然环境中,有生物发出的声响、以及变压器设备自身运行发出的声响、变压器在运行过程中故障产生的声音、变压器在运行过程中与其他物体交互产生的声音;对于变压器所处环境中种类繁杂的噪声,有必要对采集的原始音频数据进行音质划分,以便于在进行后续的进一步分析过程中,能够大幅度筛选干扰项,减少分析过程的计算量。
更具体的,本发明涉及的音质包括声音的响度及音色,通过对响度的获取,能够基于响度的大小是否处于第一、二预设值的区间,以便于进行进一步的音频数据处理;
通过对音色的获取,能够有效对获取的原始音频数据进行物体种类划分,筛选有效的音色进行进一步的分析处理,效果良好。
进一步的,基于原始音频数据的最值进行修正,包括:
判断原始音频数据的音质是否大于或等于第一预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
进一步的,判断原始音频数据的音质是否小于或等于第二预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
特别说明的是,本发明对于需要修正的原始音频数据的具体方法为:
针对音质大于或等于第一预设值的原始音频数据,进行原始音频数据的响度优化,使之修正为第一预设值和第二预设值之间。
进一步的,上述方法还对原始音频数据故障分类,具体包括如下:
基于的原始音频数据获取变压器的目标音频数据;
若校检目标音频数据未超过设置的音频异常阈值,标记当前为正常音频;
若校检目标音频数据超过设置的音频异常阈值,标记当前为异常音频,保存至异常样本库;
基于Zero-shot Learning算法将校检确认过的异常音频与异常样本库对比:
若检测异常音频类型存在于异常样本库,划归至异常样本库的类别;
若检测异常音频类型不存在于异常样本库,划归为未知异常类别。
特别说明的是,本发明的目标音频数据为基于原始音频数据处理后的待分析数据,变压器采集的音频经过转换后,生成可量化的目标音频数据,以便于对变压器采集的声音进行判断和归纳整理;
本发明的异常样本库由记录大量的变压器设备及变压器设备与其他物体交互产生的声音样本构成,且的声音样本为基于原始音频数据经过转换后的目标音频数据;
进一步的,基于Active Learning算法对未知异常类别音频数据标记和分类,更新后的异常样本库为:
记录原始的异常样本库为SQL 1,记录任意的目标音频数据至划归为异常样本库的类别或未知异常类别的次数为n,异常样本库对应的目标音频数据为Data a1,Data a2,…Data ax,记录未知异常对应的目标音频数据为Data b1,Data b2,…Data by,其中,n=x+y;
第n次异常样本库为:
SQL n=SQL 1+Data a1+Data a2+…Data ax+Data b1+…+Data by (1)
本发明还对目标音频数据的未知异常类别进行标记,通过将未存储于异常样本库的其他异常标记出来,且将其作为更新后的异常样本库样本数据,实现了目标音频数据的异常情况判断的正反馈,使得在进行解析过程中,不断扩充异常样本库的容量,有助于对目标音频数据的全面整合和归纳,增强容错性,最大化标记变压器采集的原始音频,从而进行变压器的运行状态监测,效果显著。
特别说明的是,在进行实际应用过程中,对于异常样本库样本数据中,存在的未知异常类别,可通过专家标记等技术手段进行标记,使得被自动标记为未知异常类别的目标音频数据变为人工标记的异常项,便于进行后续的处理。
进一步的,目标音频数据基于变压器采集的原始音频转化的过程具体包括如下:
S400,获取变压器环境的原始音频数据;
S500,对采集的原始音频数据进行预加重处理,分帧和加窗,生成以帧为单位的多个预处理音频;
S600,获取多个预处理音频,基于快速傅里叶变换获取预处理音频对应的频谱信息;
S700,将多个频谱信息采用Mel滤波器组获取Mel频谱;
S800,在Mel频谱上面进行倒谱分析,获得Mel频率倒谱系数MFCC。
进一步的,倒谱分析过程具体包括如下:
采集多个Mel频谱作对数运算;
通过离散余弦变换来实现逆变换;
选择离散余弦变换后的系数作为MFCC系数,生成目标音频数据。
进一步的,在获取多个MFCC系数后,音频异常阈值的生成包括如下:
基于Auto-encoder算法压缩多个MFCC系数,生成空间表征数并进行输出;
基于VAE算法,将多个MFCC系数转换为统计分布参数-均值和标准差;
基于Auto-encoder算法输出的空间表征数及基于VAE算法生成的均值和标准差分布参数,构建电力设备声纹模型库;
基于MSELoss函数对构建的电力设备声纹模型库划定、生成变压器的正常声音的音频异常阈值。
特别说明的是,本发明优选的设置电力设备声纹模型库中15%数据量对应的数值为音频异常阈值。
进一步的,基于对变压器的异常样本库更新,音频异常阈值对应降低1%。
特别说明的是,基于目标音频数据对异常样本库样本数据的不断更新,实现了目标音频数据的异常情况判断的正反馈,使得本发明实施例对于基于变压器的声音采集判断电压器的运行情况准确度提升,因而适应性降低音频异常阈值。
另外,本发明实施例提供的基于声纹的变压器运行状态监测***与上述实施例提供的基于声纹的变压器运行状态监测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于声纹的变压器运行状态监测方法,其特征在于,包括:
获取变压器的原始音频数据;
根据所述变压器采集的原始音频数据的音质,确定是否需要对采集原始音频数据的音质进行修正;
如需要,基于所述原始音频数据的最值进行修正,以获取有效的原始音频数据。
2.根据权利要求1所述的一种基于声纹的变压器运行状态监测方法,其特征在于,基于所述原始音频数据的最值进行修正,包括:
判断所述原始音频数据的音质是否大于或等于第一预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
3.根据权利要求2所述的一种基于声纹的变压器运行状态监测方法,其特征在于,判断所述原始音频数据的音质是否小于或等于第二预设值;
如果是,则确定需要对采集原始音频数据的音质进行修正;
如果否,则确定不需要对采集原始音频数据的音质进行修正。
4.根据权利要求1所述的一种基于声纹的变压器运行状态监测方法,其特征在于,所述方法还对原始音频数据故障分类,具体包括如下:
基于所述的原始音频数据获取变压器的目标音频数据;
若校检目标音频数据未超过设置的音频异常阈值,标记当前为正常音频;
若校检目标音频数据超过设置的音频异常阈值,标记当前为异常音频,保存至异常样本库;
基于Zero-shot Learning算法将校检确认过的异常音频与异常样本库对比:
若检测异常音频类型存在于异常样本库,划归至所述异常样本库的类别;
若检测异常音频类型不存在于异常样本库,划归为未知异常类别。
5.根据权利要求4所述的一种基于声纹的变压器运行状态监测方法,其特征在于,基于Active Learning算法对所述的未知异常类别音频数据标记和分类,更新后的所述异常样本库为:
记录原始的异常样本库为SQL 1,记录任意的所述目标音频数据至划归为所述异常样本库的类别或未知异常类别的次数为n,异常样本库对应的目标音频数据为Data a1,Dataa2,…Data ax,记录未知异常对应的目标音频数据为Data b1,Data b2,…Data by,其中,n=x+y;
第n次异常样本库为:
SQL n=SQL 1+Data a1+Data a2+…Data ax+Data b1+…+Data by (1)。
6.根据权利要求4所述的一种基于声纹的变压器运行状态监测方法,其特征在于,所述目标音频数据基于变压器采集的原始音频转化的过程具体包括如下:
获取变压器环境的原始音频数据;
对采集的原始音频数据进行预加重处理,分帧和加窗,生成以帧为单位的多个预处理音频;
获取多个所述的预处理音频,基于快速傅里叶变换获取所述预处理音频对应的频谱信息;
将多个所述的频谱信息采用Mel滤波器组获取Mel频谱;
在Mel频谱上面进行倒谱分析,获得Mel频率倒谱系数MFCC。
7.根据权利要求6所述的一种基于声纹的变压器运行状态监测方法,其特征在于,所述倒谱分析过程具体包括如下:
采集多个Mel频谱作对数运算;
通过离散余弦变换来实现逆变换;
选择离散余弦变换后的系数作为MFCC系数,生成目标音频数据。
8.根据权利要求7所述的一种基于声纹的变压器运行状态监测方法,其特征在于,在获取多个MFCC系数后,所述音频异常阈值的生成包括如下:
基于Auto-encoder算法压缩多个所述的MFCC系数,生成空间表征数并进行输出;
基于VAE算法,将多个所述的MFCC系数转换为统计分布参数-均值和标准差;
基于Auto-encoder算法输出的空间表征数及基于VAE算法生成的均值和标准差分布参数,构建电力设备声纹模型库;
基于MSELoss函数对构建的电力设备声纹模型库划定、生成变压器的正常声音的音频异常阈值。
9.根据权利要求5所述的一种基于声纹的变压器运行状态监测方法,其特征在于,基于对变压器的异常样本库更新,所述音频异常阈值对应降低1%。
10.一种基于声纹的变压器运行状态监测***,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~9中任意一项所述基于声纹图像特征的变压器状态识别方法的步骤,或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1~9中任意一项所述基于声纹的变压器运行状态监测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467440.4A CN114171058A (zh) | 2021-12-03 | 2021-12-03 | 基于声纹的变压器运行状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467440.4A CN114171058A (zh) | 2021-12-03 | 2021-12-03 | 基于声纹的变压器运行状态监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114171058A true CN114171058A (zh) | 2022-03-11 |
Family
ID=80482783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111467440.4A Pending CN114171058A (zh) | 2021-12-03 | 2021-12-03 | 基于声纹的变压器运行状态监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114171058A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729034A (zh) * | 2008-10-31 | 2010-06-09 | 美商富迪科技股份有限公司 | 语音处理装置、动态范围控制模块及语音振幅调整的方法 |
CN109817241A (zh) * | 2019-02-18 | 2019-05-28 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频处理方法、装置及存储介质 |
CN111131616A (zh) * | 2019-12-28 | 2020-05-08 | 科大讯飞股份有限公司 | 基于智能终端的音频共享方法及相关装置 |
CN111739557A (zh) * | 2020-06-19 | 2020-10-02 | 浙江讯飞智能科技有限公司 | 设备故障定位方法、装置、设备及存储介质 |
CN112763214A (zh) * | 2020-12-31 | 2021-05-07 | 南京信息工程大学 | 基于多标签零样本学习的滚动轴承故障诊断方法 |
US20210182618A1 (en) * | 2018-10-29 | 2021-06-17 | Hrl Laboratories, Llc | Process to learn new image classes without labels |
CN113611331A (zh) * | 2021-07-30 | 2021-11-05 | 合肥科大智能机器人技术有限公司 | 一种变压器声纹异常检测方法 |
-
2021
- 2021-12-03 CN CN202111467440.4A patent/CN114171058A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729034A (zh) * | 2008-10-31 | 2010-06-09 | 美商富迪科技股份有限公司 | 语音处理装置、动态范围控制模块及语音振幅调整的方法 |
US20210182618A1 (en) * | 2018-10-29 | 2021-06-17 | Hrl Laboratories, Llc | Process to learn new image classes without labels |
CN109817241A (zh) * | 2019-02-18 | 2019-05-28 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频处理方法、装置及存储介质 |
CN111131616A (zh) * | 2019-12-28 | 2020-05-08 | 科大讯飞股份有限公司 | 基于智能终端的音频共享方法及相关装置 |
CN111739557A (zh) * | 2020-06-19 | 2020-10-02 | 浙江讯飞智能科技有限公司 | 设备故障定位方法、装置、设备及存储介质 |
CN112763214A (zh) * | 2020-12-31 | 2021-05-07 | 南京信息工程大学 | 基于多标签零样本学习的滚动轴承故障诊断方法 |
CN113611331A (zh) * | 2021-07-30 | 2021-11-05 | 合肥科大智能机器人技术有限公司 | 一种变压器声纹异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
CN111259921B (zh) | 基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN111562458B (zh) | 一种电力变压器故障诊断方法与电力变压器故障诊断装置 | |
JP2022552449A (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 | |
CN111918196B (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 | |
CN116075733A (zh) | 用于对电池模块进行分类的电池管理*** | |
CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
CN113740635A (zh) | 电气设备故障诊断方法、终端和多探头传感装置 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN116564332A (zh) | 频响分析方法、装置、设备及存储介质 | |
CN111024147A (zh) | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN114171058A (zh) | 基于声纹的变压器运行状态监测方法及*** | |
CN116699400A (zh) | 一种发电机转子短路故障监测***、方法及可读存储介质 | |
CN113805105A (zh) | 三相变压器检测方法和*** | |
CN115906942A (zh) | 一种电弧故障识别方法、装置、设备及可读存储介质 | |
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 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及*** | |
CN117949871B (zh) | 一种变压器的声音采集和异常状态识别***及方法 | |
MOLDAN | Identification and classification of defects in vinyl disc records | |
JPH08320251A (ja) | 設備における音響および振動の診断方法 | |
CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和*** | |
CN117783795B (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及*** |
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 |