CN114487952A - 一种利用声光纤的失超检测***和方法 - Google Patents
一种利用声光纤的失超检测***和方法 Download PDFInfo
- Publication number
- CN114487952A CN114487952A CN202210388965.7A CN202210388965A CN114487952A CN 114487952 A CN114487952 A CN 114487952A CN 202210388965 A CN202210388965 A CN 202210388965A CN 114487952 A CN114487952 A CN 114487952A
- Authority
- CN
- China
- Prior art keywords
- signal
- optical fiber
- sound
- analysis server
- voiceprint analysis
- 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
- 238000010791 quenching Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 239000013307 optical fiber Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 230000005236 sound signal Effects 0.000 claims abstract description 24
- 239000000835 fiber Substances 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000000171 quenching effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002887 superconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
- G01R33/1238—Measuring superconductive properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- 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
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种利用声光纤的失超检测***，包括：声光纤线材，光纤声音侦听仪，声纹分析服务器；其中，所述声光纤线材一端缠绕于超导磁体外圈，另一端连接至光纤声音侦听仪的光收发端口；光纤声音侦听仪的数据通讯端口与声纹分析服务器连接；光纤声音侦听仪发出的光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，光纤声音侦听器将反射光信号还原成声音信号，随后传输至声纹分析服务器，由声纹分析服务器对声音信号进行声纹分析。本发明通过声纹感知并基于MFCC向量进行声纹识别，具备检测精度高，抗干扰能力强，计算速度快，检修成本低的有益效果。
Description
技术领域
本发明涉及用于超导磁体的失超探测技术领域，利用声光纤为传感器，采用声纹识别技术进行超导磁体失超诊断的方法。
背景技术
可控热核聚变能研究的一项重大突破，是将超导技术成功地应用于产生托卡马克强磁场的线圈上。全超导托卡马克可实现稳态运行，并通过在稳态运行条件下大大改善约束，为未来稳态、先进聚变反应堆奠定工程技术和物理基础。因此未来商用堆必须是全超导，才能实现稳态运行。
超导磁体***也是超导聚变装置最重要最昂贵的部件之一（占总费用25%），超导磁体一旦失超，储存在超导体内极高的电磁热量向热能的转化过程，失超保护不及时，几秒内磁体将产生不可逆损坏，导致超导装置无法运行，产生巨大经济损失！ 因此失超诊断与保护***是确保大型超导装置安全运行的最高等级保障。
当磁体失超后会出现电阻值，温度，压力等一系列物理量变化，而失超诊断就是将这些物理量转变为电信号作为失超判别依据。传统的超导线圈超导诊断方法主要包括：电阻电压检测法、温升检测法、压力检测法、流量检测法、超声波检测等。
其中，温升检测法通过实时检测超导线圈的温度变化或温度变化速率来判定失超，例如中科院电工所超导储能***SMSE等，该检测方法接近物理现象的本质，检测速度快、灵敏度高。但面临多温度布点，同时要求温度传感器及后续测量***具有很高的测量精度及稳定性。
压力、流量检测也是主要判别失超的依据，但存在传感器反应较慢、有延迟，同时影响因素不单一的缺点。根据检测电路构造的难度，电压检测法在失超检测中更为常用。电压检测法失超判别依据主要通过超导检测信号电压超过阈值电压，并持续设定的延迟时间则认定失超发生。
最常用的电压阈值判别法包括电桥法和同绕线检测法。其中电桥法主要应用于中科院等离子体所的HT-7托卡马克装置、中科院SMSE和日本的LHD装置等超导装置，这种失超检测法利用惠斯通电桥平衡原理来获得失超检测信号，具有使用方便、需要失超检测电路少的优点，但一方面存在失超探测盲点、另一方面抗电磁干扰能力不强。同绕线检测法主要应用于中科院等离子体所EAST装置，这种失超检测法利用同绕线同超导线圈同绕构成失超检测取样电路获得基准电压信号，同时通过传感器分别测得所有通电线圈的电流微分信号作为二次补偿电压，将二次补偿电压和基准电压按一定补偿系数进行累加，抵消自身线圈和其它快速交变线圈耦合产生的感应电压，将累加后获得的电压作为失超检测量。该方法能够实现快速变化磁场环境下的失超检测，但存在一旦同绕线断线无法修复的缺点。
综上，目前常用失超诊断技术都存在一定技术缺陷，特别在失超定位，失超预警，失超辅助判别方面，考虑到失超诊断对大型超导装置重要性，需要更有效的诊断技术作为现有技术的有效补偿。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种利用声光纤为传感器，采用声纹识别技术进行超导磁体失超诊断的方法。其优势在于只需敷设在超导磁体铠甲外部，耐高压，抗电磁干扰，灵敏度高，响应时间缩短20%，真实失超判别准确率高，可作为失超定位及辅助失超判别方法。
为了解决上述技术问题，本发明提供了一种利用声光纤的失超检测***，所述***包括：声光纤线材，光纤声音侦听仪，声纹分析服务器；其中，所述声光纤线材一端缠绕于超导磁体外圈，另一端连接至光纤声音侦听仪的光收发端口；光纤声音侦听仪的数据通讯端口与声纹分析服务器连接；光纤声音侦听仪发出的光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，光纤声音侦听器将反射光信号还原成声音信号，随后传输至声纹分析服务器，由声纹分析服务器对声音信号进行声纹分析。
进一步的，所述光纤声音侦听仪包括光发射单元、光接收单元、放大单元、解调单元、通信单元，其中光发射单元按一定频率发射光信号，光信号在光纤线材内行进过程中，遇到磁体产生的声波而引起形变，所述光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，经过光接收单元、放大单元进行接收处理后得到反射光信号；解调单元将反射光信号还原成声音信号，随后通信单元将声音信号和长度信息传输至声纹分析服务器。其中，所述通信单元包括以太网通信单元、WIFI模块、4G模块、5G模块等。所述声纹分析服务器首先基于MFCC特征向量对声音信号进行加权降维优化，其次应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
本发明还提供了一种利用声光纤的失超检测方法，应用上述***，所述方法包括如下步骤：
步骤S1、光纤声音侦听仪发出光信号；
步骤S2、光纤声音侦听仪接收反射光信号并还原成声音信号；
步骤S3、声纹分析服务器基于MFCC特征向量对声音信号进行加权降维优化；
步骤S4、声纹分析服务器应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
所述步骤S3包括声纹预处理步骤，所述声纹预处理步骤包括：
步骤31、对声纹信号进行分帧，分帧关系表示为M = n - Lb/[L(1-b)]，其中M为帧数，n为音频信号长度，L为帧长，b为重叠率；优选地，取20ms为一帧帧长L，40%为重叠率b；
步骤32、对所述分帧信号分别求取MFCC特征向量，组成特征向量组，该求取过程包括FFT变换、Mel滤波、对数变换和离散余弦变换。
所述步骤S3还包括对预处理后的声音信号进行降维优化：具体是通过PCA算法对计算得到的高维MFCC向量进行降维精简；所述Mel滤波和PCA算法具体见实施方式说明。
进一步的，声纹分析服务器对目标信号进行分析得到的降维优化后目标MFCC特征向量v，v1，…，vh、方差贡献率和累计方差贡献率输入到训练完成的矢量量化算法中，最终得到失超判定结果。
本发明所提供的检测***和方法能够基于声纹识别技术进行超导失超检测，检测***与超导***相对独立，故障不会发生于超导***内部，检修成本低；同时本发明通过MFCC向量和神经网络进行综合判断，能够提取故障的深度信息，检测精度高，抗干扰能力强；最后，本发明在声纹分析过程中，利用了降维优化，在保障精度的同时进一步减少计算量，提高计算效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的***示意图；
图2是本发明一实施例所提供的失超时的声纹分析图和电流对比图。
具体实施方式
为使相关技术人员能更好的理解本发明，对本次申请的目的、技术方案和优点有更加清晰的了解，下面将结合具体实例和附图对本发明做进一步说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供了一种利用声光纤的失超检测***，如图1所示，所述***包括：声光纤线材，光纤声音侦听仪，声纹分析服务器；其中，所述声光纤线材一端缠绕于超导磁体外圈，另一端连接至光纤声音侦听仪的光收发端口；光纤声音侦听仪的数据通讯端口与声纹分析服务器连接。
所述光纤声音侦听仪包括光发射单元、光接收单元、放大单元、解调单元、通信单元，其中光发射单元按一定频率发射光信号，光信号在光纤线材内行进过程中，遇到磁体产生的声波而引起形变（也可以看作声波对光信号的调制），所述光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，经过光接收单元、放大单元进行接收处理后得到反射光信号，解调单元将反射光信号还原成声音信号，随后通信单元将声音信号和长度信息传输至声纹分析服务器，由声纹分析服务器对声音信号进行声纹分析。
优选地，所述通信单元包括以太网通信单元、WIFI模块、4G模块、5G模块等。
所述声纹分析服务器首先基于MFCC特征向量对声音信号进行加权降维优化，其次应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
进一步的，本发明还提供了一种依托于上述失超检测***的利用声光纤的失超检测方法，所述方法包括如下步骤：
步骤S1、光纤声音侦听仪发出光信号；
步骤S2、光纤声音侦听仪接收反射光信号并还原成声音信号；
步骤S3、声纹分析服务器基于MFCC特征向量对声音信号进行加权降维优化；
步骤S4、声纹分析服务器应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
优选地，对声音信号进行加权降维优化包括声纹预处理和降维优化。
一、声纹预处理步骤：声纹预处理包含分帧和加窗两个子步骤。
（1）在对声纹信号进行分帧时，为保证相邻两帧信号间的连续性，两帧间一般有重叠。分帧关系可表示为M = n - Lb/[L(1-b)]，
其中M为帧数，n为音频信号长度，L为帧长，b为重叠率。
利用声纹检测失超发生时，优选地，可取20ms为一帧帧长L，40%为重叠率b。
（2）预处理后信号需进行离散傅里叶变换，具体是对每个分帧信号先施加汉明窗再进行离散傅里叶变换，以增加信号两端的连续性，从而减少傅里叶变换造成的失真现象。
其中，MFCC系数基于Mel频率域的倒谱系数，其中Mel频率是根据人耳听觉感知特性变换的频率域：B(h)=25951g(1h / 700)。
对上述分帧信号分别求取MFCC特征向量，组成特征向量组，该求取过程包括FFT变换、Mel滤波、对数变换和离散余弦变换。
更进一步的，所述Mel滤波由若干个三角带通滤波器组成的滤波器组实现。设滤波器个数为p,信号经滤波后可得道p个参数
，其计算公式为：
N为FFT点数，X(k)为预处理后分帧信号的FFT，Hi(k)为滤波器参数，可表示为：
其中：f[i]为三角滤波器中心频率；
当计算得到mi后，对其取对数，并进行离散余弦变换，计算得到的结果c(i)即为分帧信号的MFCC特征向量。
二、降维优化步骤：在分析声音信号时，较高的MFCC特征向量维数能确保对声音信号特征进行充分的提取，但是过高的维数也会耗费大量的计算时间，增加计算复杂性。为提高计算效率，通过PCA算法对计算得到的高维MFCC向量进行降维精简，同时确保特征的准确性。
所述PCA算法如下：
（1）设有e个特征向量组成矩阵G,每个特征向量的维数为h,则G可以表示为：
（2）计算G的相关矩阵R,为
，
据此计算出相关矩阵R的特征值
和对应的特征向量
。
（3）计算方差贡献率和累计方差贡献率，分别为：
通过以上特征数据与失超时音频特征进行矢量量化算法预测，可准确判断出失超的发生。
结合图2所示的失超时的声纹分析图和电流对比图，通过实验验证，上述检测***能够基于声纹的分析准确判断出失超的发生。
同时，通过实验也观察到：目前测试磁场强度会对传感器产生干扰，但干扰强度保持在较低的水平，不会对正常声纹信号的接收产生影响，而光纤则丝毫不受磁场变化干扰，这一进一步验证了本申请的抗干扰能力。
进一步的，所述矢量量化算法通过一神经网络训练得到，包括如下过程：
（一）选取声纹训练集，对训练集执行上述步骤一和二，得到降维优化后的MFCC特征向量、方差贡献率和累计方差贡献率，并对训练集进行标定；
（二）以训练集的降维优化后MFCC特征向量（v，v1，…，vh）、方差贡献率和累计方差贡献率为输入，以对应的失超结果为输出，训练机器学习模型，得到训练完成后的矢量量化算法；
（三）将声纹分析服务器对目标信号进行分析得到的降维优化后目标MFCC特征向量、方差贡献率和累计方差贡献率输入到矢量量化算法中，最终得到失超判定结果。
本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种利用声光纤的失超检测***，其特征在于，所述***包括：声光纤线材，光纤声音侦听仪，声纹分析服务器；其中，所述声光纤线材一端缠绕于超导磁体外圈，另一端连接至光纤声音侦听仪的光收发端口；光纤声音侦听仪的数据通讯端口与声纹分析服务器连接；
光纤声音侦听仪发出的光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，光纤声音侦听器将反射光信号还原成声音信号，随后传输至声纹分析服务器，由声纹分析服务器对声音信号进行声纹分析。
2.如权利要求1所述的***，其特征在于：所述光纤声音侦听仪包括光发射单元、光接收单元、放大单元、解调单元、通信单元，
其中光发射单元按一定频率发射光信号，光信号在光纤线材内行进过程中，遇到磁体产生的声波而引起形变，所述光信号经过瑞利反射有部分信号反射回光纤声音侦听仪，经过光接收单元、放大单元进行接收处理后得到反射光信号；
解调单元将反射光信号还原成声音信号，随后通信单元将声音信号和长度信息传输至声纹分析服务器。
3.如权利要求2所述的***，其特征在于：所述通信单元包括以太网通信单元、WIFI模块、4G模块、5G模块等。
4.如权利要求1-3任一项所述的***，其特征在于：所述声纹分析服务器首先基于MFCC特征向量对声音信号进行加权降维优化，其次应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
5.一种利用声光纤的失超检测方法，应用如权利要求1-4任一项所述的***，其特征在于，所述方法包括如下步骤：
步骤S1、光纤声音侦听仪发出光信号；
步骤S2、光纤声音侦听仪接收反射光信号并还原成声音信号；
步骤S3、声纹分析服务器基于MFCC特征向量对声音信号进行加权降维优化；
步骤S4、声纹分析服务器应用矢量量化算法对优化后的声音信号进行识别，最终判定是否发生失超。
6.如权利要求5所述的方法，其特征在于，所述步骤S3包括声纹预处理步骤，所述声纹预处理步骤包括：
步骤31、对声纹信号进行分帧，分帧关系表示为M = n - Lb/[L(1-b)]，其中M为帧数，n为音频信号长度，L为帧长，b为重叠率；
步骤32、对所述分帧信号分别求取MFCC特征向量，组成特征向量组，该求取过程包括FFT变换、Mel滤波、对数变换和离散余弦变换。
7.如权利要求6所述的方法，其特征在于：所述Mel滤波由若干个三角带通滤波器组成的滤波器组实现，设滤波器个数为p,信号经滤波后可得道p个参数
，其计算公式为：
N为FFT点数，X(k)为预处理后分帧信号的FFT，Hi(k)为滤波器参数，表示为：
其中：f[i]为三角滤波器中心频率；
计算得到mi后，对其取对数，并进行离散余弦变换，计算得到的结果c(i)即为分帧信号的MFCC特征向量。
8.如权利要求5或6所述的方法，其特征在于，所述步骤S3还包括对预处理后的声音信号进行降维优化：具体是通过PCA算法对计算得到的高维MFCC向量进行降维精简；
所述PCA算法如下：
（1）设有e个特征向量组成矩阵G,每个特征向量的维数为h,则G可以表示为：
（2）计算G的相关矩阵R,为
；
据此计算出相关矩阵R的特征值
和对应的特征向量
；
（3）计算方差贡献率和累计方差贡献率，分别为：
9.如权利要求8所述的方法，其特征在于，声纹分析服务器对目标信号进行分析得到的降维优化后目标MFCC特征向量v，v1，…，vh、方差贡献率和累计方差贡献率输入到训练完成的矢量量化算法中，最终得到失超判定结果。
10.如权利要求7所述的方法，其特征在于，取20ms为一帧帧长L，40%为重叠率b。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388965.7A CN114487952A (zh) | 2022-04-14 | 2022-04-14 | 一种利用声光纤的失超检测***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388965.7A CN114487952A (zh) | 2022-04-14 | 2022-04-14 | 一种利用声光纤的失超检测***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114487952A true CN114487952A (zh) | 2022-05-13 |
Family
ID=81488041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210388965.7A Pending CN114487952A (zh) | 2022-04-14 | 2022-04-14 | 一种利用声光纤的失超检测***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114487952A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116741493A (zh) * | 2023-08-09 | 2023-09-12 | 中国科学院合肥物质科学研究院 | 一种聚变堆超导磁体*** |
| CN117590300A (zh) * | 2023-11-21 | 2024-02-23 | 兰州大学 | 基于分布式光纤声波传感的超导磁体失超检测***及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5430814A (en) * | 1994-01-05 | 1995-07-04 | Advec Corporation | Temperature transient detection system for superconducting magnets |
| CN101680295A (zh) * | 2007-02-15 | 2010-03-24 | 高真工程公司 | 流体运移剖面获取方法及设备 |
| CN102096051A (zh) * | 2009-12-14 | 2011-06-15 | 中国电力科学研究院 | 一种高温超导混合磁体失超检测的电压校正电路 |
| CN103959044A (zh) * | 2011-12-01 | 2014-07-30 | 株式会社藤仓 | 超导线材的常导过渡的检测方法 |
| CN110261799A (zh) * | 2019-06-19 | 2019-09-20 | 中国科学院合肥物质科学研究院 | 利用分布式光纤传感技术的高温超导磁体失超检测*** |
| CN111811683A (zh) * | 2020-06-22 | 2020-10-23 | 西南交通大学 | 一种超导块材温升检测***及方法 |
-
2022
- 2022-04-14 CN CN202210388965.7A patent/CN114487952A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5430814A (en) * | 1994-01-05 | 1995-07-04 | Advec Corporation | Temperature transient detection system for superconducting magnets |
| CN101680295A (zh) * | 2007-02-15 | 2010-03-24 | 高真工程公司 | 流体运移剖面获取方法及设备 |
| CN102096051A (zh) * | 2009-12-14 | 2011-06-15 | 中国电力科学研究院 | 一种高温超导混合磁体失超检测的电压校正电路 |
| CN103959044A (zh) * | 2011-12-01 | 2014-07-30 | 株式会社藤仓 | 超导线材的常导过渡的检测方法 |
| CN110261799A (zh) * | 2019-06-19 | 2019-09-20 | 中国科学院合肥物质科学研究院 | 利用分布式光纤传感技术的高温超导磁体失超检测*** |
| CN111811683A (zh) * | 2020-06-22 | 2020-10-23 | 西南交通大学 | 一种超导块材温升检测***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王丰华 等: "《基于改进M FCC和VQ的变压器声纹识别模型》", 《中国电机工程学报》 * |
| 陈佳音: "《基于光纤MOEMS声传感器技术的声纹识别***研究》", 《中国博士学位论文全文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116741493A (zh) * | 2023-08-09 | 2023-09-12 | 中国科学院合肥物质科学研究院 | 一种聚变堆超导磁体*** |
| CN116741493B (zh) * | 2023-08-09 | 2023-11-10 | 中国科学院合肥物质科学研究院 | 一种聚变堆超导磁体*** |
| CN117590300A (zh) * | 2023-11-21 | 2024-02-23 | 兰州大学 | 基于分布式光纤声波传感的超导磁体失超检测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
| CN114487952A (zh) | 一种利用声光纤的失超检测***和方法 | |
| CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测*** | |
| CN109856517B (zh) | 一种特高压设备局部放电检测数据的判别方法 | |
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN110823356B (zh) | 基于梅尔频谱的分布式光纤入侵检测方法 | |
| CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及*** | |
| CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
| CN109507510A (zh) | 一种变压器故障诊断*** | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
| CN115618205A (zh) | 一种便携式声纹故障检测***及方法 | |
| CN115839763A (zh) | 一种变压器振动噪声监测*** | |
| CN110161351B (zh) | 一种振荡波下变压器绕组故障试验***和诊断方法 | |
| CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及*** | |
| CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断*** | |
| CN116818321A (zh) | 基于超声相控阵的轴承故障检测方法、装置及存储介质 | |
| CN115754630A (zh) | 基于声阵列的非接触式局放监测方法及监测装置 | |
| 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 | |
| Yu et al. | Automatic Condition Monitoring and Fault Diagnosis System for Power Transformers Based on Voiceprint Recognition | |
| CN115406522A (zh) | 基于声纹识别的电厂设备运行状态研究与应用 | |
| CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及*** | |
| Li et al. | Deep Q-network for the Condition Monitoring of Power Transformer with Acoustic Signals |
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 |