CN115406522A - 基于声纹识别的电厂设备运行状态研究与应用 - Google Patents
基于声纹识别的电厂设备运行状态研究与应用 Download PDFInfo
- Publication number
- CN115406522A CN115406522A CN202210423782.4A CN202210423782A CN115406522A CN 115406522 A CN115406522 A CN 115406522A CN 202210423782 A CN202210423782 A CN 202210423782A CN 115406522 A CN115406522 A CN 115406522A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- audio
- transformer
- fault
- power plant
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及基于声纹识别的电厂设备运行状态研究与应用,包括终端层、边缘层以及云平台层,其中,终端层:部署声纹采集装置,实现变压器运行声纹的高精度采集;边缘层:将主变压器声纹指纹大数据中心的算法模型下沉到变电站,并通过接口实时调用声纹采集装置采集的音频信息,进行声纹初步诊断,同时边缘智能服务提供公共的接口,向边缘物联代理平台等其他业务***实时提供诊断信息,也可将初步诊断信息实时传输至声纹数据中心。有益效果:本发明对非正常状态的故障现象进行人工智能的深度学***。
Description
技术领域
本发明涉及电力设备声纹识别***技术领域,具体涉及基于声纹识别的电厂设备运行状态研究与应用。
背景技术
电厂主设备在运行全寿命周期内,需要开展必要的检修工作以使设备保持、恢复或改善其运行状态。随着电力行业的发展和进步,设备的检修方式历经变化。目前实施的状态检修仍以周期性停电例行试验为基础,虽然停电例行试验次数已显著减少,但仍存在供电可靠性和设备可用系数受限、试验数据时效性不强、试验缺陷检出率低以及设备陪试率高等问题。
近年来,随着电厂设备不停电检测技术(带电检测、在线监测)的不断完善,部分以前必须通过例行停电试验获取的设备关键状态量,现在可以通过不停电手段获取,大幅度减少停电时间。同时可以提高关键状态量获取的及时性,有利于提前发现设备隐患。考虑到供电可靠性及检修、试验人员的作业安全以及检修成本和运检人员的承载力,基于不停电检测的状态检修将更适应未来智能运检工作的需要。
通过不停电检测工作的开展,发现了大量设备潜伏性缺陷,现有检测方法及检测维度对变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷不能及时作响应,它们的检测和诊断方法也越来越受到公司各单位的重视;而与此同时,声音、振动作为机械信息的直接载体,其特征量的状态识别技术在军工领域、桥梁监测、***实施、航空航天、铁路监测等领域都有广泛应用,而该技术的成熟和推广为上述电厂主设备的状态评价与机械缺陷的诊断提供了有效的技术手段。
大量事件表明,变压器在运行过程中由于受到电磁力、机械应力的作用,铁芯、绕组、操纵机构等会发生振动并产生机械波,经过绝缘介质与腔体的传播,产生的振动声学信号包含了大量的设备状态信息。尤其是当设备发生缺陷或故障后,内部组件或结构发生机械形变,会使其声学指纹改变,可以作为诊断缺陷及故障的重要特征参量。另一方面,基于振动声学信号的声纹检测法与许多传统检测方法相比,可以实现在设备外部对其运行状态进行不停电检测,与电气设备没有任何电气连接,不影响***的正常运行;在安全的监测设备状态的同时,又能解决红外、紫外等远距离成像手段检测特征有限与检测纵深不足的问题。因此,有足够的理论和实践依据表明,声纹不停电检测在电厂主设备状态检修领域中具有良好的应用前景。
而人工智能技术的发展又给基于声纹检测的电厂主设备智能诊断提供了前所未有的机遇。基于深度学习的信号识别模式相比传统的信息处理模式拥有更多层的非线性变换,更适合解决电力设备中复杂的非线性问题;在表达和建模能力上更加强大,能灵活高效的处理海量复杂声纹信息的同时,提供更加准确和智能的判断结果。
发明内容
本发明目的是提供基于声纹识别的电厂设备运行状态研究与应用,解决了电力设备存在潜伏性缺陷、现有检测方法会对变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷、从而不利于装置的正常使用的技术问题,是通过如下方案实现的。
为了实现以上目的,本发明采用的技术方案为:基于声纹识别的电厂设备运行状态研究与应用,包括终端层、边缘层以及云平台层,其中;
终端层:部署声纹采集装置,实现变压器运行声纹的高精度采集;
边缘层:将主变压器声纹指纹大数据中心的算法模型下沉到变电站,并通过接口实时调用声纹采集装置采集的音频信息,进行声纹初步诊断,同时边缘智能服务提供公共的接口,向边缘物联代理平台等其他业务***实时提供诊断信息,也可将初步诊断信息实时传输至声纹数据中心;
云平台层:开展算法的训练迭代和标准样本库的建设,同时提供声纹识别算法的应用能力,同时提供变压器状态信息等可视化界面。
进一步的,所述采集装置包括与电力设备相连接的传感器,所述传感器输出端通过采集器连接有网关,所述采集器将传感器的音频信号信号实时传递给网关,所述网关用于筛选故障音频并上报至云引擎,所述网关输出端通过服务***连接有甲方***。
进一步的,所述服务***包括声纹引擎、中间服务、后台管理***、异常队列服务和HTTP接口服务。
进一步的,所述网关接收到的音频文件进行音频切片,将收集好的音频切片进行暂存队列排放,然后让暂存队列排放的音频切片传输至引擎断言中判断是否有故障,有故障时上报至分析引擎,无故障时重新输入到音频文件中等待音频切片。
进一步的,所述分析引擎将接收到的网关信息和音频文件进行数据记录,并分别传输到查询服务和与甲方***相连接的消息队列中。
进一步的,所述声纹算法模型包括如下步骤:
(1)、将变压站产生的噪声信号进行预处理,在对噪声信号进行分帧时,为保证相邻两帧信号间的连续性,考虑重叠的信号分帧关系可表示为:
M=n-Lb/[L(1-b)]
其中M为帧数;n为噪声信号长度;L为帧长;b为重叠率;
(2)、预处理后信号需进行离散傅里叶变换,对每个分帧信号先施加汉明窗再变换,以增加信号两端连续性,从而减小傅里叶变换造成的失真现象;
(3)、提取MFCC特征向量,基于Mel频率域的倒谱系数,根据分帧信号分别求取一特征向量,组成特征向量组,其中,Mel频率是根据人听觉感知特性变换的频率域:B(h)=2595lg(1h/700);
(4)、通过分帧信号对应的特征向量,从而得到信号滤波后得到的相应参数:
其中,p为滤波器个数,mi为信号经滤波后可得到p个参数,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;
B(f[i-1])-B(f[i])=B(f[i])-B(f[i-1])
其中,f[i]为三角滤波器中心频率;
(5)、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 c(i)即为分帧信号的MFCC特征向量;
(6)、在分析变压器的噪声信号时,PCA算法对计算得到的高维MFCC特征向量,进行降维精简,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[20]为
2)计算G的相关矩阵R,为
R=GTG/(e-1) (12)
据此计算出相关矩阵R的特征值λ1,λ2,...λh
和对应的特征向量u1,u2,...,uh。
3)计算方差贡献率ηi和累计方差贡献率η(l),为
通过上述算法得到声纹监测故障类型属于何种数据故障模型。
本发明的技术效果在于:声纹电力在线监控***集AI+物联网+5G为一体,响应了国网提出的泛在电力物联网的号召,并且提供了电力设备在线检测的新的有力手段,目前可以对变压器,开关柜,电抗器母线等主要设备提供24小时在线检测,主要对变压器的各种故障状态及时预警,并实时显示在监控中心大屏幕和巡检人员的手机APP上,对非正常状态的故障现象进行人工智能的深度学***。
附图说明
图1为本发明的架构示意图;
图2为本发明采集器的连接示意图;
图3为本发明计算网关的连接示意图;
图4为本发明分析服务端的连接示意图;
图5为本发明算法模型的流程示意图。
具体实施方式
参照附图1-5,基于声纹识别的电厂设备运行状态研究与应用,其特征在于,包括终端层、边缘层以及云平台层,其中;
终端层:部署声纹采集装置,实现变压器运行声纹的高精度采集;
边缘层:将主变压器声纹指纹大数据中心的算法模型下沉到变电站,并通过接口实时调用声纹采集装置采集的音频信息,进行声纹初步诊断,同时边缘智能服务提供公共的接口,向边缘物联代理平台等其他业务***实时提供诊断信息,也可将初步诊断信息实时传输至声纹数据中心;
云平台层:开展算法的训练迭代和标准样本库的建设,同时提供声纹识别算法的应用能力,同时提供变压器状态信息等可视化界面。
本方案的具体实施例为,所述采集装置包括与电力设备相连接的传感器,所述传感器输出端通过采集器连接有网关,所述采集器将传感器的音频信号信号实时传递给网关,所述网关用于筛选故障音频并上报至云引擎,所述网关输出端通过服务***连接有甲方***。
本方案的具体实施例为,所述服务***包括声纹引擎、中间服务、后台管理***、异常队列服务和HTTP接口服务。
本方案的具体实施例为,所述网关接收到的音频文件进行音频切片,将收集好的音频切片进行暂存队列排放,然后让暂存队列排放的音频切片传输至引擎断言中判断是否有故障,有故障时上报至分析引擎,无故障时重新输入到音频文件中等待音频切片。
本方案的具体实施例为,所述分析引擎将接收到的网关信息和音频文件进行数据记录,并分别传输到查询服务和与甲方***相连接的消息队列中。
本方案的具体实施例为,所述声纹算法模型包括如下步骤:
(7)、将变压站产生的噪声信号进行预处理,在对噪声信号进行分帧时,为保证相邻两帧信号间的连续性,考虑重叠的信号分帧关系可表示为:
M=n-Lb/[L(1-b)]
其中M为帧数;n为噪声信号长度;L为帧长;b为重叠率;
(8)、预处理后信号需进行离散傅里叶变换,对每个分帧信号先施加汉明窗再变换,以增加信号两端连续性,从而减小傅里叶变换造成的失真现象;
(9)、提取MFCC特征向量,基于Mel频率域的倒谱系数,根据分帧信号分别求取一特征向量,组成特征向量组,其中,Mel频率是根据人听觉感知特性变换的频率域:B(h)=2595lg(1h/700);
(10)、通过分帧信号对应的特征向量,从而得到信号滤波后得到的相应参数:
其中,p为滤波器个数,mi为信号经滤波后可得到p个参数,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;
B(f[i-1])-B(f[i])=B(f[i])-B(f[i-1])
其中,f[i]为三角滤波器中心频率;
(11)、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c(i)即为分帧信号的MFCC特征向量;
(12)、在分析变压器的噪声信号时,PCA算法对计算得到的高维MFCC特征向量,进行降维精简,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[20]为
2)计算G的相关矩阵R,为
R=FTG/(e-1) (12)
据此计算出相关矩阵R的特征值λ1,λ2,...λh
和对应的特征向量u1,u2,...,uh。
3)计算方差贡献率ηi和累计方差贡献率η(l),为
通过上述算法得到声纹监测故障类型属于何种数据故障模型。
本方案的具体实施例为,本专利技术方案通过研究适用于大型电力变压器声纹信号采集的在线监测传感器,开展现场运行环境下声纹语料样本收集,记录不同结构形式、负荷状态、温度环境等因素下的声纹信号,建立设备正常运行状态下的标准声纹库,实现变压器音频信号的特征提取,构建基于声学指纹的大型变压器异常识别模型;提出考虑设备运行工况下的声纹识别和缺陷预警方法,开发“端-边-云”一体化的主变压器声纹在线监测及故障诊断***,并在典型应用场景进行试点应用,提高在线监测***主动预警和智能决策水平。
本方案的具体实施例为,终端层采用理论研究与方案测试相结合的研究方法,从理论分析入手研究应用于大型电力变压器的在线监测语音传感器技术,分析传感器类型和布置方案对声纹采集效果的影响,掌握目标主音源的声音增强和缺陷定位方法,优化前端信号处理技术,主动识别异常信号并完成后台传输。结合理论研究进行方案测试,建立在线监测传感和前端精密采集***,利用现场实测开展传感器功能验证,实现在线监测数据与标准声纹库对比和异常数据主动上传功能。
本方案的具体实施例为,边缘层采用理论研究与应用研究相结合的研究方法,从理论分析入手,研究基于大数据的声纹智能识别技术,提出基于深度学习的大语料样本库的处理方案,研究语音增强、语音去噪、预加重、加窗、端点检测等语音信号的预处理技术,优化端点检测、特征提取、模型训练、模式匹配算法流程,统一大数据样本下的标准声纹特征参量,确定设备正常运行状态下的标准声纹库。结合理论研究开展现场应用,提出设备电气参数、机械性能、声学特征等方面明确语料收集需求,确定以结构形式、负荷状态、温度环境等为变量因素的标准语料收集模板,开展现场语料样本的实录和积累,形成大数据语料库。
本方案的具体实施例为,根据声学传感器选型建议和现场实测环境需求,确定声学传感器类型、数量、放置方式和网络分配方案;集成多目标声源下的有效声音增强技术和降噪算法,完成采集装置硬件设计和软件开发环境部署,优化软件***信号采集、数据存储、数据分析等功能模块;提升采集装置性能指标,在现场运行环境开展采集装置功能验证。
本方案的具体实施例为,基于MFCC特征向量进行加权降维优化,并应用矢量量化算法对变压器噪声信号进行识别,获得较高的识别准确率和效率,***准确率95%以上。
本方案的具体实施例为,***输出端还连接有APP软件,App中的组织架构中的用户管理通过自身的手机号或者账号从而进行登录,这样能够查询到***本身的用户信息;
***中的参数配置功能如下:
查询配置:在填入参数名称输入框填写参数名称、唯一编码输入框写入唯一编码、所属父类选择框选择所属父类后点击查询按钮,查询对应的***配置。
新增配置:点击右上方新增配置按钮,填写新的配置信息增加配置。
修改配置:点击***配置右侧编辑按钮,修改配置信息。
删除配置:点击***配置右侧删除按钮,确认删除后删除该***配置。
***中的电站管理通过添加电站信息:增加电站需要点击“地图”,找到电站位置点击鼠标右键出现“添加”选项,点击选择“添加”,输入电站详细信息进行添加。
***中的定时管理可以实现对***数据的定时监测以及状态信息的录入。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.基于声纹识别的电厂设备运行状态研究与应用,其特征在于,包括终端层、边缘层以及云平台层,其中,
终端层:部署声纹采集装置,实现变压器运行声纹的高精度采集;
边缘层:将主变压器声纹指纹大数据中心的算法模型下沉到变电站,并通过接口实时调用声纹采集装置采集的音频信息,进行声纹初步诊断,同时边缘智能服务提供公共的接口,向边缘物联代理平台等其他业务***实时提供诊断信息,也可将初步诊断信息实时传输至声纹数据中心;
云平台层:开展算法的训练迭代和标准样本库的建设,同时提供声纹识别算法的应用能力,同时提供变压器状态信息等可视化界面。
2.根据权利要求1所述的基于声纹识别的电厂设备运行状态研究与应用,其特征在于,所述采集装置包括与电力设备相连接的传感器,所述传感器输出端通过采集器连接有网关,所述采集器将传感器的音频信号信号实时传递给网关,所述网关用于筛选故障音频并上报至云引擎,所述网关输出端通过服务***连接有甲方***。
3.根据权利要求2所述的基于声纹识别的电厂设备运行状态研究与应用,其特征在于,所述服务***包括声纹引擎、中间服务、后台管理***、异常队列服务和HTTP接口服务。
4.根据权利要求3所述的基于声纹识别的电厂设备运行状态研究与应用,其特征在于,所述网关接收到的音频文件进行音频切片,将收集好的音频切片进行暂存队列排放,然后让暂存队列排放的音频切片传输至引擎断言中判断是否有故障,有故障时上报至分析引擎,无故障时重新输入到音频文件中等待音频切片。
5.根据权利要求4所述的基于声纹识别的电厂设备运行状态研究与应用,其特征在于,所述分析引擎将接收到的网关信息和音频文件进行数据记录,并分别传输到查询服务和与甲方***相连接的消息队列中。
6.根据权利要求1所述的基于声纹识别的电厂设备运行状态研究与应用,其特征在于,所述声纹算法模型包括如下步骤:
(1)、将变压站产生的噪声信号进行预处理,在对噪声信号进行分帧时,为保证相邻两帧信号间的连续性,考虑重叠的信号分帧关系可表示为:
M=n-Lb/[L(1-b)]
其中M为帧数;n为噪声信号长度;L为帧长;b为重叠率;
(2)、预处理后信号需进行离散傅里叶变换,对每个分帧信号先施加汉明窗再变换,以增加信号两端连续性,从而减小傅里叶变换造成的失真现象;
(3)、提取MFCC特征向量,基于Mel频率域的倒谱系数,根据分帧信号分别求取一特征向量,组成特征向量组,其中,Mel频率是根据人听觉感知特性变换的频率域:B(h)=2595lg(1h/700);
(4)、通过分帧信号对应的特征向量,从而得到信号滤波后得到的相应参数:
其中,p为滤波器个数,mi为信号经滤波后可得到p个参数,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;
B(f[i+1])-B(f[i])=B(·f[i])-B(f[i-1])
其中,f[i]为三角滤波器中心频率;
(5)、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c(i)即为分帧信号的MFCC特征向量;
(6)、在分析变压器的噪声信号时,PCA算法对计算得到的高维MFCC特征向量,进行降维精简,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[20]为
2)计算G的相关矩阵R,为
R=GTG/(e-1) (12)
据此计算出相关矩阵R的特征值λ1,λ2,...λh和对应的特征向量u1,u2,...,uh。
3)计算方差贡献率ηi和累计方差贡献率η(l),为
(7)通过上述算法得到声纹监测故障类型属于何种数据故障模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423782.4A CN115406522A (zh) | 2022-04-21 | 2022-04-21 | 基于声纹识别的电厂设备运行状态研究与应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423782.4A CN115406522A (zh) | 2022-04-21 | 2022-04-21 | 基于声纹识别的电厂设备运行状态研究与应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115406522A true CN115406522A (zh) | 2022-11-29 |
Family
ID=84157508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210423782.4A Pending CN115406522A (zh) | 2022-04-21 | 2022-04-21 | 基于声纹识别的电厂设备运行状态研究与应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115406522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
-
2022
- 2022-04-21 CN CN202210423782.4A patent/CN115406522A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153193A (zh) * | 2023-10-30 | 2023-12-01 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
CN117153193B (zh) * | 2023-10-30 | 2024-02-13 | 国网安徽省电力有限公司电力科学研究院 | 融合物理特性和数据诊断的电力设备故障声纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN107036817B (zh) | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测*** | |
CN112395959A (zh) | 基于音频特征的电力变压器故障预测与诊断方法及*** | |
CN105244038A (zh) | 一种基于hmm的选矿设备故障异常音频分析与识别方法 | |
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 | |
US20210364481A1 (en) | Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics | |
CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及*** | |
CN115406522A (zh) | 基于声纹识别的电厂设备运行状态研究与应用 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及*** | |
CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN115238867B (zh) | 一种基于客服非结构化数据智能识别的电力故障定位方法 | |
CN116168727A (zh) | 一种变压器异常声音检测方法、***、设备及存储介质 | |
CN116642696A (zh) | 铁路轴承健康监测方法、装置、***、终端及存储介质 | |
CN110657355A (zh) | 一种热力管线泄漏检测方法 | |
CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 | |
CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 |
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 |