CN115602191A - 一种变压器声纹检测***的噪声消除方法 - Google Patents
一种变压器声纹检测***的噪声消除方法 Download PDFInfo
- Publication number
- CN115602191A CN115602191A CN202211588484.7A CN202211588484A CN115602191A CN 115602191 A CN115602191 A CN 115602191A CN 202211588484 A CN202211588484 A CN 202211588484A CN 115602191 A CN115602191 A CN 115602191A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- voiceprint
- transformer
- detection system
- 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 54
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000008030 elimination Effects 0.000 title claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000012212 insulator Substances 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal 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
-
- 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
- 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
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
-
- 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)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及声纹检测领域,具体涉及在声纹检测之前对声纹数据的预处理。本发明是通过以下技术方案得以实现的:一种变压器声纹检测***的噪声消除方法,包含S01、偏置去除步骤;从传感器处获得声纹原始信号,在低频位置增加高通滤波,去除直流偏置噪声;S02、残差消除步骤;S03、半波整流步骤;对纯净信号频谱的数值正负进行判别,将正值的数值保持不变,负值则全部归零。本发明的目的是提供一种变压器声纹检测***的噪声消除方法,使用了三步法去噪的设计构思,不仅使得神经网络收到的输入数据去除了干扰信号,纯洁度更高,且使得输入数据的数值读数精准度也更高,两者共同为后续的变压器健康识别结果提供基础保障。
Description
技术领域
本发明涉及声纹检测领域,具体涉及在声纹检测之前对声纹数据的预处理。
背景技术
电力变压器是电力***中最重要的设备之一,对于电力***的安全稳定运行具有重要作用,一旦电力变压器发生故障而造成停电,将造成重大的经济损失。基于此,在电力变压器工作的过程中,需要对变压器的健康程度、工作状态进行检测,来识别是否出现故障。
传统的变压器监测手段主要依靠人力观察由色谱分析仪、电压电流测量仪表等辅助装置分析结果,或者使用传声筒对变压器主体进行听声,多为离线手段,并且,诊断发现时,设备缺陷和故障已经形成,因此诊断存在滞后性。
基于此,现有技术使用了声纹检测的技术方案。如公开号为CN202210574110的中国专利文件公开了一种基于深度学习的变压器异常声纹检测识别方法和装置,提取出变压器工作过程中的声纹数据,并输入进预先训练好的神经网络。***中存储有变压器正常声纹的数据库,神经网络将该声纹数据与数据库中的正常声纹数据进行比对,计算声纹的相似度,并根据相似度结果判断出该声纹属于正常声纹或是异常声纹。
然而,该技术方案还存在一定的技术缺陷:由于电力变压器为重要的电力部件,对其工作状态的健康性检测就必然要求检测的精准性,若出现误报警、漏报警等情形,对整个电力***的安全运行就带来极大的安全隐患。正是基于如此,神经网络对声纹信号的处理就必须使用更精准的算法和规则,而这需要建立在声纹数据信号采集精准的基础上。在现有技术中,声纹数据中夹杂着大量的环境噪声,这些噪声对后续的判断算法和判断规则带来了较大的识别误差,从而影响变压器异常判断结果的精准性。
发明内容
本发明的目的是提供一种变压器声纹检测***的噪声消除方法,使用了三步法去噪的设计构思,不仅使得神经网络收到的输入数据去除了干扰信号,纯洁度更高,且使得输入数据的数值读数精准度也更高,两者共同为后续的变压器健康识别结果提供基础保障。
本发明是通过以下技术方案得以实现的:一种变压器声纹检测***的噪声消除方法,包含如下步骤: S01、偏置去除步骤; 从传感器处获得声纹原始信号,在低频位置增加高通滤波,去除直流偏置噪声; S02、残差消除步骤; 通过傅里叶变化,将时域格式的声纹信号转换为频域格式的声纹信号X(k);将频域格式的声纹信号减去底噪频谱数据,获得纯净信号频谱S(k); S03、半波整流步骤; 对纯净信号频谱S(k)的数值正负进行判别,将正值的数值保持不变,负值则全部归零。
作为本发明的优选,还存在S04、时域转换步骤; 在该步骤中,通过傅里叶FFT变
化,将声纹信号从频域格式转回为时域格式; ; 其中,n为时域信号的编号值,k为频率信号的编号
值,二者均为自然数,1、2、3…… e为自然常数, i为虚数单位,π为圆周率,N 为FFT的长度。
作为本发明的优选,所述S02步骤具体包含以下步骤, S021、底噪选择步骤; 指定
底噪取样的时间段,该时间段取样到的声纹信号定义为底噪信号N(k); S022、底噪平均值
获取步骤; 将底噪取样时间内获取到的底噪信号N(k)进行取平均值处理,,E是平均运算符,k为频谱编号,即为底噪平均值; S023、纯净信
号频谱获得步骤; 。
作为本发明的优选,在所述S01中,在低频位置增加高通滤波,去除直流偏置噪声,所述低频位置为0-20hz。
作为本发明的优选,所述低频位置为5hz。
根据权利要求4所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在所述S01中,增加高通滤波的操作所使用的高通滤波器为2阶直接1型IIR滤波器。
作为本发明的优选,在所述S02,通过傅里叶变化,将时域格式的声纹信号转换为频域格式的声纹信号X(k)这一过程中,存在分段信号形成步骤;将一个完整的采样信号分割成多段分段信号,指定每段所述分段信号的长度, 在所述分段信号形成步骤结束后,再将多段已经被分割结束的所述分段信号同时进行傅里叶变换。
作为本发明的优选,在分段信号形成步骤中还存在补零步骤,对最后一个所述分段信号进行补零操作,使该段分段信号的数据长度等于分段信号的指定长度。
作为本发明的优选,在所述补零步骤后还存在加窗步骤,对分段完毕的所有的分段信号进行加窗操作,采用汉宁窗作为加窗窗口。
作为本发明的优选,在多段所述分段信号被同时进行傅里叶变换后,形成多个功率分谱,随后将多个所述功率分谱进行平均处理,形成一张总的功率总谱,平均整合的方式为能量平均法或最小保持平均法或最大保持平均法或加权平均法。
综上所述,本发明具有如下有益效果:
1、本技术方案使用了“偏置去除、残差消除、半波整流”的三步法去噪的设计构思,有效去除噪声,使得判定算法可以基于尽可能有效的信号特征来做识别。
2、偏置去除只允许AC信号通过,去除直流偏置来使信号达到一个直流偏置归一化的效果,从有效从高频信号中去除直流偏置噪声。
3、去除底噪,底噪中可能包含一定的信号规则,底噪的去除可避免这种规则被识别算法抓取对最终判定造成不良影响。
4、本案采用底噪平均值降噪,该种方式最为直接,无需增加硬件与操作,部署在手持仪器上可以直接进行分析,应用场景约束小。
5、一个冗长的信号被分隔成多段相互独立的分段信号,且能被处理器同时并行处理,大大降低处理时间,提升声纹检测***的运行效率。
6、在本发明中,把时域录音整个转换到频域进行处理,更有效区分特征与噪声,后期的去偏置与去噪效果提升。
7、各个分段进行加窗处理,避免分段的端点会由于数据不稳定产生能量冲击的问题。
8、汉宁窗能更好地平衡分辨率与旁瓣衰减的关系,其主瓣带宽窄,而旁瓣衰减值较快,这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
9、加权平均计算,数据增加时可以基于当前平均数与新数据作平均,无需全部数据重新计算。
10、不同的放电情况预先存储不同的滤波策略,处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减,突出每种模式在频谱图信号中的特征。
附图说明
图1是实施例1中的传感器获得声纹原始信号的示意图;
图2是图1经过偏置去除操作后的示意图;
图3是图1的局部放大图;
图4是图2的局部放大图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1,一种变压器声纹检测***的噪声消除方法,其在硬件设备上依然使用原本的变压器声纹检测***,无需额外变化。而在软件操作上,使用了“偏置去除、残差消除、半波整流”的三步法去噪的设计构思,来强化声纹数据的纯净度。具体步骤如下:
首先,与现有技术相同,从传感器获得声纹原始信号,这个信号格式往往是时域图谱,其横坐标为时间轴,纵坐标为db幅度,如图1所示。此时进入S01、偏置去除步骤。如图3所示,图3为图1的放大图,可以看到,整个声纹图形是个偏置的图形,其中心位置较为靠下,其中心线在负无穷的下方,较为靠近-75的位置。这是由于大部分原始信号包含AC(Alternating Coupling)与DC(Direct Coupling)分量,DC分量就是信号中的0Hz分量,对原始信号产生一个偏置,AC分量中包含了所有其他频率的分量。在本步骤中,偏置去除(交流耦合)只允许AC信号通过,去除直流偏置来使信号达到一个直流偏置归一化的效果,从高频信号中去除直流偏置噪声。具体的操作方式为在低频位置增加高通滤波,去除直流偏置噪声。
上文所述的低频位置的取值区间,为0-20hz,即下限大于0,上限考虑不能影响有效信号的精度。在本实施例中,选择5hz为增加高通滤波的位置,这是由于变压器放电一般为高频或超声,设置在5Hz完全不影响有效信号,也能去除偏置。
增加高通滤波的考虑是因为DC的基频为0Hz,在低频处增加高通滤波即可去除DC分量,一般ACCoupling滤波器都使用高通实现。在本实施例中,高通滤波器选用2阶直接1型IIR滤波器,该滤波器低阶数、计算简便,可有效缩短滤波处理时间。
本步骤结束后,声纹信号图谱如图2和图4所示。
S01处理结束后,进入S02、残差消除步骤。在正式进行残差消除操作前,对声纹信号进行了格式转换,通过傅里叶变化,将声纹信号从时域格式转换为频域格式,记为X(k)。从而便于本步骤的残差消除操作。
在该步骤中,是将声纹信号的总频谱减去底噪频谱,从而得到更为纯净的信号频谱。本步骤包含如下子步骤:
S021、底噪选择步骤。
在该步骤中,选择一段没有变压器工作声音的时间作为底噪取样时间。这可以通过算法编程实现,也可以通过工程人员查看图谱手段来人工选择。如图1或图2中,图中存在一个竖向分割线,其左侧部分明显没有大能量声纹出现,就可以成为底噪取样时间。
S022、底噪平均值获取步骤。
S023、纯净信号频谱获得步骤。
需要说明的是,相对于其他的常规降噪方式,底噪降噪的方式更为合理。如直接降噪和特征降噪:对于直接降噪的方法,因为直接降噪不对信号内容做区分,则必定会损失一部分的有效信号。对于针对特征降噪的方法,需要提前采集多种不良特征信号处理,再进行针对性的降噪,这就增加了硬件成本和处理步骤。
在其他实施例中,可采用其他的方式获得底噪数据。例如可以对被测物不工作的噪声情况录音,然后录取工作录音做谱减,但是这也就需要外部操作与附加硬件。而本实施例中采用的底噪平均值降噪的方式,最为直接,无需增加硬件与操作,部署在手持仪器上可以直接进行分析,应用场景约束小。
随后进入S03、半波整流步骤。
半波整流为以上操作做了合理性检验,由于各种原因,例如设备误差的原因,使得底噪的数值超过了声纹数值,那再上一步的相减的过程中,S(k)产生了负值,而负的频率能量就产生了合理性缺陷。
以上,原本信号中的DC噪声与底噪噪声会增加不良识别难度,即噪声中会在一定规则的情况下误导判定算法结果。而本技术方案使用了“偏置去除、残差消除、半波整流”的三步法去噪的设计构思,有效去除噪声,使得判定算法可以基于尽可能有效的信号特征来做识别。
实施例2:在实施例1的基础上,增加了S04、时域回转步骤。
其中,n为时域信号的编号值,k为频率信号的编号值,二者均为自然数,1、2、3……
e为自然常数,e = 2.71828182845904523536 ...i为虚数单位,,π为圆周率,N
为FFT的长度。
实施例3,与实施例1的区别是,在S01和S02之间存在进一步的优化步骤。该优化步骤的作用是大大提升了信号处理的速度。
具体的,首先,分段信号形成步骤。
该步骤中,需要将一个完整的采样信号分割成若干段分段信号。此时需要确定分段信号的指定长度,这个长度一般为2的整数次方,例如1024、2048、4096等。在本实施例中,将2048作为分段的指定长度。而采样信号的长度为取决于采样率和采样时间,如,在本实施例中,采样率为48K采样,采样时间为2秒,则一个完整的采样信号的长度为48K*2=96000。既然2048作为分段长度,则这里就分成了96000/2048=46.875段,即形成了47段的分段信号。
在本步骤中还存在有补零步骤,即第47段的末尾受总长的影响,并没有数据,此时需要在第47段的末尾做补零操作,即,没有数据的部分都补上数据0,使47段的总长度同样为2048。
进一步的,在本实施例中,这里还存在加窗步骤。
这是由于,分段之后,各个分段的端点会由于数据不稳定产生能量冲击的问题,需要对分段后的数据进行加窗处理。
加窗可以直接选用现有技术中的窗口方式,如平顶窗、矩形窗、凯塞窗、布莱克曼窗。然而,所使用的窗口类型也会影响分辨率。在本实施例中,需要平衡分辨率与旁瓣衰减的关系。在本实施例中,选择采用汉宁窗,这是因为其主瓣带宽窄,为1.44(dB),而旁瓣衰减值较快,为-60(dB per 10 Oct),这就使得其以较低的频率分辨率为代价提供良好的旁瓣衰减。
随后,频域信号转换步骤。
该步骤为关键步骤之一,是将所有的每个分段信号做傅里叶变换,让分段信号从时域信号转换为频域信号。
由于做了分段处理,每个分段信号的数据长度都比较小,做傅里叶变换这一处理的时间都大为缩短。而这个过程不是串行处理,而是并行处理,即47段分段信号一起同步进行傅里叶变换,得到各自的频域信号Y。傅里叶变换公式如下:
在该公式中,N为分段信号长度,在本实施例中,即为2048。n为信号值的编号,
该分段信号中第n个信号值,e为自然常数,e = 2.71828182845904523536 ...i为虚数单
位,,π为圆周率,k为频率信号的编号值,为0、1、2、3……N-1。
至此,每段信号的频域信号转换完成,即每段信号的频谱都已自然形成。
需要说明的是,现有技术中,往往是去噪滤波在时域上处理,而在本发明中,把时域录音整个转换到频域进行处理,更有效区分特征与噪声,后期的去偏置与去噪效果提升。
随后,功率分谱形成步骤。
在本步骤中,就是根据上一步骤末尾形成的频谱转换计算为功率谱。
而功率谱的计算方式为:“频谱”乘以“共轭复数”除以“频率分辨率”。频谱即是上文中的Y,而共轭复数为Y’,由于Y为复数形式,表示为:Y=a+bi,则共轭复数Y’=a-bi。频率分辨率C的计算方式为采样率/分段信号长度。例如在本实施例中,如上文所述,采样率为48K采样,分段信号长度为2048,则C=48K/2048=23.4375Hz。
至此,每段分段信号的功率谱也以形成,在本实施例中,由于存在47段分段信号,故一共形成了47段功率分谱。
最后,功率总谱形成步骤。
该步骤是将47段功率分谱进行整合,最后形成一张总的功率总谱。这个整合是指对47段功率分谱进行平均操作。平均的方式有较多选择,可以选择能量平均法、最小保持平均法、最大保持平均法或其他平均的算法。
在本实施例中,采用了加权平均的算法。具体的公式为:
这样的平均处理方式,当前数据与前一数据进行加权计算,相较于其他平均,这种平均对实时数据处理友好。数据增加时可以基于当前平均数与新数据作平均,无需全部数据重新计算。
而这个总的功率总谱即为本技术方案的最终结果,至此,所有预处理都已结束,可进行后续的操作。
实施例4,在实施例3的基础上还有放电匹配步骤和滤波步骤。
放电是指变压器的表面会出现放电现象,从而使得总的功率图谱的图像质量有影响。放电匹配步骤,主要是对变压器的表面的放电情况进行评估和判断,从而选择合适的滤波策略在滤波步骤中,对功率图谱进行滤波操作。
这两个步骤都是在功率总谱形成步骤之后进行。
具体的,在放电匹配步骤中,处理器对功率图谱进行图像识别。在本实施例中,先进行分帧处理,随后处理器对分帧后的功率图谱进行图像识别。在实际工作中,往往存在以下四种放电识别结果,情况一:悬浮电位体放电;这种情况从功率图谱图像上看,放电脉冲幅值稳定,且相邻放电时间间隔基本一致。当悬浮金属体不对称时,正负半波检测信号有极性差异。情况二:沿面放电;这种情况从功率图谱图像上看,放电幅值分散性较大,放电时间间隔不稳定,极性效应不明显。情况三:金属尖端/电晕放电;这种情况从功率图谱图像上看,放电次数较多,放电幅值分散性小,时间间隔均匀。放电的极性效应非常明显,通常仅在工频相位的负半周出现。情况四:绝缘件内部气隙放电。这种情况从功率图谱图像上看,放电次数少,周期重复性低。放电幅值也较分散,但放电相位较稳定,无明显极性效应。
识别过程可以通过人工识别,也可以处理器通过视觉识别程序来实现。
识别之后,不同的放电情况预先存储不同的滤波策略,处理器根据预先存储好的映射规则选择对应的滤波策略对功率图谱进行滤波操作。滤波的目的是使与特征不相关的外源干扰衰减,突出每种模式在频谱图信号中的特征。比如电晕放电,会进行半周期滤波操作,使特征中正周期的干扰信号衰减,滤波后使负周期放电信号更清晰。
Claims (10)
1.一种变压器声纹检测***的噪声消除方法,其特征在于,包含如下步骤: S01、偏置去除步骤; 从传感器处获得声纹原始信号,在低频位置增加高通滤波,去除直流偏置噪声;S02、残差消除步骤; 通过傅里叶变化,将时域格式的声纹信号转换为频域格式的声纹信号X(k);将频域格式的声纹信号减去底噪频谱数据,获得纯净信号频谱S(k); S03、半波整流步骤; 对纯净信号频谱S(k)的数值正负进行判别,将正值的数值保持不变,负值则全部归零。
4.根据权利要求1所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在所述S01中,在低频位置增加高通滤波,去除直流偏置噪声,所述低频位置为0-20hz。
5.根据权利要求4所述的一种变压器声纹检测***的噪声消除方法,其特征在于:所述低频位置为5hz。
6.根据权利要求4所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在所述S01中,增加高通滤波的操作所使用的高通滤波器为2阶直接1型IIR滤波器。
7.根据权利要求1所述的一种变压器声纹检测***的噪声消除方法,其特征在于:所述传感器获得所述声纹原始信号的采样评率为11khz或22khz或44.1khz或48khz或96khz。
8.根据权利要求1-7任意一项所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在所述S02,通过傅里叶变化,将时域格式的声纹信号转换为频域格式的声纹信号X(k)这一过程中,存在分段信号形成步骤;将一个完整的采样信号分割成多段分段信号,指定每段所述分段信号的长度, 在所述分段信号形成步骤结束后,再将多段已经被分割结束的所述分段信号同时进行傅里叶变换。
9.根据权利要求8所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在分段信号形成步骤中还存在补零步骤,对最后一个所述分段信号进行补零操作,使该段分段信号的数据长度等于分段信号的指定长度。
10.根据权利要求8所述的一种变压器声纹检测***的噪声消除方法,其特征在于:在多段所述分段信号被同时进行傅里叶变换后,形成多个功率分谱,随后将多个所述功率分谱进行平均处理,形成一张总的功率总谱,平均整合的方式为能量平均法或最小保持平均法或最大保持平均法或加权平均法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211588484.7A CN115602191A (zh) | 2022-12-12 | 2022-12-12 | 一种变压器声纹检测***的噪声消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211588484.7A CN115602191A (zh) | 2022-12-12 | 2022-12-12 | 一种变压器声纹检测***的噪声消除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115602191A true CN115602191A (zh) | 2023-01-13 |
Family
ID=84853130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211588484.7A Pending CN115602191A (zh) | 2022-12-12 | 2022-12-12 | 一种变压器声纹检测***的噪声消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115602191A (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458291A (zh) * | 2009-01-09 | 2009-06-17 | 南京因泰莱配电自动化设备有限公司 | 变压器局部放电线上检测的数据采集装置及检测方法 |
CN102707203A (zh) * | 2012-02-16 | 2012-10-03 | 安徽理工大学 | 变压器局部放电模式识别的测量方法 |
CN103021420A (zh) * | 2012-12-04 | 2013-04-03 | 中国科学院自动化研究所 | 一种基于相位调整和幅值补偿的多子带谱减法的语音增强方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
CN106593777A (zh) * | 2017-01-20 | 2017-04-26 | 上海源紊新能源科技有限公司 | 一种风能发电*** |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
CN206531923U (zh) * | 2017-02-14 | 2017-09-29 | 吴笃贵 | 基于脉冲电流法的内嵌式局部放电在线监测智能仪表 |
CN107452368A (zh) * | 2017-08-14 | 2017-12-08 | 海尔优家智能科技(北京)有限公司 | 一种家电设备的降噪方法及装置 |
CN110232880A (zh) * | 2019-06-18 | 2019-09-13 | 武汉阿卡瑞思光电自控有限公司 | 一种具有智能预警功能的光缆标志桩及智能预警的方法 |
CN112401863A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测***及方法 |
CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
CN113092972A (zh) * | 2021-06-07 | 2021-07-09 | 杭州兆华电子有限公司 | 基于非接触式超声波传感器的局放类型识别方法和装置 |
CN113744725A (zh) * | 2021-08-19 | 2021-12-03 | 清华大学苏州汽车研究院(相城) | 一种语音端点检测模型的训练方法及语音降噪方法 |
CN113866570A (zh) * | 2021-08-06 | 2021-12-31 | 厦门欧易奇机器人有限公司 | 一种基于声纹的局放监测方法 |
CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及*** |
CN114025379A (zh) * | 2021-11-05 | 2022-02-08 | 北京邮电大学 | 一种宽带多信号检测方法、装置和设备 |
CN114089135A (zh) * | 2021-11-19 | 2022-02-25 | 南京征途信息技术有限公司 | 一种变配电高频电流局放传感器及其方法 |
CN114089141A (zh) * | 2022-01-24 | 2022-02-25 | 杭州兆华电子股份有限公司 | 一种局部放电检测方法及局部放电检测装置 |
CN114157023A (zh) * | 2021-11-19 | 2022-03-08 | 广东电网有限责任公司电力调度控制中心 | 一种配变预警信息获取方法 |
CN114200350A (zh) * | 2021-11-29 | 2022-03-18 | 国网福建省电力有限公司电力科学研究院 | 基于振动信息的三相电力变压器故障诊断与定位方法及装置 |
CN114487733A (zh) * | 2022-01-28 | 2022-05-13 | 河南宏博测控技术有限公司 | 一种基于声纹的局部放电检测方法 |
CN114879225A (zh) * | 2022-05-25 | 2022-08-09 | 中国民用航空飞行学院 | 一种适用于gbas***的卫星导航信号干扰检测方法 |
CN114999527A (zh) * | 2022-05-27 | 2022-09-02 | 深圳亿嘉和科技研发有限公司 | 一种变压器异常检测模型训练和部署方法及装置 |
CN115062733A (zh) * | 2022-08-19 | 2022-09-16 | 江西派源科技有限公司 | 基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法 |
CN115343585A (zh) * | 2022-08-22 | 2022-11-15 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电检测中的抗干扰方法、设备及介质 |
-
2022
- 2022-12-12 CN CN202211588484.7A patent/CN115602191A/zh active Pending
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458291A (zh) * | 2009-01-09 | 2009-06-17 | 南京因泰莱配电自动化设备有限公司 | 变压器局部放电线上检测的数据采集装置及检测方法 |
CN102707203A (zh) * | 2012-02-16 | 2012-10-03 | 安徽理工大学 | 变压器局部放电模式识别的测量方法 |
CN103021420A (zh) * | 2012-12-04 | 2013-04-03 | 中国科学院自动化研究所 | 一种基于相位调整和幅值补偿的多子带谱减法的语音增强方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106291275A (zh) * | 2016-07-27 | 2017-01-04 | 西安西热节能技术有限公司 | 一种局部放电超高频单次波形频域特征提取及识别方法 |
CN106593777A (zh) * | 2017-01-20 | 2017-04-26 | 上海源紊新能源科技有限公司 | 一种风能发电*** |
CN206531923U (zh) * | 2017-02-14 | 2017-09-29 | 吴笃贵 | 基于脉冲电流法的内嵌式局部放电在线监测智能仪表 |
CN106899531A (zh) * | 2017-03-01 | 2017-06-27 | 西安电子科技大学 | 一种识别卫星通信信号调制方式的方法 |
CN107452368A (zh) * | 2017-08-14 | 2017-12-08 | 海尔优家智能科技(北京)有限公司 | 一种家电设备的降噪方法及装置 |
CN110232880A (zh) * | 2019-06-18 | 2019-09-13 | 武汉阿卡瑞思光电自控有限公司 | 一种具有智能预警功能的光缆标志桩及智能预警的方法 |
CN112401863A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测***及方法 |
CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
CN113092972A (zh) * | 2021-06-07 | 2021-07-09 | 杭州兆华电子有限公司 | 基于非接触式超声波传感器的局放类型识别方法和装置 |
CN113866570A (zh) * | 2021-08-06 | 2021-12-31 | 厦门欧易奇机器人有限公司 | 一种基于声纹的局放监测方法 |
CN113744725A (zh) * | 2021-08-19 | 2021-12-03 | 清华大学苏州汽车研究院(相城) | 一种语音端点检测模型的训练方法及语音降噪方法 |
CN114023353A (zh) * | 2021-10-15 | 2022-02-08 | 许继电气股份有限公司 | 基于聚类分析和相似度计算的变压器故障分类方法及*** |
CN114025379A (zh) * | 2021-11-05 | 2022-02-08 | 北京邮电大学 | 一种宽带多信号检测方法、装置和设备 |
CN114089135A (zh) * | 2021-11-19 | 2022-02-25 | 南京征途信息技术有限公司 | 一种变配电高频电流局放传感器及其方法 |
CN114157023A (zh) * | 2021-11-19 | 2022-03-08 | 广东电网有限责任公司电力调度控制中心 | 一种配变预警信息获取方法 |
CN114200350A (zh) * | 2021-11-29 | 2022-03-18 | 国网福建省电力有限公司电力科学研究院 | 基于振动信息的三相电力变压器故障诊断与定位方法及装置 |
CN114089141A (zh) * | 2022-01-24 | 2022-02-25 | 杭州兆华电子股份有限公司 | 一种局部放电检测方法及局部放电检测装置 |
CN114487733A (zh) * | 2022-01-28 | 2022-05-13 | 河南宏博测控技术有限公司 | 一种基于声纹的局部放电检测方法 |
CN114879225A (zh) * | 2022-05-25 | 2022-08-09 | 中国民用航空飞行学院 | 一种适用于gbas***的卫星导航信号干扰检测方法 |
CN114999527A (zh) * | 2022-05-27 | 2022-09-02 | 深圳亿嘉和科技研发有限公司 | 一种变压器异常检测模型训练和部署方法及装置 |
CN115062733A (zh) * | 2022-08-19 | 2022-09-16 | 江西派源科技有限公司 | 基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法 |
CN115343585A (zh) * | 2022-08-22 | 2022-11-15 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电检测中的抗干扰方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
PHILIPOS C.LOIZOU著,高毅等译 * |
王莉等: "基于听觉掩蔽效应的语音增强算法的研究", 《电声技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
TW297876B (zh) | ||
CN109545188A (zh) | 一种实时语音端点检测方法及装置 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
US20170287508A1 (en) | Pitch detection algorithm based on pwvt of teager energy operator | |
RU2709414C1 (ru) | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN110333285A (zh) | 基于变分模态分解的超声兰姆波缺陷信号识别方法 | |
RU2587652C2 (ru) | Способ и устройство для оценки структуры в сигнале | |
CN103413547A (zh) | 一种室内混响消除的方法 | |
Xu et al. | A novel deconvolution cascaded variational mode decomposition for weak bearing fault detection with unknown signal transmission path | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN113176460A (zh) | 一种基于改进经验小波变换的电能质量扰动信号检测方法 | |
CN111912519A (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN114487733A (zh) | 一种基于声纹的局部放电检测方法 | |
CN111239565B (zh) | 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及*** | |
CN115438685A (zh) | 一种基于神经网络的变压器故障声音特征识别方法 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
Gupta et al. | Estimation of instantaneous frequencies using iterative empirical mode decomposition | |
CN115602191A (zh) | 一种变压器声纹检测***的噪声消除方法 | |
CN113866570A (zh) | 一种基于声纹的局放监测方法 | |
CN117349615A (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
CN115047082A (zh) | 一种绝缘子裂纹声振信号的经典谱估计处理方法及*** | |
CN115542101A (zh) | 一种变压器声纹检测***的声纹预处理方法 | |
Farina et al. | Standing wave tube techniques for measuring the normal incidence absorption coefficient: comparison of different experimental setups |
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: 20230113 |