基于声信号人耳听觉谱特征的风机故障诊断

提出了风机噪声信号的人耳听觉谱特征提取方法,利用人耳听觉谱特征模拟人耳听觉系统的特性,采用支持向量机分类器进行风机故障的分类识别;设计了基于听觉原理和支持向量机分类器的风机故障诊断系统,并应用于风机故障诊断。文中所用实验数据是在工厂现场采集获得,对现场实测数据的识别实验证明,人耳听觉谱特征可有效用于风机故障诊断,可正确识别99.18%的正常机器,故障类型诊断的正确识别率在91%以上。

基于听觉谱特征的变压器绕组状态检测研究

绕组松动是变压器常见故障之一,对变压器的安全运行产生巨大威胁。故对其进行精准的监测,对提高电力系统的安全稳定性具有十分重要的意义。基于声信号的变压器绕组松动检测,由于其具有无损检测和不需停运变压器等优点,成为近年来研究的热点。但声信号检测存在故障特征提前复杂和易受噪声干扰等缺陷,限制了其工程应用。该文提出了一种基于声信号听觉谱特征和支持向量机的变压器绕组松动识别方法。首先,将采集的声信号进行去均值和消除趋势项的预处理,以减小信号采集环境和传感器性能对所采集信号的影响;然后,将预处理后的声信号输入到多特征频率分析的听觉外周模型,经过中耳滤波器滤波、基底膜模型选频、外毛细胞模型放大、内毛细胞模型换能作用后,输出内毛细胞电压信号,实现多个特征频率听觉信号的提取,以此构成听觉谱,并在听觉谱基础上提取多种统计特征;最后,每种特征分别使用遗传算法优化的支持向量机进行识别试验,以验证提取特征的有效性。为进一步提高识别准确率,融合多种统计特征构成特征向量并进行测试,以此确定最优融合特征。研究表明,该文所建立的变压器绕组状态检测方法可以有效地应用于变压器故障诊断和监测中。

基于人耳听觉模型的煤矿顶板敲击声音信号特征提取

介绍了人耳听觉模型,详细分析了基底膜振动模型、内毛细胞模型和耳蜗核数学模型,并给出了听觉谱特征向量提取过程。在此基础上,提出了基于人耳听觉模型的煤矿顶板敲击声音信号特征提取方法。分别利用人耳听觉模型和小波包对煤矿顶板敲击声音信号进行特征提取,再用支持向量机分类器对目标特征进行分类识别。实验结果表明,对于采用人耳听觉模型提取的特征,正确识别率在95%以上,说明基于人耳听觉模型的煤矿顶板敲击声音信号特征提取方法有利于提高煤矿顶板检测的准确率。

基于自适应增强SVM集成算法的风机故障诊断

提出了自适应增强支持向量机集成算法,并结合风机噪声信号的人耳听觉谱特征,对风机故障进行分类识别。现场实测数据的识别实验证明,该算法可正确识别99%的正常机器,并且对故障类型诊断的正确识别率比单个支持向量机分类器高1.88%~2.50%。

基于二阶差分耳蜗模型的语音识别新方法

采用二阶差分耳蜗模型对语音信号进行特征参数提取 ,获得了基于听觉谱的语音识别前端特征参数 ,同时根据听觉谱特征提出了一种“幅和频差积”距离测度 ,识别算法采用端点放松两帧 ,路径斜率限制在 1/ 2到 2之间的改进型 DTW算法 .在小词汇量非特定人 (SI)的识别环境下 ,计算机模拟结果表明此法在对 0～ 9十个数字以及小词汇量的 SI识别时 ,其正识率可达 98%以上 。