基于特征降维和神经网络的电能表内异物声音自动识别

电能表是国家强制检定的电能计量工具,其计量的精确性影响着千家万户的利益。传统的人工检测方式不仅效率低而且检测结果不稳定。随着声学检测技术的日趋成熟,采用声学检测的方式来检测电能表内的异物已成为实现工厂自动化的大势所趋。针对现有半自动的人工检测电能表异物方式,提出一种基于特征降维和神经网络的电能表内的异物声音自动识别方法。该方法充分利用声音的时、频域特征系数和倒谱系数,先对声音信号进行通道转换、预处理和数字降噪,再对声音信号进行时、频域和倒谱分析,并同时提取其短时特征系数及改进后MFCC系数。将声音特征通过PCA降维后输入基于Adaboost算法聚类后BP神经网络分类识别,并与传统的BP神经网络分类进行比较,证明了该方法的有效性。这里给出了电能表异物自动识别技术实现的具体步骤,并通过MATLAB仿真实验证明了该方法的有效性,BP神经网络的平均识别率较高,可达到95%以上,并且计算复杂度小易于实现。

基于多尺度熵和EMD阈值的电能表内异物声音信号去噪方法

电能表内异物自动检测在采集电能表内异物声音信号过程中不可避免地会受到噪声干扰,采集的声音信号非线性、非平稳,且噪声成分复杂。为了有效地检测到异物,需采用合适的去噪方法对采集的电能表内异物声音信号进行降噪处理,从而更好地保障异物检测结果的准确性。结合短时能量、多尺度熵以及小波阈值进行去噪处理,提出了一种基于多尺度熵和EMD阈值的电能表内异物声音信号去噪方法。首先将采集的信号分帧,利用短时能量提取合适长度的关键帧信号,进行EMD分解,计算各阶IMF分量的多尺度熵值,然后根据计算得到的多尺度熵值设定一个阈值,对大于阈值的IMF分量结合小波阈值进行处理,完成信号去噪。实验结果表明,较传统的EMD去噪方法能更好地消除电能表内异物声音信号中的噪声。

电能表自适应封印设备灵巧机构设计

目前国内电能表加封工作,主要采用人工方式操作,工作质量欠佳且效率低下,急需开发结构紧凑、具有自适应性能的自动加封设备。在分析设备的整体要求和机构组成的基础上,对自动化铅封设备的自适应封印灵巧机构进行研究,设计了穿丝及封印机构、送丝机构和铅封导流机构。