• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于特征篩選和改進深度森林的變壓器內(nèi)部機械狀態(tài)聲紋識別*

    2022-09-29 09:19:58馬宏忠張玉良段大衛(wèi)崔佳嘉
    電機與控制應用 2022年9期
    關(guān)鍵詞:聲紋幅值分量

    李 楠, 馬宏忠, 張玉良, 段大衛(wèi), 崔佳嘉, 何 萍

    (1.河海大學 能源與電氣學院,江蘇 南京 211100;2.國網(wǎng)南京供電公司,江蘇 南京 210008)

    0 引 言

    電力變壓器是電力系統(tǒng)的核心設(shè)備之一,其可靠運行與電力系統(tǒng)的安全穩(wěn)定密切相關(guān)[1-2]。機械故障是變壓器主要故障類型,也是部分電氣故障、發(fā)熱等問題的主要誘因,具有累計效應,易造成絕緣老化加速、抗短路能力降低等隱患[3-4]。國家電網(wǎng)統(tǒng)計表明,由繞組故障引起的變壓器事故占變壓器總事故的69.8%[5-6]。因此,開展變壓器繞組及鐵心機械狀態(tài)監(jiān)測與識別研究,對電力系統(tǒng)的安全穩(wěn)定運行具有重要意義。

    目前,現(xiàn)有的變壓器機械故障診斷方法包括頻率響應法[7]、低壓脈沖法[8]、短路電抗法[9]、油色譜分析法[10]以及振動分析法[11]等。頻率響應法、低壓脈沖法以及短路電抗法需要離線檢測并且一定程度地影響變壓器壽命。油色譜分析法可以實現(xiàn)在線監(jiān)測,但難以準確地識別故障類型及確定程度。振動分析法具有無電氣聯(lián)系、可以在線檢測等優(yōu)點,但對振動傳感器安裝位置、安裝方式要求嚴苛,尤其是測點位置的改變極易造成測量結(jié)果相差較大,因此該方法難以得到推廣。

    變壓器運行時產(chǎn)生的聲紋信號包含大量反映設(shè)備內(nèi)部機械狀態(tài)的有效信息?;诼暭y的變壓器故障診斷方法具有非接觸、測量方便快捷以及可以在線監(jiān)測等優(yōu)點,且能夠有效解決振動分析法中空間敏感度要求高的問題,受到廣泛關(guān)注。文獻[12]提出了基于Mel頻率倒譜系數(shù)(MFCC)和矢量量化算法的變壓器聲紋識別模型,對不同鐵心壓緊狀態(tài)下的變壓器聲紋信號進行識別。文獻[13]使用MFCC進行特征提取,建立了基于快速增量式以及門控循環(huán)單元的變壓器機械故障聲紋識別模型。文獻[14]提取MFCC特征量,并建立兩級電氣故障聲紋識別算法,對4種不同工況進行識別。MFCC利用人類聽覺感知試驗得到的Mel非線性譜,進行聲紋特征提取,目前已成為主流的聲紋識別特征向量提取方法。然而,MFCC特征參數(shù)主要針對人對聲音的感知特性,考慮到變壓器聲紋信號與人聲之間存在較大差異,MFCC難以用于變壓器聲紋識別。因此,亟需一種切實有效的變壓器聲紋特征提取方法,以提高聲紋識別準確率。

    以深度神經(jīng)網(wǎng)絡為代表的深度學習算法因其強大的數(shù)據(jù)處理與挖掘能力受到廣泛關(guān)注。文獻[15]利用卷積神經(jīng)網(wǎng)絡在圖像深度數(shù)據(jù)挖掘方面的優(yōu)勢,提出了基于Mel時頻譜-卷積神經(jīng)網(wǎng)絡的變壓器鐵心聲紋識別模型,對3種不同工況下的聲紋信號進行識別。文獻[16]利用深度神經(jīng)網(wǎng)絡中的門控循環(huán)單元強大的特征學習能力,提出一種改進的MFCC和門控循環(huán)單元的變壓器偏磁聲紋識別方法。盡管上述方法證明了深度學習用于聲紋識別的有效性,但所提模型均存在網(wǎng)絡結(jié)構(gòu)復雜、對樣本數(shù)量要求高、訓練時間長以及過擬合等問題。

    為了利用深度神經(jīng)網(wǎng)絡挖掘故障特征的優(yōu)勢,同時避免建立模型,深度森林應運而生。文獻[17]提出基于稀疏深度森林的調(diào)相機輕微定子匝間短路故障方法,取得了較高的診斷精度和效率。文獻[18]提出一種改進的新型深度森林算法,有效解決了滾動軸承剩余壽命預測精度差、運算效率低等問題。然而,目前深度森林還未應用于變壓器機械狀態(tài)聲紋識別[19-21]。

    為此,本文提出一種基于特征篩選和改進深度森林的變壓器機械狀態(tài)聲紋識別方法。先利用自適應噪聲完備集合經(jīng)驗模態(tài)分解(CEEMDAN)將聲音傳感器采集到的聲紋數(shù)據(jù)分解成多個本征模態(tài)函數(shù)(IMF)分量,并根據(jù)頻譜分析和皮爾遜相關(guān)系數(shù)進行IMF分量優(yōu)化選擇,篩選出有效的IMF分量。再利用各IMF分量在頻段上的分布情況劃分高、低頻段,依據(jù)高、低頻段IMF分量的差異性,提取高頻段IMF分量時頻能量和低頻段IMF分量幅值特征構(gòu)成特征向量。為平衡模型的級聯(lián)層數(shù)和精度,以提高運算效率,對深度森林進行改進,并將特征向量輸入改進后的深度森林模型,輸出10種機械松動狀態(tài)的聲紋識別結(jié)果。最后,在現(xiàn)場實測的基礎(chǔ)上對所提方法進行驗證。

    1 模態(tài)分解與篩選

    1.1 模態(tài)分解

    經(jīng)驗模態(tài)分解(EMD)是一種自適應時頻分析方法,通過多次迭代得到多個單IMF分量,但由于極值點的選擇問題會出現(xiàn)模態(tài)混疊現(xiàn)象。為解決極值點的選擇問題,集合經(jīng)驗模態(tài)分解(EEMD)引入高斯白噪聲,利用高斯白噪聲頻譜均勻分布特性,使信號自動分布到合適的參考尺度上,有效抑制EMD的模態(tài)混疊現(xiàn)象,但存在計算速度慢和模態(tài)分解結(jié)果中存在多個無效低頻IMF分量等問題。

    CEEMDAN在EEMD方法基礎(chǔ)上,通過加入殘值、高斯白噪聲和多次疊加求平均以抵消噪聲等操作,進一步減少模態(tài)混疊,提高了分解的完備性以及對噪聲干擾的魯棒性。具體算法原理如下所示。

    1.1.1 第一階段模態(tài)分量

    對于加入高斯白噪聲的原始信號:

    X(i)=y(t)+k0ni(t)

    (1)

    式中:y(t)為原始信號;ni(t)為滿足N(0,1)分布的高斯白噪聲;k0為第一階段高斯白噪聲的幅值。

    將帶噪原始信號EMD分解,并將分解得到的IMF1,i分量平均得到:

    (2)

    式中:N為分解后的模態(tài)分量個數(shù)。

    1.1.2 第二階段模態(tài)分量

    在第一階段模態(tài)分量的基礎(chǔ)上計算第一階段殘余分量:

    x1(t)=X(t)-XIMF1

    (3)

    分解加入白噪聲的第一階段殘余分量:

    r1(t)=x(t)+k1EMD1[ni(t)]

    (4)

    式中:EMDi[ni(t)]為分解信號得到的第i個分量;k1為第二階段高斯白噪聲幅值。

    將帶噪第一階段殘余分量EMD分解,并將得到的IMF2,i分量平均得到:

    (5)

    1.1.3 第k階段模態(tài)分量

    對于k取3,4,…,k,同樣重復上述步驟計算xk(t)和rk(t),并通過EMD分解及平均操作,直到剩余信號不能被分解,得到第k階段模態(tài)分量為

    (6)

    1.2 模態(tài)篩選

    1.2.1 頻譜分析

    現(xiàn)有研究表明,變壓器聲紋信號分布于0~2 000 Hz的頻率范圍內(nèi),且以50 Hz及其倍頻分量為主。本文試驗中的聲紋信號主要由3種頻率成分構(gòu)成:(1) 頻點為0的直流分量,屬于傳感器測量所造成的直流偏移;(2) 0~50 Hz之間的頻率范圍,屬于測試環(huán)境中的背景噪聲;(3) 50 Hz及其倍頻分量,是變壓器本體產(chǎn)生的聲音成分。

    1.2.2 皮爾遜相關(guān)系數(shù)

    皮爾遜相關(guān)系數(shù)用以度量兩組向量之間的關(guān)聯(lián)程度,本文選擇皮爾遜相關(guān)系數(shù)量化各個IMF分量與原始信號之間的關(guān)聯(lián)程度,進而刻畫IMF分量中包含特征信息的豐富程度,其值在-1~1之間,且越接近1,表示兩者之間的相關(guān)性越強。皮爾遜相關(guān)系數(shù)ρXY計算公式如下所示:

    (7)

    式中:X={x1,x2,x3,…,xn};Y={y1,y2,y3,…,yn}。

    2 特征提取

    不同IMF分量在頻譜中表現(xiàn)出較大的差異性。為依據(jù)不同頻段IMF分量的特點,有針對性地提取故障特征,可以將IMF分量分為能量大多集中于500 Hz以下的低頻段IMF分量和500 Hz以上的高頻段IMF。低頻段IMF分量頻譜簡單,其主頻集中于100 Hz、200 Hz以及300 Hz,且能量集中、幅值較大。高頻段IMF分量頻譜復雜,表現(xiàn)出非線性、非平穩(wěn)特征,且能量分散、幅值較小。本文針對高、低頻段IMF分量差異性提取不同特征,并進行歸一化構(gòu)成故障特征量。

    2.1 低頻段IMF分量幅值

    低頻段IMF分量相對平穩(wěn),頻譜簡單且集中。針對此特點,本文提取低頻段中各50 Hz及其倍頻信號幅值之和作為低頻段IMF分量特征(簡稱為LFA)。其計算方法為先利用短時傅里葉變換,計算各50 Hz及其倍頻信號幅值對應的幅值f(50×i)并將其疊加,計算式如下所示:

    (8)

    式中:i為整數(shù),i=1,2,3,…,10。

    2.2 高頻段IMF分量時頻能量

    高頻段IMF分量頻譜復雜,且表現(xiàn)出非線性、非平穩(wěn)的特征。小波能量熵針對高頻段IMF特征,融合小波變化和能量熵優(yōu)勢,能夠從時間和頻率兩方面監(jiān)測能量分布變化情況,因此,本文選擇小波能量熵(簡稱為WEE)對高頻段IMF分量進行特征提取,利用特征向量構(gòu)成識別參數(shù),輸入識別模型,計算過程如下所示。

    2.2.1 小波時頻分析

    對聲音信號進行分幀以及加窗處理后,對聲音信號進行連續(xù)小波變換,先確定小波基與尺度,而后求出小波系數(shù),其計算公式如下所示:

    (9)

    式中:x(t)為輸入聲音信號序列;ψ為母小波,采用復數(shù)小波Complex Morlet,其在時頻兩域具有很好的分辨率,適合處理非平穩(wěn)的聲音信號。

    2.2.2 IMF分量能量計算

    從小波系數(shù)序列中提取小波系數(shù)coefs(50×i)(n),對于給定小波系數(shù)coefs(50×i)(n):

    coefs(50×i)(n)=[coefs(50×i)(1),coefs(50×i)(2),

    coefs(50×i)(3),…,coefs(50×i)(N)]

    (10)

    定義時間序列數(shù)據(jù)平方和Ej,其為該時間序列數(shù)據(jù)能量:

    (11)

    2.2.3 總能量值計算E

    總能量值E的計算式為

    (12)

    式中:A為CEEMDAN分解的IMF分量個數(shù)。

    2.2.4 IMF能量熵計算

    IMF能量熵計算式為

    (13)

    3 深度森林

    深度森林主要包括多粒度掃描和級聯(lián)森林。多粒度掃描是通過掃描窗口遍歷以提高子樣本數(shù)量的方法。級聯(lián)森林采用級聯(lián)方式連接各層,且每一層均由隨機森林和完全隨機森林組成。本文對多粒度掃描和級聯(lián)森林進行參數(shù)調(diào)整和模型改進,提高了運算效率和識別準確率。

    3.1 多粒度掃描

    多粒度掃描利用滑動掃描窗口遍歷樣本,提取時間序列數(shù)據(jù)空間位置信息。掃描窗口為L維向量,掃描滑動步長為1,對于N維時間序列數(shù)據(jù)樣本,多粒度掃描后將獲得N-L+1個L維子樣本。利用隨機森林對子樣本進行訓練,產(chǎn)生N-L+1個K維概率特征向量,將上述N-L+1個概率特征向量利用張量壓縮拼接成K(N-L+1)維向量,作為后續(xù)級聯(lián)森林輸入特征。

    3.2 級聯(lián)森林

    級聯(lián)森林是一種借鑒決策樹混合堆疊思想改進的多層級結(jié)構(gòu),每一級聯(lián)層中包含隨機森林和完全隨機森林,其訓練后生成的特征向量為類向量,生成的類向量和原始數(shù)據(jù)向量拼接構(gòu)成新的向量,作為下一層的輸入特征向量。當訓練達到較好效果或訓練至最后一層時,對各層輸出的概率特征向量取平均值,則最大的類概率值所對應標簽為最終輸出結(jié)果。本文在原始模型的基礎(chǔ)上,增加XGBoost基學習器以調(diào)用GPU參與運算,提高計算速度和效率。此外,增加邏輯回歸基學習器以降低數(shù)據(jù)資源存儲要求,大幅度提高級聯(lián)森林網(wǎng)絡模型的性能。

    級聯(lián)森林是多層堆疊,隨著級聯(lián)層數(shù)增加,深度森林復雜度線性增加,但是隨著層級增加,訓練準確率提升逐漸變緩。為避免無效級聯(lián),提高模型訓練效率,引入神經(jīng)網(wǎng)絡中的識別準確率和交叉熵損失值作為級聯(lián)結(jié)束判定指標。在模型訓練以及層級增加過程中,當識別準確率連續(xù)5次未提高或損失值連續(xù)5次未降低,則層級增加終止,避免無效的級聯(lián)層數(shù)增加,以提高模型運算效率。

    模型訓練準確率計算公式如下所示:

    (14)

    式中:TP為將正類預測為正類的數(shù)量;TN為將負類預測為負類的數(shù)量;FN為將正類預測為負類的數(shù)量;FP為將負類預測為正類的數(shù)量。

    模型訓練損失值計算公式如下所示:

    (15)

    式中:s為樣本個數(shù);M為多分類類別數(shù);yij為樣本標簽,當樣本i的真實預測類別標簽為j時取1,否則取0;pij為觀測樣本,i屬于j的概率。

    4 試驗與分析

    4.1 試驗描述與頻譜分析

    為驗證本文方法的有效性,在句容變壓器廠搭建變壓器聲紋數(shù)據(jù)采集平臺,以一臺型號為S-13-M-200/10的10 kV油浸式配電變壓器為研究對象,通過試驗模擬其在不同工況下發(fā)生機械故障,并通過采集平臺采集聲紋信號。試驗平臺包括電腦、DHDAS動態(tài)信號采集儀、信號傳輸線、前置放大器HS14618以及電容式聲傳感器 HS14401等如圖2所示。本文設(shè)置采集儀的采樣頻率為50 kHz以提高試驗精度,按照國標GB/T 1094.10—2003規(guī)范,傳感器布置在變壓器四面,距離變壓器油箱30 cm,距離地面高度35 cm,利用龍門吊和扭力扳手設(shè)置不同類型的機械故障。

    圖1 改進深度森林模型

    圖2 變壓器聲紋數(shù)據(jù)采集平臺

    變壓器空載試驗下,繞組中僅流過勵磁電流,不足以引起繞組的振動,此時聲音信號主要來源于鐵心振動。變壓器短路試驗下,繞組振動引起的聲音遠大于鐵心振動引起的聲音。本文開展空載試驗和短路試驗,如圖3所示。為了盡可能采集到豐富的聲音信號,本文將4個相同型號的聲音傳感器均勻地放置在變壓器箱體的4個側(cè)面。 1號和3號傳感器對應的箱體側(cè)面記為“左右側(cè)面”,2號和4號傳感器對應的箱體側(cè)面記為“上下側(cè)面”,以研究變壓器鐵心、繞組的松動機械故障,具體試驗流程如下。

    圖3 變壓器機械松動故障試驗

    (1) 空載試驗下的鐵心松動故障。設(shè)置變壓器高壓側(cè)開路,低壓側(cè)保持額定電壓,利用龍門吊吊心,并使用扭力扳手調(diào)整鐵心水平方向緊固螺絲的松緊程度,調(diào)整預緊力為0、0.25FN、0.5FN、0.75FN和FN,此處FN為額定預緊力,最后裝機靜置采集聲紋數(shù)據(jù)。

    (2) 短路試驗下的繞組松動故障。設(shè)置變壓器低壓側(cè)短路,高壓側(cè)逐漸增加電壓至繞組中電流達到額定電流時停止,通過重復變壓器吊心,并利用扭力扳手調(diào)整變壓器繞組垂直方向上的緊固螺絲松緊程度,分別調(diào)整預緊力為0、0.25FN、0.5FN、0.75FN和FN,靜置測量變壓器聲紋數(shù)據(jù)。

    試驗采集并切片構(gòu)成11 000個樣本,對樣本進行分類、附標簽以及頻譜分析,將其分為鐵心松動和繞組松動2種松動故障類型。每種松動故障又被分為0、0.25FN、0.5FN、0.75FN和FN5種不同預緊力,對應100%、75%、50%、25%以及正常5種松動程度,并按照9…1劃分訓練集與測試集,各類別標簽及樣本個數(shù)如表1所示。

    表1 樣本標簽和樣本個數(shù)

    如圖4所示,變壓器聲紋信號主頻為100 Hz,主要成分為50 Hz及其偶次倍頻分量,50 Hz奇次倍頻分量含量較少,且多集中于低頻段。變壓器鐵心及繞組松動程度的變化,只改變特征頻點的幅值,未改變頻譜分布。此外,在低于50 Hz的頻段也存在少量分布,屬于測試環(huán)境中的背景噪聲。此外,2號測點頻譜穩(wěn)定性高且信號相對簡單,以其為代表進行分析處理。

    圖4 聲紋信號頻譜分析

    在不同預緊力作用下,聲紋信號頻譜變化各不相同,但未表現(xiàn)出明顯的規(guī)律性,且故障特征提取較困難。因此,迫切需要切實可行的故障特征提取方法。

    4.2 變量篩選

    為驗證本文所提方法的有效性,對真實聲紋數(shù)據(jù)進行分解,摒棄由于傳感器自身及測量所造成的直流偏移和外界環(huán)境噪聲干擾等無關(guān)分量,保留包含故障特征的IMF分量。如圖5所示,IMF1~IMF3為全頻段的均勻噪聲,且其幅值遠低于其他IMF分量。IMF12~IMF13所包含的特征分量均為低于50 Hz的低頻段,其屬于測試環(huán)境中的背景噪聲。IMF14為傳感器及測量造成的直流偏移。因此,本文舍棄無關(guān)分量,保留IMF4~IMF11等包含故障特征的分量。

    圖5 IMF分量頻譜分析

    在去除背景噪聲分量的基礎(chǔ)上,通過皮爾遜相關(guān)系數(shù)刻畫原始信號與各IMF分量之間及各IMF分量之間的關(guān)聯(lián)程度,刻畫各IMF分量包含信息的豐富程度和獨立性。各IMF分量相關(guān)系數(shù),如圖6所示。IMF4與原始信號之間的皮爾遜相關(guān)系數(shù)僅為0.008 4,相關(guān)程度較低。各IMF分量之間的相關(guān)系數(shù)均小于0.2,說明各分量之間相對獨立。

    圖6 IMF分量相關(guān)系數(shù)圖

    4.3 特征量提取

    變壓器聲紋信號經(jīng)過CEEMDAN分解后,對各IMF分量進行頻譜分析和相關(guān)系數(shù)篩選,得到包含故障特征信息的IMF分量。針對不同IMF分量特點,利用短時傅里葉變換和小波時頻熵分別提取不同頻段的IMF分量特征,同時隨機選擇提取MFCC一幀進行對比。以5種不同程度鐵心松動故障為例,特征提取結(jié)果如圖7所示。MFCC對于不同程度鐵心松動故障區(qū)分度較差,存在大量交疊,且特征維度遠超其他特征。短時傅里葉變換幅值特征提取,針對簡單平穩(wěn)的IMF8~IMF11具有良好的區(qū)分度,但對復雜非平穩(wěn)的IMF5~IMF7存在交疊現(xiàn)象,難以有效區(qū)分。小波能量熵針對復雜非平穩(wěn)的IMF5~IMF7具有較好的區(qū)分效果,但不適用于簡單平穩(wěn)的IMF8~IMF11。本文針對不同分量特征,融合不同特征提取方法優(yōu)點,提出篩選特征方法,所提取的特征對有效的IMF5~IMF11均具有較高區(qū)分度。

    圖7 特征值區(qū)分度折線圖

    4.4 識別模型搭建與訓練

    為避免變電站其他變壓器聲紋信號對測試變壓器產(chǎn)生干擾,在識別模型前增加輔助判據(jù)。當變壓器處于空載狀態(tài)且50 Hz頻點幅值均小于0.001 Pa,啟動鐵心松動程度識別程序。當變壓器負載狀態(tài)下且50 Hz頻點幅值均小于0.001 5 Pa,啟動繞組松動程度識別程序。

    本文針對10種類別、共計6 000組樣本數(shù)據(jù),隨機提取80%樣本作為訓練集、20%樣本作為測試集。在經(jīng)過CEEMDAN分解后,選取IMF5~IMF11的樣本熵和能量熵所構(gòu)成的特征向量,作為深度森林的輸入進行分類識別。

    本文對改進深度森林中的3個重要超參數(shù)進行優(yōu)化,包括學習率、基學習器中樹的數(shù)量以及k折交叉驗證中的k值。其中k折交叉驗證的k值分別取3,4,5,…,15,基學習器中樹的數(shù)量分別取100,200,300,…,1 000,學習率分別取0.1,0.01,0.001,0.000 1。為防止偶然性出現(xiàn),每種超參數(shù)取值后進行5次重復試驗,將5次試驗結(jié)果取平均值進行對比,如圖8所示。本文設(shè)置k折交叉驗證中的k值取12,基學習器中樹的數(shù)量取700,學習率為0.001。

    圖8 識別模型超參數(shù)訓練過程

    按上文重新設(shè)置模型超參數(shù),并導入樣本集對模型進行重新訓練,本文采用混淆矩陣來衡量模型對1 100個測試樣本的識別分類結(jié)果。如圖9所示,本文所提模型對繞組及鐵心不同松動程度故障均能實現(xiàn)有效識別,平均識別率達98.7%。

    圖9 識別結(jié)果混淆矩陣

    4.5 模型優(yōu)越性驗證

    為驗證本文所提特征篩選方法的有效性,本文對比MFCC、IMF1~IMF14中提取的倍頻幅值、IMF1~IMF14中提取小波能量熵、IMF5~IMF11中提取的幅值以及IMF5~IMF11中提取的小波能量熵5種特征值,分別記為MFCC、LFA1-14、WEE1-14、LFA5-11、WEE5-11。對1 100組測試樣本進行測試,測試結(jié)果如圖10和表2所示。MFCC特征識別準確率較低、訓練時間較長。對比IMF1~IMF14所提特征和IMF5~IMF11所提特征,IMF1~IMF14所提特征的識別準確率均低于IMF5~IMF11所提特征的識別準確率,IMF1~IMF14所提特征的訓練時間均高于IMF5~IMF11所提特征的訓練時間??芍獰o效的IMF分量所提特征不僅降低識別準確率且大幅度增加訓練時間。本文所提篩選的特征識別準確率較LFA1-14、LFA5-11、WEE1-14、WEE5-11以及MFCC 5種特征,至少提高了0.8%,且針對10類松動故障均有明顯提升。

    圖10 不同特征識別結(jié)果對比圖

    表2 各故障特征訓練時間和識別準確率

    為驗證本文所提識別算法的優(yōu)越性,將常見的機器學習算法如決策樹(DT)、樸素貝葉斯(NB)、隨機森林(RF)、K近鄰(KNN)、支持向量機(SVM)以及RUSBoost等與本文所提的改進深度森林模型進行對比。對1 100組樣本進行測試,測試結(jié)果如圖11所示。對比其他常見機器學習模型的平均識別準確率以及單一故障識別準確率,所提方法均有所提高。

    圖11 傳統(tǒng)機器學習算法識別結(jié)果對比圖

    為驗證改進深度森林算法比深度學習算法擁有更強的泛化能力,與深度學習算法中的一維卷積神經(jīng)網(wǎng)絡(ID-CNN)的訓練過程和識別結(jié)果進行對比,如圖12所示。CNN模型在訓練過程中能夠快速收斂,訓練集準確率最終穩(wěn)定在100%。雖然改進的深度森林算法識別準確率存在一定程度的波動性,但卷積神經(jīng)網(wǎng)絡測試集識別準確率僅為62.1%,改進深度森林測試集準確率達到99.2%,可知改進深度森林對變壓器機械狀態(tài)的識別具有更高的泛化能力。

    圖12 卷積神經(jīng)網(wǎng)絡識別結(jié)果對比圖

    5 結(jié) 語

    變壓器運行過程中發(fā)出的聲音信號包含大量能夠反映設(shè)備內(nèi)部機械狀態(tài)的有效信息。本文搭建變壓器聲紋信號采集平臺,對采集到的聲紋信號進行分析與處理,并對變壓器不同機械狀態(tài)的聲紋信號進行識別。在后續(xù)的研究中,會對現(xiàn)場實際運行的變壓器正常及故障數(shù)據(jù)進行收集處理,以進一步驗證本文所提方法的有效性。本文得到如下結(jié)論。

    (1) 利用CEEMDAN對聲紋信號進行分解,通過頻譜分析和皮爾遜相關(guān)系數(shù)對IMF分量進行篩選,有效剔除無效的IMF分量,保留了包含變壓器本體聲紋信號的IMF分量。

    (2) 通過對不同IMF分量在高低頻段上表征出的差異性,提取高頻段IMF分量的時頻能量和低頻段IMF分量的幅值特性作為特征指標,具有針對性的提取特征量,有效提高了特征向量的區(qū)分度,降低了特征向量的冗余,在一定程度上減少了識別模型復雜程度。

    (3) 利用改進的深度森林算法對變壓器機械狀態(tài)進行識別,取得了較好的識別效果。

    猜你喜歡
    聲紋幅值分量
    帽子的分量
    一物千斤
    智族GQ(2019年9期)2019-10-28 08:16:21
    屏幕即指紋識別
    論《哈姆雷特》中良心的分量
    分量
    基于S變換的交流電網(wǎng)幅值檢測系統(tǒng)計算機仿真研究
    電子制作(2017年7期)2017-06-05 09:36:13
    正序電壓幅值檢測及諧波抑制的改進
    低壓電力線信道脈沖噪聲的幅值與寬度特征
    基于零序電壓幅值增量的消弧線圈調(diào)諧新方法
    電測與儀表(2015年7期)2015-04-09 11:40:10
    基于數(shù)字水印的人臉與聲紋融合識別算法
    欧美日韩av久久| 熟女电影av网| 蜜臀久久99精品久久宅男| 国产欧美另类精品又又久久亚洲欧美| 美女内射精品一级片tv| 韩国高清视频一区二区三区| 久热这里只有精品99| 色网站视频免费| 婷婷色综合大香蕉| 国产日韩一区二区三区精品不卡 | 精品少妇内射三级| 美女视频免费永久观看网站| 人妻一区二区av| 天天躁夜夜躁狠狠久久av| 日韩三级伦理在线观看| av国产久精品久网站免费入址| 亚洲av不卡在线观看| 少妇被粗大的猛进出69影院 | 成年女人在线观看亚洲视频| 精品人妻偷拍中文字幕| 精品午夜福利在线看| 亚洲成人手机| 精品亚洲成国产av| 性高湖久久久久久久久免费观看| 亚洲国产精品专区欧美| 91久久精品国产一区二区成人| 欧美3d第一页| 一个人看视频在线观看www免费| 亚洲精品日韩在线中文字幕| 久久影院123| 国产成人aa在线观看| 免费少妇av软件| 国产有黄有色有爽视频| 国产一区二区在线观看av| 亚洲色图综合在线观看| 国产精品久久久久久精品古装| 国产又色又爽无遮挡免| 天天躁夜夜躁狠狠久久av| 亚洲内射少妇av| 一本一本综合久久| 99热这里只有是精品50| 高清午夜精品一区二区三区| 国产男人的电影天堂91| 在现免费观看毛片| 国产日韩欧美在线精品| 黑丝袜美女国产一区| 久久99蜜桃精品久久| 自拍偷自拍亚洲精品老妇| 少妇的逼水好多| 制服丝袜香蕉在线| 国产黄频视频在线观看| 最黄视频免费看| 啦啦啦在线观看免费高清www| 人人妻人人添人人爽欧美一区卜| 免费观看性生交大片5| 国内精品宾馆在线| 一级av片app| 精品人妻一区二区三区麻豆| 老女人水多毛片| 大又大粗又爽又黄少妇毛片口| 欧美老熟妇乱子伦牲交| 亚洲av中文av极速乱| 男女国产视频网站| 少妇熟女欧美另类| 91精品一卡2卡3卡4卡| 免费高清在线观看视频在线观看| 成人18禁高潮啪啪吃奶动态图 | 国产精品99久久99久久久不卡 | 亚洲精品久久久久久婷婷小说| 精品一区在线观看国产| 亚洲欧美日韩另类电影网站| 亚洲,欧美,日韩| 国产精品成人在线| 日本av手机在线免费观看| 美女视频免费永久观看网站| 熟女电影av网| 精品一区在线观看国产| 99热这里只有是精品在线观看| 18+在线观看网站| 国产精品国产三级专区第一集| 日韩强制内射视频| 少妇熟女欧美另类| 国产伦在线观看视频一区| 91aial.com中文字幕在线观看| 天堂8中文在线网| 亚洲av综合色区一区| 免费看光身美女| 看非洲黑人一级黄片| 少妇猛男粗大的猛烈进出视频| 久久久久久人妻| 黄色日韩在线| 一边亲一边摸免费视频| 一本久久精品| 18禁在线无遮挡免费观看视频| 2022亚洲国产成人精品| 国产一区二区在线观看日韩| 日韩强制内射视频| 国产免费一区二区三区四区乱码| 国产乱人偷精品视频| 青春草视频在线免费观看| 亚洲性久久影院| av.在线天堂| 爱豆传媒免费全集在线观看| 曰老女人黄片| 国产在线视频一区二区| 最新中文字幕久久久久| 亚洲精品久久午夜乱码| 熟妇人妻不卡中文字幕| 国产熟女欧美一区二区| 国产亚洲91精品色在线| 热99国产精品久久久久久7| 国产爽快片一区二区三区| 极品少妇高潮喷水抽搐| 尾随美女入室| 汤姆久久久久久久影院中文字幕| 色哟哟·www| 一本大道久久a久久精品| 丝袜喷水一区| 又黄又爽又刺激的免费视频.| 伊人久久精品亚洲午夜| 国产亚洲5aaaaa淫片| 午夜激情久久久久久久| 六月丁香七月| 亚洲美女搞黄在线观看| 国产精品国产三级国产专区5o| 男女无遮挡免费网站观看| 日本黄大片高清| 大码成人一级视频| 国模一区二区三区四区视频| 欧美 日韩 精品 国产| 国产成人一区二区在线| 最新的欧美精品一区二区| 亚洲欧洲日产国产| 在线 av 中文字幕| 99热这里只有是精品50| 国产免费福利视频在线观看| 中国三级夫妇交换| 婷婷色综合www| 亚洲国产成人一精品久久久| 国产欧美亚洲国产| 国产午夜精品久久久久久一区二区三区| 国产精品免费大片| av在线播放精品| 在线 av 中文字幕| 91精品国产九色| 欧美精品高潮呻吟av久久| 在线播放无遮挡| 成人亚洲欧美一区二区av| 欧美精品一区二区大全| 欧美日韩视频精品一区| 亚洲自偷自拍三级| 日本爱情动作片www.在线观看| 在现免费观看毛片| 九九爱精品视频在线观看| 两个人免费观看高清视频 | 成年美女黄网站色视频大全免费 | 草草在线视频免费看| 国产日韩一区二区三区精品不卡 | 久久国产亚洲av麻豆专区| 亚洲精品成人av观看孕妇| 亚洲av成人精品一区久久| 黄色日韩在线| 如日韩欧美国产精品一区二区三区 | 欧美人与善性xxx| 亚洲欧洲国产日韩| 中文字幕精品免费在线观看视频 | 少妇精品久久久久久久| 亚洲精品亚洲一区二区| 亚洲,一卡二卡三卡| 精品亚洲成国产av| 国产黄色免费在线视频| 毛片一级片免费看久久久久| 国产午夜精品一二区理论片| 七月丁香在线播放| 麻豆乱淫一区二区| 亚洲av二区三区四区| 大码成人一级视频| 另类精品久久| 永久免费av网站大全| 99九九线精品视频在线观看视频| 免费黄频网站在线观看国产| 欧美日韩视频精品一区| 美女cb高潮喷水在线观看| 赤兔流量卡办理| av福利片在线| 99热6这里只有精品| 免费大片黄手机在线观看| 大码成人一级视频| 国产精品伦人一区二区| 九九在线视频观看精品| av天堂久久9| 精品亚洲乱码少妇综合久久| 久久99蜜桃精品久久| 日韩免费高清中文字幕av| 久久久欧美国产精品| 亚洲欧洲国产日韩| 欧美精品亚洲一区二区| 亚洲经典国产精华液单| 男女国产视频网站| 亚洲国产精品国产精品| 亚洲av中文av极速乱| 大片免费播放器 马上看| 国产伦精品一区二区三区四那| 99热国产这里只有精品6| 亚洲国产色片| 欧美日韩综合久久久久久| 国产视频首页在线观看| 日日啪夜夜爽| 3wmmmm亚洲av在线观看| 亚洲国产精品成人久久小说| 欧美日韩综合久久久久久| 国产精品一区二区在线不卡| 在线观看一区二区三区激情| 最新中文字幕久久久久| 亚洲欧美一区二区三区国产| 久久人妻熟女aⅴ| 欧美日韩视频高清一区二区三区二| 国产日韩欧美亚洲二区| 自拍偷自拍亚洲精品老妇| 亚洲综合精品二区| 精品少妇黑人巨大在线播放| 免费久久久久久久精品成人欧美视频 | 搡女人真爽免费视频火全软件| 在线 av 中文字幕| 女性生殖器流出的白浆| 国产亚洲最大av| 久久久久久久久久久丰满| 国产精品一区二区在线观看99| 国产亚洲91精品色在线| 狠狠精品人妻久久久久久综合| 欧美精品一区二区大全| 亚洲成人手机| 97超碰精品成人国产| 色婷婷av一区二区三区视频| 在线观看www视频免费| 久久人妻熟女aⅴ| 久久99热这里只频精品6学生| 欧美一级a爱片免费观看看| 美女主播在线视频| 国产美女午夜福利| av福利片在线观看| 国产高清国产精品国产三级| 久久久久久久亚洲中文字幕| 少妇人妻久久综合中文| 欧美3d第一页| 两个人的视频大全免费| 久久国产亚洲av麻豆专区| 少妇的逼水好多| 色吧在线观看| 欧美成人午夜免费资源| 亚洲欧美精品专区久久| 在线 av 中文字幕| 老司机影院毛片| 久久午夜综合久久蜜桃| 日韩视频在线欧美| 极品人妻少妇av视频| 啦啦啦啦在线视频资源| 天天操日日干夜夜撸| 精品国产国语对白av| 国产午夜精品一二区理论片| 97超视频在线观看视频| 久久久久久久大尺度免费视频| 天天操日日干夜夜撸| av国产久精品久网站免费入址| 欧美+日韩+精品| 2018国产大陆天天弄谢| 亚洲精品乱码久久久v下载方式| 免费高清在线观看视频在线观看| 欧美xxxx性猛交bbbb| 久久久久久久久久人人人人人人| 国产免费视频播放在线视频| 国产欧美亚洲国产| 青春草亚洲视频在线观看| 日韩视频在线欧美| 亚洲av男天堂| 蜜桃久久精品国产亚洲av| 亚洲精品自拍成人| 日本欧美国产在线视频| 国产黄片美女视频| 色视频在线一区二区三区| 日韩一区二区视频免费看| 精品久久久久久电影网| 成人二区视频| 91aial.com中文字幕在线观看| 国产 精品1| 插逼视频在线观看| 久久国产亚洲av麻豆专区| 午夜福利,免费看| 各种免费的搞黄视频| 高清毛片免费看| 国产 一区精品| 久久精品夜色国产| 亚洲欧美一区二区三区黑人 | 国内少妇人妻偷人精品xxx网站| videossex国产| 久久鲁丝午夜福利片| 久久久久人妻精品一区果冻| 人妻 亚洲 视频| 日韩大片免费观看网站| 亚洲图色成人| 亚洲美女视频黄频| 中文字幕制服av| 日本与韩国留学比较| 国产精品久久久久久精品电影小说| 日韩av在线免费看完整版不卡| 伦理电影免费视频| 午夜影院在线不卡| 国产精品秋霞免费鲁丝片| 亚洲人与动物交配视频| 亚洲成人手机| 国产国语露脸激情在线看| 777久久人妻少妇嫩草av网站| 国产不卡av网站在线观看| 精品国产一区二区三区久久久樱花| 黄片播放在线免费| 免费少妇av软件| 精品久久久久久电影网| 亚洲专区中文字幕在线| 国产av又大| 国产精品国产三级国产专区5o| 最近最新中文字幕大全免费视频| 久久精品亚洲熟妇少妇任你| 美女脱内裤让男人舔精品视频| 一级毛片精品| 欧美黄色片欧美黄色片| 亚洲综合色网址| 亚洲精品一区蜜桃| 热99re8久久精品国产| 老司机靠b影院| 免费人妻精品一区二区三区视频| 天堂俺去俺来也www色官网| 亚洲一码二码三码区别大吗| 在线 av 中文字幕| 黄频高清免费视频| 亚洲中文日韩欧美视频| 女性生殖器流出的白浆| 精品少妇久久久久久888优播| 精品乱码久久久久久99久播| 久久影院123| 午夜福利乱码中文字幕| 国产男女内射视频| 少妇精品久久久久久久| 18禁裸乳无遮挡动漫免费视频| av线在线观看网站| 精品国产一区二区久久| 自线自在国产av| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美 日韩 精品 国产| 亚洲美女黄色视频免费看| 欧美成人午夜精品| 又大又爽又粗| 亚洲成人免费电影在线观看| 国产精品成人在线| 激情视频va一区二区三区| 亚洲激情五月婷婷啪啪| 国产精品免费视频内射| 亚洲国产欧美一区二区综合| 久久国产精品影院| 久久精品成人免费网站| 亚洲专区国产一区二区| 精品福利永久在线观看| 9热在线视频观看99| 男女下面插进去视频免费观看| 欧美精品啪啪一区二区三区 | 国产高清国产精品国产三级| 欧美老熟妇乱子伦牲交| 制服人妻中文乱码| 亚洲国产精品999| 中文字幕最新亚洲高清| 18禁国产床啪视频网站| 91大片在线观看| 1024香蕉在线观看| 久久热在线av| 国产精品二区激情视频| 黄色a级毛片大全视频| 亚洲成人国产一区在线观看| 亚洲欧美日韩高清在线视频 | 成人黄色视频免费在线看| 啦啦啦啦在线视频资源| 欧美成狂野欧美在线观看| 超碰97精品在线观看| 国产一区二区三区av在线| 国产精品国产三级国产专区5o| 日韩大码丰满熟妇| 激情视频va一区二区三区| 亚洲激情五月婷婷啪啪| 日韩一区二区三区影片| 久久性视频一级片| 免费在线观看影片大全网站| 视频区图区小说| 伊人久久大香线蕉亚洲五| 免费观看a级毛片全部| 婷婷色av中文字幕| 亚洲一卡2卡3卡4卡5卡精品中文| www.自偷自拍.com| 桃花免费在线播放| 午夜福利视频在线观看免费| 成年女人毛片免费观看观看9 | 久久久国产成人免费| 99九九在线精品视频| 两个人免费观看高清视频| www.自偷自拍.com| 日韩视频一区二区在线观看| 国产精品一区二区免费欧美 | 99精品久久久久人妻精品| 亚洲一区中文字幕在线| 日本精品一区二区三区蜜桃| av片东京热男人的天堂| 亚洲精品国产区一区二| 最近最新中文字幕大全免费视频| 淫妇啪啪啪对白视频 | 日韩视频一区二区在线观看| 午夜成年电影在线免费观看| 成人国产一区最新在线观看| 午夜福利在线观看吧| 一本综合久久免费| 精品人妻熟女毛片av久久网站| 国产男人的电影天堂91| 精品少妇一区二区三区视频日本电影| 国产欧美亚洲国产| 高清在线国产一区| 午夜免费成人在线视频| 国产色视频综合| 欧美人与性动交α欧美软件| 另类亚洲欧美激情| 成人国语在线视频| 婷婷色av中文字幕| 69av精品久久久久久 | 啦啦啦视频在线资源免费观看| 男人添女人高潮全过程视频| 热99re8久久精品国产| 又紧又爽又黄一区二区| 90打野战视频偷拍视频| 制服人妻中文乱码| 欧美精品高潮呻吟av久久| 99香蕉大伊视频| 777久久人妻少妇嫩草av网站| 精品人妻熟女毛片av久久网站| 狂野欧美激情性xxxx| 国产视频一区二区在线看| 国产亚洲精品久久久久5区| 免费久久久久久久精品成人欧美视频| 久热爱精品视频在线9| 欧美黑人欧美精品刺激| 亚洲综合色网址| 久久毛片免费看一区二区三区| av天堂久久9| 捣出白浆h1v1| 9191精品国产免费久久| 51午夜福利影视在线观看| 九色亚洲精品在线播放| 后天国语完整版免费观看| 嫩草影视91久久| 成年女人毛片免费观看观看9 | 精品久久蜜臀av无| 亚洲情色 制服丝袜| 999久久久国产精品视频| av有码第一页| 亚洲成国产人片在线观看| 麻豆乱淫一区二区| 少妇裸体淫交视频免费看高清 | 国产淫语在线视频| 一进一出抽搐动态| 亚洲五月色婷婷综合| 美女主播在线视频| 手机成人av网站| 国产精品国产av在线观看| 欧美日韩一级在线毛片| 12—13女人毛片做爰片一| 人人妻人人澡人人看| videos熟女内射| 午夜成年电影在线免费观看| 国产一区二区三区综合在线观看| 午夜91福利影院| 纵有疾风起免费观看全集完整版| 亚洲欧美激情在线| 精品一区二区三区四区五区乱码| av在线老鸭窝| 伦理电影免费视频| 日韩熟女老妇一区二区性免费视频| 我要看黄色一级片免费的| 久久天躁狠狠躁夜夜2o2o| 免费在线观看影片大全网站| 一本—道久久a久久精品蜜桃钙片| 人妻 亚洲 视频| 脱女人内裤的视频| 亚洲精品中文字幕一二三四区 | 欧美激情 高清一区二区三区| 啦啦啦视频在线资源免费观看| 免费女性裸体啪啪无遮挡网站| 又紧又爽又黄一区二区| 视频区图区小说| 日韩 欧美 亚洲 中文字幕| 中国国产av一级| 国产精品九九99| 欧美国产精品va在线观看不卡| 成年美女黄网站色视频大全免费| 久久 成人 亚洲| 1024香蕉在线观看| 少妇被粗大的猛进出69影院| 免费观看人在逋| 精品国内亚洲2022精品成人 | 久久中文看片网| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲 欧美一区二区三区| 亚洲 国产 在线| 亚洲中文av在线| 男女高潮啪啪啪动态图| 久久久国产欧美日韩av| 成人黄色视频免费在线看| 国产老妇伦熟女老妇高清| 女性生殖器流出的白浆| 国产精品一区二区免费欧美 | 精品欧美一区二区三区在线| 亚洲精品国产av蜜桃| 视频区图区小说| 国产精品影院久久| 免费不卡黄色视频| 99国产极品粉嫩在线观看| 99久久精品国产亚洲精品| 国产亚洲精品第一综合不卡| 一本—道久久a久久精品蜜桃钙片| 波多野结衣av一区二区av| 国产成人免费观看mmmm| 亚洲精品一二三| 99九九在线精品视频| 丝袜人妻中文字幕| 丁香六月天网| 精品一区二区三区av网在线观看 | 亚洲一区二区三区欧美精品| 99久久人妻综合| √禁漫天堂资源中文www| 女性生殖器流出的白浆| 亚洲欧美精品综合一区二区三区| 三级毛片av免费| 在线观看免费视频网站a站| 黄色毛片三级朝国网站| 久久免费观看电影| www.自偷自拍.com| 国产人伦9x9x在线观看| 丝袜美腿诱惑在线| 丰满饥渴人妻一区二区三| 夜夜夜夜夜久久久久| 亚洲视频免费观看视频| 国产亚洲精品一区二区www | 一级,二级,三级黄色视频| www.自偷自拍.com| 国产高清国产精品国产三级| 叶爱在线成人免费视频播放| 999久久久精品免费观看国产| 18禁裸乳无遮挡动漫免费视频| 亚洲久久久国产精品| 在线十欧美十亚洲十日本专区| 国产熟女午夜一区二区三区| 欧美在线黄色| 黄色毛片三级朝国网站| 午夜福利在线观看吧| 日本五十路高清| 两个人看的免费小视频| 性色av乱码一区二区三区2| 999精品在线视频| 国产亚洲欧美精品永久| 女性生殖器流出的白浆| 秋霞在线观看毛片| 国产成人免费观看mmmm| 中文字幕人妻丝袜一区二区| a级毛片黄视频| 三级毛片av免费| 亚洲精品一二三| 亚洲自偷自拍图片 自拍| 成年人黄色毛片网站| 精品国产一区二区三区四区第35| 久久国产亚洲av麻豆专区| 亚洲精品日韩在线中文字幕| 丁香六月天网| 久久青草综合色| 久久久久久久久久久久大奶| 乱人伦中国视频| 亚洲情色 制服丝袜| 亚洲一码二码三码区别大吗| 韩国精品一区二区三区| 国产一区二区 视频在线| 亚洲国产精品一区二区三区在线| 男人舔女人的私密视频| 正在播放国产对白刺激| 男女之事视频高清在线观看| 久久久久久久大尺度免费视频| 丰满人妻熟妇乱又伦精品不卡| 丝袜美腿诱惑在线| 少妇粗大呻吟视频| 欧美精品av麻豆av| 亚洲欧美精品自产自拍| 成人国产一区最新在线观看| 久久热在线av| 欧美在线一区亚洲| 亚洲专区中文字幕在线| 久久国产精品人妻蜜桃| 日本a在线网址| 日韩制服丝袜自拍偷拍| 9色porny在线观看| 欧美精品一区二区大全| 极品少妇高潮喷水抽搐| 啦啦啦中文免费视频观看日本| 亚洲精华国产精华精| 国产日韩欧美亚洲二区| 一区二区三区四区激情视频| 亚洲精品日韩在线中文字幕| 免费少妇av软件| 亚洲av片天天在线观看| 如日韩欧美国产精品一区二区三区| 国产主播在线观看一区二区| netflix在线观看网站| 香蕉国产在线看| 精品一品国产午夜福利视频| 在线观看舔阴道视频|