典型文献
含噪背景下基于盲源分离与NSVDD的断路器机械故障诊断方法
文献摘要：
利用分合闸声音信号实现断路器机械故障诊断易受背景噪声影响,而用于声音信号分离的盲源分离算法存在着分离结果无序性的问题,为此,提出了声音信号盲源分离与含负样本支持向量描述(support vector data de-scription with negative samples,NSVDD)相结合的断路器机械故障诊断方法.首先,运用基于负熵最大化的快速独立分量分析(fast independent component analysis,FastICA)实现断路器合闸期间各声源信号的盲分离;然后依据人耳听觉特性提取各分离信号的伽马滤波器倒谱系数(Gammatone frequency cepstrum coefficient,GFCC),同时对各分离信号进行变分模态分解(variational mode decomposition,VMD)得到各有限带宽固有模态分量(band-limited intrinsic mode functions,BLIMF),以提取声源信号的奇异谱熵、能量熵、峭度熵,并与降维后的GFCC系数组成声音信号联合特征向量;最后,利用单值分类算法NSVDD对联合特征向量进行识别,以消除噪声影响.实验结果表明,基于盲源分离与NSVDD的断路器机械故障诊断方法能够准确完成在含噪背景下的断路器机械故障诊断.
文献关键词：
断路器;机械故障诊断;噪声;盲源分离;联合特征向量;NSVDD
中图分类号：
作者姓名：
孙玉伟;罗林根;陈敬德;王辉;盛戈皞;江秀臣
作者机构：
上海交通大学电子信息与电气工程学院,上海200240;国网上海市电力公司青浦供电公司,上海200437
文献出处：
引用格式：
[1]孙玉伟;罗林根;陈敬德;王辉;盛戈皞;江秀臣-.含噪背景下基于盲源分离与NSVDD的断路器机械故障诊断方法)[J].高电压技术,2022(03):1104-1112
A类：
NSVDD,BLIMF,联合特征向量
B类：
断路器,机械故障诊断,故障诊断方法,分合闸,声音信号,背景噪声,噪声影响,信号分离,盲源分离算法,果无,support,vector,data,scription,negative,samples,负熵,快速独立分量分析,fast,independent,component,analysis,FastICA,声源,源信号,人耳听觉,伽马,滤波器,倒谱系数,Gammatone,frequency,cepstrum,coefficient,GFCC,变分模态分解,variational,mode,decomposition,VMD,有限带宽,固有模态分量,band,limited,intrinsic,functions,奇异,谱熵,能量熵,峭度,数组,单值,分类算法,对联,消除噪声
AB值：
0.329107
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
