变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了...变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了基于势函数的稀疏分量分析（SCA）算法,增加了势函数局部极值排序环节;然后模拟了噪声源数目、振声幅值以及振声频率组成变化共3种特殊情况下的变压器振声提取,采用相关系数和二次残差对分离效果进行了评价;最后选取某220 k V变电站主变压器进行了现场测试。研究结果表明：改进算法可解决盲源分离排列模糊的问题,使振声信号在分离信号中始终排在第1位,同时可判断混入噪声源数目,实现变压器振声与多路噪声的自适应分离;该改进算法能够有效提取不同情况下的变压器振声,相关系数均〉0.97,二次残差均〈-29 d B;现场实验成功分离出变压器振声信号、实验人员的2路语音信号以及2路干扰信号,并认为声信号反射是干扰信号的主要成因,变压器体声源是分离振声信号幅值波动的主要原因。该改进算法可对变压器振声进行自适应提取,但信号反射及体声源对提取效果的影响需进一步研究。展开更多
对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类...对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类算法分离出来的数据和原数据之间具有确定的尺度和次序变化关系。最后针对多通道混合数据的盲分离提出了基于中心矢量聚类的稀疏混合数据分离算法SMDDCVC(sparse mixing data decomposition based on center vector clustering),并将该算法用于稀疏混合图像的盲分离。实验结果表明基于SMDDCVC算法的稀疏混合数据盲分离算法是有效的。展开更多
文摘变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了基于势函数的稀疏分量分析（SCA）算法,增加了势函数局部极值排序环节;然后模拟了噪声源数目、振声幅值以及振声频率组成变化共3种特殊情况下的变压器振声提取,采用相关系数和二次残差对分离效果进行了评价;最后选取某220 k V变电站主变压器进行了现场测试。研究结果表明：改进算法可解决盲源分离排列模糊的问题,使振声信号在分离信号中始终排在第1位,同时可判断混入噪声源数目,实现变压器振声与多路噪声的自适应分离;该改进算法能够有效提取不同情况下的变压器振声,相关系数均〉0.97,二次残差均〈-29 d B;现场实验成功分离出变压器振声信号、实验人员的2路语音信号以及2路干扰信号,并认为声信号反射是干扰信号的主要成因,变压器体声源是分离振声信号幅值波动的主要原因。该改进算法可对变压器振声进行自适应提取,但信号反射及体声源对提取效果的影响需进一步研究。
文摘对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类算法分离出来的数据和原数据之间具有确定的尺度和次序变化关系。最后针对多通道混合数据的盲分离提出了基于中心矢量聚类的稀疏混合数据分离算法SMDDCVC(sparse mixing data decomposition based on center vector clustering),并将该算法用于稀疏混合图像的盲分离。实验结果表明基于SMDDCVC算法的稀疏混合数据盲分离算法是有效的。
