2022, Vol. 41
文章编号: 2096-3203(2022)02-0156-07 中图分类号: TM855
, , , , ,
2. 西南交通大学电气工程学院，四川 成都 611756
 沈龙(1973), 男, 学士, 高级工程师, 从事电网防灾减灾技术研究工作(E-mail: shlong2012@qq.com); |
彭兆裕(1986), 男, 硕士, 高级工程师, 从事高压试验技术研究工作
随着我国电网扩建，绝缘子的使用环境变得多元化，积污情况差别变大，污闪隐患加重[1-3]。现有规程110~750 kV的架空输电线路，其绝缘子清扫周期为1~3 a，容易导致重污地区季节清洗不足，绝缘隐患大[4], 而轻污染地区清洗过勤，经济损失重。因此，及时检测输电线路绝缘串积污情况，对于预防污闪，掌握地域、季节积污特性以及出区域化清扫维护建议具有重要意义[5-6]。
目前，大多数国家采用等值盐密(equivalent salt deposit density, ESDD)法表征绝缘串的污秽度，但离线取样的测量方法操作冗杂、耗时长，且无法实现绝缘串表面污秽特性的动态监测[7-10]。绝缘子污闪的防治可通过红外热像法和紫外成像法监测绝缘子的发热情况和放电特征，但2种方法皆难以直观反映绝缘子表面的污秽度[11-15]，无法给予早期清扫建议。高光谱技术发展迅速，具有高分辨率、宽波段、图谱融合的特点，能非接触获取物质反射光的差异信息，这为需要较高精细度的绝缘子污秽情况检测提供了新思路[16-17]。文献[18]利用高光谱技术对不同污秽度的单一人工污秽进行识别，采用全波段光谱数据实现了准确率高于90%的污秽等级划分；文献[19]通过高光谱所包含的丰富的细节信息，提取不同灰密度的污秽光谱曲线差异，建立回归模型对灰密度进行检测。尽管高光谱技术在绝缘子污秽度检测方面表现出巨大潜力，但仍存在局限性，污秽等级划分的精准度仍有提升空间。为进一步推进高光谱技术，需要对数据进行更精细化的处理。光谱信息不仅反映了检测对象信息，同时包含了基材、环境、颜色等干扰量信息。全波段光谱曲线数据尽管包含足够多研究信息，但也包含大量无关信息，易陷入Hughes现象[20-22]，进而对样本污秽检测的准确度产生影响。同时，全波段光谱信息冗余大、耗时长，不适合大规模数据测试以及现场应用推广。采用合理有效的方法对光谱曲线数据进行预处理和特征提取，对削弱冗余与噪声数据的影响、挖掘光谱曲线中关键有效的信息、提升高光谱技术的检测识别效果十分重要[23]。
因此，文中引入小波能量谱特征提取方法，对高光谱原始光谱曲线进行多尺度分解，在多个尺度下提取更加细致的表征不同污秽等级差异性的特征信息。通过特征提取，提高信噪比，增强类间差异，实现更为高效、准确的绝缘子污秽等级识别。
1 实验样本制作污秽底层基材反射信息会对整体光谱曲线产生一定影响，为模拟实际积污情况，样品选取的涂污基材为复合绝缘子伞群材料制作的平整绝缘片。实验的研究重点是实现对不同污秽度的识别，为便于涂污、采集样本，控制无关因素，文中采用5 cm×5 cm的绝缘片进行等效简化。
以标准GB/T 5582-1993中的ESDD对不同的污秽等级进行表征。NaCl在外绝缘污秽成分中占比10%~30%，被视为主要成分。选用NaCl作为盐成分，与高岭土进行混合，制备不同污秽度的样本。根据标准GB/T 26218.1-2010以及GB/T 22707-2003进行样本制作，按照4个污秽等级(Ⅰ-Ⅳ)对样品进行均匀覆污, 制作样品，如图 1所示。其中，灰密度恒定为1 mg/cm2；建模样品T1、T2、T3、T4的ESDD分别为0.04 mg/cm2，0.08 mg/cm2，0.15 mg/cm2，0.30 mg/cm2；测试样本R1、R2、R3、R4对应的ESDD分别为0.05 mg/cm2，0.07 mg/cm2，0.19 mg/cm2，0.32 mg/cm2。
|
图 1 人工污秽样品 Fig. 1 Artificial contamination samples |
不同物质因在微观结构、化学组成、物理性质等方面不同，对光辐射的吸收、反射皆具有本征特性[24]，因此利用物质的光谱特征可对其进行识别与研究。文中实验使用GaiaField-F-V10便携式成像仪对高光谱图像进行采集。高光谱仪通过透镜、分光组件和光电转换器将收集的目标电磁波能量转换为数字图像和多波段的光谱信息[25]，具有较高的光谱分辨率，因此能获得物质更丰富的光谱特性，也更容易探寻到物质细微的光谱信息差异，使光谱信息具有特定性和代表性。
2.1.2 污秽等级识别流程针对研究对象，首先进行高光谱图像采集, 并通过黑、白帧对光强差异进行修正；其次对感兴趣区域高光谱全波段数据进行预处理，利用滤波及对数变换减弱因暗电流、光散射等引起的无关噪声；再次采用光谱数据的污秽关联特征方法，优化光谱信息；最后以7 ∶3的比例建立和测试模型, 以识别污秽等级，该流程见图 2。
|
图 2 污秽等级识别流程 Fig. 2 Flow chart of pollution level identification |
通过连续采样提高光谱数据的准确性，并使用专业高光谱图像处理软件ENVI 5.1对采集后的图像进行背景分离，避免背景数据的干扰。提取均匀附着污秽区域内所有像素点对应的光谱曲线数据，如图 3(a)所示，并进行均值处理。其中，x, y, λ分别为长、宽、波长。由于分类模型需要大量数据进行训练，采用ENVI软件对8个人工污秽样本进行感兴趣区域划分，每个人工污秽样本划分为16个感兴趣区域，共得到128个光谱样本。高光谱成像仪采集的高光谱数据共包含256个波段, 去除信噪比过低波段，仅研究446.9~862.9 nm波长范围内的数据，样本光谱曲线见图 3(b)。
|
图 3 光谱三维矩阵及曲线示意 Fig. 3 Schematic diagram of spectral three dimensional matrix and curve |
采用黑帧和标准白板对原始光谱曲线进行光源校正，将高光谱图像像元亮度值标准化为0~1间的反射率。处理后的128条样本光谱曲线见图 4(a)。对数变换会增大可见光波段光谱差异[18-19]，有利于不同污秽等级的识别，但也会放大采集数据中的大量高频噪声，对后续处理的准确度产生影响。因此，先对黑白校正后的光谱曲线进行Savitzky-Golay (SG)平滑处理，滤除无关噪声，再采用对数变换增强不同污秽等级的光谱曲线差异，如图 4(b)、图 4(c)所示。
|
图 4 预处理结果 Fig. 4 Preprocessing results |
由图 4可知，通过对数变换处理后，数据的平滑性和差异性均得到了有效提升，一定程度上提高了不同污秽等级间的分散性，有利于后期分类建模。
3 基于小波包能量谱的污秽等级特征提取 3.1 小波包能量谱特征提取原理由于小波变换对数据信号具有精细的分解能力，目前已广泛运用到提取各种故障诊断的复杂特征中[18-19]。而小波包则为小波空间的进一步变换，将数据映射为能量形式，通过“二分”的方式不断细化，能较好地利用高频部分信息。小波包的分解示意见图 5，S为原始信号，经过3层小波包分解得到8个频带信号，即AAA3, DAA3, ADA3, DDA3, AAD3, DAD3, ADD3, DDD3。提取光谱数据特征的具体流程见图 6。
|
图 5 小波包分解示意 Fig. 5 Schematic diagram of wavelet packet decomposition |
|
图 6 小波包能量谱特征提取流程 Fig. 6 Wavelet packet energy spectrum feature extraction process |
通过能量parseval公式[22]对原始数据f(x)每层频带能量Ei, j(t)的重构函数fi, j(t)对应的节点幅值d(j, k)进行计算：
| $ E_{i, j}(t)=\int\left|f_{i, j}(t)^{2}\right| \mathrm{d} x=\sum\limits_{i=1}^{m}|d(j, k)|^{2} $ | (1) |
式中：i为小波包的分解层数；j为小波包进行i层分解后的频带序号，即每层对应节点数；m为采样点总数；k为采样点序号；t为原始信号分解后的分量编号。
3.2 特征提取对去噪后的光谱数据进行小波包能量谱特征提取，可以增强对于不同污秽等级的特征表达能力。小波包变换既对低频部分，同时也对高频部分进行分解。
光谱信号的分解过程中, 分解层数有一个时效和信号清晰度的最佳值。图 7为一条光谱曲线小波包分解结果，选择3阶Daubchies小波(Db3)为母小波, 进行3层小波包分解污秽光谱信息。选取分解层数为3层, 则第3层共有8个小波包系数，即可获得8个小波包重构信号，得到8个节点的频谱, 如图 7所示。根据目标信号的特征参数自适应选择最佳分辨率，多次划分频带，提高对信号的分析能力。
|
图 7 3层小波包分解系数 Fig. 7 Three-layer wavelet packet decomposition coefficient |
经小波包分解后各个频带代表的频率范围如表 1所示，单个小波包系数所覆盖的频带宽度为32 Hz，信号能量绝大部分都集中在低频段。8个频带都保留了对污秽等级分类的重要特征信息。
|
表 1 小波包分解后各节点频率范围 Table 1 The frequency range of each node after wavelet packet decomposition |
根据分解结果生成小波包频带能量谱，将保留了污秽等级信息的8个(d30-d37)小波分解系数作为污秽分级特征，分别得到光谱信号能量分布，根据不同污秽等级的能量分布变化区分污秽等级，见图 8。绝缘子4种不同污秽等级的能量谱主要集中在前4个分量处，随着污秽等级的提高，能量谱幅值逐渐降低，分布存在一定规则性，因此可将其用于表征不同的污秽等级。从图 8的整体趋势来看，利用小波包能量谱对其进行特征提取，基本可以去掉冗余信息，保留不同污秽等级的光谱特征信息。
|
图 8 4种污秽等级下的小波包能量谱特征 Fig. 8 Wavelet packet energy spectrum features at four pollution levels |
针对污秽样本小、光谱数据维数高、关联非线性的特征，利用支持向量机(support vector machine，SVM)方法对绝缘子污秽等级识别进行研究。
SVM作为一种常用的广义线性分类器，训练时间短、复杂度低，主要用于数据的分类或回归问题。因此，文中选用SVM建立污秽等级分类模型。污秽等级分类为多值分类问题，文中污秽等级分为4个等级，即Ⅰ、Ⅱ、Ⅲ、Ⅳ。图 9为建立的4个等级的样本分类结构，对输入数据进行投票，得票多的等级作为样本等级输出。
|
图 9 SVM分类结构 Fig. 9 SVM classification structure |
基于小波包能量谱特征的绝缘子污秽等级级识别的整体流程见图 10，具体流程如下。
|
图 10 污秽等级预测模型的建立流程 Fig. 10 The establishment process of pollution level prediction model |
步骤1：数据预处理。采集不同污秽等级下绝缘片样本的高光谱图像，并对各样本进行平滑去噪预处理，构建原始样本集X。
步骤2：将预处理后的数据按照7 ∶3的比例分为训练集(Xi, Yi) 与测试集(Xi, Yi)。然后通过小波包能量谱方法提取各样本的能量谱数据，分别获得用于SVM训练与测试的特征数据样本集(Xbi, Yi) 和(Xbi, Yi)。Xi为预处理后的高光谱数据；Yi为高光谱数据对应的腐蚀等级标签；Xbi为特征波段数据。
步骤3：将步骤2中的训练集(Xbi, Yi) 输入进SVM进行训练，并保存训练好的模型参数。
步骤4：将测试集(Xbi, Yi) 输入至训练好的SVM，得到各测试样本的分类结果，并将其与真实标签对比，计算最终识别的准确率。
4 模型有效性验证与分析 4.1 小波包能量谱特征提取效果验证原始光谱曲线经小波包能量谱特征提取之后能在一定程度上提高数据对不同污秽等级的表征程度。为对小波包能量谱特征提取效果进行观察, 现将常用的主成分分析(principal component analysis，PCA)特征提取进行三维特征可视化分析，可视化结果见图 11。
|
图 11 特征提取可视化结果 Fig. 11 Feature extraction visualization results |
从图 11分析可知，PCA特征使得污秽等级Ⅰ与污秽等级Ⅱ存在较大的交叉，交叉率为30%；污秽等级Ⅲ与污秽等级Ⅳ依旧存在部分样本交叉，交叉率为20%，这必将影响最终的识别准确率。而小波包能量谱数据中4种污秽等级之间的交叉程度明显低于PCA数据，污秽等级Ⅰ与污秽等级Ⅱ交叉率为0；污秽等级Ⅲ与污秽等级Ⅳ交叉率为5%，这说明该方法更加合理。基于小波包能量谱的特征提取能极大增强对于不同污秽等级的表征程度，实现对识别模型的优化。
4.2 污秽等级识别模型效果验证分类算法采用SVM作为最终污秽等级识别分类器，其识别结果见图 12，此次测试集识别准确率为100%。
|
图 12 模型识别结果 Fig. 12 Model identification results |
为验证采用SVM方法的有效性，将其与常用的前馈(back propagation，BP)神经网络算法、极限学习机(extreme learning machine，ELM)分类器进行对比，各方法参数根据算法常用参数进行多次调整试验得到最优设置：SVM选用高斯核，惩罚参数为1，核参数为0.5；BP神经网络隐层神经元为100，激活函数采用sigmoid；ELM隐层神经元为100，激活函数采用sigmoid。各方法均运行10次，每次随机划分训练集与测试集，取10次诊断准确率的平均值，如表 2所示。
|
|
表 2 各方法下的平均诊断准确率 Table 2 The average diagnostic accuracy of each method |
分析表 2可以发现，不同特征与不同的分类器均会对结果产生影响。在相同分类器的前提下，相较于原始数据，以PCA、小波包能量谱为特征输入的识别效果要更好，这主要是因为特征提取能提高数据对不同污秽等级的表征程度；在相同特征输入的前提下，SVM的分类效果优于BP神经网络、ELM分类器，这主要是因为BP神经网络会陷入局部最优解，而ELM每次均采用随机权重，泛化能力较差。小波包能量谱结合SVM的准确率最高，因此体现了基于小波包能量谱特征提取对于识别模型的优化作用。此项结果验证了文中方法在绝缘子污秽等级识别上的有效性。而对于自然污秽情况，文中方法同样适用，采用自然污秽数据重新训练，所得模型即可运用于自然污秽情况。
5 结论输电线路绝缘子污闪一直是电网安全稳定运行亟待解决的关键问题。基于高光谱技术，采用小波包能量谱结合SVM实现污秽等级识别，能够为绝缘子污秽等级检测提供新思路，并得出以下结论：
(1) 用小波包能量谱特征分析实现了光谱数据的降维并提取出小波包能量谱特征量，从能量谱分布图可以看出，不同污秽等级的光谱能量分布发生改变。
(2) 合理的特征提取能有效增强数据对不同污秽等级的表征程度。相对于原始数据与PCA特征数据，小波包能量谱特征数据不同污秽等级样本间的交叉程度最小。
(3) 选取SVM作为模型分类器，基于小波包能量谱特征优化的污秽等级高光谱识别模型能够有效实现对绝缘子污秽等级的准确识别，其准确率可达99.8%。
| [1] |
徐森, 仵超, 李少华, 等. 雾霾期间绝缘子的积污特性研究[J]. 中国电机工程学报, 2017, 37(7): 2142-2151. XU Sen, WU Chao, LI Shaohua, et al. Research on pollution accumulation characteristics of insulators during fog-haze days[J]. Proceedings of the CSEE, 2017, 37(7): 2142-2151. (  0) |
| [2] |
姚磊. 北京地区输电线路绝缘子污秽监测分析与防污措施建议[J]. 电气技术与经济, 2019(3): 38-40. YAO Lei. Pollution monitoring analysis of transmission line insulators in Beijing and suggestions on anti pollution measures[J]. Electrical Equipment and Economy, 2019(3): 38-40. DOI:10.3969/j.issn.1673-8845.2019.03.013 ( 0) |
| [3] |
刘阳, 徐硕, 李铁军. 架空输电线路运行的影响因素与运维策略[J]. 电气时代, 2018(12): 49-50. LIU Yang, XU Shuo, LI Tiejun. Influence factors and operation and maintenance strategy of overhead transmission line operation[J]. Electric Age, 2018(12): 49-50. ( 0) |
| [4] |
邵仕超, 毕晓甜, 李明哲, 等. 特殊工业粉尘地区复合绝缘子自然积污特性研究[J]. 电力工程技术, 2021, 40(1): 138-141, 154. SHAO Shichao, BI Xiaotian, LI Mingzhe, et al. Natural fouling characteristics of composite insulators in special industrial dust areas[J]. Electric Power Engineering Technology, 2021, 40(1): 138-141, 154. ( 0) |
| [5] |
蒋子丹, 蒋兴良, 蒋晏如, 等. 湖南地区输电线路悬式绝缘子自然积污规律[J]. 中南大学学报(自然科学版), 2018, 49(7): 1683-1690. JIANG Zidan, JIANG Xingliang, JIANG Yanru, et al. Natural contamination characteristics of suspension insulator in Hunan province[J]. Journal of Central South University (Science and Technology), 2018, 49(7): 1683-1690. ( 0) |
| [6] |
王林, 王洪光, 景凤仁, 等. 一种悬垂绝缘子带电清扫机器人机构设计[J]. 机械设计与制造, 2019(1): 232-235. WANG Lin, WANG Hongguang, JING Fengren, et al. Mechanism design of a live-line cleaning robot for suspension insulator strings[J]. Machinery Design & Manufacture, 2019(1): 232-235. DOI:10.3969/j.issn.1001-3997.2019.01.060 ( 0) |
| [7] |
张慧莹. 输电线路绝缘子识别与故障状态检测技术研究[D]. 西安: 西安工程大学, 2018. ZHANG Huiying. Research on insulator identification and fault state detection technology of transmission line[D]. Xi′an: Xi′an Polytechnic University, 2018. ( 0) |
| [8] |
芦山, 王希林, 刘星廷, 等. 基于激光诱导击穿光谱的绝缘子污秽自由定标定量分析[J]. 智慧电力, 2021, 49(10): 90-96. LU Shan, WANG Xilin, LIU Xingting, et al. Calibration-free quantitative analysis of insulator pollution via laser-induced breakdown spectroscopy[J]. Smart Power, 2021, 49(10): 90-96. DOI:10.3969/j.issn.1673-7598.2021.10.014 ( 0) |
| [9] |
张若兵, 董广奇, 刘辉, 等. 特殊污秽环境下±660 kV直流线路铵盐积污特性[J]. 高电压技术, 2019, 45(2): 463-469. ZHANG Ruobing, DONG Guangqi, LIU Hui, et al. Ammonium contamination deposited characteristics of ±660 kV DC transmission lines in special pollution environment[J]. High Voltage Engineering, 2019, 45(2): 463-469. ( 0) |
| [10] |
蒋兴良, 刘又超, 刘要峰, 等. 可溶物对绝缘子有效污秽度的影响[J]. 高电压技术, 2018, 44(5): 1483-1489. JIANG Xingliang, LIU Youchao, LIU Yaofeng, et al. Effect of soluble contaminants on the effective pollution degree of insulators[J]. High Voltage Engineering, 2018, 44(5): 1483-1489. ( 0) |
| [11] |
王胜辉, 牛雷雷, 李浩, 等. 基于放电紫外成像特征的污秽线路盘形绝缘子绝缘状态评估[J]. 高压电器, 2019, 55(2): 201-207. WANG Shenghui, NIU Leilei, LI Hao, et al. Insulation condition evaluation of contaminated disc insulator for transmission lines based on the characteristic of discharge UV imaging characteristics[J]. High Voltage Apparatus, 2019, 55(2): 201-207. ( 0) |
| [12] |
姜洪亮. 红外精确测温在检测开关设备污秽中的应用[J]. 江西电力, 2015, 39(1): 70-71. JIANG Hongliang. Application of infrared accurate temperature measurement in detecting contamination of switchgear[J]. Jiangxi Electric Power, 2015, 39(1): 70-71. ( 0) |
| [13] |
裴少通. 基于红外紫外成像检测技术的绝缘子运行状态分析与评估[D]. 北京: 华北电力大学, 2019. PEI Shaotong. Analysis and evaluation of insulator operation status based on infrared and ultraviolet imaging detection technology[D]. Beijing: North China Electric Power University, 2019. ( 0) |
| [14] |
黄习飞. 红外图像在架空线路故障检测中的应用研究[D]. 淮南: 安徽理工大学, 2018. HUANG Xifei. Application of infrared image in fault detection of overhead lines[D]. Huainan: Anhui University of Science & Technology, 2018. ( 0) |
| [15] |
戈灏, 张曼曼, 吴广宁, 等. 基于紫外脉冲法的陶瓷绝缘子污秽状态检测及评估方法[J]. 广东电力, 2018, 31(8): 91-97. GE Hao, ZHANG Manman, WU Guangning, et al. Detection and evaluation method for contamination of ceramic insulator based on UV pulse method[J]. Guangdong Electric Power, 2018, 31(8): 91-97. ( 0) |
| [16] |
余海, 姜吉顺, 史晓航, 等. 基于红外测温的复合绝缘子老化程度量化评估方法[J/OL]. 电测与仪表: 1-6[2022-01-27]. http://kns.cnki.net/kcms/detail/23.1202.TH.20210114.1423.002.html. YU Hai, JIANG Jishun, SHI Xiaohang, et al. Quantitative evaluation method for aging of composite insulators based on infrared temperature measurement [J/OL]. Electrical Measurement & Instrumentation: 1-6[2022-01-27]. http://kns.cnki.net/kcms/detail/23.1202.TH.20210114.1423.002.html. ( 0) |
| [17] |
杨晓玉, 刘贵珊, 丁佳兴, 等. 灵武长枣VC含量的高光谱快速检测研究[J]. 光谱学与光谱分析, 2019, 39(1): 230-234. YANG Xiaoyu, LIU Guishan, DING Jiaxing, et al. A rapid evaluation of VC content on Lingwu long jujube using hyperspectral technique[J]. Spectroscopy and Spectral Analysis, 2019, 39(1): 230-234. ( 0) |
| [18] |
邱彦, 张血琴, 郭裕钧, 等. 基于高光谱技术的绝缘子污秽等级检测方法[J]. 高电压技术, 2019, 45(11): 3587-3594. QIU Yan, ZHANG Xueqin, GUO Yujun, et al. Detection method of insulator contamination grades based on hyperspectral technique[J]. High Voltage Engineering, 2019, 45(11): 3587-3594. ( 0) |
| [19] |
张晓青. 基于高光谱技术的绝缘子表面附灰密度检测方法研究[D]. 成都: 西南交通大学, 2019. ZHANG Xiaoqing. Research on the detection method of NSDD on insulator surface based on hyperspectral technology[D]. Chengdu: Southwest Jiaotong University, 2019. ( 0) |
| [20] |
刘志刚. 支撑向量机在光谱遥感影像分类中的若干问题研究[D]. 武汉: 武汉大学, 2004. LIU Zhigang. Key problems of applying support vector machines to the classification of spectral remote sensing imagery[D]. Wuhan: Wuhan University, 2004. ( 0) |
| [21] |
张汉奎, 黄波, 俞乐. SVM-RFE高光谱数据波段选择中核函数的研究[J]. 遥感技术与应用, 2013, 28(5): 747-752. ZHANG Hankui, HUANG Bo, YU Le. Kernel function in SVM-RFE based hperspectral data band selection[J]. Remote Sensing Technology and Application, 2013, 28(5): 747-752. ( 0) |
| [22] |
杨哲海, 李之歆, 韩建峰, 等. 高光谱中的Hughes现象与低通滤波器的运用[J]. 测绘学院学报, 2004, 21(4): 253-255, 258. YANG Zhehai, LI Zhixin, HAN Jianfeng, et al. The Hughes phenomenon in hyperspectral analysis and the application of the lowpass filter[J]. Journal of Institute of Surveying and Mapping, 2004, 21(4): 253-255, 258. DOI:10.3969/j.issn.1673-6338.2004.04.006 ( 0) |
| [23] |
第五鹏瑶, 卞希慧, 王姿方, 等. 光谱预处理方法选择研究[J]. 光谱学与光谱分析, 2019, 39(9): 2800-2806. DIWU Pengyao, BIAN Xihui, WANG Zifang, et al. Study on the selection of spectral preprocessing methods[J]. Spectroscopy and Spectral Analysis, 2019, 39(9): 2800-2806. ( 0) |
| [24] |
郭伟超, 赵怀山, 李成, 等. 基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法[J]. 兵工学报, 2019, 40(11): 2370-2377. GUO Weichao, ZHAO Huaishan, LI Cheng, et al. Fault feature enhancement method for rolling bearing fault diagnosis based on wavelet packet energy spectrum and principal component analysis[J]. Acta ArmamentarⅡ, 2019, 40(11): 2370-2377. DOI:10.3969/j.issn.1000-1093.2019.11.022 ( 0) |
| [25] |
房立清, 吕岩, 张建伟, 等. 小波包能量谱和RVM在自动机故障诊断中的应用[J]. 机械设计与制造, 2018(10): 74-77. FANG Liqing, LYU Yan, ZHANG Jianwei, et al. Application of wavelet packet energy spectrum and RVM in automaton fault diagnosis[J]. Machinery Design & Manufacture, 2018(10): 74-77. ( 0) |
, , , , ,
2. School of Electrical Engineering, Southwest Jiaotong University, Chengdu 611756, China