prikaz prve stranice dokumenta Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora
  Preuzmi
PDF 94.41 MB
disertacija
Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:030964
Sečić, Adnan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Sečić, A. (2024). Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:030964

Sečić, Adnan. "Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:030964

Sečić, Adnan. "Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:030964

Sečić, A. (2024). 'Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 09.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:030964

Sečić A. Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 09.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:030964

A. Sečić, "Metoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:030964

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:030964
Podaci o radu
NaslovMetoda ekstrakcije audiosignala u dijagnostici rada regulacijske sklopke transformatora
Naslov (engleski)Audio signal extraction method in transformer on-load tap changer diagnostics
AutorAdnan Sečić
MBZ: 40459
MentorIgor Kuzle (mentor)
Član povjerenstvaJuraj Havelka (predsjednik povjerenstva)
Član povjerenstvaKristian Jambrošić (član povjerenstva)
Član povjerenstvaŽarko Janić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Univerzalna decimalna klasifikacija
(UDC)		004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka
Sažetak
U radu se razmatra problematika dijagnostike regulacijske sklopke transformatora na osnovu audio zapisa. Ovaj pristup dijagnostici donosi nekoliko izazova: automatska segmentacija audio zapisa, odvajanje korisnog zvuka od pozadinske buke i ekstrahiranje dijagnostički relevantnih informacija iz audio zapisa. Problematika automatske segmentacije rješava se primjenom konvolucijskih dubokih neuronskih mreža, čija je efikasnost ispitana na stvarnim audio zapisima zabilježenima tijekom rada regulacijske sklopke. Za rješavanje problematike razdvajanja signala također se koristi pristup zasnovan na dubokom učenju, gdje se duboka neuronska mreža uči da razdvoji signale na temelju ocjene vremensko-frekvencijske maske koja se primjenjuje na vremensko-frekvencijski spektar signala. Ispitivanje metodologije provedeno je na stvarnim signalima, primjenjujući tehniku razdvajanja na kontaminirane signale prije njihove segmentacije. Dodatno, u radu je razmatrana sposobnost razdvojenih signala da prenesu dijagnostički relevantne informacije. U svrhu potvrde učinkovitosti metode razdvajanja signala, provedena je ekstrakcija nekoliko odabranih značajki iz signala u vremenskoj domeni, koje su nakon toga upotrijebljene u postupku klasifikacije signala. Za klasifikaciju signala korišten je algoritam slučajne šume, koji se odlikuje svojom jednostavnošću i efikasnošću. Dobiveni rezultati pokazali su značajan potencijal, ukazujući na robusnost i učinkovitost primijenjene metodologije.
Sažetak (engleski)
This paper addresses the diagnostics of transformer on-load tap changers based on audio recordings. This diagnostic approach presents several challenges: automatic segmentation of audio recordings, separation of useful sound from background noise, and extraction of diagnostically relevant information from the audio data. The issue of automatic segmentation is tackled using convolutional deep neural networks, whose efficiency has been tested on real audio recordings captured during the operation of the tap changer. To solve the signal separation problem, a deep learning approach is also employed, where a deep neural network is trained to separate signals based on the estimation of a time-frequency mask applied to the time-frequency spectrum of the signals. The methodology was tested on real signals by applying the separation technique to contaminated signals before their segmentation. Additionally, the paper explores the ability of the separated signals to convey diagnostically relevant information. To validate the effectiveness of the signal separation method, several selected features were extracted from the time-domain signals and subsequently used in the signal classification process. A random forest algorithm, known for its simplicity and efficiency, was used for signal classification. The obtained results demonstrated significant potential, indicating the robustness and effectiveness of the applied methodology.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:030964
Datum promocije2024
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski znanstveni (doktorski)
Akademski / stručni naziv: Doktor znanosti (dr. sc.)
Vrsta resursaTekst
Opseg171 str.
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-08-29 11:31:10