CN103245524A - 基于神经网络的声学故障诊断方法 - Google Patents
基于神经网络的声学故障诊断方法 Download PDFInfo
- Publication number
- CN103245524A CN103245524A CN2013101963577A CN201310196357A CN103245524A CN 103245524 A CN103245524 A CN 103245524A CN 2013101963577 A CN2013101963577 A CN 2013101963577A CN 201310196357 A CN201310196357 A CN 201310196357A CN 103245524 A CN103245524 A CN 103245524A
- Authority
- CN
- China
- Prior art keywords
- neural network
- optimum
- training
- acoustic
- training algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000007423 decrease Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004904 shortening Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 60
- 238000011156 evaluation Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011309 routine diagnosis Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004613 tight binding model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
本发明提出了一种基于神经网络的声学故障诊断方法，该方法包括以下内容：(1)获取训练样本，对设备振动信号或目标区域中的声信号进行处理，提取特征参量，设定神经网络初始参数，对声学故障进行训练；(2)在设备表面布放振动传感器，在频域测量位移的幅度；或在目标区域布放传声器，在频域测量声压，预处理提取特征参量，使用相应配置的神经网络结构，获取一定的测试样本，对声学故障进行测试；(3)考虑训练样本识别正确率与测试样本识别正确率的均值，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数，使用优化后的神经网络参数配置，对设备进行声学故障检测。本方法提出了声学故障诊断特征参量提取技术和获得最优的BP神经网络配置的流程，直接定位声源激励大小和方式、声学负载、声学路径发生的变化，缩短维修周期，减少维护成本。
Description
一、技术领域
本发明提出一种基于神经网络的声学故障诊断方法，用于诊断声学故障，缩短设备的维修周期，减少维护成本。
二、背景技术
随着现代工业的飞速发展，机械设备故障诊断技术逐渐成熟。故障检测和诊断技术能够在故障初期时可以有效地预测，并且判断其形成的原因，提出对策解决现存的隐患，减少事故的发生。
1967年美国国家宇航局(NASA)创立了美国机械故障预防MFPG(Machinery FaultPrevention Group)，标志着诊断技术的开端。故障诊断的发展可以分为两个阶段，第一阶段是以传感器技术和动态测试技术为基础，以信号处理技术为手段的常规诊断技术发展阶段。第二阶段是以常规诊断技术为基础，以人工智能为核心的智能诊断技术发展阶段。其中基于人工智能的故障诊断方法可以分为：基于专家系统的方法、基于案例的诊断方法、基于人工神经网络的方法、基于模糊数学的方法、基于故障树的方法。
中国专利公开CN202063165U、CN202183018U、CN101872165A CN102621489A、CN101872165A等都是基于神经网络的机械故障诊断应用。其中，CN202063165U提出一种基于神经网络的地铁列车故障诊断装置，CN202183018U提出一种基于DSP的神经网络小卫星智能故障诊断装置，CN101872165A提出一种基于遗传神经网络的风电机组故障诊断方法，CN102621489A提出基于小波神经网络的船舶发电机故障智能诊断系统，CN101872165A提出一种基于遗传神经网络的风电机组故障诊断方法。
中国专利公开CN1344127A、CN102129029A、CN202402268U等都是通过声学检测的技术进行机械故障诊断的方法。其中，CN1344127A提出一种加速器噪声故障诊断方法，CN102129029A提出一种基于低频噪声测量的模拟电路故障诊断，CN202402268U提出基于声发射检测的水泵空化故障诊断装置。
现有与声学相关的故障诊断都是利用声学检测技术进行机械故障诊断的方法，有少数专利从噪声源的角度进行故障识别(如：中国专利公开CN1584433A涉及到空调器噪声源识别方法)，但还没有涉及声学故障的定义和系统的声学故障诊断的方法。声学故障诊断的定义为：由于声源激励大小和方式、声学负载、声学路径发生变化，引起了一个或几个声学性能参数不能保持住规定的界限之间，系统的观测值与由系统的行为模型所得的预测值之间存在着矛盾，使得声学系统丧失部分或者全部功能。
机械故障的目标在于判断设备是否处于正常状况，若出现异常，分析故障产生的原因、部位以及严重程度，并预测发展的趋势；而声学故障诊断的目标在于判断设备辐射噪声是否超出阈值范围，若出现异常，分析探究声源激励大小和方式、声学负载、声学路径发生的变化，判断其损伤程度。与机械故障相比，声学故障包含的内容更全面(机械故障只关注设备自身的工作状态，而声学故障不仅仅考虑设备的工作情况，同时还考虑声传播媒质的特性变化以及设备声负载产生的影响)；声学故障的目标更具体(机械故障关注设备的温度变化、振动状况、湿度变化等因素是否异常，而声学故障只专注于噪声的状况)。
声学故障诊断在军事工程、民用设备、交通运输、音乐厅设计、城市规划等有很广泛的应用前景。如：飞机火车汽车等交通工具、变压器等工业设施、空调等家电产品的主观感知和声学指标的客观测量，包括后续的故障分析和治理；特别地对潜艇、战斗机、坦克等国防设施的辐射噪声进行状态监测、维护以及作战部署。
针对上述声学故障的特点以及应用需求，因此需要在特定场合与机械故障区分开来，提出有效的诊断方法，以利于系统地分析声源激励大小和方式、声学负载、声学路径发生的变化。
三、发明内容
1、发明目的：本发明提出一种基于神经网络的声学故障诊断方法，用于诊断声学故障，缩短维修周期，减少维护成本。
2、技术方案：
基于神经网络的声学故障诊断方法，其特征在于它包括以下步骤：
(1)样本训练
样本产生方式：实验测试获得样本；基于Matlab数值计算生成虚拟样本；基于有限元或边界元生成虚拟样本。在频域获得某一点的振动信号或声学信号的频谱曲线，提取特征参量：对于振动信号，提取前10个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)及对应的频率，均值，以正常状况下振动信号频谱曲线为基准的幅度方差，生成样本；对于声学信号，提取前6个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60％频谱宽度的声强，声压曲线的均值，以正常状况下声信号频谱曲线为基准的幅度方差，生成样本。也可以使用时域方法(提取的特征参数如：均方根、方差、峰态、偏态等)；时域-频域方法(如：小波变换、HILBERT-Huang(HHT)变换等)；时域-频域-能量综合分析技术；其他技术(如：趋势波动分析法、重标极差分析技术等)，提取特征参量。
样本分类：大量的训练样本；一部分的测试样本(一般是训练样本数量的1/10左右)。需要考虑一定的测试样本，是因为在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率、测试样本识别正确率；但超过一定程度，会出现“过拟合”的现象，即随着训练能力的提高，预测能力反而降低，这是因为网络学习了过多的样本细节导致，已不能反映样本包含的规律，所以需要参考一定的测试样本，把握好学习的程度。
样本训练与测试：初始设定迭代次数为1500、学习率为0.1、目标为0.00001、隐含层节点数为30、BP神经网络训练算法为Levenberg_Marquardt训练算法，对上述样本进行训练和测试。
(2)网络参数优化
基于Matlab神经网络工具箱，通过比较不同的BP神经网络训练算法(Levenberg_Marquardt训练算法(相应的算法函数为：trainlm)，梯度下降训练算法(相应的算法函数为：traingd)，动量反转的梯度下降训练算法(相应的算法函数为：traingdm)，动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingda)，动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingdx))下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数。
(3)声学故障检测
以最优的神经网络参数配置，对设备进行声学故障检测。
3、有益效果：本发明与现有技术相比，其显著优点是在于：提出了声学故障诊断特征参量提取技术和获得最优的BP神经网络配置的流程。
四、附图说明
图1是单层圆柱壳模型。
图2是训练算法对基于振动信号的声学单故障诊断的影响。
图3是隐含层数对基于振动信号的声学单故障诊断的影响。
图4是隐含层节点数对基于振动信号的声学单故障诊断的影响。
图5是迭代次数对基于振动信号的声学单故障诊断的影响。
图6是训练算法对基于声学信号的声学多故障诊断的影响。
图7是隐含层数对基于声学信号的声学多故障诊断的影响。
图8是隐含层节点数对基于声学信号的声学多故障诊断的影响。
图9是迭代次数对基于声学信号的声学多故障诊断的影响。
五、具体实施方式
下面以有限长单层弹性圆柱薄壳为例，说明基于神经网络的系统的声学故障诊断方法。参数：半径为0.3m，长度为1m，壳体厚度为0.003m，杨氏模量为2.1×1011N/m2，密度为7800Kg/m3，泊松比为0.3，钢性材料。使用柱坐标系(如图1所示)，以圆柱壳底部中心为圆心，轴向方向为z轴，u、v和w分别表示轴向、周向和径向的位移，柱坐标系中圆柱壳上任意一点的坐标为
实施例1：设定正常状况为：在(0.3，0，0.5)m处受到幅值为1N的简谐力；4类单故障状态分别为：(1)激励幅度变化，激励力幅度取值为[0.5]∪[1.5∶0.5∶26](单位为N)，一共51个样本；(2)激励方式变化，激励力的幅度为1N，其位置在(0.3，0，0.5)m处，z方向偏移在[0.01]∪[0.99]∪[0.02∶0.02∶0.50)∪(0.50∶0.02∶0.98](单位为m)，一共50个样本；(3)质量块大小变化引起的声学路径故障，采用质量块处于(0.3，0，0.3)m处、质量块重量为[0.5]∪[1.5∶0.5∶5)∪(5∶0.5∶26](单位为kg)，一共50个样本；(4)质量块z方向偏移引起的声学路径故障，采用质量块重量为5kg、质量块沿z方向偏移位于[0.01]∪[0.99]∪[0.02∶0.02∶0.30)∪(0.30∶0.02∶0.98](单位为m)，一共50个样本。
步骤一、样本产生方法：基于Matlab数值计算的虚拟样本。
如图1所示，设定壳体在轴向两端处为简支边界，根据Donnell壳体运动方程，壳体表面位移按级数展开，得到关于位移幅度的线性方程组，
式(1)中
ω为激励的角频率，m为轴向阶数，n为周向阶数，km＝mπ/L，unm、vnm、wnm分别是第(n，m)阶模态在轴向、周向、径向的位移幅值，μ为泊松比，fz、
fr分别表示轴向、周向和径向的作用力。若壳体上一点
处附有质量块，圆柱壳受到质量块的反作用力为， 式中，
为圆柱壳受到质量块的反作用力，m0为质量块的质量，
为点(R，θ0，z0)处的加速度。
采用远场声压的近似Kirchhoff积分法进行声辐射估计，
式(2)中r为空间的观察点的位矢，rs为表面上的振动元的位矢，n为辐射面的外法线，θ是r-rs与表面外法线n之间的夹角，p(r)和v(rs)分别为远场的声压和辐射面的法向振动速度，G(r，rs)为满足声波方程的Green函数。
对于振动信号：数值计算柱坐标下点(0.3，0，0.25)m处位移的频谱曲线(201个)(1Hz的间隔)，提取特征参量：提取前10个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)及对应的频率，均值，以正常状况下振动信号频谱曲线为基准的幅度方差，生成201个样本。
对于声学信号：数值计算柱坐标下点(0.3，0，0.25)m处声压的频谱曲线(201个)(1Hz的间隔)，提取特征参量：提取前6个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60％频谱宽度的声强，声压曲线的均值，以正常状况下声信号频谱曲线为基准的幅度方差，生成201个样本。
步骤二、将步骤一中生成的201个样本，随机选取180个作为训练样本，其余的21个作为测试样本。基于Matlab神经网络工具箱，初始设定BP神经网络参数配置(迭代次数为1500、学习率为0.1、目标为0.00001、隐含层节点数为30、BP神经网络训练算法为Levenberg_Marquardt训练算法)，对声学故障进行训练和测试。
步骤三、基于Matlab神经网络工具箱，比较不同的BP神经网络训练算法(Levenberg_Marquardt训练算法(相应的算法函数为：trainlm)，梯度下降训练算法(相应的算法函数为：traingd)，动量反转的梯度下降训练算法(相应的算法函数为：traingdm)，动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingda)，动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingdx))下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法(振动信号：Levenberg_Marquardt训练算法；声学信号：Levenberg_Marquardt训练算法)；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数(振动信号：4；声学信号：5)；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数(振动信号：25；声学信号：10)；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数(振动信号：1500；声学信号：1300)。因此获得系统的最优配置：声学故障诊断的训练样本识别正确率达到(振动信号：0.9744；声学信号：0.9644)，测试样本识别正确率达到(振动信号：0.9667；声学信号：0.9667)，运行时间为(振动信号：62.9437s；声学信号：4.2652s)。以最优的神经网络参数配置(振动信号(如图2-5所示)或声学信号)，对设备的声学故障进行检测。
需要考虑一定的测试样本，是因为在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率、测试样本识别正确率；但超过一定程度，会出现“过拟合”的现象，即随着训练能力的提高，预测能力反而降低，这是因为网络学习了过多的样本细节导致，已不能反映样本包含的规律，所以需要参考一定的测试样本，把握好学习的程度。
实施例2：设定正常状况为：在(0.3，0，0.5)处(柱坐标)受到幅值为1N的简谐力；六类多故障状态分别为：(1)激励幅度变化且激励方式变化(同时发生单故障1和单故障2的多故障)，采用幅值为0.5N、激励力沿z方向偏移在[0.02∶0.02∶0.0.40](单位为m)，幅值为1.5N、激励力沿z方向偏移在[0.02∶0.02∶0.0.40](单位为m)，幅值为2N、激励力沿z方向偏移在[0.02∶0.02∶0.66)∪(0.66∶0.02∶0.0.40](单位为m)，一共59个样本；(2)激励幅度变化且质量块大小变化(同时发生单故障1和单故障3的多故障)，采用幅值为{0.5，2，3，4，5}(单位为N)、质量块重量为[7∶1∶18](单位为kg)，一共60个样本；(3)激励幅度变化且质量块z方向偏移(同时发生单故障1和单故障4的多故障)，采用幅值为6N、质量块沿z方向偏移在[0.02∶0.02∶0.24]∪[0.38∶0.02∶0.42](单位为m)，幅值为7N、质量块沿z方向偏移在[0.02∶0.02∶0.24]∪[0.38∶0.02∶0.42](单位为m)，幅值为8N、质量块沿z方向偏移在[0.02∶0.02∶0.08)∪(0.08∶0.02∶0.24]∪[0.38∶0.02∶0.42](单位为m)，幅值为9N、质量块沿z方向偏移在[0.02∶0.02∶0.24]∪[0.38∶0.02∶0.42](单位为m)，一共59个样本；(4)激励方式变化且质量块大小变化(同时发生单故障2和单故障3的多故障)，采用激励力沿z方向偏移在[0.02∶0.04∶0.38](单位为m)、质量块重量为[7∶1∶12](单位为kg)，一共60个样本；(5)激励方式变化且质量块z方向偏移(同时发生单故障2和单故障4的多故障)，采用激励力沿z方向偏移在[0.02∶0.06∶0.32](单位为m)、质量块沿z方向偏移在[0.02∶0.04∶0.26]∪[0.38∶0.04∶0.46](单位为m)，一共60个样本；(6)质量块大小变化且质量块z方向偏移(同时发生单故障3和单故障4的多故障)，采用质量块重量为{1，2，3，4，6，7，8}(单位为kg)、质量块沿z方向偏移在[0.01]∪[0.04∶0.04∶0.24]∪[0.36∶0.04∶0.40](单位为m)，一共63个样本。
步骤一、样本产生方法：基于Matlab数值计算的虚拟样本。数值模型与实施例1一致。
对于振动信号：数值计算柱坐标下点(0.3，0，0.25)m处位移的频谱曲线(361个)(1Hz的间隔)，提取特征参量：提取前10个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)及对应的频率，均值，以正常状况下位移频谱曲线为基准的幅度方差，生成361个样本。
对于声学信号：数值计算柱坐标下点(0.3，0，0.25)m处声压的频谱曲线(361个)(1Hz的间隔)，提取特征参量：提取前6个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60％频谱宽度的声强，声压曲线的均值，以正常状况下声压信号频谱曲线为基准的幅度方差，生成361个样本。
步骤二、将步骤一中生成的361个样本，随机选取325个作为训练样本，其余的36个作为测试样本。基于Matlab神经网络工具箱，初始设定BP神经网络参数配置，对声学故障进行训练和测试。
步骤三、基于Matlab神经网络工具箱，比较不同的BP神经网络训练算法(Levenberg_Marquardt训练算法(相应的算法函数为：trainlm)，梯度下降训练算法(相应的算法函数为：traingd)，动量反转的梯度下降训练算法(相应的算法函数为：traingdm)，动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingda)，动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingdx))下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法(振动信号：Levenberg_Marquardt训练算法；声学信号：Levenberg_Marquardt训练算法)；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数(振动信号：2；声学信号：3)；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数(振动信号：35；声学信号：30)；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数(振动信号：1500；声学信号：900)。因此获得系统的最优配置：声学故障诊断的训练样本识别正确率达到(振动信号：0.9914；声学信号：0.9708)，测试样本识别正确率达到(振动信号：0.9861；声学信号：0.9361)，运行时间为(振动信号：72.5867s；声学信号：113.3384s)。以最优的神经网络参数配置(振动信号或声学信号(如图6-9所示))，对设备的声学故障进行检测。
需要考虑一定的测试样本，是因为在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率、测试样本识别正确率；但超过一定程度，会出现“过拟合”的现象，即随着训练能力的提高，预测能力反而降低，这是因为网络学习了过多的样本细节导致，已不能反映样本包含的规律，所以需要参考一定的测试样本，把握好学习的程度。
Claims (3)
1.基于神经网络的声学故障诊断方法，其特征在于它包括以下步骤：
(1)获取训练样本，对设备振动信号或目标区域中的声信号进行处理，提取特征参量，设定神经网络初始参数，对声学故障进行训练；
(2)在设备表面布放振动传感器，在频域测量位移的幅度；或在目标区域布放传声器，在频域测量声压，预处理提取特征参量，使用相应配置的神经网络结构，获取一定的测试样本，对声学故障进行测试；
(3)考虑训练样本识别正确率与测试样本识别正确率的均值，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数。使用优化后的神经网络参数配置，对设备进行声学故障检测。
2.如权利要求1所述的特征参量提取技术，对于振动信号，其特征在于在频域范围以1Hz的间隔获取振动信号的频谱，提取前10个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)及对应的频率、振动信号幅度的均值、以正常状况下振动信号频谱曲线为基准的幅度方差；对于声信号，其特征在于在频域范围以1Hz的间隔获取声压信号的频谱，提取前6个峰值(峰值定义为：±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60％频谱宽度的声强，声压曲线的均值，以正常状况下声信号频谱曲线为基准的幅度方差，也可以使用时域方法，时域-频域方法，时域-频域-能量综合分析技术提取特征参量。
3.如权利要求1所述方法中神经网络结构的优化方法，初始设定迭代次数为1500、学习率为0.1、目标为0.00001、隐含层节点数为30、BP神经网络训练算法为Levenberg_Marquardt训练算法。基于Matlab神经网络工具箱，比较不同的BP神经网络练算法(Levenberg_Marquardt训练算法(相应的算法函数为：trainlm)，梯度下降训练算法(相应的算法函数为：traingd)，动量反转的梯度下降训练算法(相应的算法函数为：traingdm)，动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingda)，动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为：traingdx))下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数。以最优的神经网络参数配置，对设备进行声学故障检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101963577A CN103245524A (zh) | 2013-05-24 | 2013-05-24 | 基于神经网络的声学故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101963577A CN103245524A (zh) | 2013-05-24 | 2013-05-24 | 基于神经网络的声学故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103245524A true CN103245524A (zh) | 2013-08-14 |
Family
ID=48925189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013101963577A Pending CN103245524A (zh) | 2013-05-24 | 2013-05-24 | 基于神经网络的声学故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103245524A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
| CN105424395A (zh) * | 2015-12-15 | 2016-03-23 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
| CN105740562A (zh) * | 2016-02-04 | 2016-07-06 | 华北电力科学研究院有限责任公司 | 发电机空载特性曲线确定方法 |
| CN106714067A (zh) * | 2015-11-17 | 2017-05-24 | 研祥智能科技股份有限公司 | 一种生产线上的自动化检测方法及装置 |
| CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
| CN107680082A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 |
| CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
| CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
| CN108254066A (zh) * | 2018-01-03 | 2018-07-06 | 上海工程技术大学 | 基于神经网络的汽车三维动态噪音检测识别系统及方法 |
| CN108899048A (zh) * | 2018-05-10 | 2018-11-27 | 广东省智能制造研究所 | 一种基于信号时频分解的声音数据分类方法 |
| CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
| CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
| CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
| CN110658006A (zh) * | 2018-06-29 | 2020-01-07 | 杭州萤石软件有限公司 | 一种扫地机器人故障诊断方法和扫地机器人 |
| CN110826583A (zh) * | 2018-08-14 | 2020-02-21 | 珠海格力电器股份有限公司 | 故障的确定方法、装置、存储介质及电子装置 |
| CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
| CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及系统 |
| CN113033601A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电系统故障在线监测声学处理方法 |
| US11619913B2 (en) | 2018-08-14 | 2023-04-04 | Invoxia | Computer-implemented method and system for diagnosing mechanical default of a mechanical watch, and mechanical watch for implementing said method |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05157662A (ja) * | 1991-12-04 | 1993-06-25 | Sumitomo Heavy Ind Ltd | 射出成形機の故障診断方法及び故障診断装置 |
| CN1111778A (zh) * | 1994-04-07 | 1995-11-15 | 西屋电气公司 | 响应学得的声音特征的诊断系统 |
| JPH08320251A (ja) * | 1995-05-25 | 1996-12-03 | Fuji Facom Corp | 設備における音響および振動の診断方法 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| CN102693724A (zh) * | 2011-03-22 | 2012-09-26 | 张燕 | 一种基于神经网络的高斯混合模型的噪声分类方法 |
| CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
-
2013
- 2013-05-24 CN CN2013101963577A patent/CN103245524A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05157662A (ja) * | 1991-12-04 | 1993-06-25 | Sumitomo Heavy Ind Ltd | 射出成形機の故障診断方法及び故障診断装置 |
| CN1111778A (zh) * | 1994-04-07 | 1995-11-15 | 西屋电气公司 | 响应学得的声音特征的诊断系统 |
| JPH08320251A (ja) * | 1995-05-25 | 1996-12-03 | Fuji Facom Corp | 設備における音響および振動の診断方法 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| CN102693724A (zh) * | 2011-03-22 | 2012-09-26 | 张燕 | 一种基于神经网络的高斯混合模型的噪声分类方法 |
| CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丛超楠等: "声学故障诊断仿真平台研究", 《噪声与振动控制》 * |
| 于江林等: "滚动轴承非接触式声学故障诊断方法研究及应用", 《声学技术》 * |
| 于福焰等: "基于神经网络的车辆轴承故障诊断技术", 《铁道车辆》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822793B (zh) * | 2014-01-20 | 2016-05-11 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
| CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
| CN106714067A (zh) * | 2015-11-17 | 2017-05-24 | 研祥智能科技股份有限公司 | 一种生产线上的自动化检测方法及装置 |
| CN106714067B (zh) * | 2015-11-17 | 2020-12-15 | 研祥智能科技股份有限公司 | 一种生产线上的自动化检测方法及装置 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
| CN105550636B (zh) * | 2015-12-04 | 2019-03-01 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
| CN105424395B (zh) * | 2015-12-15 | 2018-05-18 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
| CN105424395A (zh) * | 2015-12-15 | 2016-03-23 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
| CN105740562A (zh) * | 2016-02-04 | 2016-07-06 | 华北电力科学研究院有限责任公司 | 发电机空载特性曲线确定方法 |
| CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
| CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
| CN107014339B (zh) * | 2017-04-26 | 2019-11-22 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
| CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
| CN107680082A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 |
| CN108254066A (zh) * | 2018-01-03 | 2018-07-06 | 上海工程技术大学 | 基于神经网络的汽车三维动态噪音检测识别系统及方法 |
| CN108899048A (zh) * | 2018-05-10 | 2018-11-27 | 广东省智能制造研究所 | 一种基于信号时频分解的声音数据分类方法 |
| CN110658006A (zh) * | 2018-06-29 | 2020-01-07 | 杭州萤石软件有限公司 | 一种扫地机器人故障诊断方法和扫地机器人 |
| CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
| CN110826583A (zh) * | 2018-08-14 | 2020-02-21 | 珠海格力电器股份有限公司 | 故障的确定方法、装置、存储介质及电子装置 |
| US11619913B2 (en) | 2018-08-14 | 2023-04-04 | Invoxia | Computer-implemented method and system for diagnosing mechanical default of a mechanical watch, and mechanical watch for implementing said method |
| CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
| CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
| CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
| CN112666430A (zh) * | 2020-12-07 | 2021-04-16 | 北京博研中能科技有限公司 | 变压器声纹智能故障检测方法及系统 |
| CN113033601A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113033601B (zh) * | 2021-02-02 | 2023-11-10 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电系统故障在线监测声学处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103245524A (zh) | 基于神经网络的声学故障诊断方法 | |
| CN109357822B (zh) | 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法 | |
| Bocca et al. | Structural health monitoring in wireless sensor networks by the embedded Goertzel algorithm | |
| Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
| CN103868692A (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
| CN103822793A (zh) | 一种复杂设备声学故障识别定位方法 | |
| KR101891175B1 (ko) | 동특성 변화를 이용한 건물 구조물의 안전도 평가방법 및 시스템 | |
| CN102175449B (zh) | 基于风力机应变能响应的叶片故障诊断方法 | |
| CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
| Jami et al. | Impeller fault detection under variable flow conditions based on three feature extraction methods and artificial neural networks | |
| Sánchez et al. | Wind Turbines Acoustic Inspections performed with UAV and sound frequency domain analysis | |
| Fritzen et al. | Vibration-based damage detection under changing environmental and operational conditions | |
| CN104568132A (zh) | 一种基于参考信号约束的机械特征声信号频域半盲提取方法 | |
| Jeon et al. | Statistical approach to diagnostic rules for various malfunctions of journal bearing system using fisher discriminant analysis | |
| Ratnam et al. | A comparative experimental study on fault diagnosis of rolling element bearing using acoustic emission and soft computing techniques | |
| Bi et al. | Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine | |
| Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
| Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network | |
| Bhavaraju et al. | A comparative study on bearings faults classification by artificial neural networks and self-organizing maps using wavelets | |
| Zhao et al. | Damage detection of wind turbine blade based on wavelet analysis | |
| Qin et al. | Application of sensitive dimensionless parameters and PSO–SVM for fault classification in rotating machinery | |
| CN104875735A (zh) | Ato控制的高速列车制动系统间歇故障检测方法及系统 | |
| Lu et al. | Wind turbine gearbox fault detection using multiple sensors with feature level data fusion | |
| KR20150104459A (ko) | 기계 구조물의 결함 진단 시스템 및 그 방법 | |
| Mita et al. | Active detection of loosened bolts using ultrasonic waves and support vector machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130814 |