CN110617982A - 一种基于声纹信号的旋转机械设备故障识别方法 - Google Patents
一种基于声纹信号的旋转机械设备故障识别方法 Download PDFInfo
- Publication number
- CN110617982A CN110617982A CN201910885692.5A CN201910885692A CN110617982A CN 110617982 A CN110617982 A CN 110617982A CN 201910885692 A CN201910885692 A CN 201910885692A CN 110617982 A CN110617982 A CN 110617982A
- Authority
- CN
- China
- Prior art keywords
- mechanical equipment
- signal
- voiceprint
- frequency spectrum
- fault
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种基于声纹信号的旋转机械设备故障识别方法,包括以下步骤:建立屏谱数据库;通过音频采集组件对旋转机械设备的声纹信号进行采集;通过音频转换组件将声纹信号对应的电信号转换成数字信号;通过将数字信号的频谱值与屏谱数据库进行对比,判别旋转机械设备是否存在故障;通过小波包分析判别旋转机械设备是否存在故障;将上述两种方式分析出的旋转机械设备的状态进行对比,若一致,则旋转机械设备的处于正常状态或故障状态,若不一致,则重新对旋转机械设备的状态进行分析并对比,直至对比一致。本发明至少包括以下优点:通过声纹信号的提取、分析能够较好地对声音的频谱进行分析,进而实现对旋转机械设备的故障进行有效识别。
Description
技术领域
本发明涉及了检测设备技术领域,具体的是一种基于声纹信号的旋转机械设备故障识别方法。
背景技术
本部分的描述仅提供与本发明公开相关的背景信息,而不构成现有技术。
近些年随着工业技术的快速发展,汽车俨然成为公路交通中最基本或者是必不可少的代步工具,然而随之而来的则是汽车的故障问题。根据调查显示,在多种多样的汽车故障中,发动机故障占比最大,发生事故造成的后果也最为严重。如果能及时检测到汽车发送机故障并采取适当措施,将对人身及财产安全有巨大的帮助。
机械震动信号的故障诊断对于保障机械设备的安全、稳定运行具有重要意义。基于机械震动信号分析的机械故障诊断方法具有可在线、实时、非损伤、诊断便捷准确等优点,已经取得了广泛的应用。现如今,机械震动信号的故障分析纯在故障样本获取困难、没有考虑机械震动信号的频率分类等难点。因此,对于上述的难题解决,是目前最为急迫的研究。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本申请要解决的技术问题是提供一种一种基于声纹信号的旋转机械设备故障识别方法,其采用声纹信号的有效提取,通过分析能够较好地对声音的频谱进行分析,进而实现对旋转机械设备的故障进行有效识别。
为了解决上述技术问题,本申请提供了一种基于声纹信号的旋转机械设备故障识别方法,包括以下步骤:
建立屏谱数据库,包括多个典型振动信号频谱值、多个故障信号频谱值;
通过音频采集组件对旋转机械设备输出的声纹信号进行采集,实现对声纹信号对应的电信号进行获取;
通过音频转换组件将声纹信号对应的电信号转换成数字信号;通过将数字信号的频谱值分别与屏谱数据库中的典型振动信号频谱值、故障信号频谱值进行对比,若数字信号的频谱值与典型振动信号频谱值相同或相似,则旋转机械设备为正常状态;若数字信号的频谱值与故障信号频谱值相同或相似,则旋转机械设备为故障状态;
通过小波包分析将所述旋转机械的声纹信号分解到时间尺度域,从发生脉冲的时间间隔来获取所述旋转机械设备的声纹信号,从发生脉冲的时间间断来获取所述旋转机械设备声纹信号对应的特征频率,从而判别旋转机械设备是否存在故障;
将通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比,若一致,则旋转机械设备的处于正常状态或故障状态,若不一致,则重新对旋转机械设备的状态进行分析并对比,直至通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比一致。
进一步地,所述“通过音频采集组件对旋转机械设备输出的声纹信号进行采集”包括通过均布设置的多个音频采集组件分别对旋转机械设备的多个部位输出的声纹信号进行依次采集。
进一步地,在“通过音频采集组件对旋转机械设备输出的声纹信号进行采集”之前,通过信号放大器将旋转机械设备输出的声纹信号放大至预设范围内。
进一步地,在“通过信号放大器将旋转机械设备输出的声纹信号放大至预设范围内”之前,通过噪声滤波器将非旋转机械设备产生的声纹信号过滤掉。
进一步地,在“通过将数字信号的频谱值分别与屏谱数据库中的典型振动信号频谱值、故障信号频谱值进行对比”中,所述数字信号的频谱值包括谱峰、频谱的直流分量、时域波形的均差及方差。
进一步地,所述音频检测组件包括集声器、声学探针、声学探管中的一种或多种。
本申请的有益效果是:其采用声纹信号的有效提取,通过分析能够较好地对声音的频谱进行分析,进而实现对旋转机械设备的故障进行有效识别;且采用上述两者方式对旋转机械设备的状态分别进行分析,并将分析后的结果进行对比,能够避免仅用一种检测方式出现的误差性,进而能够进一步提高检测的精准性。
附图说明
图1是本发明实施例中的流程示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明,以使本领域的技术人员可以更好地理解本申请并能予以实施,但所举实施例不作为对本申请的限定。
结合图1所示,本实施方式公开了一种基于声纹信号的旋转机械设备故障识别方法,包括以下步骤:
建立屏谱数据库,包括多个典型振动信号频谱值、多个故障信号频谱值,将上述的信息提前存入硬盘存储器中,以便于后期的调用。
通过噪声滤波器将非旋转机械设备产生的声纹信号过滤掉。在通常情况下,旋转机械设备的噪声是平稳的具有随机过程特性的复合噪声,但是在发生故障或者存在外部干扰的情况下,其噪声的声级和频率成分也会发生一定的变化。由于旋转机械设备内噪声源比较多,产生的噪音原因也不同,电磁噪声、机械噪声和空气动力噪声都分布在不同的频域,等过上述的噪声滤波器,能够较好地将有效的声纹信号保留,其余的其他噪声过滤掉。
通过信号放大器将旋转机械设备输出的声纹信号放大至预设范围内。通过信号放大器的设置,能够对保留下来的声纹信号进行放大,优选地放大3-5倍,以便于后续能够便捷精准地对声纹信号进行采集,进而保证后续检测的正确性。
通过音频采集组件对旋转机械设备输出的声纹信号进行采集,实现对声纹信号对应的电信号进行获取。此处,所述音频检测组件包括集声器、声学探针、声学探管中的一种或多种。此处还包括通过均布设置的多个音频采集组件分别对旋转机械设备的多个部位输出的声纹信号进行依次采集。具体地,此处的音频检测组件可以设置在旋转机械设备的气门头部、杆部过渡处、杆部两端连接处等易磨损、易出现故障的部位。每个部位对应的所述音频检测组件可独立进行声纹信号的采集。
通过音频转换组件将声纹信号对应的电信号转换成数字信号,并通过将数字信号的频谱值分别与屏谱数据库中的典型振动信号频谱值、故障信号频谱值进行对比。此出的所述数字信号的频谱值包括谱峰、频谱的直流分量、时域波形的均差及方差。
若数字信号的频谱值与典型振动信号频谱值相同或相似,则旋转机械设备为正常状态;若数字信号的频谱值与故障信号频谱值相同或相似,则旋转机械设备为故障状态。
通过小波包分析将所述旋转机械的声纹信号分解到时间尺度域,从发生脉冲的时间间隔来获取所述旋转机械设备的声纹信号,从发生脉冲的时间间断来获取所述旋转机械设备声纹信号对应的特征频率,从而判别旋转机械设备是否存在故障。
将通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比,若一致,则旋转机械设备的处于正常状态或故障状态,若不一致,则重新对旋转机械设备的状态进行分析并对比,直至通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比一致。
采用上述两者方式对旋转机械设备的状态分别进行分析,并将分析后的结果进行对比,能够避免仅用一种检测方式出现的误差性,进而能够进一步提高检测的精准性。
以上所述实施例仅是为充分说明本申请而所举的较佳的实施例,本申请的保护范围不限于此。本技术领域的技术人员在本申请基础上所作的等同替代或变换,均在本申请的保护范围之内。本申请的保护范围以权利要求书为准。
Claims (6)
1.一种基于声纹信号的旋转机械设备故障识别方法,其特征在于,包括以下步骤:
建立屏谱数据库,包括多个典型振动信号频谱值、多个故障信号频谱值;
通过音频采集组件对旋转机械设备输出的声纹信号进行采集,实现对声纹信号对应的电信号进行获取;
通过音频转换组件将声纹信号对应的电信号转换成数字信号;通过将数字信号的频谱值分别与屏谱数据库中的典型振动信号频谱值、故障信号频谱值进行对比,若数字信号的频谱值与典型振动信号频谱值相同或相似,则旋转机械设备为正常状态;若数字信号的频谱值与故障信号频谱值相同或相似,则旋转机械设备为故障状态;
通过小波包分析将所述旋转机械的声纹信号分解到时间尺度域,从发生脉冲的时间间隔来获取所述旋转机械设备的声纹信号,从发生脉冲的时间间断来获取所述旋转机械设备声纹信号对应的特征频率,从而判别旋转机械设备是否存在故障;
将通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比,若一致,则旋转机械设备的处于正常状态或故障状态,若不一致,则重新对旋转机械设备的状态进行分析并对比,直至通过频谱值对比获取的旋转机械设备的状态与通过正交小波包分析出的旋转机械设备的状态进行对比一致。
2.根据权利要求1所述的基于声纹信号的旋转机械设备故障识别方法,其特征在于,所述“通过音频采集组件对旋转机械设备输出的声纹信号进行采集”包括通过均布设置的多个音频采集组件分别对旋转机械设备的多个部位输出的声纹信号进行依次采集。
3.根据权利要求1所述的基于声纹信号的旋转机械设备故障识别方法,其特征在于,在“通过音频采集组件对旋转机械设备输出的声纹信号进行采集”之前,通过信号放大器将旋转机械设备输出的声纹信号放大至预设范围内。
4.根据权利要求3所述的基于声纹信号的旋转机械设备故障识别方法,其特征在于,在“通过信号放大器将旋转机械设备输出的声纹信号放大至预设范围内”之前,通过噪声滤波器将非旋转机械设备产生的声纹信号过滤掉。
5.根据权利要求1所述的基于声纹信号的旋转机械设备故障识别方法,其特征在于,在“通过将数字信号的频谱值分别与屏谱数据库中的典型振动信号频谱值、故障信号频谱值进行对比”中,所述数字信号的频谱值包括谱峰、频谱的直流分量、时域波形的均差及方差。
6.根据权利要求1所述的基于声纹信号的旋转机械设备故障识别方法,其特征在于,所述音频检测组件包括集声器、声学探针、声学探管中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885692.5A CN110617982A (zh) | 2019-09-19 | 2019-09-19 | 一种基于声纹信号的旋转机械设备故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885692.5A CN110617982A (zh) | 2019-09-19 | 2019-09-19 | 一种基于声纹信号的旋转机械设备故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110617982A true CN110617982A (zh) | 2019-12-27 |
Family
ID=68923546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910885692.5A Pending CN110617982A (zh) | 2019-09-19 | 2019-09-19 | 一种基于声纹信号的旋转机械设备故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110617982A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198525A (zh) * | 2020-01-03 | 2020-05-26 | 扬州海铭石油工程技术有限公司 | 一种基于油田现场设备运转音频监控系统及故障检测方法 |
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
CN112880812A (zh) * | 2021-01-19 | 2021-06-01 | 广州特种机电设备检测研究院 | 扶梯故障检测方法、系统和存储介质 |
CN112992179A (zh) * | 2021-02-05 | 2021-06-18 | 安徽绿舟科技有限公司 | 一种基于声纹信号检测燃机故障的识别方法 |
CN113990379A (zh) * | 2021-10-25 | 2022-01-28 | 国网重庆市电力公司电力科学研究院 | 一种基于纳米发电机实时监测硬盘的方法 |
CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN115219016A (zh) * | 2022-09-20 | 2022-10-21 | 烟台辰宇汽车部件有限公司 | 一种推力杆故障预警装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819093A (zh) * | 2010-03-31 | 2010-09-01 | 桂林电子科技大学 | 掘进机截割头主轴轴承故障诊断装置及其使用方法 |
CN103196682A (zh) * | 2013-03-21 | 2013-07-10 | 北京交通大学 | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN104236908A (zh) * | 2014-09-23 | 2014-12-24 | 石家庄铁道大学 | 基于mid算法的组合切片轴承故障诊断方法 |
CN108760294A (zh) * | 2018-06-13 | 2018-11-06 | 苏州大学 | 旋转机械设备自动诊断系统及方法 |
-
2019
- 2019-09-19 CN CN201910885692.5A patent/CN110617982A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819093A (zh) * | 2010-03-31 | 2010-09-01 | 桂林电子科技大学 | 掘进机截割头主轴轴承故障诊断装置及其使用方法 |
CN103196682A (zh) * | 2013-03-21 | 2013-07-10 | 北京交通大学 | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN104236908A (zh) * | 2014-09-23 | 2014-12-24 | 石家庄铁道大学 | 基于mid算法的组合切片轴承故障诊断方法 |
CN108760294A (zh) * | 2018-06-13 | 2018-11-06 | 苏州大学 | 旋转机械设备自动诊断系统及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198525A (zh) * | 2020-01-03 | 2020-05-26 | 扬州海铭石油工程技术有限公司 | 一种基于油田现场设备运转音频监控系统及故障检测方法 |
CN111198525B (zh) * | 2020-01-03 | 2023-09-22 | 扬州海铭石油工程技术有限公司 | 一种基于油田现场设备运转音频监控系统及故障检测方法 |
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
CN112880812A (zh) * | 2021-01-19 | 2021-06-01 | 广州特种机电设备检测研究院 | 扶梯故障检测方法、系统和存储介质 |
CN112992179A (zh) * | 2021-02-05 | 2021-06-18 | 安徽绿舟科技有限公司 | 一种基于声纹信号检测燃机故障的识别方法 |
CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
CN113990379A (zh) * | 2021-10-25 | 2022-01-28 | 国网重庆市电力公司电力科学研究院 | 一种基于纳米发电机实时监测硬盘的方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN115219016A (zh) * | 2022-09-20 | 2022-10-21 | 烟台辰宇汽车部件有限公司 | 一种推力杆故障预警装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617982A (zh) | 一种基于声纹信号的旋转机械设备故障识别方法 | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
CN103558029B (zh) | 一种发动机异响故障在线诊断系统和诊断方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN112557038A (zh) | 多重降噪处理的轴承早期故障诊断方法 | |
CN111089726A (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN110426569B (zh) | 一种变压器声信号降噪处理方法 | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN112857767B (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
CN105865794A (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 | |
CN104359685A (zh) | 一种柴油机故障识别方法 | |
CN111267620A (zh) | 一种基于云计算的汽车电机运载监测控制系统 | |
CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、系统及列车 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
Chen et al. | Rolling bearing fault feature extraction method using adaptive maximum cyclostationarity blind deconvolution | |
Lv et al. | High-order synchroextracting chirplet transform for accurate instantaneous frequency estimation and its application in fault diagnosis of rotary machinery | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
RJ01 | Rejection of invention patent application after publication |