CN110988137A - 一种基于时频域特征的异音检测系统及方法 - Google Patents

一种基于时频域特征的异音检测系统及方法 Download PDF

Info

Publication number
CN110988137A
CN110988137A CN201911414078.7A CN201911414078A CN110988137A CN 110988137 A CN110988137 A CN 110988137A CN 201911414078 A CN201911414078 A CN 201911414078A CN 110988137 A CN110988137 A CN 110988137A
Authority
CN
China
Prior art keywords
sound
abnormal
frequency domain
abnormal sound
frame
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
Application number
CN201911414078.7A
Other languages
English (en)
Inventor
刘杨
展华益
伍强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201911414078.7A priority Critical patent/CN110988137A/zh
Publication of CN110988137A publication Critical patent/CN110988137A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于声音信号处理领域，其公开了一种基于时频域特征的异音检测系统及方法，解决传统技术中异音检测识别率低的问题。该方法包括：a.提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；b.确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；c.基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。

Description

一种基于时频域特征的异音检测系统及方法
技术领域
本发明属于声音信号处理领域，特别涉及一种基于时频域特征的异音检测系统及方法。
背景技术
近年来，随着人工智能技术的逐渐成熟，极大地推动了各行各业的迅速发展，工业自动化正向着工业智能化前进。其中，工业缺陷检测成为了目前研究的热点之一，用机器代替人来进行识别和检测，可以极大地节约人力和物力，更大的优势是可以对检测进行标准化，消除人为主观影响，更能适应工业标准需求。
而在工业缺陷检测中，常规的异音检测都是基于信号频域信息，然后利用机器学习方法来进行分类，识别正常音和异音。然而，通常异音与正常音叠加在一起，异音被正常音覆盖，特征不明显，分类效果差，再加上噪声干扰，造成识别进一步受限。
因此，如何消除噪声干扰，分离正常音，准确识别异音成为了异音检测的关键。
发明内容
本发明所要解决的技术问题是：提出一种基于时频域特征的异音检测系统及方法，解决传统技术中异音检测识别率低的问题。
本发明解决上述技术问题采用的技术方案是：
一种基于时频域特征的异音检测系统，包括：
预处理模块，用于提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；
异常时域识别模块，用于确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；
异音频域分类模块，用于基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
此外，基于上述异音检测系统，本发明还提供了一种基于时频域特征的异音检测方法，其包括以下步骤：
a.提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；
b.确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；
c.基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
作为进一步优化，步骤a中，所述提取被采集设备的声音数据中有效声音段至少包括：
确定设备的启动位置和结束位置，通过矩形窗截取设备工作的平稳声音数据。
作为进一步优化，步骤b中，所述频带分解的方法至少包括：
变分模态分解(VMD),傅里叶变换(FFT)或经验模态分解(EMD)。
作为进一步优化，步骤b中，所述时域特征至少包括：
能量特征，幅值特征或平均值特征。
作为进一步优化，步骤b中，所述通过门限阈值来识别声音异常帧至少包括：
将每帧的时域特征值与门限阈值大小进行比较，若大于门限阈值，则判定此帧为异常帧，否则判定为正常帧。
作为进一步优化，步骤c中，所述频域特征至少包括：
频谱，对数谱或梅尔谱。
作为进一步优化，步骤c中，所述机器学习模型至少包括：
支持向量机(SVM)，逻辑回归或决策树。
本发明的有益效果是：
通过频带分解增强异常声音时域特征，利用门限阈值算法识别声音异常帧，再根据异常声音的频域特征，使用机器学习方法分类噪声和异音，从而提高异音识别率，进一步实现异音检测的标准化，为工业自动化和智能化赋能。
附图说明
图1为本发明实施例1中的基于时频域特征的异音检测系统结构框图；
图2为本发明实施例2中的基于时频域特征的异音检测流程图；
图3为实施例2中在启动段和结束段之间提取设备的声音示意图；
图4为实施例2中矩形窗函数示意图；
图5为实施例2中截取的有效声音段示意图；
图6为实施例2中有效声音段对应的频谱示意图；
图7为实施例2中四个频带分解的时域结果示意图；
图8为实施例2中四个频带分解的频域结果示意图；
图9为实施例2中第二个频带特征分量处理结果示意图。
具体实施方式
本发明旨在提出一种基于时频域特征的异音检测系统及方法，解决传统技术中异音检测识别率低的问题。其核心思想是：通过对提取的有效声音段进行频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；然后基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
实施例1：
如图1所示，本实施例中的基于时频域特征的异音检测系统包括：
预处理模块，用于提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；
异常时域识别模块，用于确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；
异音频域分类模块，用于基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
实施例2：
基于上述实施例1中的系统，本实施例提供了相应的基于时频域特征的异音检测方法，其流程如图2所示，包括：
(1)预处理步骤：
提取被采集设备声音数据的有效声音段，所述有效声音段至少包含被采集设备的平稳转动声段信息。
提取采集声音数据有效声音段的方式，至少包括：确定设备的启动位置和结束位置，通过矩形窗截取被采集设备声音数据，提取有效声音段。
常规的做法是保证采集数据的时候，设备和录音同时启动，每个设备的启动位置和结束位置都是同一个位置，结果如图3所示。而矩形窗的范围应该根据具体的位置来确定，如图4所示；在截取声音数据时，启动位置要滞后2秒，结束位置提前2秒，去掉启动和结束过程，提取平稳声音段，如图5和6所示。
(2)异常时域识别步骤：
确定异音频带范围，频带分解获得含异音频段的特征分量，加窗分帧，计算时域特征，再通过门限阈值来识别声音异常帧。
异音频带范围是经过频谱和人耳听音分析得到的，然后利用频带分解方法，结果如图7和8所示，得到对应含有异音频带范围的结果。频带分解算法至少包括：变分模态分解(VMD),傅里叶变换(FFT)或经验模态分解(EMD)。
根据分解结果，再通过汉明窗加窗并移动分帧划分声音段，保证声音具有短时平稳特征。对每帧结果计算对应的时域特征，与门限阈值比较，判断每帧结果，如图9所示。时域特征至少包括：能量特征，幅值特征或平均值特征。
(3)异音频域分类步骤：
基于异常帧结果，计算频域特征，输入预训练的机器学习模型分类，再根据分类结果打分，确定设备情况。
将步骤(2)中的异常帧结果，计算频域特征，截取1500Hz-3000Hz范围内的特征，消除低频和高频段的干扰。频域特征，至少包括：频谱，对数谱或梅尔谱。
根据预训练的机器学习模型，判断异常帧频域特征，区分出噪声和异音。机器学习模型，至少包括：支持向量机(SVM)，逻辑回归或决策树。

Claims (8)

1.一种基于时频域特征的异音检测系统，其特征在于，包括：
预处理模块，用于提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；
异常时域识别模块，用于确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；
异音频域分类模块，用于基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
2.一种基于时频域特征的异音检测方法，其特征在于，包括以下步骤：
a.提取被采集设备的声音数据中有效声音段，所述有效声音段至少包括被采集设备的平稳转动声音段；
b.确定异音频带范围，通过频带分解获得包含异音频段的特征分量，对特征分量进行加窗分帧计算时域特征，再通过门限阈值来识别声音异常帧；
c.基于声音异常帧的识别结果，计算频域特征并输入预训练的机器学习模型进行分类，再根据分类结果进行打分，确定设备异音检测结果。
3.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤a中，所述提取被采集设备的声音数据中有效声音段至少包括：
确定设备的启动位置和结束位置，通过矩形窗截取设备工作的平稳声音数据。
4.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤b中，所述频带分解的方法至少包括：
变分模态分解，傅里叶变换或经验模态分解。
5.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤b中，所述时域特征至少包括：
能量特征，幅值特征或平均值特征。
6.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤b中，所述通过门限阈值来识别声音异常帧至少包括：
将每帧的时域特征值与门限阈值大小进行比较，若大于门限阈值，则判定此帧为异常帧，否则判定为正常帧。
7.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤c中，所述频域特征至少包括：
频谱，对数谱或梅尔谱。
8.如权利要求2所述的一种基于时频域特征的异音检测方法，其特征在于，
步骤c中，所述机器学习模型至少包括：
支持向量机，逻辑回归或决策树。
CN201911414078.7A 2019-12-31 2019-12-31 一种基于时频域特征的异音检测系统及方法 Pending CN110988137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911414078.7A CN110988137A (zh) 2019-12-31 2019-12-31 一种基于时频域特征的异音检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911414078.7A CN110988137A (zh) 2019-12-31 2019-12-31 一种基于时频域特征的异音检测系统及方法

Publications (1)

Publication Number Publication Date
CN110988137A true CN110988137A (zh) 2020-04-10

Family

ID=70079851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911414078.7A Pending CN110988137A (zh) 2019-12-31 2019-12-31 一种基于时频域特征的异音检测系统及方法

Country Status (1)

Country Link
CN (1) CN110988137A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233692A (zh) * 2020-09-28 2021-01-15 东莞市东纳通信有限公司 异音检测方法、装置、电子设备及存储介质
TWI760904B (zh) * 2020-10-28 2022-04-11 恩波信息科技股份有限公司 基於聲音的機械監測系統及方法
CN114974301A (zh) * 2022-04-15 2022-08-30 北京瑞森新谱科技股份有限公司 一种异音检测方法、计算机可读存储介质及电子设备
CN115512688A (zh) * 2022-09-02 2022-12-23 广东美云智数科技有限公司 异音检测方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1838839A (zh) * 2006-04-07 2006-09-27 清华大学 扬声器纯音检测方法
CN104409073A (zh) * 2014-11-04 2015-03-11 贵阳供电局 一种变电设备声音与语音的识别方法
CN105810213A (zh) * 2014-12-30 2016-07-27 浙江大华技术股份有限公司 一种典型异常声音检测方法及装置
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN106297770A (zh) * 2016-08-04 2017-01-04 杭州电子科技大学 基于时频域统计特征提取的自然环境声音识别方法
CN108332843A (zh) * 2018-01-29 2018-07-27 国家电网公司 一种电气设备故障电弧的噪声诊断方法
CN109034046A (zh) * 2018-07-20 2018-12-18 国网重庆市电力公司电力科学研究院 一种基于声学检测的电能表内异物自动识别方法
CN109443525A (zh) * 2018-11-02 2019-03-08 四川长虹电器股份有限公司 一种设备异响检测系统及检测方法
CN109946055A (zh) * 2019-03-22 2019-06-28 武汉源海博创科技有限公司 一种汽车座椅滑轨异响检测方法及系统
CN110044472A (zh) * 2019-03-22 2019-07-23 武汉源海博创科技有限公司 一种线上产品异音异响智能检测系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1838839A (zh) * 2006-04-07 2006-09-27 清华大学 扬声器纯音检测方法
CN104409073A (zh) * 2014-11-04 2015-03-11 贵阳供电局 一种变电设备声音与语音的识别方法
CN105810213A (zh) * 2014-12-30 2016-07-27 浙江大华技术股份有限公司 一种典型异常声音检测方法及装置
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN106297770A (zh) * 2016-08-04 2017-01-04 杭州电子科技大学 基于时频域统计特征提取的自然环境声音识别方法
CN108332843A (zh) * 2018-01-29 2018-07-27 国家电网公司 一种电气设备故障电弧的噪声诊断方法
CN109034046A (zh) * 2018-07-20 2018-12-18 国网重庆市电力公司电力科学研究院 一种基于声学检测的电能表内异物自动识别方法
CN109443525A (zh) * 2018-11-02 2019-03-08 四川长虹电器股份有限公司 一种设备异响检测系统及检测方法
CN109946055A (zh) * 2019-03-22 2019-06-28 武汉源海博创科技有限公司 一种汽车座椅滑轨异响检测方法及系统
CN110044472A (zh) * 2019-03-22 2019-07-23 武汉源海博创科技有限公司 一种线上产品异音异响智能检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
应怀樵: "《现代振动与噪声技术 第12卷》", 30 April 2017, 航空工业出版社 *
李海青 等: "《特种检测技术及应用》", 30 June 2000, 浙江大学出版社 *
韩磊磊: "基于支持向量机的生猪异常声音识别与检测系统", 《中国优秀硕士学位论文全文数据库农业科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233692A (zh) * 2020-09-28 2021-01-15 东莞市东纳通信有限公司 异音检测方法、装置、电子设备及存储介质
TWI760904B (zh) * 2020-10-28 2022-04-11 恩波信息科技股份有限公司 基於聲音的機械監測系統及方法
CN114974301A (zh) * 2022-04-15 2022-08-30 北京瑞森新谱科技股份有限公司 一种异音检测方法、计算机可读存储介质及电子设备
CN115512688A (zh) * 2022-09-02 2022-12-23 广东美云智数科技有限公司 异音检测方法及装置

Similar Documents

Publication Publication Date Title
CN110988137A (zh) 一种基于时频域特征的异音检测系统及方法
CN109599120B (zh) 一种基于大规模养殖场厂哺乳动物异常声音监测方法
Chatlani et al. Local binary patterns for 1-D signal processing
CN109034046B (zh) 一种基于声学检测的电能表内异物自动识别方法
CN111312256B (zh) 语音身份识别的方法、装置及计算机设备
CN113074967B (zh) 一种异音检测的方法、装置、存储介质及电子设备
CN109300483B (zh) 一种智能化音频异音检测方法
EP3764361B1 (en) Method and apparatus for aligning voices
US20160322064A1 (en) Method and apparatus for signal extraction of audio signal
CN112660745A (zh) 托辊故障智能诊断方法、系统及可读存储介质
CN112504673A (zh) 基于机器学习的托辊故障诊断方法、系统及存储介质
Jaafar et al. Automatic syllables segmentation for frog identification system
CN111797708A (zh) 气流杂音检测方法、装置、终端及存储介质
CN115467787A (zh) 一种基于音频分析的电机状态检测系统及方法
CN115424635A (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN110689885A (zh) 机器合成语音识别方法、装置、存储介质及电子设备
CN114464174A (zh) 一种基于深度学习的制动噪声分类识别方法
CN113723521A (zh) 一种电机异响识别方法和识别系统
CN114242085A (zh) 旋转设备的故障诊断方法、装置
CN116741200A (zh) 一种机车风机故障检测方法及装置
Ooi et al. Non-intrusive operation status tracking for legacy machines via sound recognition
EP4254261A1 (en) Blade fault diagnosis method, apparatus and system, and storage medium
CN102759571B (zh) 一种产品的质量检测方法和检测装置
CN114792529A (zh) 一种基于hog+svm的短波通信话音检测方法
CN114550711A (zh) 基于时频注意力网络模型的电缆周边环境声音识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200410