CN111325095A - 基于声波信号的设备健康状态智能检测方法和系统 - Google Patents
基于声波信号的设备健康状态智能检测方法和系统 Download PDFInfo
- Publication number
- CN111325095A CN111325095A CN202010059547.4A CN202010059547A CN111325095A CN 111325095 A CN111325095 A CN 111325095A CN 202010059547 A CN202010059547 A CN 202010059547A CN 111325095 A CN111325095 A CN 111325095A
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- signal
- equipment
- sound wave
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 30
- 230000005236 sound signal Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims 2
- 230000003862 health status Effects 0.000 claims 2
- 230000005856 abnormality Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 68
- 238000013527 convolutional neural network Methods 0.000 description 23
- 238000009826 distribution Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 18
- 238000001228 spectrum Methods 0.000 description 14
- 238000012795 verification Methods 0.000 description 13
- 238000005070 sampling Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001723 curing Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于声波信号处理领域,具体涉及一种基于声波信号的设备健康状态智能检测方法和系统,该方法基于深度学习的设备故障声波信号识别技术,通过按照统一声纹采集装置与采集方案进行设备声音收集,并对所述设备声音信号进行预处理,进行CNN模型和RNN模型训练,并对所述CNN模型和RNN模型进行集成、模型固化存储。在使用时,先采集待测试信号,然后输入训练好的模型中进行预测,并实时显示预测结果。使用本发明的方法和系统不但强化了模型的自适应能力和判断准确性,还可以实时显示结果,提高故障检测的效率。
Description
技术领域
本发明属于声波信号检测系统领域,具体涉及基于声波信号的设备健康状态智能检测方法及系统。
背景技术
声波信号领域有一种小众的研究方向——声音分类。以色列一家名为“3DSignals”的创业公司在旋转设备等电气化领域设备的声学异常检测方面具有专利。这些设备包括如电动机、泵机、涡轮机、齿轮箱和发电机等。
在深度学习领域模型中,声波信号带来的“黑箱”问题让我们很难确定并理解某段声波信号被标记(正常、故障类型)的原因;同时,在生产生活中无处不在的噪声也在压制干扰着我们的特征信号,从而限制了模型从声波信号中获取特征的能力;虽然目前有一部分使用深度学习进行声音分类的技术,但是对于设备故障类的声音识别能力较弱,不能快速并且准确地识别设备故障。另外,在设备检修领域,目前主要依靠人工进行逐个设备地检查,缺乏有效的快速检查及反馈机制,检查效率低下。
发明内容
为了解决上述技术问题,本发明的目的是提供一种新型的故障预测机制,进行信号特征自适应提取与运行状态的自动判别,并强化了模型的自适应能力和判断准确性,同时实时检测以及显示故障结果,最大程度上与传统的设备维修检测方法形成互补,能够有效节省人力与物力成本,并同时提高设备故障维修工作效率。
为实现上述发明目的,本发明所采用的技术方案是基于声波信号的设备健康状态智能检测方法包括如下步骤:
步骤一,机器学习步骤,所述机器学习步骤具体包括:设备声音信号收集步骤,所述设备声音信号按照统一声纹采集装置与采集方案进行收集,并将所述样本分成训练集、验证集以及测试集;设备声音信号预处理步骤,对所述设备声音信号进行预处理,所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取;模型训练步骤,对所述训练集样本进行模型训练,并使用验证集数据进行调参,确定最佳网络参数,所述模型训练采用的模型为CNN模型和RNN模型;模型集成步骤,对所述CNN模型和RNN模型进行集成,所述集成步骤采用基于bagging框架的集成选择方法;模型测试步骤,使用测试集数据对集成后的模型进行测试,确定最佳模型参数;模型固化存储步骤,将测试好的模型进行固化以及存储,用于后续的预测步骤。
步骤二,建康状态检测步骤,所述建康状态检测步骤具体包括:待测信号采集步骤,所述待测信号采集装置与采集方案与步骤一中的采集装置与采集方案一致;待测信号预处理步骤,所述待测信号预处理步骤与步骤一中的信号预处理步骤一致;建康状态预测,将预处理后的待测信号输入步骤一训练好的模型中进行预测。实时显示预测结果,输出设备故障类型。
另外,本发明还公开了一种基于声波信号的设备健康状态检测系统,其特征在于包括如下模块:机器学习模块,所述机器学习步骤具体包括:设备声音信号预处理模块,对设备声音信号进行预处理,所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取,所述设备声音信号按照统一声纹采集装置与采集方案进行收集,并将所述样本分成训练集、验证集以及测试集;模型训练模块,对所述训练集样本进行模型训练,并使用验证集数据进行调参,确定最佳网络参数,所述模型训练采用的模型为CNN模型和RNN模型;模型集成模块,对所述CNN模型和RNN模型进行集成,所述集成步骤采用基于bagging框架的集成选择方法;模型测试模块,使用测试集数据对集成后的模型进行测试,确定最佳模型参数;模型固化存储模块,将测试好的模型进行固化以及存储,用于后续的预测步骤;建康状态检测模块,将预处理后的待测信号输入步骤一训练好的模型中进行预测,所述待测信号采集装置与采集方案与步骤一中的采集装置与采集方案一致,所述待测信号预处理步骤与步骤一中的信号预处理步骤一致;显示模块,实时显示预测结果,输出设备故障类型。
本发明具有以下有益效果:本系统应用深度神经网络模型对设备运行时的声波信号信息进行有监督的学习,预期算法准确度达到95%以上,基本满足工业生产生活需求,同时提供线上预测处理功能,以期在未来满足设备的黑盒故障预测与实时在线故障预测。其中黑盒式的故障预测旨在简化故障判别过程中的人工干预,此过程中维修检测人员仅需通过移动设备对设备运行声波信号信息进行录制并通过网络上传,即可实时获取该设备运行信息;实时在线故障预测功能是本系统的待实现功能,该功能需要在设备中装配有声波信号录制功能和联网功能的传感器,系统接收到传感器传出的声波信号信息,可在线实时对设备状态进行预测,并在界面上进行实时显示与异常提醒等。
本系统研发设计的目标旨在于提出一种新型的故障预测机制,同时尽最大程度上与传统的设备维修检测方法形成互补,能够有效节省人力与物力成本,并同时提高设备故障维修工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1系统总览;
图2声音信号的预处理;
图3CNN网络结构;
图4CNN训练过程;
图5RNN网络结构;
图6Web Service整体框架;
图7web系统结构;
图8实时显示效果。
具体实施方式
为了能更清楚地解析本发明,在本实施例中以变压器声音为示例,但本方案不仅限于应用于变压器设备,对于其它设备同样适用。
在计算机中,声波信号文件大概分为两类,一类是波类型声波信号文件,一类是指令类声波信号文件。波类型声波信号文件是由录音器材根据一定的采样率录制并加以处理的具有声波信号信息的文件。与一般声波信号格式不同,wav格式的声波信号文件是直接记录声音的波形图,且基本无压缩,对声波信号的原始信息丢失较少。由于wav声音保留了较多的原始信号,因此,能够较好地反应故障信息,因此本发明采用wav格式的声波信号进行分析。
本实施例中,选取110kV及以上电压等级变压器按照统一声纹采集装置与采集方案,进行现场声音在线监测。加入各单位变压器主流型号110kV、220kV、330kV、500kV、750kV、1000kV,进行不同设备,不同电压级别地采集,确保覆盖尽量所有的设备类型,收集到所有可能的故障声音样本。并且采用统一声纹采集装置与采集方案进行收集,所述统一声纹采集装置与采集方案进行收集是指对于所在有设备,声纹采集的装置都是一致的,并且采集的方案也是一致的,示例性的,采集装置的型号一致,装置的参数设置一致,所安装的位置也一致。
进一步地,在一种可选实施方式中,为了实时采集设备中的声音,在设备中装配声波信号录制功能和联网功能的传感器,通过传感器收集声波数据,并传回服务器。
在收集到声音数据后,由于原始的声音信号不能直接进行声音特性分析,需要对声波信号进行预处理。在本发明中,由于需要鉴别设备的故障状态,为了便于后续的机器学习识别,以及减少计算量,需要突出设备中的故障声音分量,结合设备故障声音的特性,本发明对采集的音频信息做预处理。
由于声音信号是模拟信号,无法进行数字化处理,因此首先需要进行模数转换,模数转换就是通过采样和量化,即以一定的采样率和采样位数将声波信号连续波形转换为离散的数据点。
进一步地,在一种可选实施方式中还可以进一步地对声波信号进行预加重,加重处理是将声波信号通过一个高通滤波器:H(Z)=1-μz-1。其目的在于增加声波信号中高频部分的能量,使信号的频谱变得平坦,保持在低频到高频的整个频带中,能用同样的信噪比求频谱。式中μ的值介于0.9到1.0之间,经过实验比较,在本发明中取0.97能够取得的效果。
进一步地,在一种可选实施方式中为了便于深度学习的参数输入,还可以对采样信号进行分帧,先将N个采样点集合成一个观测单位,称为帧。本发明中N的值可以为256或512,涵盖的时间约为20~30ms。
为了避免相邻两帧的变化过大,因此会让两相邻帧之间有一段重叠区域,此重叠区域包含了M个取样点,通常M的值约为N的1/2或1/3。
在本发明的一个较优实现中,声音采样信号为8KHz,帧长度为256个采样点,对应的时间长度是256/8000*1000=32ms。
进一步地,在一种可选实施方式中还可以对声波信号进行加窗操作,由于设备产生的声波信号是非平稳信号,其统计特性不是固定不变的,因此不便于识别其中的故障特征,但该声音信号在一段相当短的时间内可认为声波信号是平稳的,为了便于声波信号的离散化处理,以及平滑信号的两端,防止信号的畸变,在本发明中对声音信号进行加窗处理,本发明使用的加窗过程的公式如下所示:sw(n)=s(n)*w(n)
其中s(n)为声波信号,w(n)为窗函数。w(n)的执行原理是通过对差极化点周围需要剔除的部分清零,其他位置不变,其所包含的范围就是窗口的尺寸。
在本发明的一个较优实施例中,使用如下窗口函数进行加窗操作。
在对声波进行预处理后,由于声波信号是模拟信号,声波信号的时域波形只代表声压随时间变化的关系,不能很好的代表声波信号的特征,为了识别声音信号中的故障特性,须要将声波信号波形转换为声学特征向量。
为了能够表述声波信号的基本信息,从而方便提取故障信息,本发明中一个较优实施方式是采用梅尔频率倒谱系数(Mel-scale Frequency Cepstral Coefficients,MFCC)进行声学特征提取,其整体过程如图2所示。
声音频率与物理频率的关系可以用下式进行表示,根据公式H(Z)=1-μz-1即可将不统一的普通频率转换为统一的梅尔频率,则转换后人耳对频率的感知为线性关系。
式中f—物理频率,单位是Hz;
mel(f)—梅尔频率即声音频率,单位是Mel。
对于经过上节中所述的预处理过程后的每一帧声波信号通过快速傅里叶变换加速计算得到频谱,并通过取模平方,求出能量谱。
梅尔滤波器组一般是由M个三角形带通滤波器构成,可突出声波信号的共振峰。频谱通过梅尔滤波器组就可转换为梅尔频谱。三角滤波器的中心频率f(m):
离散余弦变换,可看作是频谱对数的频谱。频谱是将时域信号转换为频域信号,倒谱则是将频域信号又变回为时域信号。通过对对数频谱的离散余弦变换,可去除频谱的相关性,将高频信号转换为低频信号,得到MFCC。
式中c(m)表示第m维MFCC特征;L代表MFCC特征参数的维数,通常取12或13,在提取MFCC后,还会进一步求其一阶、二阶差分,共同构成Mel倒谱特征。
以本变压器声音样本为例,MFCC选取12维,所以加上一阶差分与二阶差分,最终得到的Mel倒谱特征为36维。
进一步地,在一种可选实施方式中,为了使声音剪辑的特征提取过程变得容易,定义了两个辅助方法。首先使用接收参数parse_audio_files作为父目录名称,父目录中的子目录和文件扩展名(默认为.wav)作为输入。然后迭代子目录中的所有文件并调用第二个辅助函数extract_feature。它将文件路径作为输入,通过调用librosa.load方法读取文件,提取并返回上面讨论的功能。这两种方法都是将原始声音片段转换为信息要素(以及每个声音片段的类别标签)所需的全部内容,并将其直接输入到分类器中。
进一步地,在一种可选实施方式中,为了表征特征提取之后的信号特征,在一种实施例中,在计算每帧声波信号的特征后,以N个声波信号帧为一个声波信号段,计算N帧的各个统计量为当前声波信号段的特征,这些统计量主要包括算术均值、最大值、最小值、均方根、标准差、峰度、偏度等。
(1)算术均值、最大值、最小值分别表示在一个声波信号段内N帧中各维特征的均值、最大值与最小值。
(2)标准差:标准差是一组数据平均值分散程度的度量,即数据与平均值的差异,标准差越大表示大部分数据离平均值比较远,标准差越小表示大部分数据离平均值比较近。标准差的计算公式如下,其中μ为数据的均值。
(3)峰度:峰度是描述数据分布形态陡缓程度的统计量,峰度需要与正态分布进行比较,若峰度等于0则表示数据分布与正态分布的陡缓程度相同;峰度大于0则表示数据分布比正态分布更加陡峭,即为尖顶峰;峰度小于0则表示数据分布比正态分布更加平坦,即为平顶峰。峰度的计算公式为:
(4)偏度:偏度是描述数据分布对称性的统计量,偏度需要与正态分布相比较,偏度为0表示其数据分布形态与正态分布的偏斜程度相同;偏度大于0表示其数据分布相比于正态分布为正偏;偏度小于0表示其数据分布相比于正态分布为负偏;偏度的绝对值表示其分布形态的偏斜程度大小。偏度的计算公式为:
在对进行预处理以及特征提取之后,就得到了能够进行机器学习训练的数据,在本发明中使用CNN和RNN网络进行训练。
首先进行CNN模型训练,设备健康状态智能识别模型的设计目的是希望在接收到一段声波信号之后能够通过预处理及对基于CNN模型的训练和分类学习,识别出具体的故障类别。
本发明中一个较佳的CNN模型结构如图3所示,此模型具有五层结构,将声波信号样本分为训练集、验证集和测试集样本,以N个样本的三维声波信号特征矩阵作为单独的通道馈入网络中,与全连接网络不同,在全连接层前面加上了两个由卷积层和池化层构成的特征提取器,自适应地进行故障特征的提取及分类学习。
以变压器故障为例,输出的故障类型为5种,因此输出层通过5个神经元以及softmax函数进行故障的多分类识别,用AdamOptimizer最优化选择器优化代价函数,并且在全连接层引入dropout机制来防止模型的过拟合现象,训练结束后用测试集样本模型的性能进行验证。
基于上述较佳的CNN模型结构,基于声波信号的CNN设备健康状态智能识别模型的训练过程分为两个阶段。第一个阶段是声波信号由低层次向高层次传播的阶段,即前向传播阶段:给定输入向量和目标输出值,先求隐藏层、输出层各个单位的输出,再计算目标值与实际输出的偏差量,若偏差量在容许范围内,则训练结束,固定权值与阈值,并进行训练调参得出最终的分类结果;另外一个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练,即反向传播调参阶段:需要求出网络层中神经元的误差、误差梯度,再更新权值,将权值带入前向传播阶段。训练过程如图4所示。
在本模型的前向传播过程中,输入的声波信号通过卷积核,形成局部感受野,然后进行卷积操作,提取出特征向量;卷积层提取出的特征作为输入传到池化层,通过最大池化操作降低数据的维度;特征图在经过卷积层和池化层的特征提取之后,将提取出的特征传至全连接层,进行分类,获得分类模型,得出最后结果。
由于声波信号从输入层到输出层,期间经过了卷积层、池化层和全连接层,而数据在各层间的传递中难免会造成数据的损失,也就导致了误差,而每一层造成的误差值又是不一样的,所以我们在求出网络的总误差后,通过反向传播过程,再将误差一层一层地返回,求得各层对于总误差承担的比重。
然后进行RNN模型的训练,本发明中一个较佳的RNN模型网络结构如图5所示,按照层级是由N组输入层、隐藏层、输出层顺序全连接组成,上一层的输出直接连接下一层的输入,网络中神经元内部之间也相互连接,且在深度RNN的中间层、输入层加入了LSTM单元,解决了一般RNN中无法积累记忆多段时间序列之前内容的问题,使得网络可以根据实际的需要选择记忆很长时间之前的信息。
基于上述较佳的RNN模型,将通过音频预处理提取出的音频基础信息且满足RNN网络结构的特征向量输入RNN网络模型中,网络的训练在第一个序列中所有数据均处理完成后开始执行,先将原始标签与网络层输出结果进行比较计算t时刻损失函数值,然后依次计算输出层、隐藏层、输入层的误差,再根据每层的误差值和学习率计算各单元梯度以更新各层的连接权值直至训练结束。
进一步地,在一个较佳的实施例中,使用激活函数给网络中加入一些非线性因素,使得网络能够更好地解决较为复杂的非线性问题。如果没有激活函数,每一层的输出都是上一层的线性函数,那么网络仅能够表达线性映射,此时即便有再多的隐藏层,输出都是输入的线性组合,整个网络跟单层神经网络的效果是等价的。
进一步地,在一个较佳的实施例中选择ReLu函数作为模型中卷积层、池化层和全连接层的激活函数。ReLU函数(Rectified Linear Units)其实是一个取最大值的函数,把所有的负值都变为0,而正值不变,即单侧抑制:
Re Lu(x)=max{0,x}
进一步地,在一个较佳的实施例中,为了防止过拟合,引入Dropout机制,Dropout率为保留一个神经元为激活状态的概率,dropout率越高,意味着更多神经元是激活的,正规化程度越低。
Dropout可以看作是Bagging的极限形式,每个模型都在当一种情况训练,同时模型的每个参数都经过与其他模型共享参数,从而高度正则化。
故本发明在模型的全连接层引入dropout机制,并通过交叉验证,隐含结点dropout率等于0.5时随机生成的网络结构最多,效果最好。
不同模型对同一故障的分类性能不同,即模型对故障的分类能力具有多样性,以前述变压器故障为例,CNN模型擅于识别故障1、2和3类,RNN模型则擅于识别故障1和4类,如表1所示。
表1 CNN和RNN的识别率
由于CNN和RNN擅于识别的故障类型不同,进一步地,为了进一步提高模型的可靠性,在一种可选实施例中,对CNN网络和RNN网络进行集成学习,构建基于CNN-RNN-Bagging集成的设备健康状态智能检测模型。集成学习通过构建并结合多个学习器来完成学习任务,只包含同种类型的个体学习器,这样的集成是“同质”的;包含不同类型的个体学习器,这样的集成是“异质”的。集成学习通过将多个学习器结合,常可获得比单一学习器显著优越的泛化性能。
简单的融合方法,都要求子模型互不相关,子模型的误差均值为0,才能减少模型误差。然而,由于训练数据中存在噪声,子模型的误差均值很难完全接近0,并且所有子模型使用相同的输入数据训练模型时,子模型不会互不相关,所以简单的融合方法,不能有效改善模型性能,在某些情况下,甚至会造成模型性能下降。为了突破这些局限性,本发明采用了基于bagging框架的集成选择方法(the Bagging Ensemble Selection,BES)处理模型融合。
以变压器故障为例,需要分类的故障有5类,是个多分类任务,故选择交叉熵损失函数作为优化目标,公式如下:
其中x是输入数据,pk(x)表示目标标签是第k类的概率,qk(x)表示预测标签是第k类的概率。
算法一展示了如何生成模型库Msets。步骤(1)表明,将步骤(2)至(7)重复N次;步骤(2)将原始帧数据进行自助采样,生成新的帧数据newFrames;步骤(3)表示,迭代从段长集合SLSets中选择段长;步骤(4)基于选中的段长,将帧数据拼接成新的段数据newSegs;步骤(5)迭代从模型类型集合MTL中选出一种模型方method;步骤(6)将段特征newSegs输入模型方法method中进行训练,获得模型M;步骤(7)将生成的模型M添加到模型库Msets。
算法一:
在模型训练完成之后,为了方便后续的使用需要对模型进行持久化,在本发明中一种模型持久化的方法包括:1)使用TensorFlow基础固化方法(server.save)对模型进行保存,其保存结果是TensorFlow标准模型CKPT文件,其中神经网络图、参数配置以及权重被分为三个部分单独存储,由于该类型文件于TensorFlow框架耦合度较高,使用该固化方式后期模型恢复操作复杂;2)基于CKPT文件,TensorFlow官方提出一种高效可移植的神经网络模型(PB)文件,该文件通过名为冻结的方式,通过对CKPT文件的解析,将多个CKPT文件组织为一个整体,并将神经网络模型权重参数冻结到神经网络图元中。
持久化完成之后即可使用模型进行预测,在本发明中的一种模型应用方法包括:1)从文件系统中加载固化模型(PB)文件,并通过文件字节流的方式将其输送到TensorFlow原始图工具中,该工具通过固化模型中的参数设定及权重信息对模型进行恢复;2)加载待测试数据,并传递给恢复后的模型,模型执行预测过程并将预测结果返回。
为了进一步解释本发明,结合本发明上述实施例,给出一个更加具的实施例。
在本实施例中所涉及的深度模型均依赖于keras深度学习框架来实现,并且将谷歌开源的tensorflow库作为keras的后端,使用的程序语言是python,本发实施例所需的软硬件环境配置见表2。
表2 实验环境配置表
数据采集步骤,选取110kV及以上电压等级变压器按照统一声纹采集装置与采集方案,进行现场声音在线监测。加入各单位变压器主流型号110kV、220kV、330kV、500kV、750kV、1000kV。包含1种正常状态和4种故障状态,这5种健康状态分别以标签0、1、2、3和4来表示。
声波信号数据以wav格式保存,文件命名规则如下:【测试地点】-【设备名称】-【相位】-【设备型号】-【数据类型】-【传感器位置】-【设备状态】-【日期】-【序号】;对应设备信息记录表命规则为【省份】-【测试地点】-【设备名称】-【相位】-【设备型号】-【日期】。
所有的故障类别的样本音频都按7:2:1的比例分为训练集、验证集和测试集。训练集进行模型的训练;验证集则统计单一评估指标,通过指标在训练集和验证集上的对比来调整算法的参数;模型完成训练后,使用测试集从多维度评价模型的性能。
数据预处理步骤,根据前述实施例对所述样本信号进行模数转换、预加重、分帧、加窗以及声学特征提取;
确定性能指标,本发明研究的对象是一个多分类任务,各种类别间样本数量相当,不需要考虑样本类别不平衡问题,性能指标采用混淆矩阵中的准确率(Accuracy,Acc)以及ROC(Receiver Operating Characteristic)曲线。
模型训练步骤,模型中网络结构的设计范畴包括卷积核的尺寸、神经元使用的激活函数以及卷积层的层数;池化层的尺寸、层数以及具体使用的池化方式;卷积层的特征数量等部分。由深度学习网络的模型原理可知,其网络结构是可以随机选择和组合的。在具体设计时需要根据实验的条件、希望达到的实验目的、训练集和测试集的大小先给网络参数随机赋初始值,比如神经网络层中间的权重参数W和b,一般都由程序通过调用random函数初始化,之后随着网络的循环训练,不断调整参数取值,在训练停止或随着训练过程识别率不再发生变化后的参数就是网络最终的参数值,具体的网络参数需要针对训练的对象,选择符合对象特征的参数,并进行大量的试验才能得出。表3是本发明经过多次对比试验后,所得出的最优网络结构和参数。
表3 最优的CNN和RNN网络参数
本实施例在CNN和RNN模型中都引入了dropout机制,训练阶段,没有使用dropout技术时,模型的准确率更高,而测试阶段,没有使用dropout技术时,模型的准确率更低,而且模型的性能很不稳定,波动较大。所以,实验现象反映了dropout技术缓解了本模型中过拟合问题和训练不稳定的问题。且本发明尝试了dropout率从0.1到0.9的一系列值,实验表明0.25产生了最好的结果。
模型是否已达到最佳性能或者还需要进一步的训练,验证集是未参与训练的未知数据,训练集和验证集中的准确率都逐步并成比例的增加,表明该模型具有从训练数据中学习归纳并能够对未知数据进行准确分类的能力。
实验与分析,生成模型库时,对声波信号帧进行自助采样的次数设为50,各种段长构成的集合为{10,25,50},CNN与RNN子模型的网络结构参考前文中的设置。使用BSE方法进行集成选择时,对生成的模型库进行自助采样的次数设为20次,初始被选中的模型个数设为15。
实验结果与分析,由表1可知,不同模型对同一故障的分类性能不同,即模型对故障的分类能力具有多样性,CNN模型擅于识别故障1、2和3类,RNN模型则擅于识别故障1和4类。
表4是各单一及集成模型的实验结果,由表可知,由于RNN对动态时间序列数据的识别优势,其在验证集和测试集上的识别准确率均高于CNN模型,而基于Bagging集成模型的分类性能明显得到了进一步的提高。
表4 集成模型实验结果
在上述实施例的基础上,本发明还公开了一种基于音频识别的设备健康状态智能检测系统。
本系统的Web Service服务端设计目的为了暴露算法模型应用接口,因此其技术实现基于Python语言,本系统采用spyne库编写本系统的Web Service服务端,整体框架如图6所示。其实现逻辑是:
1)封装算法模型预测接口,将模型应用组合成为功能模块,供外部使用;
2)创建暴露类并继承ServiceBase类,声明Web Service服务;
3)配置Web Service服务并注册包装;
4)绑定IP地址及端口,并启动端口监听;
本系统Web Service客户端设计目的是将Web应用程序与算法功能模块实现数据通信功能,实际是发送待测声波信号文件到算法模块,由算法模块进行数据处理并完成预测,其将预测结果返回到Web应用响应页面。
本系统后台实现采用Spring结合Spring MVC的系统架构,并植入Apache CXF WebService、LokBack日志组件等第三方功能。
系统应用web项目核心配置web.xml文件对Spring及Spring MVC进行整合,使用Spring对Java Bean进行管理,使用Spring MVC对系统逻辑跳转以及页面渲染进行管理。其中系统开发分为三层,核心控制层(Controller)负责完成前后端数据交互、服务层(Service)作为数据处理以及业务处理的核心实现层,web系统结构如图7所示。
核心控制层采用前后端对应的方式进行设计,即一个前端页面对应一个后端核心控制器,一个核心控制器负责整个对应页面的全部数据交互任务。
服务层分为接口描述与接口实现,采用该方案可以有效降低模块间耦合关系,并使得模块分离同步开发成为可能,通过Spring管理下的依赖注入思想,接口描述与实现之间的耦合度也大幅降低,实现系统解耦,为后期维护减轻负担。
本系统通过对变压器故障识别及维修保障业务的模拟,体现基于深度学习的声波信号识别设备故障的技术应用场景,基本模拟其业务需求并实现核心功能。
本系统实现了变压器故障预测页面的功能交互,故障预测页面实现了基于声波信号的在线故障预测功能,该页面进行文件上传时应对文件类型进行规范,并提示错误信息。可以非常直观的体现系统状态,为上层决策提供数据依据。
操作步骤
步骤1,声波信号收集,按照统一声纹采集装置与采集方案,进行现场声音在线监测,将收集到的声音信号导入系统。
步骤2,在系统中对声波信号预处理与特征提取:先将声波信号通过短时傅里叶变换转换为声谱图,再通过梅尔滤波器组,然后对滤波器组输出的Mel频谱取对数,得到对数能量s(m),通过对对数频谱的离散余弦变换,得到MFCC;统计每帧音频的算术均值、最大值、最小值、均方根、标准差、峰度、偏度;
步骤3,进行模型训练:
CNN模型训练:将声波信号样本分为训练集、验证集和测试集样本,以N个样本的三维音频特征矩阵作为单独的通道馈入CNN网络中,自适应地进行故障特征的提取及分类学习;输出的故障类型为5种,因此输出层通过5个神经元以及softmax函数进行故障的多分类识别,用AdamOptimizer最优化选择器优化代价函数,并且在全连接层引入dropout机制来防止模型的过拟合现象,训练结束后用测试集样本模型的性能进行验证;
基于声波信号的CNN设备健康状态智能识别模型的训练过程分为两个阶段,第一个阶段是声波信号由低层次向高层次传播的阶段,即前向传播阶段:给定输入向量和目标输出值,先求隐藏层、输出层各个单位的输出,再计算目标值与实际输出的偏差量,若偏差量在容许范围内,则训练结束,固定权值与阈值,并进行训练调参得出最终的分类结果;另外一个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练,即反向传播调参阶段:需要求出网络层中神经元的误差、误差梯度,再更新权值,将权值带入前向传播阶段;
基于声波信号的RNN设备健康状态智能识别模型的训练:将通过音频预处理提取出的音频基础信息且满足RNN网络结构的特征向量输入RNN网络模型中,网络的训练在第一个序列中所有数据均处理完成后开始执行,先将原始标签与网络层输出结果进行比较计算t时刻损失函数值,然后依次计算输出层、隐藏层、输入层的误差,再根据每层的误差值和学习率计算各单元梯度以更新各层的连接权值直至训练结束;
步骤4,模型持久化:1)使用TensorFlow基础固化方法(server.save)对模型进行保存,其保存结果是TensorFlow标准模型CKPT文件,其中神经网络图、参数配置以及权重被分为三个部分单独存储,由于该类型文件于TensorFlow框架耦合度较高,使用该固化方式后期模型恢复操作复杂;2)基于CKPT文件,TensorFlow官方提出一种高效可移植的神经网络模型(PB)文件,该文件通过名为冻结的方式,通过对CKPT文件的解析,将多个CKPT文件组织为一个整体,并将神经网络模型权重参数冻结到神经网络图元中;
步骤5:模型应用:1)从文件系统中加载固化模型(PB)文件,并通过文件字节流的方式将其输送到TensorFlow原始图工具中,该工具通过固化模型中的参数设定及权重信息对模型进行恢复;2)加载待测试数据,并传递给恢复后的模型,模型执行预测过程并将预测结果返回,并将结果显示在web页面上,效果如图8所示。
本技术领域的普通技术人员应当认识到,以上的实施方式仅是用来说明本发明,而并非用作为本发明的限定,只要在本发明的实质精神范围之内,对以上实施方式所作的适当改变和变化都落在本发明要求保护的范围之内。
Claims (10)
1.一种基于声波信号的设备健康状态检测方法,其特征在于包括如下步骤:
步骤一,机器学习步骤,所述机器学习步骤具体包括:
设备声音信号收集步骤,所述设备声音信号按照统一声纹采集装置与采集方案进行收集;
设备声音信号预处理步骤,对所述设备声音信号进行预处理,所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取;
模型训练步骤,对所述训练集样本进行模型训练,并使进行调参,确定最佳网络参数,所述模型训练采用的模型为CNN模型和RNN模型;
模型集成步骤,对所述CNN模型和RNN模型进行集成,所述集成步骤采用基于bagging框架的集成选择方法;
模型固化存储步骤,将测试好的模型进行固化以及存储,用于后续的预测步骤;
步骤二,建康状态检测步骤,所述建康状态检测步骤具体包括:
待测信号采集步骤,所述待测信号采集装置与采集方案与步骤一中的采集装置与采集方案一致;
待测信号预处理步骤,所述待测信号预处理步骤与步骤一中的信号预处理步骤一致;
实时接收设备声音信号,输入训练好的模型中进行预测,并实时显示预测结果。
2.如权利要求1所述的基于声波信号的设备健康状态检测方法,其特征在于:所述设备中装配声波信号录制功能和联网功能的传感器,由所述传感器收集设备声波数据,并传回服务器用于模型训练和/或设备健康状态检测。
3.如权利要求1所述的基于声波信号的设备健康状态检测方法,其特征在于:所述CNN模型有五层结构,包括输入层、卷积层、池化层、全连接层、输出层;卷积层、池化层交错排列组合成特征提取器,且特征提取器左右两端都是卷积层;CNN模型的网络结构由输入层、特征提取器、全连接层、输出层依次连接组成;所述RNN模型的网络结构:按照输入层、隐藏层、输出层的顺序全连接组成,上一层的输出直接连接下一层的输入,网络中神经元内部之间也相互连接,在深度RNN的中间层加入了LSTM单元。
4.如权利要求3所述的基于声波信号的设备健康状态检测方法,其特征在于:所述CNN模型网络结构参数为:输入层60*41*2、卷积层24*3*3、max池化层4*2、卷积层48*3*3、dropout(0.5)+全连接层64、dropout(0.5)+输出层5;优化器:Adamax;批处理数:32;迭代次数:20;所述RNN模型网络结构参数为:输入层20,41、Dropout(0.5)+LSTM层20,256、dropout(0.5)+LSTM层20,128、输出层5;优化器:adam;批处理数:128;迭代次数:20。
5.如权利要求1所述的基于声波信号的设备健康状态检测方法,其特征在于:显示预测结果具体为在Web页面上进行实时显示预测并进行异常提醒。
6.一种基于声波信号的设备健康状态检测系统,其特征在于包括如下模块:
机器学习模块,所述机器学习模块具体包括:设备声音信号收集模块,所述设备声音信号按照统一声纹采集装置与采集方案进行收集;设备声音信号预处理模块,对所述设备声音信号进行预处理,所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取;模型训练模块,对所述训练集样本进行模型训练,并使进行调参,确定最佳网络参数,所述模型训练采用的模型为CNN模型和RNN模型;模型集成模块,对所述CNN模型和RNN模型进行集成,所述集成步骤采用基于bagging框架的集成选择方法;模型固化存储模块,将测试好的模型进行固化以及存储,用于后续的预测步骤;
建康状态检测模块,所述建康状态检测模块具体包括:
待测信号采集模块,所述待测信号采集装置与采集方案与机器学习模块中的采集装置与采集方案一致;待测信号预处理模块,所述待测信号预处理模块与机器学习模块中的信号预处理步骤一致;数据处理模块,实时接收设备声音信号,输入训练好的模型中进行预测;显示模块,实时显示预测结果。
7.如权利要求6所述的基于声波信号的设备健康状态检测系统,其特征在于:所述设备中装配声波信号录制功能和联网功能的传感器,由所述传感器收集设备声波数据,并传回服务器用于模型训练和/或设备健康状态检测。
8.如权利要求6所述的基于声波信号的设备健康状态检测系统,其特征在于:所述CNN模型有五层结构,包括输入层、卷积层、池化层、全连接层、输出层;卷积层、池化层交错排列组合成特征提取器,且特征提取器左右两端都是卷积层;CNN模型的网络结构由输入层、特征提取器、全连接层、输出层依次连接组成;所述RNN模型的网络结构:按照输入层、隐藏层、输出层的顺序全连接组成,上一层的输出直接连接下一层的输入,网络中神经元内部之间也相互连接,在深度RNN的中间层加入了LSTM单元。
9.如权利要求8所述的基于声波信号的设备健康状态检测方法,其特征在于:所述CNN模型网络结构参数为:输入层60*41*2、卷积层24*3*3、max池化层4*2、卷积层48*3*3、dropout(0.5)+全连接层64、dropout(0.5)+输出层5;优化器:Adamax;批处理数:32;迭代次数:20;所述RNN模型网络结构参数为:输入层20,41、Dropout(0.5)+LSTM层20,256、dropout(0.5)+LSTM层20,128、输出层5;优化器:adam;批处理数:128;迭代次数:20。
10.如权利要求6所述的基于声波信号的设备健康状态检测系统,其特征在于:所述显示模块具体为在Web页面上进行实时显示预测并进行异常提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059547.4A CN111325095B (zh) | 2020-01-19 | 2020-01-19 | 基于声波信号的设备健康状态智能检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059547.4A CN111325095B (zh) | 2020-01-19 | 2020-01-19 | 基于声波信号的设备健康状态智能检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325095A true CN111325095A (zh) | 2020-06-23 |
CN111325095B CN111325095B (zh) | 2024-01-30 |
Family
ID=71168647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059547.4A Active CN111325095B (zh) | 2020-01-19 | 2020-01-19 | 基于声波信号的设备健康状态智能检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325095B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035811A (zh) * | 2020-08-28 | 2020-12-04 | 西安科技大学 | 一种基于鞋垫的身份认证方法 |
CN112215108A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 搅拌车故障预判方法、装置和计算机可读存储介质 |
CN112225026A (zh) * | 2020-10-30 | 2021-01-15 | 江苏蒙哥马利电梯有限公司 | 一种基于声信号的电梯按需维保方法 |
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 |
CN112668754A (zh) * | 2020-12-03 | 2021-04-16 | 国网山西省电力公司大同供电公司 | 一种基于多源特征信息融合的电力设备缺陷诊断方法 |
CN112863546A (zh) * | 2021-01-21 | 2021-05-28 | 安徽理工大学 | 音频特征决策的带式运输机健康分析方法 |
CN112985574A (zh) * | 2021-02-26 | 2021-06-18 | 电子科技大学 | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 |
CN113159566A (zh) * | 2021-04-19 | 2021-07-23 | 华南理工大学 | 设备健康阶段检测的自适应收集方法、系统、装置和介质 |
CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测系统和方法 |
CN113984741A (zh) * | 2021-09-29 | 2022-01-28 | 西北大学 | 基于深度学习和声音信号液体识别系统及方法 |
CN114121305A (zh) * | 2021-11-23 | 2022-03-01 | 浙江大学 | 一种基于扫频技术的传感器安全检测方法和系统 |
CN114483417A (zh) * | 2022-01-10 | 2022-05-13 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
CN114997749A (zh) * | 2022-08-02 | 2022-09-02 | 南京邮电大学 | 电力人员智能调度方法和系统 |
US20220291175A1 (en) * | 2020-08-28 | 2022-09-15 | Industrial Technology Research Institute | Acoustic resonance diagnostic method for detecting structural degradation and system applying the same |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN118131880A (zh) * | 2024-04-30 | 2024-06-04 | 苏州元脑智能科技有限公司 | 电源健康状态检测方法、电源电路及计算机设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
US9792897B1 (en) * | 2016-04-13 | 2017-10-17 | Malaspina Labs (Barbados), Inc. | Phoneme-expert assisted speech recognition and re-synthesis |
CN107316654A (zh) * | 2017-07-24 | 2017-11-03 | 湖南大学 | 基于dis‑nv特征的情感识别方法 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109299211A (zh) * | 2018-09-21 | 2019-02-01 | 广州大学 | 一种基于Char-RNN模型的文本自动生成方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109635928A (zh) * | 2018-12-06 | 2019-04-16 | 华北电力大学 | 一种基于深度学习模型融合的电压暂降原因识别方法 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
-
2020
- 2020-01-19 CN CN202010059547.4A patent/CN111325095B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
US9792897B1 (en) * | 2016-04-13 | 2017-10-17 | Malaspina Labs (Barbados), Inc. | Phoneme-expert assisted speech recognition and re-synthesis |
CN107316654A (zh) * | 2017-07-24 | 2017-11-03 | 湖南大学 | 基于dis‑nv特征的情感识别方法 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109299211A (zh) * | 2018-09-21 | 2019-02-01 | 广州大学 | 一种基于Char-RNN模型的文本自动生成方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109635928A (zh) * | 2018-12-06 | 2019-04-16 | 华北电力大学 | 一种基于深度学习模型融合的电压暂降原因识别方法 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110432870A (zh) * | 2019-08-13 | 2019-11-12 | 重庆邮电大学 | 一种基于1d cnn-lstm的睡眠信号自动分期方法 |
Non-Patent Citations (2)
Title |
---|
吴帆等: "基于深度学习模型的电力变压器故障声音诊断方法研究", 《电声技术》 * |
吴帆等: "基于深度学习模型的电力变压器故障声音诊断方法研究", 《电声技术》, no. 01, 5 January 2020 (2020-01-05) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220291175A1 (en) * | 2020-08-28 | 2022-09-15 | Industrial Technology Research Institute | Acoustic resonance diagnostic method for detecting structural degradation and system applying the same |
CN112035811A (zh) * | 2020-08-28 | 2020-12-04 | 西安科技大学 | 一种基于鞋垫的身份认证方法 |
CN112215108B (zh) * | 2020-09-29 | 2021-11-12 | 三一专用汽车有限责任公司 | 搅拌车故障预判方法、装置和计算机可读存储介质 |
CN112215108A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 搅拌车故障预判方法、装置和计算机可读存储介质 |
CN112225026A (zh) * | 2020-10-30 | 2021-01-15 | 江苏蒙哥马利电梯有限公司 | 一种基于声信号的电梯按需维保方法 |
CN112225026B (zh) * | 2020-10-30 | 2022-05-24 | 江苏蒙哥马利电梯有限公司 | 一种基于声信号的电梯按需维保方法 |
CN112668754A (zh) * | 2020-12-03 | 2021-04-16 | 国网山西省电力公司大同供电公司 | 一种基于多源特征信息融合的电力设备缺陷诊断方法 |
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 |
CN112863546A (zh) * | 2021-01-21 | 2021-05-28 | 安徽理工大学 | 音频特征决策的带式运输机健康分析方法 |
CN112985574A (zh) * | 2021-02-26 | 2021-06-18 | 电子科技大学 | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 |
CN112985574B (zh) * | 2021-02-26 | 2022-02-01 | 电子科技大学 | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 |
CN113159566A (zh) * | 2021-04-19 | 2021-07-23 | 华南理工大学 | 设备健康阶段检测的自适应收集方法、系统、装置和介质 |
CN113283310A (zh) * | 2021-05-07 | 2021-08-20 | 国网浙江省电力有限公司武义县供电公司 | 一种基于声纹特征的电力设备健康状态检测系统和方法 |
CN113984741A (zh) * | 2021-09-29 | 2022-01-28 | 西北大学 | 基于深度学习和声音信号液体识别系统及方法 |
CN114121305A (zh) * | 2021-11-23 | 2022-03-01 | 浙江大学 | 一种基于扫频技术的传感器安全检测方法和系统 |
CN114121305B (zh) * | 2021-11-23 | 2024-02-23 | 浙江大学 | 一种基于扫频技术的传感器安全检测方法和系统 |
CN114483417A (zh) * | 2022-01-10 | 2022-05-13 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
CN114483417B (zh) * | 2022-01-10 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
CN114997749A (zh) * | 2022-08-02 | 2022-09-02 | 南京邮电大学 | 电力人员智能调度方法和系统 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117630758B (zh) * | 2024-01-24 | 2024-05-03 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN118131880A (zh) * | 2024-04-30 | 2024-06-04 | 苏州元脑智能科技有限公司 | 电源健康状态检测方法、电源电路及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111325095B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
CN110491416B (zh) | 一种基于lstm和sae的电话语音情感分析与识别方法 | |
CN103810374B (zh) | 一种基于mfcc特征提取的机器故障预测方法 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN111048114A (zh) | 一种设备异常声音检测的设备及方法 | |
CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN113566948A (zh) | 机器人化煤机故障音频识别及诊断方法 | |
CN112562698B (zh) | 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法 | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和系统 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN113571095B (zh) | 基于嵌套深度神经网络的语音情感识别方法和系统 | |
CN117037847B (zh) | 一种端到端社区噪音监测方法、装置及相关组件 | |
CN111489736B (zh) | 座席话术自动评分装置及方法 | |
CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
CN112329819A (zh) | 基于多网络融合的水下目标识别方法 | |
CN116840743A (zh) | 电力变压器故障处理方法、装置、电子设备及存储介质 | |
CN112735477B (zh) | 语音情感分析方法和装置 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
Yang et al. | Transient fault diagnosis of track circuit based on MFCC-DTW |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |