CN111640427A - 基于声音时频域分析的球磨机工况识别方法、系统和装置 - Google Patents
基于声音时频域分析的球磨机工况识别方法、系统和装置 Download PDFInfo
- Publication number
- CN111640427A CN111640427A CN202010473714.XA CN202010473714A CN111640427A CN 111640427 A CN111640427 A CN 111640427A CN 202010473714 A CN202010473714 A CN 202010473714A CN 111640427 A CN111640427 A CN 111640427A
- Authority
- CN
- China
- Prior art keywords
- ball mill
- grinding
- sound
- working condition
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 21
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000009432 framing Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
- G10L15/144—Training of HMMs
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声音时频域分析的球磨机工况识别方法、系统和装置，将声音识别技术应用于检测球磨机粉磨作业时的运行工况上，采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；将梅尔频率倒谱系数特征和短时能量特征，以经典的concat特征融合方法进行特征融合；将一段球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果是否合理。避开传统人工判断的不利影响，实现球磨机粉磨作业时的运行工况的自动识别，提高和保证球磨机工况识别率的准确率和稳定性。
Description
技术领域
本发明涉及球磨机粉磨作业工艺技术领域，具体来说，涉及一种声音短时能量和梅尔频率倒谱系数的球磨机工况识别方法和系统，即基于声音时频域分析的球磨机工况识别方法、系统和装置。
背景技术
粉磨作业在选矿工业、化学工业和建筑工业等方面，都占有极重要的地位。例如，选矿工业的基本工序就是破碎和磨细，矿料经过破碎机破碎后，根据实际生产工艺要求的矿料粒度，破碎后的矿料还必须经过粉磨机磨细，达到目标生产质量。其中，进行高精磨的球磨机的运转率和效率，通常决定了粉磨过程甚至整个工艺全流程的生产效率和指标。但目前大多数工业部门使用的是电动型球磨机，在使用的过程中有个显著的缺点是耗电量较大，并且若是球磨机按湿式作业方式来研磨矿料时，还得考虑球磨机内部的磨矿浓度和出浆的质量是否符合生产期望目标，因为球磨机内部状况复杂，涉及了破碎力学、矿浆流变学、机械振动与噪声学。因此，能够有效地判断球磨机内部的具体运行工况，是提升该工艺经济效益和减少电能损耗的关键。但目前的主要判断方式是传统的人工判断法，即对球磨机工况的判断和控制取决于技术人员的经验和熟练程度，影响了对球磨机工况判断的准确率和稳定性。
发明内容
本发明所要解决的技术问题是针对现有技术的上述缺陷，提供一种基于声音时频域分析的球磨机工况识别方法、系统和装置，避开传统人工判断的不利影响，实现球磨机粉磨作业时的运行工况的自动识别，提高和保证球磨机工况识别率的准确率和稳定性。
本发明为解决上述技术问题所采用的技术方案是：
一种基于声音时频域分析的球磨机工况识别方法，其特征在于：将声音识别技术应用于检测球磨机粉磨作业时的运行工况上，包括以下步骤：
S1、球磨机磨音数据采集和数据预处理，包括：采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，依据采集的磨音数据建立声音库，并对声音库中磨音数据进行数据预处理；
S2、提取球磨机磨音信号频域梅尔频率倒谱系数特征向量，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
S3、提取球磨机磨音信号时域的短时能量特征；将梅尔频率倒谱系数特征和短时能量特征，以经典的concat特征融合方法进行特征融合；
S4、建立球磨机工况声学模型：将步骤S3融合的特征进行特征矢量量化，并将矢量量化的特征输入到HMM模型中进行训练，得到基于HMM模型的球磨机工况声学模型；
S5、球磨机工况识别系统实验测试：将一段球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果是否合理。
上述技术方案中，所述步骤S1中球磨机磨音数据预处理具体包括如下步骤：
S11、将采集到的三种工况下磨音数据分别切割成以2秒为单位的样本数据建立声音库，之后进行包括预加重、加窗分帧步骤在内的数据预处理；
S12、预加重采用如公式(1)所示的FIR滤波器实现，
H(z)＝1-az-1 (1)
其中，a为预加重系数，取值0.9375，z-1代表信号滞后一个采样周期；
S13、采用汉明窗作为加窗函数进行分帧，减少频谱泄漏。
上述技术方案中，所述步骤S2提取球磨机梅尔频率倒谱系数特征的步骤如下：
S21、经过步骤S1数据预处理后，原始n时刻的磨音信号x(n)变换为xi(m)，对xi(m)进行FFT快速傅里叶变换，即把时域数据转变为频域数据，表达式如(2)所示；
X(i,k)＝FFT[xi(m)] (2)
式中：xi(m)是一帧的数值，m＝1,2,…L，i＝1,2,…,fn，L为帧长，fn为分帧后的总帧数。X(i,k)是经FFT的频域信号，i表示第i帧，k表示频域中的第k条谱线；
S22、其次对每一帧FFT后的数据计算谱线的能量E(i,k)，并计算该谱线能量通过Mel滤波器中的能量S(i,m)，表达式如(3)(4)所示；
E(i,k)＝|x(i,k)|2 (3)
S23、然后，把Mel滤波器的能量取对数后做DCT离散余弦变换，表达式如(5)所示；
最后得到24维的3种不同工况下的梅尔频率倒谱系数特征；
式中，m是指第m个Mel滤波器；i是指第i帧；n是离散余弦变换的谱线。
上述技术方案中，所述步骤S3包括如下具体步骤：
S31、提取球磨机三种工况下的短时能量特征，短时能量的计算公式表达式如(6)所示：
式中：x(m)为待分析的球磨机磨音信号，w(k)是窗函数，N为窗长；
S32、利用concat特征融合的方法，直接将时域短时能量特征和频域梅尔频率倒谱系数组合起来，梅尔频率倒谱系数的维数为24维，短时能量为1维，利用concat特征融合后构成25维的球磨机磨音特征。
上述技术方案中，所述步骤S4具体包括如下步骤：
S41、待识别的磨音经分帧、参数分析、特征提取得到随机向量序列，通过矢量量化将该随机向量序列转化为观察序列；
S42、计算这组观察序列在各HMM模型上的输出概率108，输出概率最大的HMM模型对应的球磨机工况就是该组观察序列的识别结果；HMM模型定义为λ＝f(A，B，π)，模型λ中，A是状态转移矩阵，B是由L个概率密度函数构成行矢量，π为初始状态概率矢量。
上述技术方案中，所述步骤S42中，在实际运用HMM模型建立球磨机工况识别系统的过程中，HMM模型的训练主要围绕以下三个步骤来选择进行：
S421、当已知模型输出Y和模型λ时，要计算产生Y的概率P(Y|λ)，即已知模型参数和观测序列后，评估模型或对其打分，也就是看给定的观测序列匹配的如何；
S422、当已知模型输出Y及模型λ时，估计产生此Y最可能经历的状态X，即选择最佳观察序列；
S423、根据模型输出Y来优化模型参数，使模型参数对Y吻合的概率最大，即使P(Y|λ)。
上述技术方案中，所述步骤S5进行球磨机工况识别系统实验测试具体过程如下：
随机输入一段球磨机磨音，在给定模型输出Y的条件下，得到最有可能的状态序列，即通过比较判断找出所有状态序列中产生模型输出Y的可能性最大的状态序列，并由系统给出输出概率，完成球磨机工况识别系统的识别判断。
一种基于声音时频域分析的球磨机工况识别系统，其特征在于，包括：
球磨机磨音数据采集和数据预处理模块，用于采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，依据采集的磨音数据建立声音库，并对声音库中磨音数据进行数据预处理；
梅尔频率倒谱系数特征提取模块，用于提取球磨机磨音信号频域梅尔频率倒谱系数特征，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
特征融合模块，用于将梅尔频率倒谱系数特征和信号时域的短时能量特征征，以经典的concat特征融合方法进行特征融合；
训练模块，用于将融合的特征进行特征矢量量化，并将矢量量化的特征输入到HMM模型中进行训练，得到基于HMM模型的球磨机工况声学模型。
一种识别装置，其特征在于，包括：识别结果获取模块，用于将一段待识别球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果合理。
本发明的有益效果：
本发明提供的一种基于声音时频域分析的球磨机工况识别方法、系统和装置，将声音识别技术应用于检测球磨机粉磨作业时的运行工况上，通过将声音信号的时域短时能量特征与频域梅尔频率倒谱系数特征相结合作为球磨机磨音新的特征，使其因不同特征之间的优势互补效果让对球磨机磨音进行特征提取变得更加有效。
该识别系统、方法和装置不仅实现了判断球磨机欠磨、正常磨和饱磨三种工况的工艺自动化，还改善了单一特征提取方法不能较好的反映该信号特征导致的球磨机工况识别率不高的问题，极大地提升了识别效率，对工作人员控制球磨机在最优工作状态具有一定的参考价值，具有良好的应用和推广前景。
附图说明
图1是本发明的基于声音时频域分析球磨机工况识别方法和系统的流程框图。
具体实施方式
根据本发明实施的一种基于声音时频域分析的球磨机工况识别方法如图1所示，其特征在于：将声音识别技术应用于检测球磨机粉磨作业时的运行工况上，包括以下步骤：
S1、球磨机磨音数据采集和数据预处理(参见图1的101-103)，包括：采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据101，依据采集的磨音数据建立声音库102，对声音库中磨音数据进行数据预处理103；
S2、提取球磨机磨音信号频域梅尔频率倒谱系数特征104，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
S3、提取球磨机磨音信号时域的短时能量特征105；梅尔频率倒谱系数特征和短时能量特征进行特征融合：将时域的短时能量和频域的梅尔频率倒谱系数特征，以经典的concat特征融合方法进行特征融合106；
S4、建立球磨机工况声学模型：将步骤S3融合的特征进行特征矢量量化107，并将矢量量化的特征输入到HMM模型中进行训练109，得到基于HMM模型的球磨机工况声学模型110；
S5、球磨机工况识别系统实验测试：将一段球磨机磨音送入基于HMM模型的球磨机工况声学模型110中，看是否能识别出该磨音表征的球磨机工况，测试效果合理。
上述技术方案中，所述步骤S1中球磨机磨音数据预处理具体包括如下步骤：
S11、将采集到的三种工况下磨音数据分别切割成以2秒为单位的样本数据建立声音库，之后进行包括预加重、加窗分帧步骤在内的数据预处理；
S12、预加重采用FIR滤波器实现，表达式如公式(1)所示，a为预加重系数，取值0.9375；
H(z)＝1-az-1 (1)
式中：z-1代表信号滞后一个采样周期；
S13、采用汉明窗作为加窗函数进行分帧，减少频谱泄漏。
上述技术方案中，所述步骤S2提取球磨机梅尔频率倒谱系数特征的步骤如下：
S21、经过步骤S1数据预处理后，原始n时刻的磨音信号x(n)变换为xi(m)，对xi(m)进行快速傅里叶变换，即把时域数据转变为频域数据，表达式如(2)所示；
X(i,k)＝FFT[xi(m)] (2)
式中：xi(m)是一帧的数值，m＝1,2,…L，i＝1,2,…,fn，L为帧长，fn为分帧后的总帧数；X(i,k)是经FFT的频域信号，i表示第i帧，k表示频域中的第k条谱线。
S22、其次对每一帧FFT后的数据计算谱线的能量E(i,k)，并计算该谱线能量通过Mel滤波器中的能量S(i,m)，表达式如(3)(4)所示；
E(i,k)＝|x(i,k)|2 (3)
S23、然后，把Mel滤波器的能量取对数后做离散余弦变换(DCT，Discrete CosineTransform)，表达式如(5)所示；
最后得到24维的3种不同工况下的梅尔频率倒谱系数特征；
式中，m是指第m个Mel滤波器；i是指第i帧；n是离散余弦变换的谱线。
上述技术方案中，所述步骤S3包括如下具体步骤：
S31、提取球磨机三种工况下的短时能量特征，短时能量的计算公式表达式如(6)所示：
式中：x(m)为待分析的球磨机磨音信号，w(k)是窗函数，N为窗长。
S32、利用concat特征融合的方法，直接将时域短时能量特征和频域梅尔频率倒谱系数组合起来，梅尔频率倒谱系数的维数为24维，短时能量为1维，利用concat特征融合后构成25维的球磨机磨音特征。
上述技术方案中，所述步骤S4具体包括如下步骤：
S41、待识别的磨音经分帧、参数分析、特征提取得到随机向量序列，通过矢量量化将该随机向量序列转化为观察序列；
S42、计算这组观察序列在各HMM模型上的输出概率108，输出概率最大的HMM模型对应的球磨机工况就是该组观察序列的识别结果；HMM模型定义为λ＝f(A，B，π)，模型中A是状态转移矩阵，B是由L个概率密度函数构成行矢量，π为初始状态概率矢量。
上述技术方案中，所述步骤S42中，在实际运用HMM模型建立球磨机工况识别系统的过程中，HMM模型的训练主要围绕以下三个步骤来选择进行：
S421、当已知模型输出Y和模型λ时，要计算产生Y的概率P(Y|λ)，即已知模型参数和观测序列后，评估模型或对其打分，也就是看给定的观测序列匹配的如何；
S422、当已知模型输出Y及模型λ时，估计产生此Y最可能经历的状态X，即选择最佳观察序列；
S423、根据模型输出Y来优化模型参数，使模型参数对Y吻合的概率最大，即使P(Y|λ)。
上述技术方案中，所述步骤S5进行球磨机工况识别系统实验测试具体过程如下：
输入一段球磨机磨音，在给定模型输出Y的条件下，得到系统内部的最有可能的状态序列，即通过比较判断找出所有状态序列中产生模型输出Y的可能性最大的状态序列，并由系统给出输出概率，完成球磨机工况识别系统的识别判断。
如图所示的一种基于声音时频域分析的球磨机工况识别系统，其特征在于，包括：
球磨机磨音数据采集和数据预处理模块(101-103)，用于采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，依据采集的磨音数据建立声音库，输入球磨机磨音并对声音库中磨音数据进行数据预处理；
梅尔频率倒谱系数特征提取模块(104)，用于提取球磨机磨音信号频域梅尔频率倒谱系数特征，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
特征融合模块(106)，用于将梅尔频率倒谱系数特征和信号时域的短时能量特征征，以经典的concat特征融合方法进行特征融合；
训练模块(107-111)，用于将融合的特征进行特征矢量量化，并将矢量量化的特征输入到HMM模型中进行训练，得到基于HMM模型的球磨机工况声学模型。
一种识别装置，其特征在于，包括：识别结果获取模块，用于将一段待识别球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果合理。
Claims (9)
1.一种基于声音时频域分析的球磨机工况识别方法，其特征在于：将声音识别技术应用于检测球磨机粉磨作业时的运行工况上，包括以下步骤：
S1、球磨机磨音数据采集和数据预处理，包括：采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，依据采集的磨音数据建立声音库，并对声音库中磨音数据进行数据预处理；
S2、提取球磨机磨音信号频域梅尔频率倒谱系数特征向量，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
S3、提取球磨机磨音信号时域的短时能量特征；将梅尔频率倒谱系数特征和短时能量特征，以经典的concat特征融合方法进行特征融合；
S4、建立球磨机工况声学模型：将步骤S3融合的特征进行特征矢量量化，并将矢量量化的特征输入到HMM模型中进行训练，得到基于HMM模型的球磨机工况声学模型；
S5、球磨机工况识别系统实验测试：将一段球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果是否合理。
2.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S1中球磨机磨音数据预处理具体包括如下步骤：
S11、将采集到的三种工况下磨音数据分别切割成以2秒为单位的样本数据建立声音库，之后进行包括预加重、加窗分帧步骤在内的数据预处理；
S12、预加重采用如公式(1)所示的FIR滤波器实现，
H(z)＝1-az-1 (1)
其中，a为预加重系数，取值0.9375，z-1代表信号滞后一个采样周期；
S13、采用汉明窗作为加窗函数进行分帧，减少频谱泄漏。
3.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S2提取球磨机梅尔频率倒谱系数特征的步骤如下：
S21、经过步骤S1数据预处理后，原始n时刻的磨音信号x(n)变换为xi(m)，对xi(m)进行FFT快速傅里叶变换，即把时域数据转变为频域数据，表达式如(2)所示；
X(i,k)＝FFT[xi(m)] (2)
式中：xi(m)是一帧的数值，m＝1,2,…L，i＝1,2,…,fn，L为帧长，fn为分帧后的总帧数。X(i,k)是经FFT的频域信号，i表示第i帧，k表示频域中的第k条谱线；
S22、其次对每一帧FFT后的数据计算谱线的能量E(i,k)，并计算该谱线能量通过Mel滤波器中的能量S(i,m)，表达式如(3)(4)所示；
E(i,k)＝|x(i,k)|2 (3)
S23、然后，把Mel滤波器的能量取对数后做DCT离散余弦变换，表达式如(5)所示；
最后得到24维的3种不同工况下的梅尔频率倒谱系数特征；
式中，m是指第m个Mel滤波器；i是指第i帧；n是离散余弦变换的谱线。
4.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S3包括如下具体步骤：
S31、提取球磨机三种工况下的短时能量特征，短时能量的计算公式表达式如(6)所示：
式中：x(m)为待分析的球磨机磨音信号，w(k)是窗函数，N为窗长；
S32、利用concat特征融合的方法，直接将时域短时能量特征和频域梅尔频率倒谱系数组合起来，梅尔频率倒谱系数的维数为24维，短时能量为1维，利用concat特征融合后构成25维的球磨机磨音特征。
5.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S4具体包括如下步骤：
S41、待识别的磨音经分帧、参数分析、特征提取得到随机向量序列，通过矢量量化将该随机向量序列转化为观察序列；
S42、计算这组观察序列在各HMM模型上的输出概率108，输出概率最大的HMM模型对应的球磨机工况就是该组观察序列的识别结果；HMM模型定义为λ＝f(A，B，π)，模型λ中，A是状态转移矩阵，B是由L个概率密度函数构成行矢量，π为初始状态概率矢量。
6.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S42中，在实际运用HMM模型建立球磨机工况识别系统的过程中，HMM模型的训练主要围绕以下三个步骤来选择进行：
S421、当已知模型输出Y和模型λ时，要计算产生Y的概率P(Y|λ)，即已知模型参数和观测序列后，评估模型或对其打分，也就是看给定的观测序列匹配的如何；
S422、当已知模型输出Y及模型λ时，估计产生此Y最可能经历的状态X，即选择最佳观察序列；
S423、根据模型输出Y来优化模型参数，使模型参数对Y吻合的概率最大，即使P(Y|λ)。
7.根据权利要求1所述的基于声音时频域分析的球磨机工况识别方法，其特征在于：所述步骤S5进行球磨机工况识别系统实验测试具体过程如下：
随机输入一段球磨机磨音，在给定模型输出Y的条件下，得到最有可能的状态序列，即通过比较判断找出所有状态序列中产生模型输出Y的可能性最大的状态序列，并由系统给出输出概率，完成球磨机工况识别系统的识别判断。
8.一种基于声音时频域分析的球磨机工况识别系统，其特征在于，包括：
球磨机磨音数据采集和数据预处理模块，用于采集球磨机在欠磨、正常磨和饱磨三种工况下磨音数据，依据采集的磨音数据建立声音库，并对声音库中磨音数据进行数据预处理；
梅尔频率倒谱系数特征提取模块，用于提取球磨机磨音信号频域梅尔频率倒谱系数特征，按照球磨机磨音信号在梅尔频率倒谱系数表现的特点，选择提取球磨机在欠磨、正常磨和饱磨的三种状况下的24维梅尔频率倒谱系数；
特征融合模块，用于将梅尔频率倒谱系数特征和信号时域的短时能量特征征，以经典的concat特征融合方法进行特征融合；
训练模块，用于将融合的特征进行特征矢量量化，并将矢量量化的特征输入到HMM模型中进行训练，得到基于HMM模型的球磨机工况声学模型。
9.一种识别装置，其特征在于，包括：识别结果获取模块，用于将一段待识别球磨机磨音送入基于HMM模型的球磨机工况声学模型中，看是否能识别出该磨音表征的球磨机工况，测试效果合理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010473714.XA CN111640427A (zh) | 2020-05-29 | 2020-05-29 | 基于声音时频域分析的球磨机工况识别方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010473714.XA CN111640427A (zh) | 2020-05-29 | 2020-05-29 | 基于声音时频域分析的球磨机工况识别方法、系统和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111640427A true CN111640427A (zh) | 2020-09-08 |
Family
ID=72332880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010473714.XA Pending CN111640427A (zh) | 2020-05-29 | 2020-05-29 | 基于声音时频域分析的球磨机工况识别方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640427A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077851A (zh) * | 2021-11-22 | 2022-02-22 | 河北工业大学 | 基于fsvc的球磨机工况识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010019831A1 (en) * | 2008-08-14 | 2010-02-18 | 21Ct, Inc. | Hidden markov model for speech processing with training method |
| CN102148032A (zh) * | 2010-12-03 | 2011-08-10 | 北京声迅电子有限公司 | 应用于atm机的异常声音检测方法及系统 |
| CN102664006A (zh) * | 2012-04-14 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 基于时频域分析的异常人声检测方法 |
| CN105810212A (zh) * | 2016-03-07 | 2016-07-27 | 合肥工业大学 | 一种复杂噪声环境下的列车鸣笛识别方法 |
-
2020
- 2020-05-29 CN CN202010473714.XA patent/CN111640427A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010019831A1 (en) * | 2008-08-14 | 2010-02-18 | 21Ct, Inc. | Hidden markov model for speech processing with training method |
| US20110208521A1 (en) * | 2008-08-14 | 2011-08-25 | 21Ct, Inc. | Hidden Markov Model for Speech Processing with Training Method |
| CN102148032A (zh) * | 2010-12-03 | 2011-08-10 | 北京声迅电子有限公司 | 应用于atm机的异常声音检测方法及系统 |
| CN102664006A (zh) * | 2012-04-14 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 基于时频域分析的异常人声检测方法 |
| CN105810212A (zh) * | 2016-03-07 | 2016-07-27 | 合肥工业大学 | 一种复杂噪声环境下的列车鸣笛识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077851A (zh) * | 2021-11-22 | 2022-02-22 | 河北工业大学 | 基于fsvc的球磨机工况识别方法 |
| CN114077851B (zh) * | 2021-11-22 | 2024-04-23 | 河北工业大学 | 基于fsvc的球磨机工况识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
| CN108169639B (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
| CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN110940539A (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| Ye et al. | Statistical impact-echo analysis based on grassmann manifold learning: Its preliminary results for concrete condition assessment | |
| CN105244038A (zh) | 一种基于hmm的选矿设备故障异常音频分析与识别方法 | |
| CN101393660A (zh) | 一种基于脚步声识别的智能门禁系统 | |
| CN104614069A (zh) | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 | |
| CN108091340B (zh) | 声纹识别方法、声纹识别系统和计算机可读存储介质 | |
| CN111640427A (zh) | 基于声音时频域分析的球磨机工况识别方法、系统和装置 | |
| CN111508475B (zh) | 一种机器人唤醒的语音关键词识别方法、装置及存储介质 | |
| CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN111860684A (zh) | 一种基于双网络的电厂设备故障预警方法及系统 | |
| Shen et al. | Transducer-based language embedding for spoken language identification. | |
| CN208147865U (zh) | 一种应用于变电站智能巡检机器人的声音识别系统 | |
| CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
| CN110415707B (zh) | 一种基于语音特征融合和gmm的说话人识别方法 | |
| CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
| CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
| CN108501003A (zh) | 一种应用于变电站智能巡检机器人的声音识别系统和方法 | |
| Chen et al. | Sound-based Real-time Scrap Falling State Monitoring in the Shearing Process of Wide Heavy Plate Mill |
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: 20200908 |
|
| RJ01 | Rejection of invention patent application after publication |