CN112504673B - 基于机器学习的托辊故障诊断方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种基于机器学习的托辊故障诊断方法、系统及存储介质。所述基于机器学习的托辊故障诊断方法包括以下步骤：S1，采集托辊音频数据；S2，提取音频数据的特征；所述音频数据的特征具体包括尖锐度、噪声烦恼度以及言语干扰级之一或任意组合；S3，音频数据的特征输入至已训练的CART模型中，CART模型对托辊的运行状态进行识别；S4，若托辊运行异常，执行警报、监视或控制操作；若托辊运行正常，完成当前时刻的托辊故障诊断，执行步骤S5；S5，更新时刻，重复执行步骤S1至步骤S4，进行下一时刻的托辊故障诊断。本发明可以实现对托辊故障的实时诊断，并且易实现成本低，算法复杂度低。

Description

基于机器学习的托辊故障诊断方法、系统及存储介质

技术领域

本发明涉及输送机托辊故障诊断领域，具体涉及一种基于机器学习的托辊故障诊断方法、系统及存储介质。

背景技术

带式输送机用于输送物料，是工业生产工艺流程的重要一环。带式输送机可以组成高效的运输流水线，提高工业生产效率，减轻工人劳动强度，被广泛应用于矿山、电力、码头等行业。带式输送机长时间负载运行，容易发生各类故障，如：托辊损坏、皮带撕裂等。其中，托辊故障是引起带式输送机停机的主要原因之一。托辊是带式输送机重要运转部件，数量众多(约1～3米布置一组)，主要起到支撑胶带和承载及减小运行阻力作用。常见托辊故障为运转不良(卡顿、偏心、破损)，如果异常托辊没有在早期发现、不及时更换，易引发胶带摩擦起火、撕裂等，甚至引起人身伤亡事故，造成设备损坏、停产等重大经济损失。因此对带式输送机托辊进行异常监测，及时发现故障前兆并报警，对安全、高效生产有重大意义。带式输送机托辊故障主要表现形式为异响、噪声，如：高频嘶鸣、沙沙异响等，因此可以提取并分析声音信号的时、频域特征，实现托辊异常早期检测与报警。

目前，带式输送机的托辊故障检测以人工巡检为主，检测工作人员凭着多年的工作经验，通过敲打、察看、细听等方式完成检修工作，这种方式效率低，存在漏检，无法及时发现托辊早期故障。除此之外，也有部分托辊自动检测方法方面的研究，其中，大多自动检测方法采用多种传感器融合的方法判断托辊故障，但该方法硬件复杂，数据繁杂，不便于应用；少数自动检测方法仅采集音频数据进行判断，虽采集数据简单，但仅通过判断音频数据的分贝识别判断故障，对音频数据仅进行简单的处理判断，未深度挖掘音频的特征，判断结果不准确，易受干扰。例如申请为CN201910168680.0的专利申请公开了一种输煤系统智能无人巡检系统，通过视觉、噪声等多种信息的融合实现故障诊断，但硬件成本高，计算量大。例如申请号为CN201810532489.5的专利公开了一种输送机的故障识别方法、装置及系统，该装置通过提取周期性音频信号，识别托辊的故障，但该方案采样频率高，音频信号的特征提取单一，仍然易受干扰。

发明内容

本发明的目的在于克服现有技术中所存在的未充分运用音频信号特征，不能快速高效的判断托辊故障的不足，提供一种便于实施、运算高效的基于机器学习的托辊故障诊断方法、系统及存储介质，将音频数据的深度分析与CART模型的智能识别判断相结合，实现对托辊故障的实时诊断。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于机器学习的托辊故障诊断方法，包括以下步骤：

S1，采集托辊音频数据；

S2，提取音频数据的特征；所述音频数据的特征具体包括尖锐度、噪声烦恼度以及言语干扰级之一或任意组合；

S3，音频数据的特征输入至已训练的CART模型中，CART模型对托辊的运行状态进行识别；

S4，若托辊运行异常，执行警报、监视或控制操作；若托辊运行正常，完成当前时刻的托辊故障诊断，执行步骤S5；

S5，更新时刻，重复执行步骤S1至步骤S4，进行下一时刻的托辊故障诊断。

优选地，所述步骤S2采集的音频数据的特征包括尖锐度、噪声烦恼度以及言语干扰级；对音频数据进行频域变换得到音频数据的频域信息，然后计算尖锐度、噪声烦恼度以及言语干扰级。

优选地，所述尖锐度、言语干扰级的计算公式如下所示：

尖锐度计算公式：

其中S为尖锐度；k为加权系数，24Bark表示尖锐度模型的24个特征频带，z为临界频带，N′(z)为临界频带z上的特征响度，g(z)为依据不同临界频段设置的响度计权函数，

言语干扰级计算公式：

其中LST为言语干扰级，L_P1、L_P2、L_P3分别表示500Hz、1000Hz、2000Hz为中心的三倍频带的噪声声压级。

优选地，所述CART模型通过以下步骤训练：

A1，获取已标注的音频数据特征；

A2，构建CART模型，将已标注的音频数据特征输入到CART模型中，训练CART模型，得到训练后的CART模型。

优选地，所述CART模型根据基尼GINI系数来选择测试属性，GINI系数的值越小，划分效果越好；

GINI系数的值可由式(2)计算：

其中，P表示样本集合，为已标注的音频数据特征；样本集合P划分为P₁、P₂两个子集，分别表示托辊运行正常的音频数据特征和托辊运行异常的音频数据特征；s为样本集合P的总样本个数，s₁为属于子集P₁的样本个数，s₂为属于子集P₂的样本个数。

优选地，所述CART模型通过以下步骤训练：

步骤B1，获取已标注的音频数据特征，将已标注的音频数据特征分为训练数据集和测试数据集；

步骤B2，构建CART模型，将训练数据集输入到CART模型中，训练CART模型，得到训练后的CART模型；

步骤B3，测试数据集输入已训练的CART模型进行测试，得到预测结果，对测试数据集的预测结果与测试数据的实际结果进行统计分析，给出模型的预测准确率。

优选地，所述步骤S1中模型实时识别过程中采集的音频数据和对应的步骤S3识别的托辊运行状态，也作为训练样本用于对CART模型进行训练。

一种如上述任一项方法运行的基于机器学习的托辊故障诊断系统，包括顺次连接的以下模块：数据采集模块、特征提取模块、CART模型模块以及监控模块。

优选地，所述基于机器学习的托辊故障诊断系统，还包括模型训练模块；特征提取模块的输出端连接模型训练模块的输入端，模型训练模块的输出端连接CART模型模块的输入端。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器学习的托辊故障诊断方法的步骤。

与现有技术相比，本发明的有益效果：

1、通过对实时采集的音频数据进行深度分析，以获取尖锐度、噪声烦恼度、言语干扰级等特征指标，然后将提取的数据特征输入至已训练好的CART模型中，根据模型预测结果即可监测胶带输送机托辊运行状态，实现对托辊异常的实时诊断。

2、通过实时监测托辊的状态，可以实现托辊在未出现故障时及时发现托辊的异常，进行故障的前兆识别，提高安全性，降低对生产的影响。

3、识别过程中，采集的音频数据也用于逻辑回归模型的训练，提高模型的准确度。

附图说明：

图1为本发明示例性实施例1的基于机器学习的托辊故障诊断方法的流程图；

图2为本发明示例性实施例1中模型训练流程图；

图3为本发明示例性实施例1中带测试验证的模型训练流程图；

图4为本发明示例性实施例2中基于机器学习的托辊故障诊断系统的系统框图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

如图1所示，本实施例提供一种基于机器学习的托辊故障诊断方法，包括以下步骤：

S1，采集托辊音频数据；

S2，提取音频数据的特征；所述音频数据的特征具体包括尖锐度、噪声烦恼度以及言语干扰级之一或任意组合；

S3，音频数据的特征输入至已训练的CART模型中，CART模型对托辊的运行状态进行识别；

S4，若托辊运行异常，执行警报、监视或控制操作；若托辊运行正常，完成当前时刻的托辊故障诊断，执行步骤S5；

S5，更新时刻，重复执行步骤S1至步骤S4，进行下一时刻的托辊故障诊断。

本实施例通过语音信号处理技术对托辊运行的音频数据做声品质分析，实现对音频数据进行深度特征分析，获取尖锐度、噪声烦恼度或言语干扰级等特征指标；然后采用CART模型对音频信号的特征指标进行分类，准确识别带式输送机托辊的运行状态，判断托辊运行是否正常；在托辊运行异常时，及时执行报警操作等以提醒进行相关的维护检修工作。托辊出现松动或皮带温度过高时等异常现象发生时，托辊仍可运行，常规的故障诊断方法并不会提前发现这些异常现象；而本实施例所述方法通过对采集的音频数据进行特征分析可以较早地发现这些异常现象发生，实现对故障进行前兆监测；再结合CART模型的识别和报警，有效预防带式输送机故障发生，可完全脱离人工巡检凭经验检修的弊端，真正实现自动化无人巡检的目的，大大提高了工作效率，从而实现早期预警、避免漏检等。

示例性的，步骤S1具体包括以下步骤：根据麦克风的拾音距离在托辊附近布设麦克风，通过麦克风采集托辊的音频数据。麦克风以帧为单位采集数据，通常以10ms样点作为一帧，帧长数组N根据采样频率与一帧长度来确定，例如采样频率为16kHz，10ms表示160个样点，即帧长数组N为160。为了后续处理时，数据的平滑过渡，将前一帧的数据与当前帧的数据进行拼接，组成一个长度为2N的数组Data。即托辊的音频数据记作数组Data，用于后续的数据分析。

本实施例仅采集音频数据用于后续分析，实施时只需要增加麦克风和DSP等相关的硬件设备，新增设备简单，成本低；且后续的数据分析处理过程只需要软件算法即可实现，无需破坏原生产线，不受环境因素影响，抗干扰性强。

示例性的，步骤S2采集的音频数据的特征包括尖锐度、噪声烦恼度以及言语干扰级。音频特征分为时域特征和频域特征，种类繁多。本实施例中，选取尖锐度、噪声烦恼度、言语干扰级三个特征指标用于特征分析，兼顾模型分类识别的准确度与占用的资源，占用较少的资源即可得到准确度较高的模型。

步骤S2通过以下步骤提取音频数据的特征。将步骤S1获取的音频数据进行声品质分析，提取尖锐度、噪声烦恼度、言语干扰级等技术指标。具体操作为：对音频数据进行频域变换得到音频数据的频域信息，然后利用变换前后的音频数据计算尖锐度、噪声烦恼度以及言语干扰级；尖锐度S、噪声烦恼度PA、言语干扰级LST的计算公式如下所示；

尖锐度S计算公式：尖锐度计算方法目前没有标准方法，本发明采用的是DIN45692-2009标准，其原型表达式为：

其中k为加权系数，0.105≤k＜0.115，本实施例取值k＝0.11；24Bark表示尖锐度模型的24个特征频带；z为临界频带，N′(z)为临界频带z上的特征响度，z与24Bark特征频带之间的关系指标在DIN45692-2009标准给出，响度的计算依据ISO532-2-2017标准得出；g(z)为DIN45692标准模型依据不同临界频段设置的响度计权函数：

噪声烦恼度PA：该指标描述声音的厌烦程度，综合考虑了响度、尖锐度、粗糙度、波动度的影响，属于主观心理测试指标。本发明将ISO标准噪声数据库Noise 92通过音频测试系统回放，通过人工方式基于ISO/TS 15666-2003标准进行主观评价，然后对评价结果进行筛选处理后形成主观评价数据库添加至系统数据分析模块，最后在实际场景中采集噪声数据用软件算法进行分析和处理得到客观评价指标。

言语干扰级LST：根据ISO/TR 3352-1974标准，以中心频率为500Hz、1000Hz、2000Hz三个倍频带声压级的算术平均值作为言语干扰级评价指标。计算公式为

其中L_P1、L_P2、L_P3分别表示500Hz、1000Hz、2000Hz为中心的三倍频带的噪声声压级，声压级计算公式为

p₀为参考声压，本实施例取值2×10^-5Pa，p_e为有效声压值，计算公式为

x表示语音信号的采样数据，T表示音频数据点的个数。

本实施例选取尖锐度、噪声烦恼度、言语干扰级等特征指标对音频数据做深度的特征分析。尖锐度指标可以用于描述音色特征；噪声烦恼度可以用于排除部分非关注噪声的影响，例如自然噪声、其他方位的噪声等；言语干扰级可以关注多个频率的声压级。选取尖锐度、噪声烦恼度、言语干扰级三个特征指标用于特征分析，兼顾模型分类识别的准确度与占用的资源，占用较少的资源即可得到准确度较高的模型。

本实施例选用CART模型来对提取的音频特征进行分类识别。决策树CART模型计算量相对较小，且容易转化成分类规则；分类规则准确性高，便于理解；不需要任何领域知识和参数假设，具有高准确性、高效性、模式简单等优点。本实施例通过语音信号处理技术音频数据做深度的特征分析，然后基于CART模型对提取的特征进行识别分类，以得到准确性高、运算高效的基于机器学习的托辊故障诊断方法。

示例性的，如图2所示，步骤S3的CART模型通过以下步骤训练：

A1，获取已标注的音频数据特征；

采集大量托辊音频数据，按照步骤S2提取音频数据的特征，并标注托辊运行状态。

本实施例中，采集大量的音频数据，按照采集时序对其排序，计算各数据的尖锐度、噪声烦恼度、言语干扰级等特征指标，并对各组数据进行托辊运行状态标注，将数据特征分析结果与托辊运行状态进行映射。其中，标注信息为托辊运行正常和托辊运行异常，其中托辊运行异常表示托辊出现松动或皮带温度过高等异常现象发生，此时托辊可能仍在运行，但继续使用不及时检修会导致托辊出现故障停止运行，造成安全问题和影响生产。本实施例通过将托辊出现松动等现象列为异常现象并对CART模型进行训练，为下一步带式输送机托辊故障诊断提供数据支撑，方便后续及时检测识别这些异常现象。本实施例所述方法可以实现托辊故障前兆检测，提高了安全性，保障生产的顺利进行。音频数据的标注方式如表1所示，表1给出了五组托辊运行状态正常和五组托辊运行状态异常的数组；

表1托辊运行状态标注示例表

A2，构建CART模型，将已标注的音频数据特征输入到CART模型中，训练CART模型，得到训练后的CART模型。

CART分类算法的思想是：对训练样本集进行递归划分自变量空间，并依次建立决策树模型，然后采用验证数据的方法进行树枝修剪，从而得到符合要求的决策树分类模型。CART分类算法是根据基尼(GINI)系数来选择测试属性，GINI系数的值越小，划分效果越好。设样本集合(已标注的音频数据特征)为P，则P的GINI系数值可由式(1)计算：

式中，k为分类类别；P_k为选中样本属于k类别的概率，不属于k类别的概率为(1-P_k)。本发明划分两种类型，分别为托辊运行正常和托辊运行异常，因而将样本集合P划分为P₁、P₂两个子集，则此次划分的GINI系数的值可由式(2)计算：

其中，s为样本集合P的总样本个数，s₁为属于子集P₁的样本个数，s₂为属于子集P₂的样本个数。

本实施例中，将获取的已标注的音频数据特征作为训练样本输入CART模型中，对CART模型进行训练，得到训练后的CART模型。

示例性的，如图3所示，CART模型训练时，还包括对已训练好的模型进行测试验证的步骤，具体步骤如下所示。

步骤B1，将步骤A1已标注的音频数据特征分为训练数据集和测试数据集；步骤B2，使用训练数据集训练CART模型；

步骤B3，测试数据集输入已训练的CART模型进行测试，得到预测结果，对测试数据集的预测结果与测试数据的实际结果进行统计分析，得到模型的预测准确率。

本实施例中，已标注的样本数据分为训练数据集和测试数据集，分别占比80％和20％，其中训练数据集用来对模型进行训练，测试数据集用来对已训练好的模型进行测试验证，以判断模型的有效性。对测试数据集的预测结果与测试数据的实际结果进行统计分析，得到模型的预测准确率。此处的预测准确率表征模型当前的训练效果，用于对已训练的模型进行测试验证，若预测准确率低，则模型还需进一步调整。比如模型训练不足、数据分布不均匀或者算法模型不满足当前应用场景等，均可能导致预测准确率低。通过训练时及时的发现模型的问题，可以提高模型的训练效率与模型的准确度。

示例性的，步骤S1中模型实时识别过程中采集的音频数据和对应的步骤S3识别的托辊运行状态，也作为训练样本用于对逻辑回归模型进行训练。实时采集的音频数据也用于对模型进行训练，增加模型训练样本的数量，同时实时识别过程中采集的数据更符合应用场景，通过这些音频数据对CART模型进行训练，可以得到更符合当前应用场景的CART模型，提高模型的准确度。

本实施例通过步骤A1-A2，或步骤B1-B3训练CART模型；然后将实时采集的音频数据进行特征提取，提取的数据特征输入至已训练好的CART模型中，根据监测胶带输送机托辊运行状态，实现对托辊实时诊断。若判断胶带输送机托辊运行异常，执行报警操作，以便采取监控提示措施，及时检修托辊，有效预防带式输送机故障。

实施例2

如图4所示，本实施例提供一种基于机器学习的托辊故障诊断系统，下文描述的基于机器学习的托辊故障诊断系统与上文描述的基于机器学习的托辊故障诊断方法可相互对应参照。

参见图4所示，该系统包括顺次连接的以下模块：数据采集模块、特征提取模块、CART模型模块以及监控模块；

本实施例中，数据采集模块用于采集托辊音频数据；特征提取模块用于提取音频数据的特征；CART模型模块用于根据音频数据的特征对托辊的运行状态进行识别；监控模块用于根据逻辑回归模型模块的识别分类结果执行警报、监视或控制操作。CART模型模块储存有已训练的逻辑回归模型，已训练的CART模型的相应参数根据模型训练过程进行部署。CART模型识别出托辊运行状态异常后，可以驱动警示设备进行相应的提醒，采用显示屏和摄像头等采集当前的运行情况以供进一步的判断和观察，或自动断电等以确保生产的安全性。

示例性的，基于机器学习的托辊故障诊断系统还包括模型训练模块；特征提取模块的输出端连接模型训练模块的输入端，模型训练模块的输出端连接CART模型模块的输入端。所述模型训练模块用于根据已标注的音频数据特征调整CART模型的参数，模型训练完成后，将训练好的模型的参数部署至逻辑回归模型模块中，以对实时采集的音频数据进行托辊运行状态识别。

示例性的，模型训练模块还用于根据实时采集的音频数据和CART模型模块输出的识别结果进行CART模型的训练。实时采集的音频数据也用于对模型进行训练，可以增加模型训练样本的数量，同时实时识别过程中采集的数据更符合应用场景，通过这些音频数据对CART模型进行训练，可以得到更符合当前应用场景的CART模型，提高模型的准确度。

应用本发明实施例所提供的系统，获取音频数据，对实时采集的音频数据进行特征提取，然后将提取的数据特征输入至已训练好的CART模型中，根据模型预测结果即可监测胶带输送机托辊运行状态，实现对托辊实时诊断和前兆诊断。

实施例3

相应于上面的方法实施例，本实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于机器学习的托辊故障诊断方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于机器学习的托辊故障诊断方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于机器学习的托辊故障诊断方法，其特征在于，包括以下步骤：

S1，在托辊附近布设麦克风，采集托辊音频数据，采样频率为16kHz；

S2，提取音频数据的特征；所述音频数据的特征具体包括尖锐度、噪声烦恼度以及言语干扰级；对音频数据进行频域变换得到音频数据的频域信息，然后计算尖锐度、噪声烦恼度以及言语干扰级；

S3，音频数据的特征输入至已训练的CART模型中，CART模型对托辊的运行状态进行识别；

S4，若托辊运行异常，执行警报、监视或控制操作；若托辊运行正常，完成当前时刻的托辊故障诊断，执行步骤S5；

S5，更新时刻，重复执行步骤S1至步骤S4，进行下一时刻的托辊故障诊断。

2.根据权利要求1所述的基于机器学习的托辊故障诊断方法，其特征在于，所述尖锐度、言语干扰级的计算公式如下所示：

尖锐度计算公式：

其中S为尖锐度；k为加权系数，24Bark表示尖锐度模型的24个特征频带，z为临界频带，N′(z)为临界频带z上的特征响度，g(z)为依据不同临界频段设置的响度计权函数，

言语干扰级计算公式：

其中LST为言语干扰级，L_P1、L_P2、L_P3分别表示500Hz、1000Hz、2000Hz为中心的三倍频带的噪声声压级。

3.根据权利要求1所述的基于机器学习的托辊故障诊断方法，其特征在于，所述CART模型通过以下步骤训练：

A1，获取已标注的音频数据特征；

A2，构建CART模型，将已标注的音频数据特征输入到CART模型中，训练CART模型，得到训练后的CART模型。

4.根据权利要求3所述的基于机器学习的托辊故障诊断方法，其特征在于，所述CART模型根据基尼GINI系数来选择测试属性，GINI系数的值越小，划分效果越好；

GINI系数的值可由式(2)计算：

其中，P表示样本集合，为已标注的音频数据特征；样本集合P划分为P₁、P₂两个子集，分别表示托辊运行正常的音频数据特征和托辊运行异常的音频数据特征；s为样本集合P的总样本个数，s₁为属于子集P₁的样本个数，s₂为属于子集P₂的样本个数。

5.根据权利要求3所述的基于机器学习的托辊故障诊断方法，其特征在于，所述CART模型通过以下步骤训练：

步骤B1，获取已标注的音频数据特征，将已标注的音频数据特征分为训练数据集和测试数据集；

步骤B2，构建CART模型，将训练数据集输入到CART模型中，训练CART模型，得到训练后的CART模型；

步骤B3，测试数据集输入已训练的CART模型进行测试，得到预测结果，对测试数据集的预测结果与测试数据的实际结果进行统计分析，给出模型的预测准确率。

6.根据权利要求3所述的基于机器学习的托辊故障诊断方法，其特征在于，步骤S1中模型实时识别过程中采集的音频数据和对应的步骤S3识别的托辊运行状态，也作为训练样本用于对CART模型进行训练。

7.一种如权利要求1至6任一项所述方法运行的基于机器学习的托辊故障诊断系统，其特征在于，包括顺次连接的以下模块：数据采集模块、特征提取模块、CART模型模块以及监控模块。

8.根据权利要求7所述的基于机器学习的托辊故障诊断系统，其特征在于，还包括模型训练模块；特征提取模块的输出端连接模型训练模块的输入端，模型训练模块的输出端连接CART模型模块的输入端。

9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于机器学习的托辊故障诊断方法的步骤。

Images