CN112820321A - 一种抽油机远程智能音频诊断系统、方法、设备及介质 - Google Patents
一种抽油机远程智能音频诊断系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN112820321A CN112820321A CN202110243511.6A CN202110243511A CN112820321A CN 112820321 A CN112820321 A CN 112820321A CN 202110243511 A CN202110243511 A CN 202110243511A CN 112820321 A CN112820321 A CN 112820321A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- pumping unit
- model
- oil pumping
- 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
- 238000005086 pumping Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 230000005236 sound signal Effects 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004171 remote diagnosis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000003638 chemical reducing agent Substances 0.000 description 3
- 241001023788 Cyttus traversi Species 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G10L25/48—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
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G10L25/18—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 spectral information of each sub-band
-
- 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
- G10L25/21—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 power information
-
- 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
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种抽油机远程智能音频诊断方法，应用于抽油机故障诊断领域，获取音频信号，提取语音特征并确定感兴趣区；根据所述语音特征判断是否存在故障，如存在故障，获取所述感兴趣区对应的故障语音特征；建立神经网络模型，使用样本训练神经网络；将待诊断的故障语音特征输入训练好的神经网络模型中，输出得到故障概率值；根据故障概率值确定权重，构建多目标函数，从而确定故障类型。本发明对音频信号进行远程处理，从而对抽油机进行远程诊断，不需要维修人员接近或停车检查，智能性和安全性更高；同时可以预测抽油机寿命，对设备进行提前检查，定期维护，减少抽油机停工造成的经济损失；利用神经网络进行识别故障类型使得识别结果更加准确。
Description
技术领域
本发明涉及抽油机故障诊断技术领域，更具体的说是涉及一种抽油机智能音频诊断系统、方法、设备及介质。
背景技术
抽油机是采油生产中最主要的设备之一，抽油机长期在野外环境中运行，在受到各种自然因素的破坏和影响的同时，还会受到周期性交变载荷及惯性、振动、摩擦的作用，造成抽油机故障，影响生产。
抽油机在运转过程中，经常出现的故障有抽油机整机振动、减速器漏油、刹车不灵或自动溜车、中尾轴承螺丝松动、悬绳器毛辫子拉断、皮带松动打滑等现象，这些故障的判断与处理直接影响能否尽快恢复生产；
目前，针对故障的判断是通过石油工人巡检才能对故障进行诊断，所以对于快速恢复生产产生很大影响。
因此，如何提供一种能够快速确定故障并快速进行维修以保证快速恢复生产的抽油机故障诊断系统、方法、设备及介质是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种抽油机智能音频诊断系统、方法、设备及介质，本发明目的针对野外环境中抽油机设备上安装声音传感器，根据获取的音频信号诊断抽油机的工作状态是否存在故障，并进行确定故障类型，解决了现有技术中需要巡检才能判断故障并确定故障类型的问题。
为了达到上述目的，本发明采用如下技术方案：
一种抽油机智能音频诊断方法，具体步骤包括如下：
获取音频信号，提取语音特征并确定感兴趣区；
根据所述语音特征判断是否存在故障，如存在故障，获取所述感兴趣区对应的故障语音特征；
建立神经网络模型，使用样本训练神经网络；
将待诊断的故障语音特征输入训练好的神经网络模型中，输出得到故障概率值；
根据故障概率值确定权重，构建多目标函数，从而确定故障类型。
优选的，在上述的一种抽油机智能音频诊断方法中，所述音频信号为一个或多个零部件处获取的信号；所述音频信号为多个零部件处获取的信号为多个所述零部件处获取信号的叠加。
优选的，在上述的一种抽油机智能音频诊断方法中，提取语音特征的方法包括但不限于：声谱图法、梅尔倒谱法、短时能量法、功率谱密度法、频谱通量法。
优选的，在上述的一种抽油机智能音频诊断方法中，判断是否存在故障具体步骤如下：
确定所述语音特征中的特征点；
获取历史数据库中无故障时的音频信号对应的音频特征；
进行对比确定是否存在故障。
优选的，在上述的一种抽油机智能音频诊断方法中，建立神经网络模型具体步骤如下：
所述深度卷积神经网络模型，包括4个卷积层、4个池化层、2个全连接层，中间层激活函数使用ReLU，最后一层使用softmax，每个卷积层后使用批量归一化加速训练，优化器使用随机梯度下降，采用Dropout比例分别为0.5，损失函数使用交叉熵。
优选的，在上述的一种抽油机智能音频诊断方法中，使用样本训练深度卷积神经网络，识别故障：
将故障语音特征作为声音数据样本输入预先设计好的神经网络模型中，对神经网络模型进行训练；将声音数据样本按固定比例分成三份，分别为训练集，验证集和测试集，并进行十折交叉验证，在训练集上模型拟合声音数据样本，通过其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到所需的标准将返回继续学习，若模型达到所需的标准则通过验证集对神经网络模型进行验证，验证集调整模型的超参数和对模型的能力进行初步评估，同时根据其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；测试集用来评估神经网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。
优选的，在上述的一种抽油机智能音频诊断方法中，神经网络模型输出故障概率值，所述故障概率值表达式为：
一种抽油机智能音频诊断系统，包括：
音频信号获取模块，用于获取音频信号；
语音特征提取模块，用于提取语音特征并确定感兴趣区；
故障判断模块，用于判断是否存在故障；
神经网络建立模块，用于建立神经网络得到原始故障判断模型，并对所述原始故障判断模型进行优化；
模型故障类型输出模块，用于输出故障类型。
优选的，在上述的一种抽油机智能音频诊断系统中，所述音频信号获取模块包括一个或多个声音传感器；所述声音传感器布设在抽油机上。
优选的，在上述的一种抽油机智能音频诊断系统中，所述故障判断模块包括：历史数据库、特征对比单元、数据处理单元和故障判断单元；
其中，所述数据处理单元将所述声音传感器获取的音频信号进行滤波、去噪处理，发送给所述特征对比单元，并将历史数据库中的历史数据发给所述特征对比单元；所述特征对比单元将历史数据与经所述数据处理单元处理后的数据进行对比，得到对比结果；所述对比结果通过所述故障判断单元确定是否存在故障。
优选的，在上述的一种抽油机智能音频诊断系统中，所述故障类型输出模块包括：权重计算单元、概率排序单元；所述权重计算单元根据所述概率排序单元计算各种故障出现的概率对应的权重。
优选的，在上述的一种抽油机智能音频诊断系统中，所述神经网络建立模块包括模型获取单元和参数优化单元；
所述模型获取单元用于搭建神经网络模型，并通过所述参数优化单元进行优化得到优化后的神经网络模型。
优选的，在上述的一种抽油机智能音频诊断系统中，还包括：移动端，所述移动端与模型故障类型输出模块通过无线方式连接。
一种抽油机智能音频诊断计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述一种抽油机智能音频诊断方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种抽油机智能音频诊断方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种抽油机智能音频诊断系统、方法、设备及介质，本发明目的针对野外环境中抽油机设备上安装声音传感器，根据获取的音频信号诊断抽油机的工作状态是否存在故障，并进行确定故障类型，解决了现有技术中需要巡检才能判断故障并确定故障类型的问题；对音频信号进行远程处理，从而对抽油机进行远程诊断，不需要维修人员接近或停车检查，智能性和安全性更高；同时可以预测抽油机寿命，对设备进行提前检查，定期维护，减少抽油机停工造成的经济损失；利用神经网络进行识别故障类型使得识别结果更加准确；另外，诊断结果能够发送到维修人员的手机终端上，能够实现快速定位故障油井。
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，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1 附图为本发明的整体方法流程图；
图2 附图为本发明的神经网络模型训练流程图；
图3 附图为本发明的系统框图；
图4 附图为本发明的故障判断模块框图；
图5 附图为本发明的故障类型输出模块框图；
图6 附图为本发明的神经网络建立模块框图；
图7 附图为本发明的计算机设备示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的实施例中公开了一种抽油机智能音频诊断方法，如图1所示，具体步骤包括如下：
获取音频信号，提取语音特征并确定感兴趣区；
根据语音特征判断是否存在故障，如存在故障，获取感兴趣区对应的故障语音特征；
建立神经网络模型，使用样本训练神经网络；
将待诊断的故障语音特征输入训练好的神经网络模型中，输出得到故障概率值；
根据故障概率值确定权重，构建多目标函数，从而确定故障类型。
为了进一步优化上述技术方案，音频信号为一个或多个零部件处获取的信号；音频信号为多个零部件处获取的信号为多个零部件处获取信号的叠加。
进一步，将多个声音传感器分别安装在底座、支架、悬绳器、驴头、游梁、横梁轴承座、减速器、电动机等抽油机的部件上；用于采集抽油机可能发生故障的零部件处的声音。
为了进一步优化上述技术方案，提取语音特征的方法包括但不限于：声谱图法、梅尔倒谱法、短时能量法、功率谱密度法、频谱通量法。
进一步，以声谱图法为例，对音频信号进行预处理，包括采用静音剪切处理非平稳信号、对音频信号统一采用分帧处理、Z-score标准化处理；
对预处理后的音频信号提取相同形状的MFCC特征参数作为特征矩阵，将特征矩阵增加一维，形成单声道的声谱图；
将声谱图送入训练后深度卷积神经网络进行识别并得到识别结果。
在另一实施例中，利用梅尔倒谱法，通过机 器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其 进行Mel变换，获得其MFCC特征向量；根据所得MFCC特征向量对机器健康状况进行预测，具 体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行 样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测。
其中，语音特征的提取，针对机器正常运行时已获得声音样本库的MFCC特征向量，将声音样本 数据与测试数据库分别进行预处理，所述的预处理包括滤波、加重、分帧或加窗，然后将预 处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到机器正常运行时与当 前机器运行时的MFCC特征向量。
为了进一步优化上述技术方案，判断是否存在故障具体步骤如下：
确定语音特征中的特征点；
获取历史数据库中无故障时的音频信号对应的音频特征；
进行对比确定是否存在故障。
进一步，比对波形图，例如获取底座的波形图与无故障时底座的波形图进行对比，在预设阈值范围内的偏差是允许的，但是当误差较大，说明存在故障；
在另一实施例中，获取底座和支架处的波形图进行叠加，同理与无故障时底座和支架处的波形图进行对比。
为了进一步优化上述技术方案，建立神经网络模型具体步骤如下：
深度卷积神经网络模型，包括4个卷积层、4个池化层、2个全连接层，中间层激活函数使用ReLU，最后一层使用softmax，每个卷积层后使用批量归一化加速训练，优化器使用随机梯度下降，采用Dropout比例分别为0.5，损失函数使用交叉熵。
为了进一步优化上述技术方案，如图2所示，使用样本训练深度卷积神经网络，识别故障：
将故障语音特征作为声音数据样本输入预先设计好的神经网络模型中，对神经网络模型进行训练；将声音数据样本按固定比例分成三份，分别为训练集，验证集和测试集，并进行十折交叉验证，在训练集上模型拟合声音数据样本，通过其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到所需的标准将返回继续学习，若模型达到所需的标准则通过验证集对神经网络模型进行验证，验证集调整模型的超参数和对模型的能力进行初步评估，同时根据其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；测试集用来评估神经网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。
为了进一步优化上述技术方案，神经网络模型输出故障概率值，故障概率值表达式为：
例如，底座、支架、悬绳器、驴头、游梁、横梁轴承座、减速器、电动机存在故障的概率为0.3、0.4、0.8、0.5、0.9、0、0.5、0.1；其中确定游梁发生故障的概率最大，但是不能确定只有游梁存在问题，或者不能确定其他零件出现的问题是不是由于游梁故障引起的；所以构建多目标函数，其中计算
多目标函数表示为故障特征与权重系数相乘的形式，计算多目标函数中各子目标函数的隶属度函数；
将多目标函数转化为单目标优化问题求解，得到最优解向量即为故障元件的实际动作状态。
在本发明的另一实施例中公开了一种抽油机智能音频诊断系统，如图3所示，包括：
音频信号获取模块，用于获取音频信号；
语音特征提取模块，用于提取语音特征并确定感兴趣区；
故障判断模块，用于判断是否存在故障；
神经网络建立模块，用于建立神经网络得到原始故障判断模型，并对原始故障判断模型进行优化；
模型故障类型输出模块，用于输出故障类型。
为了进一步优化上述技术方案，音频信号获取模块包括一个或多个声音传感器；声音传感器布设在抽油机上。
为了进一步优化上述技术方案，如图4所示，故障判断模块包括：历史数据库、特征对比单元、数据处理单元和故障判断单元；
其中，数据处理单元将声音传感器获取的音频信号进行滤波、去噪处理，发送给特征对比单元，并将历史数据库中的历史数据发给特征对比单元；特征对比单元将历史数据与经数据处理单元处理后的数据进行对比，得到对比结果；对比结果通过故障判断单元确定是否存在故障。
为了进一步优化上述技术方案，如图5所示，故障类型输出模块包括：权重计算单元、概率排序单元；权重计算单元根据概率排序单元计算各种故障出现的概率对应的权重。
为了进一步优化上述技术方案，如图6所示，神经网络建立模块包括模型获取单元和参数优化单元；
模型获取单元用于搭建神经网络模型，并通过参数优化单元进行优化得到优化后的神经网络模型。
在一种实施例中提供了一种计算机设备，如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器以及网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种抽油机智能音频诊断系统。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指定相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种抽油机远程智能音频诊断方法，其特征在于，具体步骤包括如下：
获取音频信号，提取语音特征并确定感兴趣区；
根据所述语音特征判断是否存在故障，如存在故障，获取所述感兴趣区对应的故障语音特征；
建立神经网络模型，使用样本训练神经网络；
将待诊断的故障语音特征输入训练好的神经网络模型中，输出得到故障概率值；
根据故障概率值确定权重，构建多目标函数，从而确定故障类型。
2.根据权利要求1所述的一种抽油机远程智能音频诊断方法，其特征在于，所述音频信号为一个或多个零部件处获取的信号；所述音频信号为多个零部件处获取的信号为多个所述零部件处获取信号的叠加。
3.根据权利要求1所述的一种抽油机远程智能音频诊断方法，其特征在于，所述提取语音特征的方法包括但不限于：声谱图法、梅尔倒谱法、短时能量法、功率谱密度法、频谱通量法。
4.根据权利要求1所述的一种抽油机远程智能音频诊断方法，其特征在于，判断是否存在故障具体步骤如下：
确定所述语音特征中的特征点；
获取历史数据库中无故障时的音频信号对应的音频特征；
进行对比确定是否存在故障。
5.根据权利要求1所述的一种抽油机远程智能音频诊断方法，其特征在于，建立神经网络模型具体步骤如下：
所述深度卷积神经网络模型，包括4个卷积层、4个池化层、2个全连接层，中间层激活函数使用ReLU，最后一层使用softmax，每个卷积层后使用批量归一化加速训练，优化器使用随机梯度下降，采用Dropout比例分别为0.5，损失函数使用交叉熵。
6.根据权利要求5所述的一种抽油机远程智能音频诊断方法，其特征在于，使用样本训练深度卷积神经网络，识别故障：
将故障语音特征作为声音数据样本输入预先设计好的神经网络模型中，对神经网络模型进行训练；将声音数据样本按固定比例分成三份，分别为训练集，验证集和测试集，并进行十折交叉验证，在训练集上模型拟合声音数据样本，通过其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到所需的标准将返回继续学习，若模型达到所需的标准则通过验证集对神经网络模型进行验证，验证集调整模型的超参数和对模型的能力进行初步评估，同时根据其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；测试集用来评估神经网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。
7.根据权利要求1所述的一种抽油机远程智能音频诊断方法，其特征在于，神经网络模型输出故障概率值，所述故障概率值表达式为：
8.一种抽油机远程智能音频诊断系统，其特征在于，包括：
音频信号获取模块，用于获取音频信号；
语音特征提取模块，用于提取语音特征并确定感兴趣区；
故障判断模块，用于判断是否存在故障；
神经网络建立模块，用于建立神经网络得到原始故障判断模型，并对所述原始故障判断模型进行优化；
模型故障类型输出模块，用于输出故障类型。
9.根据权利要求8所述的一种抽油机远程智能音频诊断系统，其特征在于，所述音频信号获取模块包括一个或多个声音传感器；所述声音传感器布设在抽油机上。
10.根据权利要求9所述的一种抽油机远程智能音频诊断系统，其特征在于，所述故障判断模块包括：历史数据库、特征对比单元、数据处理单元和故障判断单元；
其中，所述数据处理单元将所述声音传感器获取的音频信号进行滤波、去噪处理，发送给所述特征对比单元，并将历史数据库中的历史数据发给所述特征对比单元；所述特征对比单元将历史数据与经所述数据处理单元处理后的数据进行对比，得到对比结果；所述对比结果通过所述故障判断单元确定是否存在故障。
11.根据权利要求8所述的一种抽油机远程智能音频诊断系统，其特征在于，所述故障类型输出模块包括：权重计算单元、概率排序单元；所述权重计算单元根据所述概率排序单元计算各种故障出现的概率对应的权重。
12.根据权利要求8所述的一种抽油机远程智能音频诊断系统，其特征在于，所述神经网络建立模块包括模型获取单元和参数优化单元；
所述模型获取单元用于搭建神经网络模型，并通过所述参数优化单元进行优化得到优化后的神经网络模型。
13.根据权利要求8所述的一种抽油机远程智能音频诊断系统，其特征在于，还包括：移动端，所述移动端与模型故障类型输出模块通过无线方式连接。
14.一种抽油机远程智能音频诊断计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110243511.6A CN112820321A (zh) | 2021-03-05 | 2021-03-05 | 一种抽油机远程智能音频诊断系统、方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110243511.6A CN112820321A (zh) | 2021-03-05 | 2021-03-05 | 一种抽油机远程智能音频诊断系统、方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112820321A true CN112820321A (zh) | 2021-05-18 |
Family
ID=75863378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110243511.6A Pending CN112820321A (zh) | 2021-03-05 | 2021-03-05 | 一种抽油机远程智能音频诊断系统、方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112820321A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113338909A (zh) * | 2021-08-09 | 2021-09-03 | 天津市正方科技发展有限公司 | 一种基于音频的抽油机故障巡检系统及声音采集方法 |
| CN113746583A (zh) * | 2021-09-18 | 2021-12-03 | 鹰潭市广播电视传媒集团有限责任公司 | 公共播音设备的远程管理系统、方法、装置和存储介质 |
| CN114439405A (zh) * | 2022-01-22 | 2022-05-06 | 北京石油机械有限公司 | 一种防喷器控制装置故障监测方法、装置、设备及介质 |
| CN115750304A (zh) * | 2022-11-22 | 2023-03-07 | 大庆宏富来电气设备制造有限公司 | 绿能抽油机智慧管控系统 |
| CN116645978A (zh) * | 2023-06-20 | 2023-08-25 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
| WO2023185801A1 (zh) * | 2022-03-29 | 2023-10-05 | 阿里云计算有限公司 | 振动信号的识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998044428A1 (en) * | 1997-04-01 | 1998-10-08 | Porta Systems Corporation | System and method for telecommunications system fault diagnostics |
| CN106198062A (zh) * | 2016-07-27 | 2016-12-07 | 哈尔滨市科佳通用机电有限公司 | 轨道交通工具故障车载声学检测系统及检测方法 |
| CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 |
| CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
| CN112113755A (zh) * | 2020-09-02 | 2020-12-22 | 西安交通大学 | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 |
-
2021
- 2021-03-05 CN CN202110243511.6A patent/CN112820321A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998044428A1 (en) * | 1997-04-01 | 1998-10-08 | Porta Systems Corporation | System and method for telecommunications system fault diagnostics |
| CN106198062A (zh) * | 2016-07-27 | 2016-12-07 | 哈尔滨市科佳通用机电有限公司 | 轨道交通工具故障车载声学检测系统及检测方法 |
| CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 |
| CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
| CN112113755A (zh) * | 2020-09-02 | 2020-12-22 | 西安交通大学 | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张宇文主编: "《鱼雷总体设计理论与方法》", 30 September 2015 * |
| 王曦等: "《基于智能化多目标优化的空压机油液故障诊断研究》", 《中国农机化学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113338909A (zh) * | 2021-08-09 | 2021-09-03 | 天津市正方科技发展有限公司 | 一种基于音频的抽油机故障巡检系统及声音采集方法 |
| CN113338909B (zh) * | 2021-08-09 | 2021-10-26 | 天津市正方科技发展有限公司 | 一种基于音频的抽油机故障巡检系统及声音采集方法 |
| CN113746583A (zh) * | 2021-09-18 | 2021-12-03 | 鹰潭市广播电视传媒集团有限责任公司 | 公共播音设备的远程管理系统、方法、装置和存储介质 |
| CN114439405A (zh) * | 2022-01-22 | 2022-05-06 | 北京石油机械有限公司 | 一种防喷器控制装置故障监测方法、装置、设备及介质 |
| WO2023185801A1 (zh) * | 2022-03-29 | 2023-10-05 | 阿里云计算有限公司 | 振动信号的识别方法及装置 |
| CN115750304A (zh) * | 2022-11-22 | 2023-03-07 | 大庆宏富来电气设备制造有限公司 | 绿能抽油机智慧管控系统 |
| CN116645978A (zh) * | 2023-06-20 | 2023-08-25 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
| CN116645978B (zh) * | 2023-06-20 | 2024-02-02 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112820321A (zh) | 一种抽油机远程智能音频诊断系统、方法、设备及介质 | |
| US20210147182A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
| Lindemann et al. | Anomaly detection in discrete manufacturing using self-learning approaches | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
| CN111045411A (zh) | 用于动力传动系组件的故障诊断方法 | |
| CN104568446A (zh) | 一种发动机故障诊断方法 | |
| CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
| KR102373827B1 (ko) | 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법 | |
| CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
| CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
| CN113567131A (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN114999527A (zh) | 一种变压器异常检测模型训练和部署方法及装置 | |
| CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
| CN113314142B (zh) | 发动机故障检测方法、系统、存储介质及设备 | |
| CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 | |
| CN116910680A (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN111474476A (zh) | 一种电机故障预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |