CN112863546A - 音频特征决策的带式运输机健康分析方法 - Google Patents
音频特征决策的带式运输机健康分析方法 Download PDFInfo
- Publication number
- CN112863546A CN112863546A CN202110087720.6A CN202110087720A CN112863546A CN 112863546 A CN112863546 A CN 112863546A CN 202110087720 A CN202110087720 A CN 202110087720A CN 112863546 A CN112863546 A CN 112863546A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- belt conveyor
- signal
- time
- audio
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000036541 health Effects 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims 2
- 230000009466 transformation Effects 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- 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
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及基于音频特征决策的带式运输机健康分析方法，包括以下步骤：1)利用声音传感器采集带式运输机工作时的音频信号；2)对步骤1采集到的音频信号进行滤波降噪处理；3)将滤波降噪后的信号进行预处理，利用预加重、分帧加窗的方法得到预处理后的音频信号；4)通过端点检测的方法，检测出经预处理之后信号的静音段与非静音段；5)采用时域特征的短时幅值、峭度因子特征提取方法，对步骤4得到的信号处理分析。本发明解决了音频信号由时域向频域变换特征分析的复杂性，完成基于音频信号时域特征的带式运输机故障快速检测，提高了带式运输机健康状况分析的实时性。
Description
技术领域
本发明涉及带式运输机健康分析领域，具体是一种基于音频特征决策的带式运输机健康分析方法。
背景技术
带式输送机作为煤矿生产领域中最常见的运输设备之一，具有高效、稳定运行、输送距离远、连续运输等优点，在实际使用过程中，因需要远距离输送煤块，且由于煤块中场混有煤矸石、铁块等杂物，容易导致带式运输机发生故障。带式运输机在煤矿生产中作用重要，发生故障时不仅会影响到煤矿的生产效率，严重的会引起安全事故的发生，因此需要在带式运输机工作时，实时测量带式运输机的各项参数，了解其健康状况。
随着带式运输机在智能控制、故障检测、输送距离等方面快速发展，其综合性能不断提升，但煤矿生产环境特殊，在实际工作中，带式运输机仍然会发生故障。目前，对于带式运输机的故障检测，多数企业通过使用振动传感器、电流传感器实时测量皮带机工作时的振动信号和电流大小来判断带式运输机的健康状况，但是振动信号仅对低频信号敏感，电流信号也只能获取带式运输机驱动电机转子的故障信息，虽然将声音信号纳入带式运输机多感融合检测手段，但是利用音频信号的频域特性判断带式运输机是否发生故障，步骤繁琐，大大降低了故障检测的实时性。
因此，需要克服利用音频信号对带式运输机进行健康分析的耗时问题，实现快速、准确获取带式运输机的健康信息，保证带式运输机的高效运行。
发明内容
本发明的目的是提出一种音频特征决策的带式运输机健康分析方法，该方法以带式运输机不同工作状态下的音频信号特征信息数据库为基础，所以要保证该方法的准确性与快速性，需要预先建立带式运输机不同工况下的音频信号特征信息数据库。
本发明实现发明目的的采用如下技术方案：一种音频特征决策的带式运输机健康分析方法，其特征在于，具体包括如下步骤：
步骤1：利用声音传感器采集带式运输机工作时的音频信号；
为保证采集到的音频信号全面，在带式运输机周围将声音传感器分布式排列，多个传感器同时采集带式运输机工作时的音频信号，并将采集到的音频信号以数据流的形式通过UART串口的方式传递给嵌入式开发板储存在存储器中。
步骤2：)对步骤1采集到的音频信号进行滤波降噪处理；
考虑到带式运输机工作环境的复杂性，在带式运输机工作时，采集的声音信号常伴有环境噪声以及带式运输机自身的电流声。因此，为了避免环境或电流噪声给后续步骤信号的特征提取带来较大的干扰，需要对步骤1采集到的信号滤波降噪处理，具体采用了自适应调节的滤波器降噪法，以前一时刻已获得的滤波器参数的结果为参考，自动设置当前时刻的滤波器参数。自适应调节滤波器降噪法定义为：
其中，e(n)为误差信号，xi(m)为输入音频信号，d(n)期望输出信号，wi为权系数,N为信号长度；
通过寻找最优的权系数wi，使得误差信号e(n)最小，达到最优降噪的目的。
步骤3:将滤波降噪后的信号进行预处理，利用预加重、分帧加窗的方法得到预处理后的音频信号；
由于音频信号属于能量波，这使得音频信号中的高频部分随着信号的传播衰减较快。通过信号的预处理方式，可以增强音频信号中的高频部分，使信号变得更加平稳；除此以外，通过分帧将音频信号短时间内视为连续平稳信号，方便处理分析。音频信号的预处理具体过程如下：
预加重传递函数为：
H(z)＝1-αz-1 0.93≤α≤0.97 (2)
其中，α为预加重系数。
分帧加窗：音频信号在短时间内是连续平稳的，因此对音频信号分帧处理方便时域稳态分析，对分帧后的音频信号进行加窗，可以保证相邻帧之间能够平稳过渡，分帧加窗后的信号满足：
其中y(n)为加窗后的信号，xi(m)为输入音频信号，w(n)为窗函数。
步骤4：通过端点检测的方法，检测出经预处理之后信号的静音段与非静音段；
由于带式运输机会出现停机状态，若声音传感器仍然在采集声音信号，会出现静音段，不利于信号的特征分析，因此需要对预处理后的音频信号进行端点检测，区分出音频信号中的静音段与非静音段，减少音频信号特征提取过程中的计算量，通过提取时域中的短时能量、短时过零率特征，并设置合理的门限，达到区分静音与非静音的目的。
用短时能量能够反映出音频信号的能量变化趋势，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
对于短时连续的音频信号，短时过零率表现为时域波形穿过时间轴的次数，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
步骤5：采用时域特征的短时幅值、峭度因子特征提取方法，对步骤4得到的信号处理分析；
短时幅度与峭度因子作为音频信号时域分析常见的方法，能够快速、准确的检测出带式运输机的故障冲击信号，通过计算音频信号的短时幅值能够得到音频信号在各时段的变化趋势，宏观看出故障冲击是否发生以及发生的时刻；而计算音频信号的峭度因子，可以得出发生冲击的大小，两者结合，实现实时、快速检测到带式运输机的故障。短时幅值、峭度因子计算过程如下：
短时幅值：
峭度因子：
其中，xi(m)为输入的音频信号，N为信号长度。
本发明现有技术相比，其有益效果体现在：
本发明的有益效果是为带式运输机提供一种基于音频决策的健康状况分析方法，利用分布式声音传感器阵列采集更全面的带式运输机工作时的音频信号，通过设计自适应调节滤波器的参数达到最优滤波效果，对滤波降噪后的音频信号再进行预处理和端点检测，通过改进分帧的时间参数，运用音频信号时域特征参数处理方法，得到最佳的音频信号特征信息数据。本发明可以实时、快速对带式运输机故障检测，获取带式运输机的健康状况信息，提高带式运输机的工作效率。
附图说明
图1为本发明基于音频决策的健康状况分析方法的流程图。
图2为本发明步骤2、步骤3和步骤4的流程图。
图3为本发明时域特征分析流程图。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
如图1所示，本发明实施例提供的一种基于音频特征决策的带式运输机健康分析方法，包括如下步骤：
步骤1：利用声音传感器采集带式运输机工作时产生的声音信号；
为保证采集到全面的音频信号，在带式运输机周围将声音传感器分布式排列，且距离带式运输机0.5米左右效果最好，多个声音传感器同时采集带式运输机工作时的音频信号，并将采集到的音频信号以数据流的形式通过UART串口的方式传递给嵌入式开发板储存在存储器中，同时微控制器会将数据流自动生成对应的波形文件，供后续步骤的分析。
步骤2：对步骤1采集到的声音信号进行滤波处理，得到滤波后的声音信号；
由于带式运输机工作环境的复杂性，在带式运输机工作时，采集的声音信号常伴有环境噪声以及带式运输机自身的电流声。因此，需要对步骤1采集到的信号滤波降噪处理，具体采用了自适应调节的滤波器降噪法，以前一时刻已获得的滤波器参数的结果为参考，自动设置当前时刻的滤波器参数。自适应调节滤波器降噪法定义为：
其中，e(n)为误差序列，xi(m)为输入音频信号，d(n)期望响应序列，wi为权矩阵,N为信号长度；
通过寻找最优的权系数wi，使得误差信号e(n)最小，达到最优降噪的目的。
在本实施例中，自适应调节滤波器降噪法设置的参数为，滤波器的个数取4，滤波器阶数取64，步长取0.001；得到e(n)为20480×1的序列，d(n)为20480×1的序列，且误差值为-0.33，wi为64×20480的矩阵。
步骤3:将滤波降噪后的信号进行预处理，利用预加重、分帧加窗的方法得到预处理后的音频信号；
通过信号的预处理方式，可以增强音频信号中的高频部分，使信号变得更加平稳；除此以外，利用分帧将音频信号短时间内视为连续平稳信号，方便处理分析。音频信号的预处理具体过程如下：
预加重传递函数为：
H(z)＝1-αz-1 0.93≤α≤0.97 (2)
其中，α为预加重系数。
本实施例中，采用6db/oct的数字滤波器实现预加重，为达到最佳效果，α取0.97。
分帧加窗：音频信号在短时间内是连续平稳的，因此对音频信号分帧处理方便时域稳态分析，对分帧后的音频信号进行加窗，可以保证相邻帧之间能够平稳过渡，分帧加窗后的信号满足：
其中y(n)为加窗后的信号，xi(m)为输入音频信号，w(n)为窗函数。
本实施例中，设定分帧时间为20ms，使用汉明窗，可以使音频信号的能量集中在主瓣，其窗函数表达式：
其中，N为输入音频信号的长度。
步骤4：通过端点检测的方法，检测出经预处理之后信号的静音段与非静音段；
为减少音频信号特征提取过程中的计算量，需要对预处理后的音频信号进行端点检测，通过提取时域中的短时能量、短时过零率特征，并设置合理的门限阀值，区分出音频信号中的静音段与非静音段。
用短时能量能够反映出音频信号的能量变化趋势，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
对于短时能量较小的高频信号，可使用短时过零率检测是否属于静音段，短时过零率表现为时域波形穿过时间轴的次数，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
本实施例中，根据环境噪声设定阀值，音频信号的短时过零率的阀值设定为环境噪声的平均过零率与3倍的短时过零率标准差之和；音频信号的短时能量的阀值设定为环境噪声的平均短时能量与3倍的短时能量标准差之和。
步骤5：利用时域特征分析方法，对步骤4得到的信号处理分析，具体的采用时域特征的短时幅值、峭度因子的方法。
短时幅度与峭度因子作为音频信号时域分析常见的方法，能够快速、准确的检测出带式运输机的故障冲击信号。根据预先建立的带式运输机音频信号的数据库，设定短时幅值与峭度因子的阀值，将实时处理的音频信号短时幅值与峭度因子的值与阀值进行比较，若音频信号得短时幅值与峭度因子均不在短时幅值与峭度因子阀值范围之内，则说明带式运输机发生故障。短时幅值、峭度因子计算过程如下：
短时幅值：
峭度因子：
其中，xi(m)为输入的音频信号，N为信号长度。
本实施例中，将短时幅值与峭度因子的阀值分别设定为15和6，其中短时幅值阀值为归一化后的值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于音频特征决策的带式运输机健康分析方法，其特征在于，该方法包括一下步骤：
步骤1：利用声音传感器采集带式运输机工作时的音频信号；
步骤2：对步骤1采集到的音频信号进行滤波降噪处理；
步骤3：将滤波降噪后的信号进行预处理，利用预加重、分帧加窗的方法得到预处理后的音频信号；
步骤4：通过端点检测的方法，检测出经预处理之后信号的静音段与非静音段；
步骤5：采用时域特征的短时幅值、峭度因子特征提取方法，对步骤4得到的信号处理分析。
2.根据权利要求1所述的基于音频特征决策的带式运输机健康分析方法，其特征在于，所述步骤1中，对带式运输机工作时声音的采集采用多个高敏声音传感器，分布排列，将采集的音频信号通过UART串口的方式传递给嵌入式为处理器，并储存在存储器中。
3.根据权利要求1所述的基于音频特征决策的带式运输机健康分析方法，其特征在于，所述步骤2中对步骤1中的信号滤波处理采用自适应调节滤波器降噪法，通过滤波降噪，消除音频信号中的环境噪声，自适应调节滤波器降噪法定义为：
其中，e(n)为误差序列，xi(m)为输入音频信号，d(n)期望响应序列，wi为权矩阵,N为信号长度。
4.根据权利要求1所述的基于音频特征决策的带式运输机健康分析方法，其特征在于，步骤3中的预处理做法如下：
预加重：预加重目的是提升音频信号的高频部分，防止高频信号随着信号的衰减消失，传递函数为：
H(z)＝1-αz-1 0.93≤α≤0.97 (2)
其中，α为预加重系数。
分帧加窗：音频信号在短时间内是连续平稳的，因此对音频信号分帧处理方便时域稳态分析，对分帧后的音频信号进行加窗，可以保证相邻帧之间能够平稳过渡，分帧加窗后的信号满足：
其中y(n)为加窗后的信号，xi(m)为输入音频信号，w(n)为窗函数。
5.根据权利要求1所述的基于音频特征决策的带式运输机健康分析方法，其特征在于，经过步骤3预处理完成后的音频信号进行端点检测，减少音频信号特征提取过程中的计算量，通过提取时域中的短时能量、短时过零率特征，并设置合理的门限阀值，区分出音频信号中的静音段与非静音段。
根据带式运输机工作时的音频信号特征会随着响度发生改变，用短时能量能够反映出音频信号的能量变化趋势，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
对于连续的音频信号，短时过零率表现为时域波形穿过时间轴的次数，因此可以根据短时过零率区分出音频信号中的低频和高频信号，计算过程如下：
其中，xi(m)为输入的音频信号，L为帧长，fn为总帧数。
6.根据权利要求1所述的基于音频特征决策的带式运输机健康分析方法，其特征在于，步骤6采用短时幅值、峭度因子的音频信号时域特征分析方法，完成音频信号的特征提取，根据峭度值对音频信号冲击的灵敏性特点，实现实时、快速检测到皮带运输机的故障，短时幅值、峭度因子计算过程如下：
短时幅值：
峭度因子：
其中，xi(m)为输入的音频信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110087720.6A CN112863546A (zh) | 2021-01-21 | 2021-01-21 | 音频特征决策的带式运输机健康分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110087720.6A CN112863546A (zh) | 2021-01-21 | 2021-01-21 | 音频特征决策的带式运输机健康分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112863546A true CN112863546A (zh) | 2021-05-28 |
Family
ID=76007930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110087720.6A Pending CN112863546A (zh) | 2021-01-21 | 2021-01-21 | 音频特征决策的带式运输机健康分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112863546A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114063144A (zh) * | 2021-11-09 | 2022-02-18 | 北京科技大学 | 一种利用短时过零率识别煤岩失稳前兆特征的方法 |
| CN114460456A (zh) * | 2022-04-13 | 2022-05-10 | 天津美腾科技股份有限公司 | 电磁阀故障检测方法、装置、系统及存储介质 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050273319A1 (en) * | 2004-05-07 | 2005-12-08 | Christian Dittmar | Device and method for analyzing an information signal |
| CN101930746A (zh) * | 2010-06-29 | 2010-12-29 | 上海大学 | 一种mp3压缩域音频自适应降噪方法 |
| CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
| CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
| CN104078039A (zh) * | 2013-03-27 | 2014-10-01 | 广东工业大学 | 基于隐马尔科夫模型的家用服务机器人语音识别系统 |
| CN104112453A (zh) * | 2014-04-09 | 2014-10-22 | 天津思博科科技发展有限公司 | 一种音频预处理系统 |
| 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 |
| CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测系统及方法 |
| CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
| CN106383107A (zh) * | 2016-09-23 | 2017-02-08 | 新疆大学 | 一种基于平滑滤波联合vs‑lms的光谱信号降噪方法 |
| CN106782565A (zh) * | 2016-11-29 | 2017-05-31 | 重庆重智机器人研究院有限公司 | 一种声纹特征识别方法及系统 |
| 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 |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| CN109036458A (zh) * | 2018-08-22 | 2018-12-18 | 昆明理工大学 | 一种基于音频特征参数的多语种场景分析方法 |
| CN109192184A (zh) * | 2018-09-29 | 2019-01-11 | 重庆大学 | 自动调音器及调音方法 |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN109417676A (zh) * | 2016-04-12 | 2019-03-01 | 弗劳恩霍夫应用研究促进协会 | 提供各个声音区的装置和方法 |
| 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 |
| CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
| 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 |
| CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断系统和移动终端 |
| CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和系统 |
| CN111444797A (zh) * | 2020-03-16 | 2020-07-24 | 五邑大学 | 非接触式心率检测方法 |
| CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
| CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 |
-
2021
- 2021-01-21 CN CN202110087720.6A patent/CN112863546A/zh active Pending
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050273319A1 (en) * | 2004-05-07 | 2005-12-08 | Christian Dittmar | Device and method for analyzing an information signal |
| CN101930746A (zh) * | 2010-06-29 | 2010-12-29 | 上海大学 | 一种mp3压缩域音频自适应降噪方法 |
| CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
| CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
| CN104078039A (zh) * | 2013-03-27 | 2014-10-01 | 广东工业大学 | 基于隐马尔科夫模型的家用服务机器人语音识别系统 |
| CN104112453A (zh) * | 2014-04-09 | 2014-10-22 | 天津思博科科技发展有限公司 | 一种音频预处理系统 |
| 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 |
| CN109417676A (zh) * | 2016-04-12 | 2019-03-01 | 弗劳恩霍夫应用研究促进协会 | 提供各个声音区的装置和方法 |
| CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测系统及方法 |
| CN106383107A (zh) * | 2016-09-23 | 2017-02-08 | 新疆大学 | 一种基于平滑滤波联合vs‑lms的光谱信号降噪方法 |
| CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
| CN106782565A (zh) * | 2016-11-29 | 2017-05-31 | 重庆重智机器人研究院有限公司 | 一种声纹特征识别方法及系统 |
| 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 |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| CN109036458A (zh) * | 2018-08-22 | 2018-12-18 | 昆明理工大学 | 一种基于音频特征参数的多语种场景分析方法 |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN109192184A (zh) * | 2018-09-29 | 2019-01-11 | 重庆大学 | 自动调音器及调音方法 |
| CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断系统和移动终端 |
| 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 |
| CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
| 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 |
| CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和系统 |
| CN111444797A (zh) * | 2020-03-16 | 2020-07-24 | 五邑大学 | 非接触式心率检测方法 |
| CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
| CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114063144A (zh) * | 2021-11-09 | 2022-02-18 | 北京科技大学 | 一种利用短时过零率识别煤岩失稳前兆特征的方法 |
| CN114460456A (zh) * | 2022-04-13 | 2022-05-10 | 天津美腾科技股份有限公司 | 电磁阀故障检测方法、装置、系统及存储介质 |
| CN114460456B (zh) * | 2022-04-13 | 2022-07-12 | 天津美腾科技股份有限公司 | 电磁阀故障检测方法、装置、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112863546A (zh) | 音频特征决策的带式运输机健康分析方法 | |
| Bachu et al. | Voiced/unvoiced decision for speech signals based on zero-crossing rate and energy | |
| CN104132250B (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
| CN102097095A (zh) | 一种语音端点检测方法及装置 | |
| CN105489019B (zh) | 一种基于双音频信号采集的分车型的交通流量监测系统 | |
| CN106847270B (zh) | 一种双门限地名语音端点检测方法 | |
| CN103646649A (zh) | 一种高效的语音检测方法 | |
| CN106645424B (zh) | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法 | |
| CN113192532A (zh) | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 | |
| CN107402131B (zh) | 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法 | |
| CN106650576A (zh) | 一种基于噪声特征统计量的矿山设备健康状态判决方法 | |
| CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
| CN105118511A (zh) | 一种雷声识别方法 | |
| CN102319064A (zh) | 一种提高胎心率数据减速识别准确性的装置和方法 | |
| Hou et al. | Research on audio-visual detection method for conveyor belt longitudinal tear | |
| CN110085247A (zh) | 一种针对复杂噪声环境的双麦克风降噪方法 | |
| CN106504760B (zh) | 宽频带背景噪声与语音分离检测系统及方法 | |
| CN107478729B (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
| JPWO2017154105A1 (ja) | 過給機のサージング検出方法およびサージング検出装置 | |
| CN104916292A (zh) | 检测音频信号的方法和装置 | |
| CN111951834A (zh) | 基于过零率计算的超低算力检测语音存在的方法和装置 | |
| CN104346528B (zh) | 一种基于波形特征统计的有效振动数据截取方法 | |
| CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
| CN107644651A (zh) | 用于语音识别的电路和方法 | |
| CN110710954A (zh) | 一种通过声音采集检测睡眠质量的方法 |
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 |