CN112879278B - 基于噪声信号a计权分析的泵站机组故障诊断方法 - Google Patents
基于噪声信号a计权分析的泵站机组故障诊断方法 Download PDFInfo
- Publication number
- CN112879278B CN112879278B CN202110030387.5A CN202110030387A CN112879278B CN 112879278 B CN112879278 B CN 112879278B CN 202110030387 A CN202110030387 A CN 202110030387A CN 112879278 B CN112879278 B CN 112879278B
- Authority
- CN
- China
- Prior art keywords
- sound pressure
- noise
- weighting
- pressure level
- frequency
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000010410 layer Substances 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 210000005069 ears Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000007790 scraping Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于噪声信号A计权分析的泵站机组故障诊断方法，涉及泵站机组故障诊断技术领域。该方法通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级，当A计权噪声声压级超过报警值时对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。
Description
技术领域
本发明涉及泵站机组故障诊断技术领域，通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级，当A计权噪声声压级超过报警值时对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。
背景技术
泵站机组是泵站的主要组成部件，在城市排涝、引水、调水等工程中得到广泛应用，其运行状态对整个工程和泵站的安全可靠运行起着至关重要的影响。泵站机组稳定运行是工程效益正常发挥的重要保证。水泵机组投入运行后,随着工况的变化、运行时间的延长以及一些突发事件，一些安全隐患和设备故障将逐步显现,威胁设备的安全运行,甚至导致设备遭到破坏,严重时可能引发灾难性事故。因此,实时、全面地掌握机组运行状况,及时发现存在的安全隐患和设备故障,对安全运行和工程效益的发挥都起到十分重要的作用。
噪声一方面是作为一种有害的信息需要加以克服与控制，另一方面作为机械运行时发出的一种固有信号，噪声中必然携带着机械本身的结构信息和运行的状态信息，从理论上讲完全可以利用噪声信号来对设备的运行状态及故障进行在线监测和诊断。泵站机组在运行过程中会产生一定的噪声，当机组发生故障时，噪声的频率特性和能量分布会出现不同程度的变化，据此在不停机、不解体的情况下，就可以通过对噪声信号的分析推知设备的故障部位、故障原因及其严重程度。虽然在这方面已有大量的理论研究，但是由于泵站机组本身的复杂性以及不同声源之间的相互干扰，在具体应用上尚有许多问题亟待解决，其中对采集的噪声信号的有效处理和特征提取就是其中的关键。
泵站机组由于受水力、机械、电磁等诸多因素的影响，单一故障征兆无法准确的表征故障特征，而事实上，诊断结果往往取决于提取的特征的好坏，如果提取的特征不好，整个模型很难达到很好的分类效果。其次，传统的故障诊断往往利用支持向量机、决策树等浅层分类方法，带入到机器学习的分类算法中，这种浅层学习方法往往无法自动识别各个特征的权重，从而导致诊断精度不高。近年来，随着深度学习在各个领域如语音识别，图像识别等的发展，基于深度学习理论的智能故障诊断技术有了很大突破，通过泵站机组的噪声信号的A计权分析，快速计算得到A计权噪声声压级，当A计权声压级超过报警值时通过进行1/3倍频程分析得到各倍频程声压能量值，通过深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。
发明内容
本发明的目的在于提供一种通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级，当A计权噪声声压级超过报警值时对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断的方法。
为了实现上述目的，本发明采用的技术方案如下：
一种基于噪声监测的泵站机组故障分析方法，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取距离水泵叶轮外壳和电机外壳1米处的原始噪声声压信号；
S2，分别计算水泵和电机的噪声A计权声压级，采用FFT频谱分解加权修正的方法来计算A计权声压级；
S3，判断水泵和电机的噪声A计权声压级是否超标报警，如果是则启动S4-S6的机组故障诊断分析；
S4，将噪声信号在20Hz到20kHz人耳能听到的噪声频率范围内分为31段，每个段的划分原则利用了1/3倍频程的计算方式；对噪声声压原始信号进行FFT频谱分析，在每个频程范围内将声能量进行频带能量计算，得到31个频带声压能量值；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出
所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
优选地，S1中采用自由场传声传感器采集水泵和电机的原始噪音声压信号。
优选地，所述原始噪音声压信号中包括水泵汽蚀、叶轮刮擦、叶轮不平衡、电机转子不平衡、电机基础松动、电机磁拉力不平衡故障信号。
优选地，S2中采用FFT频谱分解加权修正的方法来计算A计权声压级。
声压级是噪声总能量大小的反映，由于人耳对声音频率的敏感性是非线性的，声压相同的噪声对人耳产生的响应也可能不同，为了反映人耳的听觉特性，通常采用计权声级作为评价参数，计权网络有A、B、C、D四种，常用情况下我们都采用A计权进行测量，因为A计权与人类的主观感知有良好的相关性，针对人耳对低频信号不那么敏感的情况进行了补偿。A计权声压级的计算方法通常为：将噪声信号在20Hz到20kHz人耳能听到的噪声频率范围内分为31段，每个段的划分原则利用了1/3倍频程的计算方式，然后在每个段内分别利用带通滤波原理将噪声信号滤波后，利用能量的特点，将声能量进行积分计算，从而得到每个频程范围内的声能量，将这些声能量进行积分计算，从而得到每个频程范围内的声能量，将这些声能量按统一的标准转化为人们熟知的声压级之后，然后将频程的声压级值连成曲线即形成了标准的1/3倍频A声级，将各频带声压级按能量求和法即可算得A计权总声压级。该常规A计权声压级的计算过程要求采用带通滤波器组实现倍频程谱，低频带20Hz左右带通滤波器阶数会高达10万，同时分数倍频程又会使滤波器个数成倍增加，如1/3倍频程滤波器要30个，导致计算量巨大。
本发明采用FFT频谱分解加权修正的方法来计算A计权声压级，具体步骤如下：
A1，根据有效值定义，噪声声压信号的有效值按如下公式计算：
公式中pe是声压有效值，表示在一定时间间隔中，瞬时声压对时间取均方根值；其中T代表取平均的时间间隔，p(t)为时间间隔内某个时刻t的瞬时声压；
声压级的定义如下：
其中Lp为声压级，dB；p0＝2×10-5Pa，为基准声压；pe为有效声压；
A2，根据傅里叶变换理论，任何一个函数都可以分解成一系列正弦函数的叠加，对噪声声压信号通过傅里叶变换分解为若干频率的纯音源，离散傅里叶变换的定义如下：
其中x(n)为N点有限长时域序列，e为自然常数，i为虚数单位，X(k)为N点有限长频域序列；
A3，假设声场中有n个不同噪声源，第i个噪声源的声压为pei，根据不相干声波叠加原理，合成声场的总声压与各声源的关系为
因此，多频噪声总声压级可表示为
A4，根据声压级定义公式(2)，总声压级可表示为各分频声压级的能量叠加，公式为
A5，A计权网络是以40方等响曲线倒置，并使1000Hz值位于0时对噪声进行加权分析。在国标GB/T3785.1-2010中，给出了A计权网络曲线公式，如下：
其中f表示要计算的频率，f1＝20.6Hz，f2＝107.7Hz，f3＝737.9Hz，f4＝12194Hz；A1000是以分贝表示的归一化常数，相应于在1kHz提供0dB频率计权所需的增益，A1000＝-2dB；
A6，对噪声信号的傅里叶变换频谱，对每个频谱幅值点，可按公式(7)计算该频率处的修正A计权分贝值，1000Hz处，修正分贝值为0dB，100Hz处，修正分贝值为-19.1dB；对各频谱幅值点计算声压级，对各频率幅值点的声压级进行A计权修正，然后合成总的A计权声压级，计算公式为：
其中Lpi是各频谱幅值所在频率处的声压级，取该频率处的有效值幅值，按公式(2)计算；Afi是该频率处的修正A计权分贝值，按公式(7)计算；
本发明的有益效果是：本发明实施例提供的一种基于噪声信号A计权分析的泵站机组故障诊断方法，通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级，当A计权噪声声压级超过报警值时对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。
附图说明
图1是本发明提供的泵站机组故障诊断方法流程示意图；
图2是本发明提供的A计权网络曲线频率修正图；
图3是本发明提供的采用FFT频谱分解加权修正的方法来计算A计权声压级流程示意图；
图4是本发明提供的深度极限学习及诊断算法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1-4所示，本发明实施例提供了一种基于噪声信号A计权分析的泵站机组故障诊断方法，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取距离水泵叶轮外壳和电机外壳1米处的原始噪声声压信号；
S2，分别计算水泵和电机的噪声A计权声压级，采用FFT频谱分解加权修正的方法来计算A计权声压级；
S3，判断水泵和电机的噪声A计权声压级是否超标报警，如果是则启动S4-S6的机组故障诊断分析；
S4，将噪声信号在20Hz到20kHz人耳能听到的噪声频率范围内分为31段，每个段的划分原则利用了1/3倍频程的计算方式；对噪声声压原始信号进行FFT频谱分析，在每个频程范围内将声能量进行频带能量计算，得到31个频带声压能量值；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出
所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
其中，S1中采用自由场传声传感器采集水泵和电机的原始噪声声压信号。
所述原始噪声声压信号中包括水泵汽蚀、叶轮刮擦、叶轮不平衡、电机转子不平衡、电机基础松动、电机磁拉力不平衡故障信号。
本发明的一个优选实施例中，S2中采用FFT频谱分解加权修正的方法来计算A计权声压级，可参见图3，具体步骤如下：
A1，根据有效值定义，噪声声压信号的有效值按如下公式计算：
公式中pe是声压有效值，表示在一定时间间隔中，瞬时声压对时间取均方根值；其中T代表取平均的时间间隔，p(t)为时间间隔内某个时刻t的瞬时声压；
声压级的定义如下：
其中Lp为声压级，dB；p0＝2×10-5Pa，为基准声压；pe为有效声压；
A2，根据傅里叶变换理论，任何一个函数都可以分解成一系列正弦函数的叠加，对噪声声压信号通过傅里叶变换分解为若干频率的纯音源，离散傅里叶变换的定义如下：
其中x(n)为N点有限长时域序列，e为自然常数，i为虚数单位，X(k)为N点有限长频域序列；
A3，假设声场中有n个不同噪声源，第i个噪声源的声压为pei，根据不相干声波叠加原理，合成声场的总声压与各声源的关系为
因此，多频噪声总声压级可表示为
A4，根据声压级定义公式(2)，总声压级可表示为各分频声压级的能量叠加，公式为
A5，A计权网络是以40方等响曲线倒置，并使1000Hz值位于0时对噪声进行加权分析。在国标GB/T3785.1-2010中，给出了A计权网络曲线公式，如下：
其中f表示要计算的频率，f1＝20.6Hz，f2＝107.7Hz，f3＝737.9Hz，f4＝12194Hz；A1000是以分贝表示的归一化常数，相应于在1kHz提供0dB频率计权所需的增益，A1000＝-2dB；
A6，对噪声信号的傅里叶变换频谱，对每个频谱幅值点，可按公式(7)计算该频率处的修正A计权分贝值，1000Hz处，修正分贝值为0dB，100Hz处，修正分贝值为-19.1dB；对各频谱幅值点计算声压级，对各频率幅值点的声压级进行A计权修正，然后合成总的A计权声压级，计算公式为：
其中Lpi是各频谱幅值所在频率处的声压级，取该频率处的有效值幅值，按公式(2)计算；Afi是该频率处的修正A计权分贝值，按公式(7)计算；
本发明实施例提供的泵站机组故障诊断方法，至少具有以下优点：
1、本发明基于噪声信号A计权分析的泵站机组故障诊断方法中，通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级。此方法摆脱了传统A计权声压级的获取需要对原始噪声声压信号的各倍频程频段进行计算量巨大的带通滤波后计算每个频程声压级最终按能量求和法得到总声压级的弊端，也避免了直接通过硬件A计权滤波网络获得A计权声压级而无法获取原始声压信号进行故障诊断的弊端，兼顾了获得噪声信号强度和对噪声作频谱分析的需求。
2、本发明基于噪声信号A计权分析的泵站机组故障诊断方法中，采用了对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，将各倍频程频段能量作为输入，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。泵站机组的原始噪声声压信号中包括水泵汽蚀、叶轮刮擦、叶轮不平衡、电机转子不平衡、电机基础松动、电机磁拉力不平衡等故障信号，各种故障信号会表现为各倍频程频段能量的变化，通过深度极限学习机对特征进行学习，可以很好地区分各种水泵机组故障。
3、与现有的故障诊断技术相比，本发明的泵站机组智能故障诊断方法能够直接从泵站机组噪声信号中获得噪声强度进行故障报警，并从噪声信号各倍频程频段能量中通过深度极限学习机提取特征，准确地识别泵站机组的故障类型，为解决泵站机组的故障诊断问题提供了一种新的有效途径，可广泛应用于电力、机械、冶金、化工等各重要领域的复杂系统当中。
具体实施例
本发明实施例提供的泵站机组故障诊断方法，可以采用如下方法进行实施：
步骤1、在泵站机组上的水泵和电机附近距离机组设备1米处安装自由场传声传感器，采集水泵和电机的原始噪声声压信号。
步骤2、分别计算水泵和电机的噪声A计权声压级，采用FFT频谱分解加权修正的方法来计算A计权声压级。
步骤3、当A计权声压级报警时，收集故障样本数据，即水泵汽蚀、叶轮刮擦、叶轮不平衡、电机转子不平衡、电机基础松动、电机磁拉力不平衡，对每种故障类型添加标签，建立训练样本集。
步骤4、特征提取阶段，将噪声信号在20Hz到20kHz人耳能听到的噪声频率范围内分为31段，每个段的划分原则利用了1/3倍频程的计算方式；对噪声声压原始信号进行FFT频谱分析，在每个频程范围内将声能量进行频带能量计算，得到31个频带声压能量值，作为极限学习机的输入特征向量。
步骤5、故障诊断阶段，将极限学习机分为6层，其中分别分为输入层、隐含层1、隐含层2、隐含层3，隐含层4、输出层，其中输入层数目为特征向量个数、输出层为故障类型数目，隐含层数目分别为100、200、400、800，用于稀疏特征。代入训练数据集，采用随机权重进行模型训练。
步骤6、上线运行阶段，模型训练好之后，保存模型结构和各个层的权重和偏置，部署在实际机组监测系统上，当水泵或电机的噪声A计权声压级报警时，启动诊断算法，重复特征提取阶段，并代入训练好的模型进行分类识别，得到的分类结果就是判断的故障类型。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的一种基于噪声信号A计权分析的泵站机组故障诊断方法，通过监测泵站机组的噪声声压信号，对声压信号进行频谱分析，对各频率成分的声压级进行A计权网络修正，并通过声压级的能量叠加得到A计权噪声声压级，当A计权噪声声压级超过报警值时对声压信号进行1/3倍频程谱分析提取各倍频程频段能量特征，利用深度极限学习机，快速有效的进行特征学习，提取各个特征的隐含故障信息，从而实现水泵机组故障的智能诊断。此方法摆脱了传统A计权声压级的获取需要对原始噪声声压信号的各倍频程频段进行计算量巨大的带通滤波后计算每个频程声压级最终按能量求和法得到总声压级的弊端，也避免了直接通过硬件A计权滤波网络获得A计权声压级而无法获取原始声压信号进行故障诊断的弊端，兼顾了获得噪声信号强度和对噪声作频谱分析的需求。本发明的泵站机组智能故障诊断方法能够直接从泵站机组噪声信号中获得噪声强度进行故障报警，并从噪声信号各倍频程频段能量中通过深度极限学习机提取特征，准确地识别泵站机组的故障类型，为解决泵站机组的故障诊断问题提供了一种新的有效途径。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于噪声信号A计权分析的泵站机组故障诊断方法，包括如下步骤：
S1，在泵站机组工作时的每种工况下，获取距离水泵叶轮外壳和电机外壳1米处的原始噪声声压信号；
S2，分别计算水泵和电机的噪声A计权声压级，采用FFT频谱分解加权修正的方法来计算A计权声压级；
S3，判断水泵和电机的噪声A计权声压级是否超标报警，如果是则启动S4-S6的机组故障诊断分析；
S4，将噪声信号在20Hz到20kHz人耳能听到的噪声频率范围内分为31段，每个段的划分原则利用了1/3倍频程的计算方式；对噪声声压原始信号进行FFT频谱分析，在每个频程范围内将声能量进行频带能量计算，得到31个频带声压能量值；
S5，建立深度极限学习机模型，将S4得到的特征矩阵代入极限学习机模型中，采用多层自编码结构进行无监督特征学习，得到具有故障特征的特征向量，其中，所采用的多层自编码结构具有对称的输入X和输出
所述具有故障特征的特征向量为多层自编码结构最终层的隐含节点；
S6，将S5得到的所述具有故障特征的特征向量代入单层极限学习机模型中进行计算，得到最终分类结果，完成故障诊断。
2.根据权利要求1所述的基于噪声信号A计权分析的泵站机组故障诊断方法，其特征在于，S1中，采用自由场传声传感器采集水泵和电机的原始噪音声压信号。
3.根据权利要求1所述的基于噪声信号A计权分析的泵站机组故障诊断方法，其特征在于，所述原始噪声声压信号包括水泵汽蚀、叶轮刮擦、叶轮不平衡、电机转子不平衡、电机基础松动、电机磁拉力不平衡故障信号。
4.根据权利要求1所述的基于噪声信号A计权分析的泵站机组故障诊断方法，其特征在于，S2采用FFT频谱分解加权修正的方法来计算A计权声压级；
采用FFT频谱分解加权修正的方法来计算A计权声压级，具体步骤如下：
A1，根据有效值定义，噪声声压信号的有效值按如下公式计算：
公式中pe是声压有效值，表示在一定时间间隔中，瞬时声压对时间取均方根值；其中T代表取平均的时间间隔，p(t)为时间间隔内某个时刻t的瞬时声压；
声压级的定义如下：
其中Lp为声压级，dB；p0＝2×10-5Pa，为基准声压；pe为有效声压；
A2，根据傅里叶变换理论，任何一个函数都可以分解成一系列正弦函数的叠加，对噪声声压信号通过傅里叶变换分解为若干频率的纯音源，离散傅里叶变换的定义如下：
其中x(n)为N点有限长时域序列，e为自然常数，i为虚数单位，X(k)为N点有限长频域序列；
A3，假设声场中有n个不同噪声源，第i个噪声源的声压为pei，根据不相干声波叠加原理，合成声场的总声压与各声源的关系为
因此，多频噪声总声压级可表示为
A4，根据声压级定义公式(2)，总声压级可表示为各分频声压级的能量叠加，公式为
A5，A计权网络是以40方等响曲线倒置，并使1000Hz值位于0时对噪声进行加权分析，在国标GB/T3785.1-2010中，给出了A计权网络曲线公式，如下：
其中f表示要计算的频率，f1＝20.6Hz，f2＝107.7Hz，f3＝737.9Hz，f4＝12194Hz；A1000是以分贝表示的归一化常数，相应于在1 kHz提供0dB频率计权所需的增益，A1000＝-2dB；
A6，对噪声信号的傅里叶变换频谱，对每个频谱幅值点，可按公式(7)计算该频率处的修正A计权分贝值，1000Hz处，修正分贝值为0dB，100Hz处，修正分贝值为-19.1 dB；对各频谱幅值点计算声压级，对各频率幅值点的声压级进行A计权修正，然后合成总的A计权声压级，计算公式为：
其中Lpi是各频谱幅值所在频率处的声压级，取该频率处的有效值幅值，按公式(2)计算；Afi是该频率处的修正A计权分贝值，按公式(7)计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110030387.5A CN112879278B (zh) | 2021-01-11 | 2021-01-11 | 基于噪声信号a计权分析的泵站机组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110030387.5A CN112879278B (zh) | 2021-01-11 | 2021-01-11 | 基于噪声信号a计权分析的泵站机组故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112879278A CN112879278A (zh) | 2021-06-01 |
| CN112879278B true CN112879278B (zh) | 2022-09-30 |
Family
ID=76047738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110030387.5A Active CN112879278B (zh) | 2021-01-11 | 2021-01-11 | 基于噪声信号a计权分析的泵站机组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112879278B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421539B (zh) * | 2021-07-19 | 2023-10-10 | 北京安声浩朗科技有限公司 | 主动降噪方法、装置、电子设备及计算机可读存储介质 |
| CN114047438A (zh) * | 2021-11-12 | 2022-02-15 | 中国南方电网有限责任公司超高压输电公司广州局 | 断路器操动机构状态识别方法、系统、装置和电子设备 |
| CN114623925B (zh) * | 2022-03-09 | 2023-12-22 | 国网山东省电力公司建设公司 | 一种电网变电工程现场噪声智能检测系统及方法 |
| CN115655631B (zh) * | 2022-12-12 | 2023-04-07 | 杭州兆华电子股份有限公司 | 一种基于水轮发电机在风洞环境中的声纹检测方法及装置 |
| CN116304892B (zh) * | 2023-05-24 | 2023-08-01 | 湖南工商大学 | 煤气化系统中循环流化床多尺度流态故障诊断方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3850617B2 (ja) * | 2000-02-28 | 2006-11-29 | 日立建機株式会社 | 油圧作業機のポンプ監視装置 |
| CN101634605B (zh) * | 2009-04-10 | 2011-03-30 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| CN103983345B (zh) * | 2014-03-28 | 2017-11-17 | 东北石油大学 | 一种基于人耳听觉特性的单频有调声信号自动监测方法 |
| CN109033612B (zh) * | 2018-07-20 | 2023-05-05 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
| CN110925233A (zh) * | 2019-12-05 | 2020-03-27 | 中国航发四川燃气涡轮研究院 | 一种基于声学信号的压气机喘振故障诊断方法 |
| CN111044277A (zh) * | 2019-12-31 | 2020-04-21 | 苏州欣皓信息技术有限公司 | 一种泵站机组的故障诊断系统及方法 |
-
2021
- 2021-01-11 CN CN202110030387.5A patent/CN112879278B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112879278A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112879278B (zh) | 基于噪声信号a计权分析的泵站机组故障诊断方法 | |
| Mian et al. | An efficient diagnosis approach for bearing faults using sound quality metrics | |
| Towsey | The calculation of acoustic indices derived from long-duration recordings of the natural environment | |
| CN101426168B (zh) | 一种发声体异常音检测方法及系统 | |
| EP4085376A1 (en) | Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof | |
| CN110307895B (zh) | 异声判定装置以及异声判定方法 | |
| Al Tobi et al. | Faults diagnosis of a centrifugal pump using multilayer perceptron genetic algorithm back propagation and support vector machine with discrete wavelet transform‐based feature extraction | |
| CN114295195B (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
| CN114487733A (zh) | 一种基于声纹的局部放电检测方法 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN115165079A (zh) | 一种基于多种声音特征分析的设备报警方法 | |
| Sharma et al. | Automatic oscillations detection and quantification in process control loops using linear predictive coding | |
| CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| CN113919525A (zh) | 一种电站风机状态预警方法、系统及其应用 | |
| CN115002642A (zh) | 一种基于听觉掩蔽结合svd-mrmr的扬声器异常声的特征提取方法 | |
| WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 | |
| CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
| CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
| CN113505898A (zh) | 一种基于ai技术的设备预测性维护方法 | |
| CN113790911A (zh) | 一种基于声音频谱统计学规律的异响检测方法 | |
| CN110701490B (zh) | 一种管线泄漏监测方法及其设备 | |
| Morovati | Increase the accuracy of speech signal categories in high noise environments | |
| CN115996236B (zh) | 用于燃气灶的安全监控方法、装置、设备及介质 | |
| CN112146142B (zh) | 一种吸油烟机声音故障识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room 1205, Block A, Building 14, No. 99 Fulian Third Road, Baoshan District, Shanghai, 2019 Patentee after: Xinhao Chuangzhan Information Technology Co.,Ltd. Patentee after: ZHEJIANG DESIGN INSTITUTE OF WATER CONSERVANCY & HYDROELECTRIC POWER Patentee after: Hangzhou Nanpai project construction management service center (Hangzhou Water Conservancy Science Museum) Address before: 215000 building 36, No.18 Dongchang Road, Suzhou Industrial Park, Jiangsu Province Patentee before: Suzhou Xinhao Information Technology Co.,Ltd. Patentee before: ZHEJIANG DESIGN INSTITUTE OF WATER CONSERVANCY & HYDROELECTRIC POWER Patentee before: Hangzhou Nanpai project construction management service center (Hangzhou Water Conservancy Science Museum) |
|
| CP03 | Change of name, title or address |