CN113139430A - 用于故障检测的声信号分析方法、故障检测的方法、装置 - Google Patents

用于故障检测的声信号分析方法、故障检测的方法、装置 Download PDF

Info

Publication number
CN113139430A
CN113139430A CN202110303153.3A CN202110303153A CN113139430A CN 113139430 A CN113139430 A CN 113139430A CN 202110303153 A CN202110303153 A CN 202110303153A CN 113139430 A CN113139430 A CN 113139430A
Authority
CN
China
Prior art keywords
octave
sample data
fault detection
preset
acoustic signal
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
Application number
CN202110303153.3A
Other languages
English (en)
Inventor
聂泳忠
荀兆勇
李祥兵
李洪望
周洪威
李亚妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xilenma Shenzhen Technology Co ltd
Original Assignee
Xilenma Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xilenma Shenzhen Technology Co ltd filed Critical Xilenma Shenzhen Technology Co ltd
Priority to CN202110303153.3A priority Critical patent/CN113139430A/zh
Publication of CN113139430A publication Critical patent/CN113139430A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (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

本发明实施例公开了一种用于故障检测的声信号分析方法、故障检测的方法、装置。首先通过采集目标对象的声信号，然后根据预设样本特征信息从声信号中获取多组样本数据，之后对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，并根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。本发明实施例提高了信号分析的准确率，解决了现有的基于叶片信号分析的过程中，存在分析得到的结果不够准确的问题。

Description

用于故障检测的声信号分析方法、故障检测的方法、装置
技术领域
本发明涉及通信领域，尤其涉及一种用于故障检测的声信号分析方法、故障检测的方法、装置。
背景技术
风力发电是产生清洁电能的重要技术手段之一，目前我国的风力发电厂逐年增加，而风机的叶片作为风电机组的重要部件，由于长期运行在交变载荷和复杂的环境中，经常会发生叶片产生裂纹等故障。
随着科技的发展科研水平的提高，近年来出现了多种风机叶片故障方法，现有的方案中有利用小波分析的风机叶片声发射信号特征提取方法，也有叶片振动信号分析的故障诊断方法。
但是现有的方案中，在对叶片的信号进行采集的时候并没有考虑实际场景中存在的背景因素影响，往往使得分析得到的结果不够准确。
因此，在现有的基于叶片信号分析的过程中，存在分析得到的结果不够准确的问题。
发明内容
本发明实施例提供了一种用于故障检测的声信号分析方法、故障检测模型的训练方法、故障检测的方法、装置、设备及存储介质，解决了基于叶片信号分析的过程中存在分析得到的结果不够准确的问题，提高了信号分析的准确率。
为了解决上述技术问题，本发明：
第一方面，提供了一种用于故障检测的声信号分析方法，该方法包括：采集目标对象的声信号；
根据预设样本特征信息从声信号中获取多组样本数据；
对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱；
根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。
在第一方面的一些实现方式中，根据预设样本特征信息从声信号中获取多组样本数据，包括：
根据预设的上限截止频率，预设的下限截止频率以及预设的滤波器的阶数对声信号进行滤波；
根据预设样本特征信息从滤波后的声信号中获取多组样本数据。
在第一方面的一些实现方式中，对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，包括：
获取多组样本数据中每组样本数据的声频范围；
按照预设规则将每组样本数据分成多个频带；
计算每个频带的声压级，得到预设倍数的倍频程谱。
在第一方面的一些实现方式中，根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，包括：
从预设倍数的倍频程谱中的按照预设选取规则选取包含相邻的多个目标频带的至少一个目标频带组；
根据预设划分规则，将每个目标频带组划分为至少两个子频带组；
根据至少两个子频带组中各目标频带的声压级之和的比值确定倍频程能量比。
在第一方面的一些实现方式中，该方法还包括：
对倍频程能量比进行降维处理。
在第一方面的一些实现方式中，目标对象包括叶片；采集目标对象的声信号包括：
采集目标对象所在风机的塔门处的声信号。
第二方面提供了一种故障检测模型的训练方法，该训练方法利用第一方面，以及第一方面的一些实现方式中的用于故障检测的声信号分析方法获得的所述倍频程能量比，对预设的神经网络进行训练。
在第二方面的一些实现方式中，该方法包括：
根据样本数据的组数以及每组样本数据中确定的倍频程能量比，确定特征矩阵；
对特征矩阵依次进行零均值化处理、协方差矩阵计算处理、矩阵对角化处理；
根据处理后的特征矩阵中各维度的方差确定特征向量；
根据特征向量对预设的神经网络进行训练。
第三方面，提供了一种故障检测的方法，该方法包括：
采集待检测对象的目标声信号；
根据预设样本特征信息从目标声信号中获取多组目标样本数据；
对所述多组目标样本数据进行倍频程分析得到所述多组目标样本数据的预设倍数的倍频程谱；
根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比；
根据倍频程能量比和故障检测模型，确定待检测对象的状态，其中，状态包括故障或正常中的至少一种，该故障检测模型是基于第二方面，以及第二方面的一些实现方式中的故障检测模型的训练方法得到的。
第四方面，提供了一种用于故障检测的声信号分析装置，该装置包括：
采集模块，用于采集目标对象的声信号；
处理模块，用于根据预设样本特征信息从声信号中获取多组样本数据；
处理模块，还用于对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱；
处理模块，还用于根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。
第五方面，提供了一种故障检测模型的训练装置，该训练装置包括处理模块；
该处理模块，用于利用第一方面，以及第一方面的一些实现方式中的用于故障检测的声信号分析方法获得的所述倍频程能量比，对预设的神经网络进行训练。
第六方面，提供了一种故障检测的装置，该装置包括：
采集模块，用于采集待检测对象的目标声信号；
处理模块，用于根据预设样本特征信息从目标声信号中获取多组目标样本数据；
处理模块，还用于对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱；
处理模块，还用于根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比；
处理模块，还用于根据倍频程能量比和故障检测模型，确定待检测对象的状态，其中，状态包括故障或正常中的至少一种，该故障检测模型是基于第二方面，以及第二方面的一些实现方式中的故障检测模型的训练方法得到的。
第七方面，提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现第一方面，以及第一方面的一些实现方式中的用于故障检测的声信号分析方法，或者，实现第二方面，以及第二方面的一些实现方式中的故障检测模型的训练方法，或者，实现第三方面的故障检测的方法。
第八方面，提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面，以及第一方面的一些实现方式中的用于故障检测的声信号分析方法，或者，实现第二方面，以及第二方面的一些实现方式中的故障检测模型的训练方法，或者，实现第三方面的故障检测的方法。
本发明实施例提供了一种用于故障检测的声信号分析方法、故障检测模型的训练方法、故障检测的方法、装置、设备及存储介质。首先通过采集目标对象的声信号，之后根据预设样本特征信息从声信号中获取多组样本数据，然后对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，再根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。因为在进行信号分析的过程中，采集的是目标对象的声信号，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来体现声信号中存在的信息，所以该分析过程考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了分析的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种故障检测系统的结构示意图；
图2是本发明实施例提供的一种用于故障检测的声信号分析方法的流程示意图；
图3是本发明实施例提供的一种是滤波前声信号的时域波形；
图4是本发明实施例提供的一种滤波后声信号的时域波形；
图5是本发明实施例提供的一种倍频程能量比的示意图；
图6是本发明实施例提供的另一种倍频程能量比的示意图；
图7是本发明实施例提供的一种故障检测模型的训练方法的流程示意图；
图8是本发明实施例提供的一种故障检测的方法的流程示意图；
图9是本发明实施例还提供的一种用于故障检测的声信号分析装置的结构示意图；
图10是本发明实施例提供的一种故障检测模型的训练装置的结构示意图；
图11是本发明实施例提供的一种故障检测的装置的结构示意图；
图12是本发明实施例提供的一种计算设备的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
风力发电是产生清洁电能的重要技术手段之一，目前我国的风力发电厂逐年增加，而风机的叶片作为风电机组的重要部件，由于长期运行在交变载荷和复杂的环境中，经常会发生叶片产生裂纹等故障。另外，由于其分布范围广，维护人员数量有限以及出于安全等原因，现有的人工定期检查方式耗时耗力，急需发展风机叶片故障诊断和预警技术。
随着科技的发展科研水平的提高，近年来出现了多种风机叶片故障方法，现有的方案中有利用小波分析的风机叶片声发射信号特征提取方法，也有叶片振动信号分析的故障诊断方法。
但是现有的方案中，在对叶片的信号进行采集的时候并没有考虑实际场景中存在的背景因素影响，往往使得分析得到的结果不够准确。
因此，在现有的基于叶片信号分析的过程中，存在分析得到的结果不够准确的问题。
为了解决目前的信号分析方法中分析得到的结果不够准确的问题，本发明实施例提供了一种用于故障检测的声信号分析方法、故障检测模型的训练方法、故障检测的方法、装置、设备及存储介质。首先通过采集目标对象的声信号，之后根据预设样本特征信息从声信号中获取多组样本数据，然后对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，再根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。因为在该分析方法中，采集的是目标对象的声信号，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来体现声信号中存在的信息，所以该分析过程考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了分析的准确率。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种故障检测系统的架构示意图。
本发明实施例中的故障检测的声信号分析方法、故障检测模型的训练方法以及故障检测的方法均基于该系统实现。
如图1所示，该故障检测系统包括声传感器101，处理器102以及边缘计算终端设备103。
其中，声传感器101用于获取目标对象的声信号。
在一个实施例中，该声信号可以是目标对象受到环境干扰后的声信号，该环境干扰例如环境音干扰，环境振动干扰等至少一种。
处理器102用于采集声传感器101获取的目标对象的声信号，根据预设样本特征信息从声信号中获取多组样本数据，并对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，之后根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比，对预设的神经网络进行训练，得到故障检测模型，以实现对待检测对象的状态进行检测。
边缘计算终端设备103用于接收处理器102得到的故障检测模型，并根据故障检测模型对待检测对象的状态进行检测。
在一个实施例中，该系统中还可以包括WIFI装置以及光纤等通信装置(图中未示出)中的至少一种，用于将声传感器101采集的声信号传输至处理器102。
本发明实施例提供的故障检测系统，首先使用声传感器101获取目标对象的声信号，之后处理器102采集声传感器101获取的目标对象的声信号，根据预设样本特征信息从声信号中获取多组样本数据，并对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，之后根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比，对预设的神经网络进行训练，得到故障检测模型，以实现对待检测对象的状态进行检测。因为在训练得到故障检测模型的过程中，采集的是目标对象的声信号，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来训练得到故障检测模型，因为在对目标对象的声信号进行分析的过程中，便考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，所以该故障检测模型考虑到实际场景中存在的背景因素影响，进而提高了分析和检测过程中的准确率。
图2是本发明实施例提供的一种故障检测的声信号分析方法的流程示意图。该分析方法的执行主体可以基于图1所示系统的处理器102、其他具有处理能力的终端设备以及服务器中的至少一种。
如图2所示，故障检测模型的训练方法可以包括S101-S104。S101-S104的具体解释如下：
S101：采集目标对象的声信号。
在一个实施例中，该目标对象指的是风力发电机的叶片，为了避免塔筒顶部的机械噪声影响，在该过程中采集的目标对象的声信号可以是采集安装在风机塔门附近的声传感器获取的声信号，以避免塔筒顶部的机械噪声对声信号的影响，该声信号包括正常数据和异常数据中的至少一种。
在一个实施例中，该声信号可以是目标对象受到环境干扰后的声信号，该环境干扰例如环境音干扰，环境振动干扰等至少一种。
S102：根据预设样本特征信息从声信号中获取多组样本数据。
在该步骤中，由于采集到的声信号，即原始的声信号数据受环境条件影响存在大量的噪音，因此需要对这些数据进行滤波处理，根据发明人以往的研究表面，风噪的频谱能量一般主要集中在200Hz以下，另外风机叶片产生裂纹等故障时产生的声信号的频率范围可达几十kHz，因此可以考虑采用带通滤波器对原始声信号进行预处理。
此外，为了使带通内频率响应曲线最大限度平坦，可以采用巴特沃斯带通滤波器对声信号进行滤波处理得到滤波后的声信号，该巴特沃斯带通滤波器即为预设的滤波器，其平方幅频响应函数具体如公式(1)所示：
Figure BDA0002987062970000091
其中，
Figure BDA0002987062970000092
s为复变量，N为滤波器的阶数，Ωc为3db截至频率，Ωu为预设的上限截止频率，Ωl为预设的下限截止频率。
在一个具体的实施例中，综合考虑声信号处理的效果和计算量，本发明实施例中采用的滤波器的阶数可以为50，下限截止频率可以为100Hz，上限截止频率可以为10kHz，滤波处理前后声信号的时域波形分别如图3和图4所示，即图3是滤波前声信号的时域波形，图4是滤波后声信号的时域波形。
在一个实施例中，根据发明人的实际测量，发现风机叶片的一般转速为12～13rpm(转每分)，其转动一周的时长大概为5s，所以为了保证采集到的每个样本均包含有效的故障特征，选择样本的长度可以为5s，根据样本的长度连续从S101中采集的声信号或者上述滤波后的声信号中采集若干组故障样本数据生成多组样本数据，其中，该样本的长度即为预设样本特征信息。需要额外说明的是，该预设样本特征信息可以随着技术的发展以及实际情况进行改变，在此不做限定。
在得到多组样本数据后，为了刻画出声信号频谱变化的趋势，可以采用倍频程分析以进行特征提取，即执行S103和S104。
S103：对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱。
需要说明的是，在工程中刻画声信号频谱变化的方式有多种，其中常用的为利用倍频程来描述信号的频谱变化趋势。例如1/1倍频程、1/3倍频程、1/6倍频程、1/12倍频程等。不同的倍频程刻画信号频谱变化的能力存在差异，通过发明人以往的研究经验可知，1/1倍频程在1kHz以上倍频程带范围较宽，1/12倍频程在1kHz以下倍频程带范围较窄。发明人根据实际风机工作场景综合考虑，为了提高本方案对声信号的高低频表征能力，本发明使用了1/6倍频程作为预设倍数的倍频程来刻画声信号的差异性，进而提取到相应的信号能量比特征向量。
在一个实施例中，使用1/6倍频程分析的具体实现方法可以为：将每组样本数据中100Hz～10kHz的声频范围分成若干恒定带宽比的频带，其中，恒定带宽比即为预设规则，若干恒定带宽比的频带即为分成的多个频带。
之后假定fu为倍频程分析的上限截止频率，fd为倍频程分析的下限截止频率，倍频程分析的中心频率为fc，则对应的关系如公式(2)所示：
Figure BDA0002987062970000101
然后，计算每个频带的声压级S，可以得到每组样本数据包括的声信号的1/6倍频程谱，该1/6倍频程谱即为预设倍数的倍频程谱，其中，声压级计算方法如公式(3)所示：
Figure BDA0002987062970000102
其中，Sj表示每组样本数据中第j个频带的声压级，
Figure BDA0002987062970000103
表示第j个频带的能量，Fi表示声信号的频谱幅值，Pref表示参考声压，空气中一般取2×10-5Pa。
此外，考虑到在实际故障诊断场景中，传感器的测量会受诸多因素的影响，如测量位置、噪声等，因此在本发明的一个实施例中，使用一种无量纲的频带能量比作为故障模式分类的特征，以此来刻画存在裂纹故障的叶片与正常风机叶片频谱之间的差异，即执行S104。
S104：根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。
经过发明人的测量分析发现，存在裂纹的风机叶片在一些频段上会有明显的能量陡增，通常在预设倍数的倍频程谱上表现为有2～3个频段突起。
为更精确的刻画这种突变，可以从倍频程谱预设倍数的倍频程谱中的按照预设选取规则选取包含相邻的多个目标频带的至少一个目标频带组；根据预设划分规则，为了确保数据的维度，还可以将每个目标频带组划分为至少两个子频带组；根据每至少两个子频带组中各目标频带的声压级之和的比值确定倍频程能量比。
在一个具体实施例中，为了便于计算和理解，仅以将一个目标频带组划分为两个子频带组作为示例。具体可以按照预设选取规则，将每组样本数据的预设倍数的倍频程谱中4个相邻的频带作为一个目标频带组，即将该目标频带组中包括的多个频带作为多个目标频带，按照预设划分规则，将该多个目标频带分为两个子频带组，即前2个频带和后2个频带，之后用前2个频带的声压级之和与后2个频段的声压级之和的比值作为倍频程能量比特征，该倍频程能量比特征其实是一种特征向量，计算方式如公式(4)所示：
Figure BDA0002987062970000111
其中，Si表示第i个频带的声压级，Si表示第i+1个频带的声压级，以此类推。
此外，在本实施例中，并不限定上述按照预设选取规则，从每组样本数据的预设倍数的倍频程谱中选取相邻频带的个数，即不限制选取目标频带的个数。
在一个具体的实施例中，根据每组样本数据中的预设倍数的倍频程谱确定的倍频程能量比如图5和6所示，其中，Date1，Date3，Date4，Date7，Date9，和Date10分别表示不同组的样本数据。
在一个实施例中，为了确保数据的维度，还可以将每个目标频带组划分为至少两个子频带组，为了简洁，在此不做额外的赘述。
本发明实施例提供的用于故障检测的声信号分析方法，首先通过采集目标对象的声信号，之后根据预设样本特征信息从声信号中获取多组样本数据，然后对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，再根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。因为在根据倍频程能量比对声信号进行分析的过程中，采集的是目标对象的声信号，该声信号考虑到实际场景中存在的背景因素影响，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来体现声信号中存在的信息，又因为目标对象指的是风力发电机的叶片，所以该分析过程考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了叶片故障分析的准确率。
在基于目标对象的声信号分析得到倍频程能量比特征后，为了可以根据该倍频程能量比特征进行故障分析，本发明实施例里还提供了一种故障检测模型的训练方法。
图7是本发明实施例提供的一种故障检测模型的训练方法的流程示意图。该训练方法的执行主体可以基于图1所示系统的处理器102、其他具有处理能力的终端设备以及服务器中的至少一种。
如图7所示，故障检测模型的训练方法可以包括S701。S701的具体解释如下：
S701：根据倍频程能量比，对预设的神经网络进行训练。
需要说明的是，该倍频程能量比是基于图2中的用于故障检测的声信号分析方法得到的。
在训练的过程中，因为考虑到风机叶片因裂纹位置，尺寸等不同产生的声信号也存在一定的差异，为了自适应地提取到主要的特征分量和提高后续神经网络分类器的分类精度，在一个实施例中，可以采用主成分分析的方法对所有能量比特征进行降维，来保留原始向量中大部分有用的信息同时最小化特征向量中各个维度间的相关性和最大化各维度的方差。具体步骤如(1)至(5)所示：
(1)构造输入样本矩阵：在步骤中可以根据获取的样本数据的组数n，以及每个样本数据中确定的倍频程能量比，来构造n行m列的特征矩阵Xn×m，其中m表示每个样本数据中确定的倍频程能量比的数量。
(2)零均值化特征矩阵的每一列，得到矩阵X′n×m，具体计算公式如公式(5)所示：
Figure BDA0002987062970000121
其中，Xij表示Xn×m中第i行第j列的元素。
(3)计算协方差矩阵，获得各维度的方差与不同维度间的相关系数，具体计算公式如公式(6)所示：
Figure BDA0002987062970000122
Figure BDA0002987062970000131
其中，C表示相关系数，X′T表示X′的转置矩阵。
(4)为了尽可能减少不同维度间的相关性，即让协方差矩阵中的非主对角线元素接近0，对协方差矩阵进行对角化处理，得到特征值矩阵Λ与特征向量矩阵Pm×m，公式如下：
PTCP＝Λ
其中，PT表示特征向量矩阵Pm×m，即P的转置矩阵。
(5)自适应提取主成分：经过处理后，特征值矩阵中各维度的新方差几位主对角线上的元素，且是按照大小一定的顺序排列，通过设置一个阈值来筛选出前k个主成分，并得到处理后的投影矩阵P′，从而得到新的样本集矩阵Y。
Y＝XP′
之后根据新的样本集矩阵Y提取声信号特征向量训练预设的神经网络，之后可以通过预先采集处理好的数据对训练后的神经网络进行检验，来验证训练后的神经网络最后的准确性，当检验的准确度满足预设条件时，将训练后的神经网络作为故障检测模型，以实现对待检测对象的状态进行检测。
在一个实施例中，该预设的神经网络可以包括BP(back propagation)神经网络。
本发明实施例中提供的故障检测模型的训练方法通过对风机叶片运行时产生的声信号数据(包括正常数据和异常数据)进行分析，挖掘出风机叶片存在裂纹故障时的数据流的特征信息，之后通过巴特沃斯带通滤波器对采集到的数据进行预处理，过滤掉复杂环境噪声，然后采用预设倍数的倍频程粗略刻画叶片声信号的频谱总体变化趋势，提取无量纲的倍频程能量比特征向量，接着引入主成分分析法自适应的优化特征向量，最后将得到的特征向量输入到预设的神经网络分类器中训练得到训练好的模型作为故障检测模型，以实现对待检测对象(叶片)的状态进行检测。因为在训练得到故障检测模型的过程中，采集的是目标对象的声信号，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来训练得到故障检测模型，又因为目标对象的声信号考虑到实际场景中存在的背景因素影响，所以该故障检测模型也考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了分析及检测过程中的准确率。而且本发明实施例利用声信号传感器采集数据，安装简便，突破了风机叶片裂纹故障诊断数据采集困难，经验知识量少的瓶颈。
此外，本发明实施例还利用1/6倍频程和主成分分析的方法来自适应的提取出风机叶片存在裂纹时运行的声学特征向量，从而可以准确的刻画其与正常状态时的频谱差异，进而提高了后续神经网络分类识别的准确性。
图8是本发明实施例提供的一种故障检测的方法的流程示意图。该方法的执行主体可以是边缘计算设备，此外为了方便对风机进行实时监测，该边缘计算设备可以部署在风机本地。
如图8所示，该故障检测的方法包括：
S801：采集待检测对象的目标声信号。
在一个实施例中，该待检测对象指的是风力发电机的叶片，为了避免塔筒顶部的机械噪声影响，在该过程中采集的待检测对象的声信号可以是采集安装在风机塔门附近的声传感器获取的声信号，以避免塔筒顶部的机械噪声对声信号的影响。
S802：根据预设样本特征信息从目标声信号中获取多组目标样本数据。
S803：对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱。
S804：根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。
S805：根据倍频程能量比和故障检测模型，确定待检测对象的状态。
其中，该状态包括故障或正常中的至少一种，该故障检测模型是基于图7所示的故障检测模型的训练方法得到的，其中，该故障可以包括裂纹或开裂。
在故障检测的过程中，风机本地的边缘计算设备通过下载并部署好已训练好的神经网络分类器模型，即故障检测模型，可以根据风机叶片实时运行产生的声信号数据进行实时监测和预警，可以依据待检测对象的状态判断风机叶片是否出现裂纹等故障，并反馈到工作人员从而实现实时监测和预警。
本发明实施例中提供的故障检测的方法，首先采集待检测对象的声信号，之后根据预设样本特征信息从声信号中获取多组目标样本数据，然后对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱，再根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比，基于图7所示的故障检测模型的训练方法得到的故障检测模型对待检测对象的状态进行检测。因为在图7训练得到故障检测模型的过程中，采集的是目标对象的声信号，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来训练得到故障检测模型，又因为目标对象的声信号考虑到实际场景中存在的背景因素影响，所以在用训练得到的故障检测模型进行检测的过程中也考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了分析以及故障检测过程中的准确率。
因为本发明实施例能够自动的检测和预警风机叶片是否存在裂纹等故障，所以为预防性维护提供了基础，减少了人力物力财力，同时避免了维修的盲目性。
与图2中的用于故障检测的声信号分析方法的流程示意图相对应，本发明实施例还提供了一种用于故障检测的声信号分析装置。
图9是本发明实施例还提供的一种用于故障检测的声信号分析装置。如图9所示，该声信号分析装置可以包括：
采集模块901，可以用于采集目标对象的声信号。
处理模块902，可以用于根据预设样本特征信息从声信号中获取多组样本数据。还可以用于对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，并根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。还可以用于根据预设的上限截止频率，预设的下限截止频率以及预设的滤波器的阶数对声信号进行滤波，并根据预设样本特征信息从滤波后的声信号中获取多组样本数据。还可以用于获取多组样本数据中每组样本数据的声频范围，并按照预设规则将每组样本数据分成多个频带，之后计算每个频带的声压级，得到预设倍数的倍频程谱。
在一个实施例中，处理模块902，还可以用于从预设倍数的倍频程谱中的按照预设选取规则选取包含相邻的多个目标频带的至少一个目标频带组；根据预设划分规则，将每个目标频带组划分为至少两个子频带组；根据至少两个子频带组中各目标频带的声压级之和的比值确定倍频程能量比。
在一个实施例中，目标对象可以包括叶片；采集模块901，还可以用于采集目标对象所在风机的塔门处的声信号。
可以理解的是，图9所示的用于故障检测的声信号分析装置中的各个模块具有实现图2中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
本发明实施例提供的用于故障检测的声信号分析装置，首先通过采集模块采集目标对象的声信号，之后再使用处理模块根据预设样本特征信息从声信号中获取多组样本数据，然后对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，再根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比。因为在根据倍频程能量比对声信号进行分析的过程中，采集的是目标对象的声信号，该声信号考虑到实际场景中存在的背景因素影响，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来体现声信号中存在的信息，又因为目标对象指的是风力发电机的叶片，所以该分析过程考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了叶片故障分析的准确率。
与图7中的故障检测模型的训练方法的流程示意图相对应，本发明实施例还提供了一种故障检测模型的训练装置。
图10是本发明实施例还提供的一种故障检测模型的训练装置。如图10所示，该训练装置可以包括处理模块1001；
处理模块1001，可以用于根据倍频程能量比，对预设的神经网络进行训练。
在一个实施例中，处理模块1001，还可以用于根据样本数据的组数以及每组样本数据中确定的倍频程能量比，确定特征矩阵，并根据特征矩阵对预设的神经网络进行训练，得到故障检测模型。还可以用于对特征矩阵依次进行零均值化处理、协方差矩阵计算处理、矩阵对角化处理，并根据处理后的特征矩阵中各维度的方差确定特征向量，然后根据特征向量对预设的神经网络进行训练，得到故障检测模型。
可以理解的是，图10所示的故障检测模型的训练装置中的各个模块具有实现图7中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
本发明实施例提供的故障检测模型的训练装置，因为在训练得到故障检测模型的过程中，采集的是目标对象的声信号，该声信号考虑到实际场景中存在的背景因素影响，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来训练得到故障检测模型，所以该故障检测模型考虑到实际场景中存在的背景因素影响，例如背景噪声的影响，进而提高了分析以及检测过程中的准确率。
与图8中的故障检测的方法的流程示意图相对应，本发明实施例还提供了一种故障检测的装置。
图11是本发明实施例提供的一种故障检测的装置。如图11所示，该训练装置可以包括：
采集模块1101，可以用于采集待检测对象的目标声信号。
处理模块1102，可以用于根据预设样本特征信息从目标声信号中获取多组目标样本数据。
处理模块1102，还可以用于对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱，然后根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，并根据倍频程能量比和故障检测模型，确定待检测对象的状态，其中，该状态包括故障或正常中的至少一种，该故障检测模型是基于图2中所示的故障检测模型的训练方法得到的。
可以理解的是，图11所示的故障检测模型的训练装置中的各个模块具有实现图8中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
本发明实施例中提供的故障检测的装置，首先通过采集模块采集待检测对象的声信号，之后使用处理模块根据预设样本特征信息从声信号中获取多组目标样本数据，然后对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱，再根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比，基于图7所示的故障检测模型的训练方法得到的故障检测模型对待检测对象的状态进行检测。因为在图7训练得到故障检测模型的过程中，采集的是目标对象的声信号，该声信号考虑到实际场景中存在的背景因素影响，之后基于该声信号进行倍频程分析，并基于倍频程分析得到的倍频程能量比来训练得到故障检测模型，所以该故障检测模型考虑到实际场景中存在的背景因素影响，例如背景噪声的影响。因此在使用故障检测模型进行检测的过程中，也考虑到实际场景中存在的背景因素影响，进而提高了分析以及故障检测过程中的准确率。
图12是本发明实施例提供的一种计算设备的硬件架构的结构图。如图12所示，计算设备1200包括输入接口1201、中央处理器1202、存储器1203以及输出接口1204。其中，输入接口1201、中央处理器1202、存储器1203、以及输出接口1204通过总线1210相互连接。
具体地，输入接口1201用于接收目标对象的声信号，并将该声信号传送到中央处理器1202；中央处理器1202基于存储器1203中存储的计算机可执行指令可以根据预设样本特征信息从声信号中获取多组样本数据，并对多组样本数据进行倍频程分析得到多组样本数据的预设倍数的倍频程谱，然后根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比，对预设的神经网络进行训练，得到故障检测模型，并将故障检测模型临时或者永久地存储在存储器1203中，然后通过输出接口12010将该故障检测模型输出到计算设备1200的外部供其他设备使用。
此外，输入接口1201还可以用于接收待检测对象的目标声信号，并将该声信号传送到中央处理器1202；中央处理器1202基于存储器1203中存储的计算机可执行指令可以根据预设样本特征信息从声信号中获取多组目标样本数据，并对多组目标样本数据进行倍频程分析得到多组目标样本数据的预设倍数的倍频程谱，然后根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比，最后根据倍频程能量比和故障检测模型，确定所述待检测对象的状态，并将该状态临时或者永久地存储在存储器1203中，然后通过输出接口1204将该状态输出到计算设备1200的外部供其他设备使用。
也就是说，图12所示的计算设备也可以被实现为故障检测模型的训练设备或故障检测的设备。
该计算设备可以包括：处理器以及存储有计算机可执行指令的存储器；该处理器在执行计算机可执行指令时可以实现本发明实施例提供的用于故障检测的声信号分析方法，故障检测模型的训练方法，或故障检测的方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的用于故障检测的声信号分析方法，故障检测模型的训练方法，或故障检测的方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (14)

1.一种用于故障检测的声信号分析方法，其特征在于，所述方法包括：
采集目标对象的声信号；
根据预设样本特征信息从所述声信号中获取多组样本数据；
对所述多组样本数据进行倍频程分析，得到所述多组样本数据的预设倍数的倍频程谱；
根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级，确定倍频程能量比。
2.根据权利要求1所述的方法，其特征在于，所述根据预设样本特征信息从所述声信号中获取多组样本数据，包括：
根据预设的上限截止频率，预设的下限截止频率以及预设的滤波器的阶数对所述声信号进行滤波；
根据预设样本特征信息从滤波后的声信号中获取所述多组样本数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述多组样本数据进行倍频程分析得到所述多组样本数据的预设倍数的倍频程谱，包括：
获取所述多组样本数据中每组样本数据的声频范围；
按照预设规则将每组样本数据分成多个频带；
计算每个频带的声压级，得到所述预设倍数的倍频程谱。
4.根据权利要求1所述的方法，其特征在于，所述根据每组样本数据的预设倍数的倍频程谱中目标频带的声压级确定所述倍频程能量比，包括：
从所述预设倍数的倍频程谱中的按照预设选取规则选取包含相邻的多个目标频带的至少一个目标频带组；
根据预设划分规则，将每个所述目标频带组划分为至少两个子频带组；
根据至少两个子频带组中各目标频带的声压级之和的比值确定所述倍频程能量比。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述倍频程能量比进行降维处理。
6.根据权利要求1所述的方法，其特征在于，所述目标对象包括叶片；所述采集目标对象的声信号包括：
采集所述目标对象所在风机的塔门处的声信号。
7.一种故障检测模型的训练方法，其特征在于，利用权利要求1至6任意一项所述的用于故障检测的声信号分析方法获得的所述倍频程能量比，对预设的神经网络进行训练。
8.根据权利要求7所述的方法，其特征在于，所述方法包括：
根据所述样本数据的组数以及每组样本数据中确定的倍频程能量比，确定特征矩阵；
对所述特征矩阵依次进行零均值化处理、协方差矩阵计算处理、矩阵对角化处理；
根据处理后的特征矩阵中各维度的方差确定特征向量；
根据所述特征向量对预设的神经网络进行训练。
9.一种故障检测的方法，其特征在于，所述方法包括：
采集待检测对象的目标声信号；
根据预设样本特征信息从所述目标声信号中获取多组目标样本数据；
对所述多组目标样本数据进行倍频程分析得到所述多组目标样本数据的预设倍数的倍频程谱；
根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比；
根据所述倍频程能量比和故障检测模型，确定所述待检测对象的状态，其中，所述状态包括故障或正常中的至少一种，所述故障检测模型是基于权利要求7或8中所述的故障检测模型的训练方法得到的。
10.一种用于故障检测的声信号分析装置，其特征在于，所述装置包括：
采集模块，用于采集目标对象的声信号；
处理模块，用于根据预设样本特征信息从所述声信号中获取多组样本数据；
所述处理模块，还用于对所述多组样本数据进行倍频程分析得到所述多组样本数据的预设倍数的倍频程谱；
所述处理模块，还用于根据所述预设倍数的倍频程谱确定每组样本数据的倍频程能量比。
11.一种故障检测模型的训练装置，其特征在于，所述训练装置包括处理模块；
所述处理模块，用于利用权利要求1-6任意一项所述的用于故障检测的声信号分析方法获得的所述倍频程能量比，对预设的神经网络进行训练。
12.一种故障检测的装置，其特征在于，所述装置包括：
采集模块，用于采集待检测对象的目标声信号；
处理模块，用于根据预设样本特征信息从所述目标声信号中获取多组目标样本数据；
所述处理模块，还用于对所述多组目标样本数据进行倍频程分析得到所述多组目标样本数据的预设倍数的倍频程谱；
所述处理模块，还用于根据每组目标样本数据的预设倍数的倍频程谱中目标频带的声压级确定倍频程能量比；
所述处理模块，还用于根据所述倍频程能量比和故障检测模型，确定所述待检测对象的状态，其中，所述状态包括故障或正常中的至少一种，所述故障检测模型是基于权利要求7或8所述的故障检测模型的训练方法得到的。
13.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1至6中任意一项所述的用于故障检测的声信号分析方法，或者，实现如权利要求7或8中所述的故障检测模型的训练方法，或者，实现如权利要求9所述的故障检测的方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至6中任意一项所述的用于故障检测的声信号分析方法，或者，实现如权利要求7或8中所述的故障检测模型的训练方法，或者，实现如权利要求9所述的故障检测的方法。
CN202110303153.3A 2021-03-22 2021-03-22 用于故障检测的声信号分析方法、故障检测的方法、装置 Pending CN113139430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110303153.3A CN113139430A (zh) 2021-03-22 2021-03-22 用于故障检测的声信号分析方法、故障检测的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110303153.3A CN113139430A (zh) 2021-03-22 2021-03-22 用于故障检测的声信号分析方法、故障检测的方法、装置

Publications (1)

Publication Number Publication Date
CN113139430A true CN113139430A (zh) 2021-07-20

Family

ID=76810066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110303153.3A Pending CN113139430A (zh) 2021-03-22 2021-03-22 用于故障检测的声信号分析方法、故障检测的方法、装置

Country Status (1)

Country Link
CN (1) CN113139430A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114882912A (zh) * 2022-07-08 2022-08-09 杭州兆华电子股份有限公司 一种声信号时域瞬态缺陷的测试方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114882912A (zh) * 2022-07-08 2022-08-09 杭州兆华电子股份有限公司 一种声信号时域瞬态缺陷的测试方法及装置
CN114882912B (zh) * 2022-07-08 2022-09-23 杭州兆华电子股份有限公司 一种声信号时域瞬态缺陷的测试方法及装置

Similar Documents

Publication Publication Date Title
US11022633B2 (en) Enhanced system and method for conducting PCA analysis on data signals
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
He et al. Fault feature extraction of rolling element bearings using sparse representation
US10520397B2 (en) Methods and apparatuses for defect diagnosis in a mechanical system
CN102016607B (zh) 用于分析电力系统的波形信号的方法和装置
CN110398647B (zh) 变压器状态监测方法
CN102778358A (zh) 故障预测模型建立方法及系统、风机监测预警系统及方法
Gowid et al. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems
CN113139430A (zh) 用于故障检测的声信号分析方法、故障检测的方法、装置
CN110816588B (zh) 一种机车车轮失圆检测方法、装置、设备及系统
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及系统
CN114323642B (zh) 风电机组振动数据处理系统以及数据稀释方法
CN110781612A (zh) 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质
CN112213687B (zh) 基于伪异常点辨识的关口电能表数据异常检测方法及系统
CN116773961A (zh) 基于振动信号高频特征分析的输电线路腐蚀检测方法
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN112782421B (zh) 一种基于音频的转速识别方法
CN118050591A (zh) 基于ai的配网10kv架空线故障预警及定位系统
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN116907029A (zh) 检测室外机内风扇异常的方法、控制装置以及空调室外机
CN109357751B (zh) 一种电力变压器绕组松动缺陷检测系统
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法
CN113805105A (zh) 三相变压器检测方法和系统
Yu et al. Threshing cylinder unbalance detection using a signal extraction method based on parameter-adaptive variational mode decomposition
CN115114955B (zh) 一种基于声音与振动信号的设备故障检测方法

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