CN113205829A - 一种综合监控设备运行状态的方法及系统 - Google Patents
一种综合监控设备运行状态的方法及系统 Download PDFInfo
- Publication number
- CN113205829A CN113205829A CN202110474655.2A CN202110474655A CN113205829A CN 113205829 A CN113205829 A CN 113205829A CN 202110474655 A CN202110474655 A CN 202110474655A CN 113205829 A CN113205829 A CN 113205829A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- frequency
- sound
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013075 data extraction Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100353526 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) pca-2 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010865 sewage Substances 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
-
- 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
- G06F18/24—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种综合监控设备运行状态的方法及系统，包括：对设备的声音原始数据进行转换处理，以获取频率数据；根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征；根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型；实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
Description
技术领域
本发明涉及数据处理技术领域，并且更具体地，涉及一种监控综合管廊、以及建筑智能化中设备运行状态的方法及系统。
背景技术
地下综合管廊和建筑智能化是一个复杂的监控系统，拥有包括电缆，污水管等重要设备。为了进行有效的监控，监控系统采集包括温度，湿度，有害气体等大量数据对管廊的运行安全进行全面地监控。
目前采用的人工巡检方式不仅费用高，而且存在状态监控准确度低的问题。针对旋转类设备的实时监控与故障预测基本采用电流，电压与振动数据进行分析，在相对恶劣的环境下存在数据采集困难的问题；同时目前的数据分析与清洗算法在数据波动较小的情况下存在提取特征困难的问题，同时在故障预测过程中需要大量的非正常工况数据对模型进行训练。
因此，需要一种能够快速准确地确定设备运行状态的方法。
发明内容
本发明提出一种综合监控设备运行状态的方法及系统，以解决如何快速地确定设备运行状态的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种确定地下综合管廊、建筑智能化中设备运行状态的方法，所述方法包括：
对设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据；
根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征；
根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型；
实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
优选地，其中所述方法利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
优选地，其中所述方法还包括：
利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
优选地，其中所述方法还包括：
在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
优选地，其中所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
根据本发明的另一个方面，提供了一种确定设备运行状态的系统，所述系统包括：
数据转换单元，用于对设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据；
关键特征确定单元，用于根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征；
运行状态分析模型确定单元，用于根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型；
运行状态确定单元，用于实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
优选地，其中所述数据转换单元，利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
优选地，其中所述系统还包括：
CQT处理单元，用于利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
优选地，其中所述系统还包括：
梅尔刻度讯号处理单元，用于在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
优选地，其中所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
本发明提供了一种确定设备运行状态的方法及系统，通过短期傅里叶变换STFT与时频变换算法CQT的耦合算法对管廊的声音数据进行分析与放大，并进行数据特征的提取，通过机器学习算法进行特征的分析，确定符合设备状态分析的关键特征，最终通过关键特征值对设备的运行状态进行预测；本发明的方法能够应用在对地下管廊大部分设备运行状态进行检测与预测，对于有效的监控地下管廊设备的状态具有重要的指导意义。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的确定设备运行状态的方法100的流程图；
图2为根据本发明实施方式的进行设备状态分析的示意图；
图3为根据本发明实施方式的获取的设备声音数据的示意图；
图4为根据本发明实施方式的通过短时傅里叶变换获得的音频数据的示意图；
图5为根据本发明实施方式的放大后的数据的示意图；
图6为根据本发明实施方式的声音数据的三种特征值对应的示意图；
图7为根据本发明实施方式的确定地系统中设备运行状态的系统700的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的确定设备运行状态的方法100的流程图。如图1所示，本发明实施方式提供的确定设备运行状态的方法，通过短期傅里叶变换STFT与时频变换算法CQT的耦合算法对管廊的声音数据进行分析与放大，并进行数据特征的提取，通过机器学习算法进行特征的分析，确定符合设备状态分析的关键特征，最终通过关键特征值对设备的运行状态进行预测；本发明的方法能够应用在对地下管廊大部分设备运行状态进行检测与预测，对于有效的监控地下管廊设备的状态具有重要的指导意义。本命实施方式提供的确定设备运行状态的方法100，从步骤101处开始，在步骤101对设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据。
优选地，其中所述方法利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
优选地，其中所述方法还包括：
利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
优选地，其中所述方法还包括：
在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
本发明的适用于地下管廊主要设备状态监控的数据分析方法，在通过针对管廊设备环境复杂，种类繁多的特点改进和结合多种数据分析与清洗算法来开发通用性较高的设备状态分析方法。其创新点主要体现在三个方面：第一、提出用于数据波动较小的数据分析算法；第二、提出与应用多种数据特征提取方法；第三、提出与应用数据放大方法。
结合图2所示，在本发明中对采集的声音数据依次进行SFTF变化、梅尔刻度讯号处理和CQT变化，以获取能够用于特征分析的数据。
如图3所示，显示了旋转类设备的声音原始数据，该数据具有数据波动较小的特点，其数据波动有可能是由环境的噪音导致的。对这类型数据的分析首先是以下转换公式通过短期傅里叶变换将数据转换成频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数；n为给定值。
转换后的数据如图3所示，在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：将所述频域数据帧化为短帧数据；计算每帧的功率谱周期图；将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
最后，进行CQT处理。由于经过傅里叶转换的声音数据显示其波动较小，不利于提取数据的特征，特别是在应用声音数据对设备进行状态检测的情况下，可能发现正常的声音数据与发生故障时的声音数据差别不显著的情况。因此本方法采用了下面公式种的CQT方法对进过转换的数据进行放大，放大后的数据如图4所示。其中，利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
在步骤102，根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征。
优选地，其中所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
在本发明中，数据经过转换和清洗之后的主要任务就是对数据的特征进行提取。数据特征提取的主要目的是为了找出数据的规律，如设备在正常与故障状态下的声音的特征。为了能提取出可应用于设备状态分析与监控的信息，本方法对数据进行了包括平均，中位数，方差，以及多种数学方法的处理，获得了包括小波系数，平均幅度，过零率，最好基，分贝等特征。再对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征。
在本发明中，对于旋转类设备的声音数据，在经过数据分析和特征提取后，形成了超过10种声音的特征值，其中的三种特征值如图5所示。可以看出pca_0与pca_2这两种特征值无法表征出声音在正常状态与非正常状态下的差别。而pca_1可以明显的辨别出在设备处于非正常状态下声音数据的变化，如图5种两个圈标识所示。
在步骤103，根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型。
在步骤104，实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
在本发明中，根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型。
如图6中的pca_1所示在声音特征提取成功以后，本发明的旋转类设备非正常工况的分析采用的是改良的SVM算法，通过少量的(约为30％)非正常工况数据对模型进行分析与学习，并应用其它非正常工况数据对模型进行验证，以获取运行状态分析模型。
在本发明中，实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
本发明主要解决了设备状态监控的问题，通过对采集的设备数据进行过滤，清洗，特征提取与训练，最终实现对主要设备的状态实时监控。本发明通过结合数据分析与特征提取的方法解决难以利用其它手段对设备进行实时监控的难点。结合STFT与CQT方法的一个重用应用在于通过分析声音数据对旋转类设备的状态进行实时分析，该方法不仅可以评估设备的健康状态，还可以分析设备故障以及发生故障的具体位置，本发明能够在保持精度的同时大幅度提高了特征提取的有效性，已达到应用在绝大多数地下管廊设备的作用。
图7为根据本发明实施方式的确定设备运行状态的系统700的结构示意图。如图7所示，本发明实施方式提供的确定设备运行状态的系统700，包括：数据转换单元701、关键特征确定单元702、运行状态分析模型确定单元703和运行状态确定单元704。
优选地，所述数据转换单元701，用于对设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据。
优选地，其中所述数据转换单元701，利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
优选地，其中所述系统还包括：
CQT处理单元，用于利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
优选地，其中所述系统还包括：
梅尔刻度讯号处理单元，用于在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
优选地，所述关键特征确定单元702，用于根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征。
优选地，其中所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
优选地，所述运行状态分析模型确定单元703，用于根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型。
优选地，所述运行状态确定单元704，用于实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
本发明的实施例的确定设备运行状态的系统700与本发明的另一个实施例的确定设备运行状态的方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种综合监控设备运行状态的方法，其特征在于，所述方法包括：
对地设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据；
根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征；
根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型；
实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
2.根据权利要求1所述的方法，其特征在于，所述方法利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
5.根据权利要求1所述的方法，其特征在于，所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
6.一种确定设备运行状态的系统，其特征在于，所述系统包括：
数据转换单元，用于对设备的声音原始数据进行转换处理，以获取与所述声音原始数据对应的频率数据；
关键特征确定单元，用于根据所述频率数据进行特征数据的提取，并对设备处于正常状态和处于故障状态下的特征数据进行比对，以确定关键特征；
运行状态分析模型确定单元，用于根据设备处于正常状态和故障状态下的所述关键特征的特征数据，基于支持向量机SVM算法进行训练，以确定运行状态分析模型；
运行状态确定单元，用于实时地对设备的声音数据进行采集，以获取声音实时数据，并依次对所述声音实时数据进行转换处理和关键特征数据提取，以获取与所述声音实时数据对应的实时关键特征数据，并利用所述运行状态分析模型对所述实时关键特征数据进行分析，以确定设备的运行状态。
7.根据权利要求6所述的系统，其特征在于，所述数据转换单元，利用短时傅里叶变换SFTF算法将对声音原始数据进行转换处理，以获取频率数据，包括：
其中，xm(ω)为在时间mR的短时傅里叶变换数据；x(n)为在时间n的输入信号数据；R为跳跃尺寸；
T为周期；ω(n)为长度M窗口函数。
8.根据权利要求6所述的系统，其特征在于，所述系统还包括：
CQT处理单元，用于利用时频变换算法CQT通过采用不同的窗口宽度，获得不同的频率解析度，以获取各个半音的频率分量，包括：
其中，XCQT(k)为第n帧频率数据的第k个半音的频率分量；w(n)为长度为Nk的窗函数；Q为CQT变换中的常数因子；k是CQT谱的频率序号；Nk为随频率变换的窗口长度，Nk值与k值有关。
9.根据权利要求6所述的系统，其特征在于，所述系统还包括：
梅尔刻度讯号处理单元，用于在获取所述频率数据后，对获取的频域数据进行梅尔刻度讯号处理，包括：
将所述频域数据帧化为短帧数据；
计算每帧的功率谱周期图；
将梅尔滤波器组应用于每帧的功率谱周期图，以计算滤波器总能量；
计算所有滤波器组能量的对数，并对获取的对数求离散余弦变换。
10.根据权利要求6所述的系统，其特征在于，所述特征数据，包括：小波系数、平均幅度、过零率、最好基和分贝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110474655.2A CN113205829A (zh) | 2021-04-29 | 2021-04-29 | 一种综合监控设备运行状态的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110474655.2A CN113205829A (zh) | 2021-04-29 | 2021-04-29 | 一种综合监控设备运行状态的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113205829A true CN113205829A (zh) | 2021-08-03 |
Family
ID=77029439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110474655.2A Pending CN113205829A (zh) | 2021-04-29 | 2021-04-29 | 一种综合监控设备运行状态的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205829A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
| US20200302949A1 (en) * | 2019-03-18 | 2020-09-24 | Electronics And Telecommunications Research Institute | Method and apparatus for recognition of sound events based on convolutional neural network |
| CN111948487A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
| CN112102846A (zh) * | 2020-09-04 | 2020-12-18 | 腾讯科技（深圳）有限公司 | 音频处理方法、装置、电子设备以及存储介质 |
-
2021
- 2021-04-29 CN CN202110474655.2A patent/CN113205829A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
| US20200302949A1 (en) * | 2019-03-18 | 2020-09-24 | Electronics And Telecommunications Research Institute | Method and apparatus for recognition of sound events based on convolutional neural network |
| CN111948487A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 一种基于人工智能的高压电力设备故障诊断方法及系统 |
| CN112102846A (zh) * | 2020-09-04 | 2020-12-18 | 腾讯科技（深圳）有限公司 | 音频处理方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈燕文等: "《基于MFCC和常数Q变换的乐器音符识别》", 《计算机科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
| CN116403605B (zh) * | 2023-06-08 | 2024-06-07 | 宁德时代新能源科技股份有限公司 | 堆垛机故障预测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | An adaptive sensitive frequency band selection method for empirical wavelet transform and its application in bearing fault diagnosis | |
| Yan et al. | Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines | |
| Wu et al. | Fault gear identification using vibration signal with discrete wavelet transform technique and fuzzy–logic inference | |
| CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
| RU2488815C2 (ru) | Способ и устройство для классификации генерирующих звук процессов | |
| Luo et al. | On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing | |
| CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
| Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
| CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
| CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
| CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
| CN113205829A (zh) | 一种综合监控设备运行状态的方法及系统 | |
| WO2004068078A1 (ja) | 状態判定方法と状態予測方法及び装置 | |
| Tang et al. | An acoustic emission event filtering method for low-speed bearing outer race defect localization | |
| CN109684937A (zh) | 一种基于fft及数学形态法的信号去噪方法及装置 | |
| 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 | |
| Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
| CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
| Afshar et al. | Generalized roughness bearing fault diagnosis using time series analysis and gradient boosted tree | |
| Loutridis et al. | Classification of gear faults using Hoelder exponents | |
| La et al. | Reducing ambient sensor noise in wind tunnel tests using spectral subtraction method | |
| CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
| CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
| CN115310490A (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
| Zhao et al. | Research on a vibration signal analysis method for motor bearing |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201913 room 509, building 12, Lane 1333, Jiangnan Avenue, Changxing Town, Chongming District, Shanghai Applicant after: SHANGHAI ZHIDA ELECTRONIC Co.,Ltd. Applicant after: CHINA MCC20 GROUP Corp.,Ltd. Address before: 1135 Youyi Road, Baoshan District, Shanghai, 201900 Applicant before: SHANGHAI ZHIDA ELECTRONIC Co.,Ltd. Applicant before: CHINA MCC20 GROUP Corp.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |