CN113343887A - 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 - Google Patents
基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 Download PDFInfo
- Publication number
- CN113343887A CN113343887A CN202110697318.XA CN202110697318A CN113343887A CN 113343887 A CN113343887 A CN 113343887A CN 202110697318 A CN202110697318 A CN 202110697318A CN 113343887 A CN113343887 A CN 113343887A
- Authority
- CN
- China
- Prior art keywords
- fault
- signals
- signal
- aliasing
- mixed
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title claims abstract description 11
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，包括以下步骤：根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号；对中采集到的混合信号进行预处理，得到预处理的混叠故障信号；采用独立分量盲分离算法对混叠故障信号进行分离，得到多路分离后的独立故障信号；对分离的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；对提取出的各单一故障特征信号进行诊断、判别。本发明有效分离出可能共存故障特征信号，把复杂的共存故障诊断转化为单一故障诊断，可大大增加复合故障的诊断效率和精度，各机械设备的安全运行和维护提供有力的技术支撑，有效提高对事故的防治能力。
Description
技术领域
本发明涉及到一种机械工程技术领域的信号处理方法，具体涉及一种基于边缘计算与机器学习的多传感器混合故障信号盲分离方法。
背景技术
机械设备中，振动是声信号产生的根源，而声信号是振动信号传播的延续，两者是相互统一的整体。当机械系统如滚动轴承或齿轮出现故障时，其特征信号常常会出现明显的冲击成分，同时声学特性亦会发生改变，从而蕴含设备状态信息。然而实际声场环境复杂多变，待识别信号(故障源信号)常与其他各种干扰信号或噪声相互混杂，无法被有效辨识。为了准确的提取机械故障特征，需要将这些干扰或噪声抑制或排除，随后根据故障征兆识别故障原因。
而盲源分离是20世纪末期迅速发展起来的一个新兴的研究领域，作为一种新的数据处理方法，是人工神经网络、统计信号处理、信息论、计算机相结合的产物，并已经成为上述一些领域和发展的重要课题，特别是生物医学、语音信号处理、图像处理、远程传感、雷达与通信系统等方面的应用上都发挥了重要作用。在语音信号处理领域，目前的语音识别与降噪增强算法仅能够识别和处理有环境噪声的语音信号，盲源分离算法不受话音信号基音和谐波等声音特征的影响，在没有目标语音信号的先验信息条件下，将采集到的混叠话音信号进行分离，从而提取出我们感兴趣的目标语音。
噪声环境下，现有分离算法自己不能识别噪声，有噪声分离出的语音信号要么不能完成、要么失真，但是在没有噪声环境下的语音信号分离的理论研究的各种分离算法均取得令人满意的效果。
发明内容
本发明要解决的技术问题在于提供一种基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，可以利用多传感器通道振动信号的信息，对混合故障信号进行识别与诊断，提高对故障的诊断能力。
为了解决上述技术问题，本发明通过以下方式来实现：
基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，具体包括以下步骤：
1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；
2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；
3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；
4)对步骤3)中分离出的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；
5)对步骤4)中提取出的各单一故障特征信号进行诊断、判别。
与现有技术相比，本发明具有的有益效果：
本发明提出的基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，可以最大程度削弱背景噪声干扰，凸显特征信号特征，进而实现机械故障的有效精确提取。本发明可以从复杂的混叠振动信号中，有效的分离出可能存在的共存故障特征信号，把复杂的共存故障诊断转化为单一故障诊断，可以大大增加复合故障的诊断效率和精度，各机械设备的安全运行和维护提供有力的技术支撑，有效提高对事故的防治能力。
附图说明
图1为本发明盲分离过程流程示意图。
图2为本发明的混合信号预处理流程图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式作进一步详细的说明。
如图1所示，基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，具体包括以下步骤：
1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；根据采集到混合信号进行分析得到特征值，并依据特征值确定存在故障的个数；
2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；
3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；
将预处理后的信号作为输入信号，并给定步骤1)中得出的可能存在的故障数目，然后通过独立分量盲分离算法进行计算分析，从中分离出可能存在的各故障源信号，从而把故障混叠信号分离开来，转化为多个含单一故障的信号。
4)对步骤3)中分离出的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；
5)对步骤4)中提取出的各单一故障特征信号进行诊断、判别。
针对采集到的混合信号进行预处理：
在混合信号进行分离前对信号进行预处理是非常有必要的，预处理过程如图2所示，为了减小噪声的干扰，对采集的混合信号进行预处理，首先采用数字滤波器进行降噪处理，然后对降噪后的信号数据进行零均值化、信号白化与子带滤波预处理，得到预处理后的混叠故障信号。
对传感器所接收到的观测信号进行处理，去除信号间相关性；利用改进多尺度形态滤波器对观测信号进行噪声抑制，滤波能够较快的跟踪变化的信号，并自动调整自身的参数，以达到最佳的滤波效果，最大程度的削弱背景噪声干扰，得到降噪后的观测信号。
以上所述仅是本发明的实施方式，再次声明，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，还可以对本发明进行若干改进，这些改进也列入本发明权利要求的保护范围内。
Claims (2)
1.基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，其特征在于：具体包括以下步骤：
1)根据存在的故障个数确定获取观测故障信号的个数与位置，同时利用信号采集装置采集观测信号，即多传感器故障的混合信号；
2)对步骤1)中采集到的混合信号进行预处理，得到预处理后的混叠故障信号；
3)采用独立分量盲分离算法对步骤2)中混叠故障信号进行分离，得到多路分离后的独立故障信号；
4)对步骤3)中分离出的故障信号分别进行归一化处理，再进行频谱、小波分析，提取出故障特征信号；
5)对步骤4)中提取出的各单一故障特征信号进行诊断、判别。
2.如权利要求1所述的基于边缘计算与机器学习的多传感器混合故障信号盲分离方法，其特征在于：所述步骤2)中采集的混合信号进行预处理，首先采用数字滤波器进行降噪处理，然后对降噪后的信号数据进行零均值化、信号白化与子带滤波预处理，得到预处理后的混叠故障信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697318.XA CN113343887A (zh) | 2021-06-23 | 2021-06-23 | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697318.XA CN113343887A (zh) | 2021-06-23 | 2021-06-23 | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343887A true CN113343887A (zh) | 2021-09-03 |
Family
ID=77478109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697318.XA Pending CN113343887A (zh) | 2021-06-23 | 2021-06-23 | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343887A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115001517A (zh) * | 2022-05-23 | 2022-09-02 | 四川轻化工大学 | 一种无线通信接收噪声抑制方法 |
-
2021
- 2021-06-23 CN CN202110697318.XA patent/CN113343887A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115001517A (zh) * | 2022-05-23 | 2022-09-02 | 四川轻化工大学 | 一种无线通信接收噪声抑制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Application of EEMD and improved frequency band entropy in bearing fault feature extraction | |
| CN105976809B (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
| KR102272622B1 (ko) | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 | |
| CN106846803B (zh) | 基于音频的交通事件检测装置及方法 | |
| CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
| CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
| CN105719657A (zh) | 基于单麦克风的人声提取方法及装置 | |
| Fong et al. | Mean shift clustering-based analysis of nonstationary vibration signals for machinery diagnostics | |
| CN116517860A (zh) | 基于数据分析的通风机故障预警系统 | |
| Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
| CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
| CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN113343887A (zh) | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 | |
| CN114189781A (zh) | 双麦神经网络降噪耳机的降噪方法及系统 | |
| CN114023353A (zh) | 基于聚类分析和相似度计算的变压器故障分类方法及系统 | |
| CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
| CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
| CN116312635A (zh) | 一种融合机器识别和听觉脑机接口的声音目标探测方法 | |
| Ramar et al. | A Hybrid MFWT Technique for Denoising Audio Signals | |
| Thu et al. | Vehicle type classification based on acoustic signals using denoised MFCC | |
| Park et al. | Frequency of Interest-based Noise Attenuation Method to Improve Anomaly Detection Performance | |
| Morovati | Increase the accuracy of speech signal categories in high noise environments | |
| CN107817083A (zh) | 一种多振源机械设备故障信号分离装置及方法 | |
| CN116416975A (zh) | 一种基于协同神经网络算法的港口设备运维故障声音监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |