CN113593605B - 一种基于深度神经网络的工业音频故障监测系统和方法 - Google Patents
一种基于深度神经网络的工业音频故障监测系统和方法 Download PDFInfo
- Publication number
- CN113593605B CN113593605B CN202110775892.2A CN202110775892A CN113593605B CN 113593605 B CN113593605 B CN 113593605B CN 202110775892 A CN202110775892 A CN 202110775892A CN 113593605 B CN113593605 B CN 113593605B
- Authority
- CN
- China
- Prior art keywords
- audio
- industrial
- module
- fault
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000005236 sound signal Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 abstract description 9
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于深度神经网络的工业音频故障监测系统和方法，通过选择、构建工业音频特征集提高特征提取效率；通过引入深度学习模型作为分类器，提升了在工业音频分析领域分析故障的准确率；通过工业设备运作时产生的正常音频和异常音频训练深度学习分类模型，减少了人工决策的负担，提高了判断工业音频故障概率的准确性，实现了在复杂环境下实时监测工业设备的音频故障并进行故障预警的功能。本发明具备在线实时监测、预警等功能，具有部署成本低，功能整合度高和故障识别率高的优点，具备有广泛推广的能力。
Description
技术领域
本发明属于工业音频分析技术领域，具体涉及一种基于深度神经网络的工业音频故障监测系统和方法。
背景技术
随着世界各国工业领域飞速地发展，各个企业都在积极搭建完善的智能制造系统，一种由计算机模拟人类专家进行的智能活动的人机一体化系统，具有高度的自律性，能够根据环境信息迅速地进行判断和规划自身行为的能力。在工业领域的大型设备运转工作中，通常检验其是否发生故障主要是通过有丰富机械异常声音识别经验的专家来辨别，这种传统监测方法不仅需要投入大量财力培养专家人才，也存在无法实现24小时不间断监测的问题。因此传统检验机械设备异常的方法无法满足智能制造系统自律性的需求。随着智能制造的发展，对流水线各类生产设备的异常监测提出了较高的要求。针对传统工业设备异常检测方法的不足，需要提出一种替代专家辨别的工业流水线设备故障音频分析方法。
由于近年来人工神经网络的不断发展，音频分类在工业音频分析领域(Industrial audio analysis，ISA)还处于起步阶段。坦佩雷理工大学和卡内基梅隆大学举办的2020年DCASE声学挑战赛也首次引入了工业异常音监测任务，赛事前十名团队均采用了深度学习模型，其中使用卷积神经网络(Convolutional Neural Networks,CNN)的来训练模型的团队占大多数。Sacha等人在工业音频处理方面进行了探索，通过有监督训练模型并利用额外标记数据，验证了在工业音频领域应用人工神经网络的可能性。由于工业音频领域的特殊性，研究面临数据集规模较小且难以搜集、音频特征难以确定等困难。
发明内容
本发明要解决的技术问题是：提供一种基于深度神经网络的工业音频故障监测系统和方法，用于在复杂环境下实时监测工业设备的音频故障并进行故障预警。
本发明为解决上述技术问题所采取的技术方案为：一种基于深度神经网络的工业音频故障监测系统，包括依次连接的音频采集模块和故障音频识别模块，以及分别接收音频采集模块和故障音频识别模块的输出数据的监测模块；音频采集模块用于实时采集工业设备运行的音频信号；故障音频识别模块用于构建、训练工业音频故障识别模型，从音频信号中提取的满足预设需求的特征，并将特征输入训练好的工业音频故障识别模型，输出分类概率值；故障音频识别模块包括依次连接的特征提取模块和工业音频故障识别模型；特征提取模块包括依次连接的向量模块、相关性模块、有效性模块；向量模块用于将音频信号向量化得到特征向量；相关性模块用于采用多种向量相关性算法构建算法列表计算和分析特征向量的相关性；有效性模块用于根据特征向量的相关性构建热度图，评估特征的有效性，从音频信号中提取特征；工业音频故障识别模型用于根据音频信号的特征对音频信号进行分类，并输出分类的概率值；监测模块用于通过人机交互界面实时显示音频信号和分类概率值。
按上述方案，音频采集模块包括拾音器和音频预处理模块；拾音器的监听距离至少为0.5m，采样位数为16位，采样率为22050Hz，并以.wav格式输出音频信号；音频预处理模块用于标准化处理音频信号，并对音频信号进行标注，构建工业音频数据集。
按上述方案，工业音频故障识别模型采用卷积神经网络CNN，包括两个卷积层Conv2d和池化层MaxPooling的组合用于训练，连接两个Dense全连接层用于获取训练后的输出结果，还包括Batch Normalization批归一化用于加快模型收敛速度和提升模型泛化能力。
按上述方案，监测模块包括音频可视化监测模块和音频故障预警模块；可视化监测模块用于将音频采集模块获取的音频信号可视化并实时提供给技术人员进行监测；音频故障预警模块根据预设的报警阈值对工业音频故障识别模型输出的分类概率值进行判断，并在分类概率值大于报警阈值时发出报警信号。
按上述方案，还包括存储模块和数据服务器；音频保存模块用于将音频信号、报警信号、维修日志实时存储到数据库中；数据服务器用于存储音频信号和故障分类日志。
一种基于深度神经网络的工业音频故障监测方法，包括以下步骤：
S1：采集工业音频数据构建工业音频数据集，包括正常音频集Normal Set和异常音频集Abnormal Set；
S2：根据正常音频集Normal Set和异常音频集Abnormal Set提取满足预设需求的工业音频特征；
S3：构建和训练基于卷积神经网络CNN的工业音频故障识别模型；
S4：将工业音频特征输入工业音频故障识别模型，使工业音频故障识别模型将工业音频信号分类为正常信号和异常信号，并输出分类概率。
进一步的，所述的步骤S2中，具体步骤为：
S21：设工业音频数据集IAData的标签数为s，备选特征列表的规模为m，遍历备选特征列表tz-list(m)，按标签分类构建音频特征矩阵IAData(m*s)；
S22：设相关性算法列表规模为n，遍历相关性算法列表xg-list[n]，获取特征相关性矩阵R(m*n*s*s)和差异评估矩阵Estimate(n)，计算特征相似性；
S23：构建特征分类图谱pic_class(m)，根据特征分类图谱pic_class(m)和差异评估矩阵Estimate(n)评估特征的有效性，若满足要求则提取出满足预设需求的工业音频特征，若不满足则执行步骤S21重新构建音频特征矩阵。
进一步的，所述的步骤S3中，具体步骤为：
S31：将音频特征输入第一层具有128个规模为2x2的卷积核的卷积层，通过ReLu函数激活后进入max-pooling池化层中池化；
S32：将步骤S31输出的信号输入第二个有256个规模为2x2的卷积核的卷积层和相同的池化层，并且两个池化层后的Dropout率设置为0.3；
S33：将步骤S32输出的信号输入两个全连接层+softmax中进行归一化处理获取最终输出。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种基于深度神经网络的工业音频故障监测方法。
本发明的有益效果为：
1.本发明的一种基于深度神经网络的工业音频故障监测系统和方法，通过选择、构建工业音频特征集提高特征提取效率；通过引入深度学习模型作为分类器，提升了在工业音频分析领域分析故障的准确率；通过工业设备运作时产生的正常音频和异常音频训练深度学习分类模型，减少了人工决策的负担，提高了判断工业音频故障概率的准确性，实现了在复杂环境下实时监测工业设备的音频故障并进行故障预警的功能。
2.本发明应用在工业音频分析领域中，克服了工业领域中对于音频分类项目的困难，包括构建数据集和公用数据集、在多变应用环境提取特征等。区别于传统的音频分类场景，本发明根据在一线企业搜集的真实工业音频数据搭建数据集，结合音频特征选择算法构建数据特征，在工业音频分类识别领域完成了公用数据集的建立和音频数据特征的提取。
3.本发明在将数据特征输入人工神经网络模型之前，先进行特征相似性度量，判断特征提取的正确性和有效性，通过判断特征提取的有效性，准确地选择蕴含分类信息更多的特征来训练分类模型。在大量已知的音频特征中，找出一种或多种能够满足具体工业音频任务需求的特征，不仅突破了在工业领域特征选择的困难，也减少了特征选择的时耗。
4.本发明采用人工神经网络训练的分类器，人工神经网络专注于数据的高级特征，降低了新问题的特征提取工作量，在应用于音频分类任务时，人工神经网络学习模型的准确率更高，提高了分类结果的准确度，增强了学习能力。结合故障音频的信号学特征和神经网络模型的结构，将选择的分类模型应用到音频分类模型中，克服了音频信号采集时环境多样性问题。
5.本发明减少了人工介入，及时向维修人员提供预警信号，大幅度减少了人工培养成本与维修时间损耗，提升了工业设备的检修效率，降低了设备损坏的风险。
附图说明
图1是本发明实施例的原理框图。
图2是本发明实施例的特征提取流程图。
图3是本发明实施例的场景示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明的实施例提供了一个环形轨道设备的音频故障监测系统。
如图1所示，其中包括有四个模块：设备音频采集模块；设备音频故障监测模块；音频识别模型训练模块；音频数据与预警维修记录存储模块。
设备音频采集模块主要由麦克风阵列与音频数据预处理程序结合而成。其中麦克风阵列对监听设备距离保持为0.5m，采样位数为16位，采样率为22050Hz，以.wav格式存储。预处理程序的目的在于将已采集的设备音频数据进行标准化处理，使其在输入训练好的分类模型时能够保持标准化。实施例前期所需要为分类模型训练模块提供训练集等数据。需要短时间内的人类专家的介入，对所搜集的音频数据进行标注，构建一套该环形轨道设备的故障分类模型训练集。
音频识别模型训练模块，目的就是将人类专家标注要的训练集经过特征选择工程后输入至人工神经网络模型内进行模型训练，其中特征选择算法由图2所示。工业音频特征选择工程主要根据工业音频数据特征向量的相关性来构建热度图以及提供评估算法来特征选择，以便后续采用合适的特征训练。其中核心在于对音频数据向量化后的相关性分析，它会采用多种向量相关性算法构建算法列表来计算和分析特征向量。其步骤为：
1.采集的工业音频数据集IAData(m)，其中s表示数据集中标签数。
2.遍历备选特征列表tz-list(m)，获取音频特征矩阵IAData(m*s)。其中m代表备选特征列表的规模。
3.遍历相关性算法列表xg-list[n]，获取特征相关性矩阵R(m*n*s*s)和差异评估矩阵Estimate(n)。其中n表示相关性算法列表规模。
4.构建特征分类图谱pic_class(m)。最终将特征分类图谱和差异评估矩阵提供给模型训练专家来进行工业音频特征选择。
该设备MFCC特征被特征提取验证为是适用于设备故障分类识别任务的音频特征。所以采用MFCC特征+CNN训练模型，来获取高性能的故障识别模型。CNN网络使用有2个Conv2d+MaxPooling的组合来训练，最终连接两个Dense全连接层获取训练后的输出结果.同时使用Batch Normalization批归一化的方法解决了因CNN网络层数过深而导致模型收敛速度过慢的问题，也可以提升模型的泛化能力。首先，音频特征进入第一层具有128个规模为2x2的卷积核的卷积层，通过ReLu函数激活后进入max-pooling池化层中池化，紧接着进入第二个有256个规模为2x2的卷积核的卷积层和相同的池化层，并且两个池化层后的Dropout率设置为0.3。最终数据将进入两个全连接层+softmax中进行归一化处理获取最终输出。训练好模型后，终端采集的环形轨道设备音频数据将输入分类模型中，最终输出设备音频的异常评估值，通常格式为一概率值(0.00～1.00)，由设备故障监测模块提供给技术人员进行分析与决策。
设备音频故障监测模块包括有环形轨道设备音频可视化监测、音频故障预警组成。环形轨道设备音频可视化的功能模块由Web端实现，主要作用是将音频采集模块所获取的.wav音频数据实时提供给技术人员进行监测；音频故障预警功能的实现主要依赖于故障音频分类模型的训练，对该设备所搜集到的音频数据进行输出分类概率值。由技术人员设置报警阈值，当大于该阈值时，系统将发出报警信号。最终由专业技术人员来做出是否对设备进行检修的决策。该系统将报警信号与维修日志输入至数据库内进行保存，方便后续设备定期检修工作提供参考依据。
音频数据与预警维修记录存储模块主要功能就是对该轨道设备所产生的音频数据进行定期存储与更新和设备预警维修日志等的保存。不管设备在一段时间内是否发出了故障报警的情况，任何工业设备都是需要进行定期的保养和检修的。该系统搜集和保存设备音频数据和预警维修日志，会提供给专业检修人员一定的参考性依据。
综上所述，依据该发明所架构的技术方案，通过对环形轨道设备进行音频采集与预处理的模块后，由人类专家参与构建的工业设备音频数据集所训练的分类模型来实现该设备音频故障预警。终端技术人员可以从预警模块获取音频信号数据和故障预警信号，最终根据该系统所提供的信息来做出检修决策。该发明所提供的技术方案，具备有在线实时监测、预警等功能。其具有部署成本低，功能整合度高和故障识别率高的优点，具备有广泛推广的能力。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (7)
1.一种基于基于深度神经网络的工业音频故障监测系统的监测方法，所述监测系统包括依次连接的音频采集模块和故障音频识别模块，以及分别接收音频采集模块和故障音频识别模块的输出数据的监测模块；音频采集模块用于实时采集工业设备运行的音频信号；故障音频识别模块用于构建、训练工业音频故障识别模型，从音频信号中提取的满足预设需求的特征，并将特征输入训练好的工业音频故障识别模型，输出分类概率值；故障音频识别模块包括依次连接的特征提取模块和工业音频故障识别模型；特征提取模块包括依次连接的向量模块、相关性模块、有效性模块；向量模块用于将音频信号向量化得到特征向量；相关性模块用于采用多种向量相关性算法构建算法列表计算和分析特征向量的相关性；有效性模块用于根据特征向量的相关性构建热度图，评估特征的有效性，从音频信号中提取特征；工业音频故障识别模型用于根据音频信号的特征对音频信号进行分类，并输出分类的概率值；监测模块用于通过人机交互界面实时显示音频信号和分类概率值；其特征在于：包括以下步骤：
S1：采集工业音频数据构建工业音频数据集，包括正常音频集Normal Set和异常音频集Abnormal Set；
S2：根据正常音频集Normal Set和异常音频集Abnormal Set提取满足预设需求的工业音频特征；具体步骤为：
S21：设工业音频数据集IAData的标签数为s，备选特征列表的规模为m，遍历备选特征列表tz-list(m)，按标签分类构建音频特征矩阵IAData(m*s)；
S22：设相关性算法列表规模为n，遍历相关性算法列表xg-list[n]，获取特征相关性矩阵R(m*n*s*s)和差异评估矩阵Estimate(n)，计算特征相似性；
S23：构建特征分类图谱pic_class(m)，根据特征分类图谱pic_class(m)和差异评估矩阵Estimate(n)评估特征的有效性，若满足要求则提取出满足预设需求的工业音频特征，若不满足则执行步骤S21重新构建音频特征矩阵；
S3：构建和训练基于卷积神经网络CNN的工业音频故障识别模型；
S4：将工业音频特征输入工业音频故障识别模型，使工业音频故障识别模型将工业音频信号分类为正常信号和异常信号，并输出分类概率。
2.根据权利要求1所述的监测方法，其特征在于：所述的步骤S3中，具体步骤为：
S31：将音频特征输入第一层具有128个规模为2x2的卷积核的卷积层，通过ReLu函数激活后进入max-pooling池化层中池化；
S32：将步骤S31输出的信号输入第二个有256个规模为2x2的卷积核的卷积层和相同的池化层，并且两个池化层后的Dropout率设置为0.3；
S33：将步骤S32输出的信号输入两个全连接层+softmax中进行归一化处理获取最终输出。
3.根据权利要求1所述的监测方法，其特征在于：音频采集模块包括拾音器和音频预处理模块；
拾音器的监听距离至少为0.5m，采样位数为16位，采样率为22050Hz，并以.wav格式输出音频信号；
音频预处理模块用于标准化处理音频信号，并对音频信号进行标注，构建工业音频数据集。
4.根据权利要求1所述的监测方法，其特征在于：工业音频故障识别模型采用卷积神经网络CNN，包括两个卷积层Conv2d和池化层MaxPooling的组合用于训练，连接两个Dense全连接层用于获取训练后的输出结果，还包括Batch Normalization批归一化用于加快模型收敛速度和提升模型泛化能力。
5.根据权利要求1所述的监测方法，其特征在于：监测模块包括音频可视化监测模块和音频故障预警模块；
可视化监测模块用于将音频采集模块获取的音频信号可视化并实时提供给技术人员进行监测；
音频故障预警模块根据预设的报警阈值对工业音频故障识别模型输出的分类概率值进行判断，并在分类概率值大于报警阈值时发出报警信号。
6.根据权利要求5所述的监测方法，其特征在于：还包括音频保存模块和数据服务器；
音频保存模块用于将音频信号、报警信号、维修日志实时存储到数据库中；
数据服务器用于存储音频信号和故障分类日志。
7.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求6中任意一项所述的监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775892.2A CN113593605B (zh) | 2021-07-09 | 2021-07-09 | 一种基于深度神经网络的工业音频故障监测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775892.2A CN113593605B (zh) | 2021-07-09 | 2021-07-09 | 一种基于深度神经网络的工业音频故障监测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113593605A CN113593605A (zh) | 2021-11-02 |
| CN113593605B true CN113593605B (zh) | 2024-01-26 |
Family
ID=78246699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110775892.2A Active CN113593605B (zh) | 2021-07-09 | 2021-07-09 | 一种基于深度神经网络的工业音频故障监测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113593605B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154538B (zh) * | 2021-11-26 | 2022-09-02 | 哈尔滨工程大学 | 一种基于相位编码和设备信息的工业声音异常检测系统 |
| CN117809696B (zh) * | 2024-02-29 | 2024-05-10 | 南京迅集科技有限公司 | 基于声学分析的工业设备健康评估与故障预测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
| CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
| CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9699049B2 (en) * | 2014-09-23 | 2017-07-04 | Ebay Inc. | Predictive model for anomaly detection and feedback-based scheduling |
-
2021
- 2021-07-09 CN CN202110775892.2A patent/CN113593605B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
| CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
| CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Techniques Improving the Robustness of Deep Learning Models for Industrial Sound Analysis;David S. Johnson et al.;2020 28th European Signal Processing Conference (EUSIPCO);81-85 * |
| 基于深度学习的行星齿轮箱故障诊断研究;杨枫;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);C029-18 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113593605A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
| CN103699698B (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
| CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| CN113870260A (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN115511367B (zh) | 生产线的质量智能管理系统 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN112306816A (zh) | 一种基于深度学习的评测实体机器人响应的方法及其系统 | |
| CN116225760A (zh) | 一种基于运维知识图谱的实时根因分析方法 | |
| CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
| CN111913619B (zh) | 一种基于bim轻量化的消防数据读取及交互方法 | |
| CN117333038A (zh) | 一种基于大数据的经济趋势分析系统 | |
| CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
| CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
| CN113902222B (zh) | 一种新能源智慧运维系统 | |
| CN113807462A (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
| CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
| CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| CN113049249A (zh) | 一种电机轴承故障诊断方法及系统 | |
| CN112305184B (zh) | 一种污水处理多故障诊断系统及方法 |
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 |