CN113790911B - 一种基于声音频谱统计学规律的异响检测方法 - Google Patents
一种基于声音频谱统计学规律的异响检测方法 Download PDFInfo
- Publication number
- CN113790911B CN113790911B CN202110950149.6A CN202110950149A CN113790911B CN 113790911 B CN113790911 B CN 113790911B CN 202110950149 A CN202110950149 A CN 202110950149A CN 113790911 B CN113790911 B CN 113790911B
- Authority
- CN
- China
- Prior art keywords
- frequency
- energy
- curve
- sound
- statistical
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- 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声音频谱统计学规律的异响检测方法,利用短时快速傅里叶变换和统计学规律对传声器采集到的水轮发电机组设备运行声音进行数据处理,使机组正常运行时噪声的频谱曲线趋于稳定、平滑,然后通过对特定频率段的统计学频谱曲线进行梯度计算和超阈值判断来检测金属物碰撞等异响的发生,从而识别出水轮发电机组运行时发生的金属碰撞等故障,可以应用于水轮发电机组运行的声学监测。
Description
技术领域
本发明属于水轮发电机组设备运行在线监测领域,特别涉及一种基于声音频谱统计学规律的异响检测方法。
背景技术
水轮发电机组在运行中,由于发电机风洞内的背景噪声大、频域范围广、瞬时变化快等特点,传统的信号处理方法难以准确地识别出由设备故障引起的短暂、轻微的异响。使用频谱统计学规律对机组声学信号进行处理后,可以很好的稳定机组正常运行时的噪声频谱,并从频谱曲线的畸变中检测出敲击、碰撞等异常声音信号,从而识别出水轮发电机组运行时发生的金属碰撞等故障。
发明内容
本发明所要解决的技术问题是提供一种基于声音频谱统计学规律的异响检测方法,利用短时快速傅里叶变换和统计学规律对传声器采集到的水轮发电机组设备运行声音进行数据处理,使机组正常运行时噪声的频谱曲线趋于稳定、平滑,然后通过对特定频率段的统计学频谱曲线进行梯度计算和超阈值判断来检测金属物碰撞等异响的发生,从而识别出水轮发电机组运行时发生的金属碰撞等故障。
为实现上述技术效果,本发明所采用的技术方案是:一种基于声音频谱统计学规律的异响检测方法,它包括以下步骤:
S1,进行声音样本处理;
S2,将信号以窗口长度为1024个点(时长16ms)、重叠率60%(步长10ms)的汉宁窗进行短时傅里叶变,形成一个含M1个频率点的频域变换数组;
S3,将每0.1秒内的10个频域变换数组按最大值的方式进行统计压缩,即每个频率点的数据取该频率点10个原始数据中的最大值;
S4,根据数据采集卡量程范围和传声器敏感度求取每0.1秒内M1个频率点的能量值,计算公式如下:
频率点能量值(dB)=20log(频率点数据*采集卡量程/传声器灵敏度/参考声压);
S5,对当前及过往的N/10秒内的N条频域能量数据进行统计学计算:
M1个频率点中的每个频率点按N个能量值从大到小排序,计算前10%,即最大的N/10个值的平均值作为该频率点的统计学能量值,形成一条含M1个点的统计学频域能量曲线;
S6,对统计学频域能量曲线按每5个数据求均值的方式进行滤波,消除曲线的高频纹波;然后对2KHz-25KHz频率段(32至400号频率点)的频域能量曲线进行梯度值计算,得到能量梯度曲线;最后按每3个数据求均值的方式对能量梯度曲线进行去高频纹波处理;
S7,将2KHz-25KHz频率段能量梯度曲线与梯度阈值曲线按频率点进行比对,统计连续超出频率点梯度阈值P次的频率点数M2,若M2大于设定的阈值,则发出异响报警信息。
优选地,所述步骤S1中进行声音样本处理的方法为通过传声器收集64KHz采样率24bit采样精度的声学信号,并将信号进行归一化处理。
本发明的有益效果为:
本发明公开了一种基于声音频谱统计学规律的异响检测方法,利用短时快速傅里叶变换和统计学规律对传声器采集到的水轮发电机组设备运行声音进行数据处理,使机组正常运行时噪声的频谱曲线趋于稳定、平滑,然后通过对特定频率段的统计学频谱曲线进行梯度计算和超阈值判断来检测金属物碰撞等异响的发生,从而识别出水轮发电机组运行时发生的金属碰撞等故障,可以应用于水轮发电机组运行的声学监测。
附图说明
图1为本发明的流程框图示意图;
图2为本发明实施例中紧固螺栓敲击定子铁芯时的声学样本的时域图;
图3为本发明实施例中某段机组稳定带负载工况下风洞内的背景噪声样本的时域图;
图4为本发明实施例中某段叠加定子铁芯敲击声后的机组运行声学样本的时域图;
图5为本发明实施例中某段机组稳定带负载工况下背景噪声的统计学频域能量曲线;
图6为本发明实施例中某段统计学频域能量曲线与其能量梯度曲线;其中频域能量曲线为实线,能量梯度曲线为虚线;
图7为本发明实施例中某段异响声音超阈值报警示意图。
具体实施方式
实施例1:
如图1中,一种基于声音频谱统计学规律的异响检测方法,它包括以下步骤:
S1,进行声音样本处理;
S2,将信号以窗口长度为1024个点(时长16ms)、重叠率60%(步长10ms)的汉宁窗进行短时傅里叶变,形成一个含M1个频率点的频域变换数组;
S3,将每0.1秒内的10个频域变换数组按最大值的方式进行统计压缩,即每个频率点的数据取该频率点10个原始数据中的最大值;
S4,根据数据采集卡量程范围和传声器敏感度求取每0.1秒内M1个频率点的能量值,计算公式如下:
频率点能量值(dB)=20log(频率点数据*采集卡量程/传声器灵敏度/参考声压);
S5,对当前及过往的N/10秒内的N条频域能量数据进行统计学计算:
M1个频率点中的每个频率点按N个能量值从大到小排序,计算前10%,即最大的N/10个值的平均值作为该频率点的统计学能量值,形成一条含M1个点的统计学频域能量曲线;
S6,对统计学频域能量曲线按每5个数据求均值的方式进行滤波,消除曲线的高频纹波;然后对2KHz-25KHz频率段(32至400号频率点)的频域能量曲线进行梯度值计算,得到能量梯度曲线;最后按每3个数据求均值的方式对能量梯度曲线进行去高频纹波处理;
S7,将2KHz-25KHz频率段能量梯度曲线与梯度阈值曲线按频率点进行比对,统计连续超出频率点梯度阈值P次的频率点数M2,若M2大于设定的阈值,则发出异响报警信息。
优选地,所述步骤S1中进行声音样本处理的方法为通过传声器收集64KHz采样率24bit采样精度的声学信号,并将信号进行归一化处理。
实施例2:
如图2~图7所示:
步骤一:模拟故障声学样本:在实验室模拟发电机风洞内定子铁芯金属碰撞故障,发电机风洞内定子铁芯金属碰撞一般是由脱落的紧固螺栓引起的,故障模拟方式为:使用紧固螺栓敲击实验室真机1/12定子,以不同力度和频次敲击1/12定子的定子铁芯、定子线棒、压紧螺栓和定子机座等位置,使用水轮发电机噪声监测仪以64KHz采样率24bit采样精度采集声学样本,共采集12段声学样本数据。此处展示一段紧固螺栓敲击定子铁芯时的声学样本数据,如图2所示。
步骤二:采集真机背景噪声信号:使用水轮发电机噪声监测仪以64KHz采样率24bit采样精度采集水轮发电机组运转时发电机风洞内的背景噪声信号,从中抽取机组在停机、开机、空载、变负载、稳定带负载等工况下的若干段背景噪声信号。此处展示某一段机组稳定带负载工况下的背景噪声样本,如图3所示。
步骤三:将模拟故障样本数据与真机背景噪声组合叠加:将采集到的机组背景噪声样本和模拟故障样本组合叠加,得到若干段带机组运行时大背景噪声下的典型定子铁芯金属碰撞故障样本。此处展示某一段叠加定子铁芯敲击声后的机组运行声学样本,如图4所示。
步骤四:将叠加前后的声学信号进行归一化处理,以窗口长度为1024个点(时长16ms)、重叠率60%(步长10ms)的汉宁窗进行短时傅里叶变换,并将每100ms内的10个频域变换数组按最大值的方式进行统计压缩,然后根据公式计算513个频率点的能量值,本例数据采集卡量程范围为-12.75V~+12.75V,传声器敏感度为40.5mV/Pa,参考声压为2×10- 5Pa,计算公式为:
步骤五:对当前及过往的30条(3秒)频域能量数据进行统计学计算,513个频率点中的每个频率点按30个能量值从大到小排序,计算前10%(最大的3个值)的平均值作为该频率点的统计学能量值,形成一条含513个点的统计学频域能量曲线。某段机组稳定带负载工况下背景噪声的统计学频域能量曲线如图5所示。
步骤六:对统计学频域能量曲线按每5个数据求均值的方式进行滤波,消除曲线的高频纹波,然后对2KHz-25KHz频率段(32至400号频率点)的频域能量曲线进行梯度值计算,计算公式为:当前频率点梯度值=50*(下一频率点能量值-当前频率点能量值)。得到的能量梯度曲线按每3个数据求均值的方式消除高频纹波。某段机组稳定带负载工况下金属碰撞异响声音滤波后的统计学频域能量曲线(实线)与其能量梯度曲线(虚线)如图6所示。
步骤七:将2KHz-25KHz频率段能量梯度曲线与梯度阈值曲线按频率点进行比对,统计连续超出频率点梯度阈值3次(对应异常时长0.3秒)的频率点数M,若M大于设定的阈值1则发出异响报警信息。某段异响声音超阈值报警如图7所示;由图可以看出,通过本方法可以使机组正常运行时噪声的频谱曲线变的稳定、平滑,且可通过对特定频率段的统计学频谱曲线进行梯度计算来检测金属碰撞等异响的发生,从而识别出水轮发电机组运行时发生的金属碰撞等故障,可以应用于水轮发电机组运行的声学监测。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (2)
1.一种基于声音频谱统计学规律的异响检测方法,其特征在于:它包括以下步骤:
S1,进行声音样本处理;
S2,将信号以汉宁窗进行短时傅里叶变换,形成一个含M1个频率点的频域变换数组;
S3,将每0.1秒内的10个频域变换数组按最大值的方式进行统计压缩,即每个频率点的数据取该频率点10个原始数据中的最大值;
S4,根据数据采集卡量程范围和传声器敏感度求取每0.1秒内M1个频率点的能量值,计算公式如下:
频率点能量值(dB)= 20log(频率点数据 * 采集卡量程 / 传声器灵敏度 / 参考声压);
S5,对当前及过往的N/10秒内的N条频域能量数据进行统计学计算:
M1个频率点中的每个频率点按N个能量值从大到小排序,计算前10%,即最大的N/10个值的平均值作为该频率点的统计学能量值,形成一条含M1个点的统计学频域能量曲线;
S6,对统计学频域能量曲线按每X个数据求均值的方式进行滤波,消除曲线的高频纹波;然后对2KHz-25KHz频率段的频域能量曲线进行梯度值计算,得到能量梯度曲线;最后按每Y个数据求均值的方式对能量梯度曲线进行去高频纹波处理;
S7,将2KHz-25KHz频率段能量梯度曲线与梯度阈值曲线按频率点进行比对,统计连续超出频率点梯度阈值P次的频率点数M2,若M2大于设定的阈值,则发出异响报警信息。
2.根据权利要求1所述的一种基于声音频谱统计学规律的异响检测方法,其特征在于:所述步骤S1中进行声音样本处理的方法为通过传声器收集64KHz采样率24bit采样精度的声学信号,并将信号进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950149.6A CN113790911B (zh) | 2021-08-18 | 2021-08-18 | 一种基于声音频谱统计学规律的异响检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950149.6A CN113790911B (zh) | 2021-08-18 | 2021-08-18 | 一种基于声音频谱统计学规律的异响检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113790911A CN113790911A (zh) | 2021-12-14 |
CN113790911B true CN113790911B (zh) | 2023-05-16 |
Family
ID=78876123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950149.6A Active CN113790911B (zh) | 2021-08-18 | 2021-08-18 | 一种基于声音频谱统计学规律的异响检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113790911B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414038A (zh) * | 2022-01-26 | 2022-04-29 | 歌尔科技有限公司 | 马达模组的转动异音检测方法、装置、设备及介质 |
CN114719961B (zh) * | 2022-04-12 | 2024-05-31 | 树根互联股份有限公司 | 机器异响识别方法、装置、计算机设备及可读存储介质 |
CN115696699B (zh) * | 2022-09-28 | 2024-09-24 | 重庆长安汽车股份有限公司 | 一种氛围灯律动的处理方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4007631A (en) * | 1975-08-18 | 1977-02-15 | Western Electric Company, Inc. | Method and apparatus for evaluating welds using stress-wave emission techniques |
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
US6182018B1 (en) * | 1998-08-25 | 2001-01-30 | Ford Global Technologies, Inc. | Method and apparatus for identifying sound in a composite sound signal |
JP2002140090A (ja) * | 2000-11-02 | 2002-05-17 | Toshiba Corp | 異常監視装置 |
CN101063629A (zh) * | 2006-04-25 | 2007-10-31 | 汤京乐 | 利用语音识别技术判断机电故障 |
WO2011096156A1 (ja) * | 2010-02-08 | 2011-08-11 | パナソニック株式会社 | 音識別装置及び音識別方法 |
CN105866645A (zh) * | 2016-05-30 | 2016-08-17 | 国家电网公司 | 一种利用噪声特征频段诊断发电机放电故障的方法及装置 |
CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
CN110208848A (zh) * | 2019-06-20 | 2019-09-06 | 中国长江电力股份有限公司 | 一种发电机定转子间金属异物检测装置 |
CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0709044D0 (en) * | 2007-05-11 | 2007-06-20 | Teradyne Diagnostic Solutions | Signal detection |
-
2021
- 2021-08-18 CN CN202110950149.6A patent/CN113790911B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4007631A (en) * | 1975-08-18 | 1977-02-15 | Western Electric Company, Inc. | Method and apparatus for evaluating welds using stress-wave emission techniques |
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
US6182018B1 (en) * | 1998-08-25 | 2001-01-30 | Ford Global Technologies, Inc. | Method and apparatus for identifying sound in a composite sound signal |
JP2002140090A (ja) * | 2000-11-02 | 2002-05-17 | Toshiba Corp | 異常監視装置 |
CN101063629A (zh) * | 2006-04-25 | 2007-10-31 | 汤京乐 | 利用语音识别技术判断机电故障 |
WO2011096156A1 (ja) * | 2010-02-08 | 2011-08-11 | パナソニック株式会社 | 音識別装置及び音識別方法 |
CN105866645A (zh) * | 2016-05-30 | 2016-08-17 | 国家电网公司 | 一种利用噪声特征频段诊断发电机放电故障的方法及装置 |
CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
CN110208848A (zh) * | 2019-06-20 | 2019-09-06 | 中国长江电力股份有限公司 | 一种发电机定转子间金属异物检测装置 |
CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
Non-Patent Citations (2)
Title |
---|
基于Matlab的风机传动链数据采集与分析系统设计与应用;胡婷;;测控技术(第06期);全文 * |
基于噪声频段提取的水轮发电机故障诊断方法;胡胜;郝剑波;罗忠启;孙波;孟佐宏;吴晓文;唐奇;;大电机技术(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113790911A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113790911B (zh) | 一种基于声音频谱统计学规律的异响检测方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN107796611A (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN102721464A (zh) | 电力变压器绕组变形故障检测方法及系统 | |
Wang et al. | Fault diagnosis of wind turbine bearing based on optimized adaptive chirp mode decomposition | |
CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN112857767B (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
CN113049953A (zh) | 通过噪声进行故障定位的方法、装置、介质和设备 | |
CN106526436A (zh) | 一种基于振动法的变压器绝缘老化状态评估方法 | |
Jiang et al. | A novel rolling-element bearing faults classification method combines lower-order moment spectra and support vector machine | |
CN117594064A (zh) | 电抗器故障检测方法、装置、电子设备和存储介质 | |
CN113436645A (zh) | 复杂噪声环境下的机电系统故障在线监测声学处理方法 | |
Gong et al. | Current-based online bearing fault diagnosis for direct-drive wind turbines via spectrum analysis and impulse detection | |
Madhukar et al. | A Machine Learning Based Methodology for Fault Diagnosis in Rotating Machine | |
CN110161363B (zh) | 基于主频表征量的变压器运行状态振声检测方法和系统 | |
CN113688791A (zh) | 一种风电机组cms异常数据包识别方法 | |
Li et al. | Envelope analysis by wavelet-filter based spectral kurtosis for bearing health monitoring | |
CN112284737A (zh) | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 | |
JP2012177653A (ja) | 音響診断方法、プログラム及び装置 | |
CN110320435A (zh) | 一种利用数据正则化的变压器运行状态振声检测信号重构方法和系统 | |
CN112307998B (zh) | 一种利用模式判决的变压器运行状态振声检测方法和系统 | |
Sun et al. | A new method to fault diagnosis for circuit breakers based on characteristic entropy of wavelet packet | |
Feng et al. | Acoustic Imaging Based Covariance Matrix Fitting Algorithm for Transformer Fault Diagnosis | |
Saadi et al. | Bearing failures detection in induction motors using the stator current analysis based on Hilbert Huang transform | |
CN112327084B (zh) | 一种利用等距变换的变压器运行状态振声检测方法和系统 |
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 |