CN113889147A - 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 - Google Patents
一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 Download PDFInfo
- Publication number
- CN113889147A CN113889147A CN202111176199.XA CN202111176199A CN113889147A CN 113889147 A CN113889147 A CN 113889147A CN 202111176199 A CN202111176199 A CN 202111176199A CN 113889147 A CN113889147 A CN 113889147A
- Authority
- CN
- China
- Prior art keywords
- signal
- voiceprint
- matching
- dynamic time
- time warping
- 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 57
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001755 vocal effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 38
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000010183 spectrum analysis Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 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
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公布了一种基于动态时间弯曲算法的机械系统声纹信号匹配方法。本发明首先采用基于数据跟踪的自相关处理方法实现背景噪声抑制，再采用基于音谱分析的峰值检测技术对降噪信号进行峰值检测，最后采用基于动态时间弯曲算法的声纹信息匹配技术对实时信号进行分类判型。该处理方法将基于动态时间弯曲算法的声纹信息匹配技术与基于音谱分析的峰值检测技术以及基于数据跟踪的自相关处理技术进行有机结合，实现了基于动态时间弯曲算法的机械系统声纹匹配与识别技术，可对机械系统早期隐性故障进行有效监测。仿真实验证明该方法具有较好的工程实用性。
Description
技术领域
本发明属于故障监测技术领域，具体涉及一种基于动态时间弯曲算法的机械系统声纹信号匹配方法。
背景技术
随着人类社会的发展和科技水平的提高，旋转机械设备不断高精度化、高速化、高效化地发展，这对机械设备故障诊断技术提出了更高的要求。机械设备运行过程中不可能一直处于正常运行状态，当设备出现异常，其运行状态声纹信号也会随之改变。故障诊断技术中常用测量欧氏距离、JS散度的方法来进行声纹信号匹配比对，但随着背景环境不断复杂化，大型机械设备对声纹信号匹配比对技术的要求也越来越高，测量欧氏距离、JS散度的方法对复杂环境下的大型设备收效甚微，其对故障信号及信号同源性判别较为模糊，使得声纹信号匹配比对结果不够精确，从而导致故障诊断无法得出确切的结果。
随着时间序列数据被广泛应用于金融、医疗和工业等领域，对时间序列的研究愈发具有重要的理论价值和应用价值。面对新的挑战，如何结合故障诊断方法与时间序列数据，增强时间序列数据在故障诊断方面的应用效果，成为了故障诊断领域新的一大热点。
发明内容
为解决上述问题，本发明提供了一种基于动态时间弯曲算法的机械系统声纹信号匹配方法。
本发明首先采用基于数据跟踪的自相关处理方法实现背景噪声抑制，再采用基于音谱分析的峰值检测技术对降噪信号进行峰值检测，最后采用基于动态时间弯曲算法的声纹信息匹配技术对实时信号进行分类判型。该处理方法将基于音谱分析的峰值检测技术与基于数据跟踪的自相关处理技术以及基于动态时间弯曲算法的声纹信息匹配技术进行有机结合，实现了基于动态时间弯曲算法的机械系统声纹匹配与识别技术，可对机械系统早期隐性故障进行有效监测。该发明可实时监测且自主分析机械系统产生的故障信号声纹特征，具有抗干扰能力强、监测敏锐且判型准确等优势。
本发明方法包括以下步骤：
步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；
步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；
步骤S3：对信号ss(n)进行峰值提取得到ss′(n))；
步骤S4：延时采集正常状态下的信号，经过步骤S3组成正常状态声纹库N_S(n)；
步骤S5：基于正常状态声纹库N_S(n)对ss′(n)进行声纹比对，匹配则更新正常状态声纹库N_S(n)，不匹配则进行下一步骤；
步骤S6：更新故障声纹库并编辑标签，进行预警提示。
本发明的有益效果：
1、本发明采用数据跟踪的自相关处理方法来进行背景噪声抑制，增强了信号的利用率和抗干扰能力，提升了故障检测的处理速度和诊断准确率。
2、本发明采用峰值检测技术结合音谱分析技术，可实现对旋转机械设备早期出现的隐性故障的有效监测与识别，提高了故障信号实时监测的时敏性。
3、本发明采用基于动态时间弯曲算法的声纹信号匹配比对技术，训练样本少，整体过程信号特征信息保存完整，可提高对信号同源性的区分能力，实现了对故障信号的精准判型。
附图说明
图1是一种基于动态时间弯曲算法的机械系统声纹信号匹配方法总体原理框图；
图2是一种基于动态时间弯曲算法的机械系统声纹信号匹配方法原理流程图；
图3是一种基于动态时间弯曲算法的机械系统声纹信号匹配比对原理图；
图4是在不同信噪比下噪声抑制效果比对仿真图；
图5是峰值检测提取对比图；
图6是不同声纹信号之间的动态时间弯曲距离对比图；
图7是不同声纹信号之间的欧氏距离对比图；
图8是不同声纹信号之间的JS散度距离对比图；
图9是基于不同算法的声纹信号匹配方法裕度因子对比图；
图10是基于不同算法的声纹信号匹配方法峰态因数对比图。
具体实施方式
下面将结合附图对本发明作详细说明。
如图1和图2所示，本发明提供了一种基于动态时间弯曲算法的机械系统声纹信号匹配方法。该方法首先通过声学传感器拾取机械系统运行过程的声纹信号，通过背景噪声抑制技术去除系统设备运行过程中背景噪声，结合峰值检测技术，同时通过测量动态时间弯曲距离对故障信号分类判型，进而实现对机械系统故障的有效监测。
本发明将基于动态时间弯曲算法的声纹信息匹配技术、基于音谱分析的峰值检测技术以及基于数据跟踪的自相关处理技术进行有机结合，同时，将动态时间弯曲算法应用于机械系统信号处理领域，实现了基于动态时间弯曲算法的机械系统声纹信号匹配和识别。仿真实验证明本发明可对机械系统早期隐性故障进行有效监测。
一、复杂背景干扰噪声抑制
由于实际的机械系统工作环境比较复杂，背景干扰噪声的影响以及机器各零部件信号的相互作用，导致在信号采集的过程中想要提取真正有用的声纹信号(正常声纹信号、故障声纹信号)比较困难，这也是机械设备早期故障不易发现的原因，所以需要对声学传感器采集到的机械声学信号进行干扰噪声抑制。非平稳性是机械声学信号的显著特点，自相关滤波技术能在输入信号与噪声的统计特性未知或变化的情况下，自动估计出所需的统计特性，并以此为依据自动调整参数，以达到最佳的降噪效果，因此可以利用自相关法对机械声学信号进行处理分析。
自相关函数描述的是同一信号在不同时刻的相互依赖关系，其定义式如下所示：
在实际生活中背景噪声多种多样，主要包括带通噪声、冲击噪声和白噪声。白噪声在现实中十分常见，它既是时域上的随机信号，也是频域上的随机信号。标准的白噪声应该是方差恒定不变的数值，均值为0。即E[x(n)]＝0,E[x(n)2]＝σ2。基于数据追踪的自相关噪声抑制方法可建立任一时间的信号对未来数据的影响，实际上是根据信号的详细程度滤除信号里不同的部分，正弦信号或者其他确定性信号在所有的时间位移上都有自相关函数。除此之外，噪声信号的自相关函数随时沿τ的增大很快趋于零，白噪声随之得到抑制，从而使得信噪比提升，故此方法具有显著的降噪效果。
二、机械系统运行状态峰值检测
峰值检测技术主要基于希尔伯特变换法来实现，希尔伯特变换对分析信号的瞬时幅度和频率和对信号包络的快速提取有很好的作用效果，因此本发明采用希尔伯特变换实现峰值检测。根据希尔伯特的物理意义可知，当包络信号经过希尔伯特变换后，其峰值刚好与变换后的信号正向过零点相对应，因此可将包络信号峰值检测转换为正向过零点检测，包络信号的峰值改变并不会影响信号正向过零点检测，并且不需要设置任何幅度阈值。实信号x(t)的希尔伯特变换定义为如下：
式中，*表示卷积运算符。根据上式可知，信号x(t)的希尔伯特变换实际上与信号
的卷积。希尔伯特变换的频率定义为如下：
式中，X(f)是信号x(t)的傅里叶变换，j是虚数单位。由上述两式可知，信号x(t)的希尔伯特变换可计算如下：
式中，IFT表示傅里叶逆变换。结合上式可发现，对于实信号的峰值检测可以借助希尔伯特变换运用傅里叶变换进行快速计算。在此思想上，本发明运用希尔伯特变换实现峰值检测技术在识别故障信号上的应用，结合背景干扰噪声抑制技术，提取纯净的有效信号，为后续信号的分类判型创造有利条件。
三、基于动态时间弯曲的声纹信号匹配
本发明中声纹信号匹配技术以动态时间弯曲算法为基础，动态时间弯曲算法基于动态规划思想，是一种计算时间序列数据之间相似度的算法。该算法最初应用于语音识别，用于处理时间序列时间轴局部失真、长短不一的模板匹配问题。该方法所需训练样本较少，并可以添加用户自定义的新操作，因其突出优点也开始广泛应用于其他领域。
动态时间弯曲算法可以通过对时间序列时间点的弯曲，使得两条时间序列中的波峰、波谷准确匹配。而对于欧氏距离，则不能达到相同的效果，同时动态时间弯曲算法还具备很多欧氏距离不存在的优势，动态时间弯曲算法可以对长度不等的时间序列进行距离度量；动态时间弯曲不需要满足三角不等式约束条件，可以根据时间序列数据特点进行异步匹配；而且动态时间弯曲对于时间序列数据的异常点和噪声等缺点由很好的适应性。由于动态时间弯曲算法在时间序列数据挖掘中的优异表现，吸引大量研究人员对其进行探索改进。
给定两条时间序列q＝(q1,q2,…,qn)和r＝(r1,r2,…,rm)，其序列长度分别为n和m，下面将对传统的动态时间弯曲思想进行表述：
将两条时间序列上任意两点之间的距离来确定n×m的距离矩阵，其中两点之间的距离由欧氏距离得出，即d(qi,ri)＝(qi-ri)2。为了计算时间序列q和r之间的动态时间弯曲距离Г(n,m)，需要找到一条最优弯曲路径。可以应用动态规划来执行动态时间弯曲算法，其中矩阵上每个点(i,j)与点qi和ri对应。弯曲路径W＝w1,w2,…,wk是通过q和r之间最小累计距离，其中min(m,n)≤K≤m+n-1和wk＝(i,j),k＝1,2,…,K。
使弯曲代价最小化的弯曲路径w表示为
其中d(wk)是wk＝(i,j)时qi和ri之间的距离。为了找到最佳的弯曲路径，采用动态规划算法，并计算出以下递推表达式：
Г(i,j)＝d(i,j)+min{Г(i-1,j),Г(i-1,j-1),Г(i,j-1)} (5)
其中d(i,j)和Г(i,j)分别是qi和ri之间的距离和累积距离。为了计算累积距离Г，需要确定弯曲路径W并且计算q和r之间的动态时间弯曲距离是Г(n,m)。当找到最优弯曲路径W时，就能计算得出q和r之间的动态弯曲距离是Г(n,m)。
在此思想上，本发明实现了动态时间弯曲算法在故障检测方面的应用。建立正常运行状态的信号声纹库，通过不断训练生成匹配样本库，并计算检测信号和正常信号与匹配样本库的匹配距离，比较检测信号与正常信号的相似度，从而实现对检测信号的识别分类。基于上述原理描述，本发明包括以下步骤，见图3：
步骤S1：声学传感器采集机械系统运行状态声纹信号；
步骤S2：对采集信号进行降噪、峰值检测等预处理；
步骤S3：对预处理后的样本数据分割数据周期；
步骤S4：对分割后的数据周期随机选择一组实时数据周期，采用动态时间弯曲算法分别计算检测信号数据和正常信号数据与匹配样本库的相似距离序列S、D；
步骤S5：基于步骤S4求得的匹配相似距离序列S、D求取匹配相似距离均值s、d；
步骤S6：将求得的实时数据匹配相似距离均值s与正常信号数据匹配相似距离均值d进行比较，如果s大于d，则说明两个周期数据相似度低，则将实时信号判定为故障信号；如果s不大于d，则说明两个周期数据相似度高，则判定为正常信号。
进一步说，比较检测信号与正常信号相似度的具体实现方法是分别计算检测信号和正常信号与匹配样本库的匹配距离序列S和D，并基于S和D求取均值s和d，若求得s大于d，则说明两个信号周期数据相似度低，则将检测信号判定为故障信号；如果s不大于d，则说明两个信号周期数据相似度高，则将检测信号判定为正常信号。
四、仿真性能分析
为了验证本发明的性能，本发明利用MATLAB进行了仿真。本次仿真用不同频率正弦波信号模拟旋转机械运行状态下的声纹信号。设置采样频率为4096HZ，采样点数为2048，处理前信号信噪比分别为SNR1＝0.5202dB、SNR2＝-1.9834dB、SNR3＝2.5012dB，如图4所示，测得噪后声纹信号的信噪比分别为7.2106dB、4.9213dB、6.5646dB，由此可以看出针对不同的噪声环境，该技术抑制干扰噪声均有很好的作用效果，证明本方法抗干扰能力较强，具有良好的可靠性。
通过图5可以看出，峰值检测对于幅值频率较低的峰值仍能精准提取，说明峰值检测技术对于一些微弱的峰值信号灵敏度很高，证明该技术可解决在转转机械故障早期一些微弱的早期故障信号难题提取的问题，具有很强的实践意义。
由图6可以看出，基于动态时间弯曲算法的声纹信号匹配方法可依据动态时间弯曲距离均值将正常声纹信号与故障声纹信号明显区分开来，并且对故障声纹信号1和故障声纹信号2的区分度也比较好。因此可以看出，基于动态时间弯曲算法的声纹信号匹配方法可将正常声纹信号与故障声纹信号进行很好的区分，对不同类型的故障声纹信号也具有良好的区分能力。
由图7可以看出，基于欧式距离算法的声纹信号匹配方法利用欧氏距离计算匹配距离可将正常声纹信号与故障声纹信号区分出来，但是对故障声纹信号1和故障声纹信号2的区分度并不大，因此基于欧式距离算法的声纹信号匹配方法虽可将正常声纹信号与故障声纹信号区分出来，但该算法对不同类即非同源声纹信号的区分度并不明显。
由图8可以看出，基于JS散度算法的声纹信号匹配方法依据JS散度均值可将正常声纹信号与故障声纹信号区分开来，但如图所示，正常声纹信号、故障声纹信号1与故障声纹信号2的JS散度存在严重的交叉干扰，容易引起误判，因此基于JS散度算法的声纹信号匹配方法无法清晰辨别正常信号与故障信号，存在较为严重的交叉干扰，稳定性较差。
通过对图6、图7和图8的对比可以得出，基于JS散度算法的声纹信号匹配方法对同源信号和非同源信号的区分能力均较差；基于欧式距离算法的声纹信号匹配方法对同源信号的区分能力较好一些，但对非同源信号的区分能力较差；基于动态时间弯曲距离的声纹信号匹配方法对同源信号和非同源信号的区分能力都相对较好。因此，将基于动态时间弯曲距离的声纹信号匹配技术与基于数据跟踪的自相关技术和基于音谱分析的峰值检测技术结合为本发明的总算法流程，可更为精准地实现对机械系统故障信号的匹配和识别，同时也作为本发明的一大创新点，极大地提升了对故障信号的判别精准率，具有较好的区分效果。
裕度因子为峰值与方根幅值之比，峰态因数是建立在信号波形概率统计分析的基础上，对信号概率密度分布峭度程度的度量，两者对机械设备运行性能的变化非常敏感，是表征系统设备运行故障程度的有效参数。在同背景环境下，峰态因数和裕度因子值较为稳定，因此可以通过比较在相同背景环境下三种不同方法处理后测得的裕度因子和峰态因数的大小，来衡量不同信号匹配比对方法对整体系统的影响。
蒙特卡罗模拟法，又称为概率模拟法，是1940年中期由于科学技术的发展和电子计算机的发明而提出的一种以概率统计理论为指导的计算方法。其根本思想是采用特定方法产生随机变量，并模拟随机事件进行仿真整个事件的发生过程，最后对结果进行统计分析处理，从而得到最优解。本发明充分考虑到数据结果的随机性，测量裕度因子和峰态因数采用蒙特卡罗仿真，对大数量的随机信号进行处理，所得数据结果具有较高的参考价值。
由图9、10可以看出，基于不同算法的声纹信号匹配方法，其裕度因子和峰态因数随信噪比提高基本均呈下降趋势，说明经过处理有效信号提取率均有一定程度的提高。但在不同信噪比下，采用基于动态时间弯曲算法的声纹信号匹配技术时所测裕度因子和峰态因数均值分别为19.6619、10.8671，明显低于基于欧式距离算法的信号匹配技术下的39.2939、15.8082和基于JS散度算法的信号匹配技术下的44.1697、30.5927，说明在不同信噪比背景下，采用基于动态时间弯曲算法的声纹信号匹配技术的匹配比对效果均好于其他两种方法，证明基于动态时间弯曲算法的声纹信号匹配技术有较高的匹配准确率，对整体系统的应用效果更好。
综合仿真结果及分析，表明本发明申请所提的一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，针对不同噪声环境均能实时监测且自主分析机械系统产生的故障信号声纹特征，具有抗干扰能力强、监测敏锐且判型准确等优势，可适用于机械系统早期隐性故障有效监测。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，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和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，其特征在于，包括以下步骤：
步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；
步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；
步骤S3：对信号ss(n)进行峰值提取得到ss′(n))；
步骤S4：延时采集正常状态下的信号，经过步骤S3组成正常状态声纹库N_S(n)；
步骤S5：基于正常状态声纹库N_S(n)对ss′(n)进行声纹比对，匹配则更新正常状态声纹库N_S(n)，不匹配则进行下一步骤；
步骤S6：更新故障声纹库并编辑标签，进行预警提示。
2.根据权利要求1所述的一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，其特征在于，采用基于数据跟踪的自相关处理方法对信号进行背景噪声抑制。
3.根据权利要求1所述的一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，其特征在于，采用基于音谱分析的峰值检测技术对降噪信号进行峰值检测。
4.根据权利要求1所述的一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，其特征在于，步骤S5中采用基于动态时间弯曲算法的声纹信号匹配技术对检测信号完成匹配比对，通过计算检测信号和正常信号与匹配样本库的匹配距离，比较检测信号与正常信号的相似度，从而实现对实时检测信号的识别分类。
5.根据权利要求4所述的一种基于动态时间弯曲算法的机械系统声纹信号匹配方法，其特征在于，比较检测信号与正常信号相似度的具体是分别计算检测信号和正常信号与匹配样本库的匹配距离序列S和D，并基于S和D求取均值s和d，若求得s大于d，则说明两个信号周期数据相似度低，则将检测信号判定为故障信号；如果s不大于d，则说明两个信号周期数据相似度高，则将检测信号判定为正常信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176199.XA CN113889147A (zh) | 2021-10-09 | 2021-10-09 | 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176199.XA CN113889147A (zh) | 2021-10-09 | 2021-10-09 | 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113889147A true CN113889147A (zh) | 2022-01-04 |
Family
ID=79005837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111176199.XA Pending CN113889147A (zh) | 2021-10-09 | 2021-10-09 | 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113889147A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189349A (zh) * | 2023-04-28 | 2023-05-30 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05256741A (ja) * | 1992-03-11 | 1993-10-05 | Toshiba Corp | プラント信号監視方法およびその装置 |
| WO2000007087A1 (en) * | 1998-07-27 | 2000-02-10 | Veritel Corporation | System of accessing crypted data using user authentication |
| US20160261743A1 (en) * | 2015-03-02 | 2016-09-08 | Genesys Telecommunications Laboratories, Inc. | System and method for call progress detection |
| CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
| CN110412366A (zh) * | 2019-06-04 | 2019-11-05 | 广西电网有限责任公司电力科学研究院 | 一种基于动态时间算法的变压器带电检测方法 |
| CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
| CN112099393A (zh) * | 2020-08-19 | 2020-12-18 | 张家口卷烟厂有限责任公司 | 烟机设备运行监控及异常判定系统及方法 |
| CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电系统故障在线监测声学处理方法 |
-
2021
- 2021-10-09 CN CN202111176199.XA patent/CN113889147A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05256741A (ja) * | 1992-03-11 | 1993-10-05 | Toshiba Corp | プラント信号監視方法およびその装置 |
| WO2000007087A1 (en) * | 1998-07-27 | 2000-02-10 | Veritel Corporation | System of accessing crypted data using user authentication |
| US20160261743A1 (en) * | 2015-03-02 | 2016-09-08 | Genesys Telecommunications Laboratories, Inc. | System and method for call progress detection |
| CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
| CN110412366A (zh) * | 2019-06-04 | 2019-11-05 | 广西电网有限责任公司电力科学研究院 | 一种基于动态时间算法的变压器带电检测方法 |
| CN112099393A (zh) * | 2020-08-19 | 2020-12-18 | 张家口卷烟厂有限责任公司 | 烟机设备运行监控及异常判定系统及方法 |
| CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
| CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电系统故障在线监测声学处理方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189349A (zh) * | 2023-04-28 | 2023-05-30 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11333575B2 (en) | Method for fault diagnosis of an aero-engine rolling bearing based on random forest of power spectrum entropy | |
| Rai et al. | A review on signal processing techniques utilized in the fault diagnosis of rolling element bearings | |
| CN109297713B (zh) | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 | |
| Wang et al. | Fuzzy diagnosis method for rotating machinery in variable rotating speed | |
| CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
| CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
| CN114626413A (zh) | 一种基于随机子空间算法的结构模态参数识别方法及装置 | |
| CN112461547A (zh) | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN111414893A (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
| CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
| Wang et al. | A novel hybrid approach for damage identification of wind turbine bearing under variable speed condition | |
| CN113889147A (zh) | 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 | |
| CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
| CN115659143A (zh) | 一种基于试验设计的故障实时诊断方法 | |
| Yu et al. | A new method to select frequency band for vibration signal demodulation and condition estimation of rolling bearings | |
| CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
| Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
| CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
| 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 | |
| CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
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 |