发明内容
本发明提供一种托辊搬运小车运行异常智能检测方法及系统,以解决现有的问题。
本发明的一种托辊搬运小车运行异常智能检测方法采用如下技术方案:该方法包括:
获取历史数据中包括缺陷信号的多个声音信号数据,并获取每个声音信号数据对应的运行异常类别;
对每个声音信号数据进行小波分解得到小波系数,对小波系数进行硬阈值去噪处理得到第一高频信号数据及低频信号数据,对小波系数进行软阈值去噪处理得到第二高频信号数据;
获取第一高频信号数据中信号值为0的目标采样点,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值、目标采样点在第一高频信号数据和第二高频信号数据中的对应的信号值确定目标采样点中信号缺失的缺失采样点;
根据缺失采样点的相邻两个采样点的信号值、缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值、缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点的信号值的补齐值,根据补齐值对缺失采样点的信号值进行补值得到最终高频信号数据;
根据低频信号数据、最终高频信号数据获取对应声音信号数据的特征向量;将每个声音信号数据的特征向量作为神经网络的输入,运行异常类别作为神经网络的输出,对神经网络进行训练得到训练好的神经网络;
获取每个待检测声音信号数据的特征向量,将待检测声音信号数据的特征向量输入训练好的神经网络进行检测确定运行异常类别。
进一步的,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值、目标采样点在第一高频信号数据和第二高频信号数据中的对应信号值确定目标采样点中信号缺失的缺失采样点的步骤包括:
根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值计算该目标采样点对应信号值的缺失程度;
根据第一高频信号数据和第二高频信号数据分别获取一条曲线,根据同一个目标采样点在两条曲线上对应点的信号值确定该目标采样点的欧式距离值;
根据每个目标采样点的欧式距离值和其对应信号值的缺失程度确定目标采样点中信号缺失的缺失采样点。
进一步的,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值计算该目标采样点对应信号值的缺失程度的步骤包括:
分别获取每个目标采样点与其相邻两个目标采样点之间的目标信号段;
获取每个目标信号段内采样点的数量,并获取采样点的数量最少的目标信号段对应的最小采样点数量;
根据最小采样点数量及两个目标信号段中所有关于目标采样点对称的采样点信号值的差值计算该目标采样点对应信号值的缺失程度。
进一步的,根据第一高频信号数据和第二高频信号数据分别获取一条曲线的步骤包括:
分别对第一高频信号数据和第二高频信号数据进行归一化处理,获取归一化处理后的第一高频信号数据和第二高频信号数据;
获取归一化处理后的第一高频信号数据中每个采样点对应的信号值及归一化处理后的第二高频信号数据中每个采样点对应的信号值;
根据归一化处理后的第一高频信号数据中每个采样点对应的信号值和时间在坐标系中建立第一高频信号数据对应的曲线;归一化处理后的第二高频信号数据中每个采样点对应的信号值和时间在坐标系中建立第二高频信号数据对应的曲线。
进一步的,根据同一个目标采样点在两条曲线上对应点的信号值确定该目标采样点的欧式距离值的步骤包括:
获取每个目标采样点在两条曲线上对应点的信号值;
根据对应点的信号值计算对应点之间的欧式距离值。
进一步的,根据每个目标采样点的欧式距离值和其对应信号值的缺失程度确定目标采样点中信号缺失的缺失采样点的步骤包括:
根据每个目标采样点的欧式距离值和其对应信号值的缺失程度计算每个目标采样点对应信号值的补齐程度;
根据补齐程度及预设的补齐程度阈值获取目标采样点中信号缺失的缺失采样点。
进一步的,根据缺失采样点的相邻两个采样点的信号值、缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值、缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点的信号值的补齐值的步骤包括:
获取缺失采样点的相邻两个采样点的信号值的均值,将该均值作为缺失采样点的信号值的补偿值;
根据缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算每个采样点对应的欧式距离值;
计算缺失采样点与相邻目标采样点之间所有采样点对应的欧式距离值的均值,将欧式距离值的均值记为缺失采样点的信号值的失真程度;
根据缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点对应的欧式距离值;
根据缺失采样点的信号值的失真程度、补偿值及缺失采样点对应的欧式距离值计算缺失采样点的信号值的补齐值。
进一步的,根据低频信号数据、最终高频信号数据获取对应声音信号数据的特征向量的步骤包括:
将低频信号数据、最终高频信号数据对应的信号值作为最终小波系数;
根据低频信号数据、最终高频信号数据对应的最终小波系数及最终小波系数的数量计算低频信号数据、最终高频信号数据对应的特征值;
根据低频信号数据、最终高频信号数据对应的特征值获取特征向量,并将该特征向量记为对应声音信号数据的特征向量。
本发明还提供了一种托辊搬运小车运行异常智能检测系统,该系统包括:数据采集模块,用于获取历史数据中包括缺陷信号的多个声音信号数据,并获取每个声音信号数据对应的运行异常类别;
去噪处理模块,用于对每个声音信号数据进行小波分解得到小波系数,对小波系数进行硬阈值去噪处理得到第一高频信号数据及低频信号数据,对小波系数进行软阈值去噪处理得到第二高频信号数据;
数据处理模块,用于获取第一高频信号数据中信号值为0的目标采样点,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值、目标采样点在第一高频信号数据和第二高频信号数据中的对应的信号值确定目标采样点中信号缺失的缺失采样点;
缺失数据补偿模块,用于根据缺失采样点的相邻两个采样点的信号值、缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值、缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点的信号值的补齐值,根据补齐值对缺失采样点的信号值进行补值得到最终高频信号数据;
模型训练模块,用于根据低频信号数据、最终高频信号数据获取对应声音信号数据的特征向量;将每个声音信号数据的特征向量作为神经网络的输入,运行异常类别作为神经网络的输出,对神经网络进行训练得到训练好的神经网络;
检测识别模块,获取每个待检测声音信号数据的特征向量,将待检测声音信号数据的特征向量输入训练好的神经网络进行检测确定运行异常类别。
本发明的有益效果是:本发明的托辊搬运小车运行异常智能检测方法及系统,通过小波分解的硬阈值去噪处理和软阈值去噪处理分别对声音信号处理,找到硬阈值去噪处理后的第一高频信号数据中的缺失信号对应的缺失采样点,计算缺失采样点信号值的补齐值,通过补齐值实现对第一高频信号数据进行补值得到最终高频信号数据,根据最终高频信号数据实现对神经网络的训练,利用训练完成的神经网络对待检测声音信号数据进行检测进而确定运行异常类别,本发明对硬阈值去噪处理后的高频信号数据中的缺失进行补值,提高了高频信号数据的完整性,保证神经网络训练的精度,进而提高了托辊运行异常类别检测的准确性。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种托辊搬运小车运行异常智能检测方法的实施例,如图1所示,该方法包括:
S1、获取历史数据中包括缺陷信号的多个声音信号数据,并获取每个声音信号数据对应的运行异常类别,其中,在获取历史数据时,可在搬运小车上设置声音信号检测装置,来实现声音信号数据的采集,然后通过人工分析获取每种声音信号数据对应的运行异常类别。
S2、对每个声音信号数据进行小波分解得到小波系数,对小波系数进行硬阈值去噪处理得到第一高频信号数据及低频信号数据,对小波系数进行软阈值去噪处理得到第二高频信号数据。
S3、获取第一高频信号数据中信号值为0的目标采样点,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值、目标采样点在第一高频信号数据和第二高频信号数据中的对应的信号值确定目标采样点中信号缺失的缺失采样点,具体的,如图2所示,S31、根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值计算该目标采样点对应信号值的缺失程度;S32、根据第一高频信号数据和第二高频信号数据分别获取一条曲线,根据同一个目标采样点在两条曲线上对应点的信号值确定该目标采样点的欧式距离值;S33、根据每个目标采样点的欧式距离值和其对应信号值的缺失程度确定目标采样点中信号缺失的缺失采样点。
其中,S31、根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值计算该目标采样点对应信号值的缺失程度的步骤包括:分别获取每个目标采样点与其相邻两个目标采样点之间的目标信号段;获取每个目标信号段内采样点的数量,并获取采样点的数量最少的目标信号段对应的采样点数量,并记为最小采样点数量M;根据最小采样点数量及两个目标信号段中所有关于目标采样点对称的采样点信号值的差值计算该目标采样点对应信号值的缺失程度,其中,根据下式(1)计算目标采样点对应信号值的缺失程度:
其中,
表示第一高频信号数据中第z-m个采样点的信号值;
表示第一
高频信号数据中第z+m个采样点的信号值,z表示第z个目标采样点;M表示目标采样点与相
邻目标采样点之间目标信号段中采样点的数量最少的目标信号段对应的最小采样点数量;
表示第z个目标采样点对应信号值的缺失程度,m表示采样点数量为m个。
其中,S32、根据第一高频信号数据和第二高频信号数据分别获取一条曲线,根据同一个目标采样点在两条曲线上对应点的信号值确定该目标采样点的欧式距离值的步骤包括:具体的,分别对第一高频信号数据和第二高频信号数据进行归一化处理,获取归一化处理后的第一高频信号数据和第二高频信号数据;获取归一化处理后的第一高频信号数据中每个采样点对应的信号值及归一化处理后的第二高频信号数据中每个采样点对应的信号值;根据归一化处理后的第一高频信号数据中每个采样点对应的信号值和时间在坐标系中建立第一高频信号数据对应的曲线;归一化处理后的第二高频信号数据中每个采样点对应的信号值和时间在坐标系中建立第二高频信号数据对应的曲线,具体的,以第一高频信号数据中每个采样点对应的时间为横坐标,每个采样点对应的在每个时间节点对应的信号值为纵坐标构建第一高频信号数据对应的曲线,以第二高频信号数据中每个采样点对应的时间为横坐标,每个采样点对应的在每个时间节点对应的信号值为纵坐标构建第二高频信号数据对应的曲线;获取每个目标采样点在两条曲线上对应点的坐标;根据对应点的坐标计算对应点之间的欧式距离值。
其中,S33、根据每个目标采样点的欧式距离值和其对应信号值的缺失程度确定目标采样点中信号缺失的缺失采样点的步骤包括:具体的,根据每个目标采样点的欧式距离值和其对应信号值的缺失程度计算每个目标采样点的补齐程度,根据补齐程度及预设的补齐程度阈值获取目标采样点中信号缺失的缺失采样点,具体的,补齐程度反应每个目标采样点中信号需要补齐的值,因此,补齐程度小于预设的补齐程度阈值记为正常采样点,补齐程度大于预设的补齐程度阈值记为缺失采样点,其中,根据下式(2)计算补齐程度:
其中,表示第n个缺失采样点对应信号值的补齐程度,
表示第n个缺失采样点的欧式距离值;
表示第n个缺失采样点对应信号值的缺失程度。
S4、根据缺失采样点的相邻两个采样点的信号值、缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值、缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点的信号值的补齐值,根据补齐值对缺失采样点的信号值进行补值得到最终高频信号数据,具体的,由于声音信号数据为连续数据,采用第一高频信号数据中缺失采样点相邻两个采样点对应的信号值取均值作为补偿值,利用补偿值对缺失采样点信号值的补值时可能会出现补值后失真,软阈值去噪处理后的第二高频信号数据中与第一高频信号数据中缺失采样点对应采样点的在曲线上对应点的欧式距离值进行补值时,也可能失真,因此,获取缺失采样点的相邻两个采样点的信号值的均值,该均值记为缺失采样点的信号值的补偿值
;根据缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算每个采样点对应的欧式距离值;计算缺失采样点与相邻目标采样点之间所有采样点对应的欧式距离值的均值,即计算缺失采样点与每个相邻目标采样点之间所有采样点对应的欧式距离值,然后获取所有欧式距离值的均值,将欧式距离值的均值记为缺失采样点的信号值的失真程度
;根据缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点对应的欧式距离值
,具体的,根据缺失采样点在第一高频信号数据和第二高频信号数据对应的曲线上的对应信号值计算缺失采样点对应的欧式距离值,根据缺失采样点的信号值的失真程度
、补偿值
及缺失采样点对应的欧式距离值
计算缺失采样点的信号值的补齐值
,具体的,在补值时,如果软阈值去噪后对应数据的失真程度较低,则以缺失采样点对应的欧式距离值为主进行补值,如果软阈值去噪后对应数据的失真程度较高,则根据缺失采样点相邻两个采样点对应的信号值的补偿值为主进行补值,其中,根据下式(3)计算缺失采样点的信号值的补齐值:
其中,
表示第n个缺失采样点的信号值的补齐值;
表示第n个缺失采样点的信号值的补偿值;
表示第n个缺失采样点的失真程度;
表示第n个缺失采样点的欧式距离值;
表示sigmoid函数的调整值,取经验值0.5;其中,失真程度
的值越小,则补齐值
越靠近欧式距离值
,失真程度
的值越大,则补齐值
越靠近补偿值。
S5、根据低频信号数据、最终高频信号数据获取对应声音信号数据的特征向量;将每个声音信号数据的特征向量作为神经网络的输入,运行异常类别作为神经网络的输出,对神经网络进行训练。具体的,将低频信号数据、最终高频信号数据对应的信号值作为最终小波系数;根据低频信号数据、最终高频信号数据对应的最终小波系数及最终小波系数的数量计算低频信号数据、最终高频信号数据对应的特征值;根据低频信号数据、最终高频信号数据对应的特征值获取特征向量,并将该特征向量记为对应声音信号数据的特征向量,其中,根据下式(4)计算低频信号数据、最终高频信号数据对应的特征值:
其中,
表示声音信号数据硬阈值去噪处理后第j个最终高频信号数据的特征
值;
为第j个最终高频信号数据的第k个最终小波系数;
为第j个最终高频信号数据
的最终小波系数的个数,其中,根据式(4)计算低频信号数据的对应的特征值计算时,
表
示声音信号数据硬阈值去噪处理后第j个低频信号数据的特征值;
为第j个低频信号
数据的第k个最终小波系数;
为第j个低频信号数据的最终小波系数的个数。
S6、获取每个待检测声音信号数据的特征向量,其中,采用步骤S1到S5确定待检测声音信号数据的特征向量,将待检测声音信号数据的特征向量输入训练好的神经网络进行检测确定运行异常类别。
本发明还公开一种托辊搬运小车运行异常智能检测系统,其包括:数据采集模块、去噪处理模块、数据处理模块、缺失数据补偿模块、模型训练模块及检测识别模块,其中,数据采集模块用于获取历史数据中包括缺陷信号的多个声音信号数据,并获取每个声音信号数据对应的运行异常类别;去噪处理模块用于对每个声音信号数据进行小波分解得到小波系数,对小波系数进行硬阈值去噪处理得到第一高频信号数据及低频信号数据,对小波系数进行软阈值去噪处理得到第二高频信号数据;数据处理模块用于获取第一高频信号数据中信号值为0的目标采样点,根据目标采样点分别与其相邻两个目标采样点之间的采样点的数量、目标采样点与其相邻两个目标采样点之间每个采样点对应的信号值、目标采样点在第一高频信号数据和第二高频信号数据中的对应的信号值确定目标采样点中信号缺失的缺失采样点;缺失数据补偿模块用于根据缺失采样点的相邻两个采样点的信号值、缺失采样点在第一高频信号数据和第二高频信号数据中的对应的信号值、缺失采样点与相邻目标采样点之间每个采样点在第一高频信号数据和第二高频信号数据中的对应的信号值计算缺失采样点的信号值的补齐值,根据补齐值对缺失采样点的信号值进行补值得到最终高频信号数据;模型训练模块用于根据低频信号数据、最终高频信号数据获取对应声音信号数据的特征向量;将每个声音信号数据的特征向量作为神经网络的输入,运行异常类别作为神经网络的输出,对神经网络进行训练得到训练好的神经网络;检测识别模块获取每个待检测声音信号数据的特征向量,将待检测声音信号数据的特征向量输入训练好的神经网络进行检测确定运行异常类别。
综上所述,本发明提供托辊搬运小车运行异常智能检测方法及系统,通过小波分解的硬阈值去噪处理和软阈值去噪处理分别对声音信号处理,找到硬阈值去噪处理后的第一高频信号数据中的缺失信号对应的缺失采样点,计算缺失采样点的信号值的补齐值,通过补齐值实现对第一高频信号数据进行补值得到最终高频信号数据,根据最终高频信号数据实现对神经网络的训练,利用训练完成的神经网络对待检测声音信号数据进行检测进而确定运行异常类别,本发明对硬阈值去噪处理后的高频信号数据中的缺失进行补值,提高了高频信号数据的完整性,保证神经网络训练的精度,进而提高了托辊运行异常类别检测的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。