CN114722885B - 托辊搬运小车运行异常智能检测方法及系统 - Google Patents

托辊搬运小车运行异常智能检测方法及系统 Download PDF

Info

Publication number
CN114722885B
CN114722885B CN202210642870.3A CN202210642870A CN114722885B CN 114722885 B CN114722885 B CN 114722885B CN 202210642870 A CN202210642870 A CN 202210642870A CN 114722885 B CN114722885 B CN 114722885B
Authority
CN
China
Prior art keywords
signal data
frequency signal
sampling point
missing
value
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
Application number
CN202210642870.3A
Other languages
English (en)
Other versions
CN114722885A (zh
Inventor
郑兆宗
孙善金
高乾坤
邱雷明
张营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Shankuang Machinery Co ltd
Original Assignee
Shandong Shankuang Machinery Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Shankuang Machinery Co ltd filed Critical Shandong Shankuang Machinery Co ltd
Priority to CN202210642870.3A priority Critical patent/CN114722885B/zh
Publication of CN114722885A publication Critical patent/CN114722885A/zh
Application granted granted Critical
Publication of CN114722885B publication Critical patent/CN114722885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及托辊搬运小车运行异常智能检测方法及系统，该方法包括：获取多个声音信号数据及对应的运行异常类别；对每个声音信号数据进行硬阈值去噪处理和软阈值处理得到第一高频信号数据及低频信号数据、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，确定目标采样点中信号缺失的缺失采样点；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、最终高频信号数据对神经网络进行训练得到训练好的神经网络；利用训练好的神经网络实现待检测声音信号数据对应的运行异常类别，本发明方法提高了运行异常的检测精度。

Description

托辊搬运小车运行异常智能检测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及托辊搬运小车运行异常智能检测方法及系统。
背景技术
托辊是用来支撑输送带和物料的，其在运转过程中必须灵活可靠，以减少输送带同托辊的摩擦力，对输送带的寿命起着关键作用，因此，需要对托辊的运行进行检测。
托辊运行过程中通常是通过对声音数据进行检测，从而实现对托辊异常检测时，现有检测技术中都是先对声音信号进行数据去噪，进而将去噪后的数据输入到神经网络中，进而完成托辊异常检测。
但是由于运行环境复杂，往往会存在大量的噪声，因此，现有技术通过采用小波分解的方法实现对声音信号的去噪处理，该方法考虑了软硬阈值的缺点，提出了一种折中阈值，实现对了声音信号较好的去噪效果，但是其所提出的折中滤波公式的调节因子由人为设定，采用折中法，只是在软硬阈值的缺点之间找到一个相对较好的平衡点，但并未解决硬阈值去噪时存在的缺失问题，因此，折中法去噪处理后的声音数据其精度并不高，进而也会影响托辊的检测精度。
因此，需要提供一种托辊搬运小车运行异常智能检测方法及系统，予以解决上述问题。
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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的托辊搬运小车运行异常智能检测方法及系统的实施例总体步骤的流程图；
图2为实施例S3步骤中获取缺失采样点的流程图。
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：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure 267124DEST_PATH_IMAGE002
表示第一高频信号数据中第z-m个采样点的信号值；
Figure DEST_PATH_IMAGE003
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；
Figure 332032DEST_PATH_IMAGE004
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：
Figure DEST_PATH_IMAGE005
（2）
其中，表示第n个缺失采样点对应信号值的补齐程度，
Figure 917734DEST_PATH_IMAGE006
表示第n个缺失采样点的欧式距离值；
Figure DEST_PATH_IMAGE007
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
Figure 409895DEST_PATH_IMAGE008
；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
Figure DEST_PATH_IMAGE009
；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
Figure 713838DEST_PATH_IMAGE010
，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
Figure 457803DEST_PATH_IMAGE009
、补偿值
Figure 429170DEST_PATH_IMAGE008
及缺失采样点对应的欧式距离值
Figure 357812DEST_PATH_IMAGE010
计算缺失采样点的信号值的补齐值
Figure DEST_PATH_IMAGE011
，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：
Figure 149050DEST_PATH_IMAGE012
（3）
其中，
Figure 696706DEST_PATH_IMAGE011
表示第n个缺失采样点的信号值的补齐值；
Figure DEST_PATH_IMAGE013
表示第n个缺失采样点的信号值的补偿值；
Figure 254071DEST_PATH_IMAGE014
表示第n个缺失采样点的失真程度；
Figure 619193DEST_PATH_IMAGE006
表示第n个缺失采样点的欧式距离值；
Figure DEST_PATH_IMAGE015
表示sigmoid函数的调整值，取经验值0.5；其中，失真程度
Figure 632148DEST_PATH_IMAGE014
的值越小，则补齐值
Figure 781499DEST_PATH_IMAGE011
越靠近欧式距离值
Figure 602825DEST_PATH_IMAGE006
，失真程度
Figure 138848DEST_PATH_IMAGE014
的值越大，则补齐值
Figure 45625DEST_PATH_IMAGE011
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：
Figure 62647DEST_PATH_IMAGE016
（4）
其中，
Figure DEST_PATH_IMAGE017
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；
Figure 597533DEST_PATH_IMAGE018
为第j个最终高频信号数据的第ｋ个最终小波系数；
Figure DEST_PATH_IMAGE019
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，
Figure 773300DEST_PATH_IMAGE017
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；
Figure 167372DEST_PATH_IMAGE020
为第j个低频信号 数据的第ｋ个最终小波系数；
Figure 985155DEST_PATH_IMAGE019
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。

Claims (9)

1.托辊搬运小车运行异常智能检测方法，其特征在于，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。
2.根据权利要求1所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
3.根据权利要求2所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
4.根据权利要求2所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
5.根据权利要求2所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
6.根据权利要求2所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
7.根据权利要求1所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
8.根据权利要求1所述的托辊搬运小车运行异常智能检测方法，其特征在于，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。
9.托辊搬运小车运行异常智能检测系统，其特征在于，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。
CN202210642870.3A 2022-06-09 2022-06-09 托辊搬运小车运行异常智能检测方法及系统 Active CN114722885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210642870.3A CN114722885B (zh) 2022-06-09 2022-06-09 托辊搬运小车运行异常智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210642870.3A CN114722885B (zh) 2022-06-09 2022-06-09 托辊搬运小车运行异常智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN114722885A CN114722885A (zh) 2022-07-08
CN114722885B true CN114722885B (zh) 2022-08-16

Family

ID=82232914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210642870.3A Active CN114722885B (zh) 2022-06-09 2022-06-09 托辊搬运小车运行异常智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN114722885B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115096375B (zh) * 2022-08-22 2022-11-04 启东亦大通自动化设备有限公司 基于托辊搬运小车检测的托辊运行状态监测方法和装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102195903A (zh) * 2010-03-11 2011-09-21 南方医科大学 一种信号去噪方法及其信号去噪放大器
CN106842164A (zh) * 2017-03-14 2017-06-13 中国人民解放军国防科学技术大学 基于小波去噪的非合作脉冲压缩雷达微弱目标检测方法
CN107274908A (zh) * 2017-06-13 2017-10-20 南京邮电大学 基于新阈值函数的小波语音去噪方法
CN109712639A (zh) * 2018-11-23 2019-05-03 中国船舶重工集团公司第七0七研究所 一种基于小波阈值滤波的音频采集系统及方法
CN110136709A (zh) * 2019-04-26 2019-08-16 国网浙江省电力有限公司信息通信分公司 语音识别方法及基于语音识别的视频会议系统
CN110220708A (zh) * 2019-04-24 2019-09-10 邯郸钢铁集团有限责任公司 一种基于改进小波算法的轴承信号降噪方法
CN110717472A (zh) * 2019-10-17 2020-01-21 齐鲁工业大学 基于改进的小波阈值去噪的故障诊断方法及系统
CN111079591A (zh) * 2019-12-04 2020-04-28 国网天津市电力公司电力科学研究院 基于改进多尺度主成分分析的不良数据修复方法及系统
CN111259921A (zh) * 2019-12-19 2020-06-09 杭州安脉盛智能技术有限公司 一种基于改进小波包和深度学习的变压器声音异常检测方法
CN112697887A (zh) * 2020-12-08 2021-04-23 江苏科技大学 基于神经网络的超声检测缺陷定性识别方法
CN114136600A (zh) * 2021-11-19 2022-03-04 神华准格尔能源有限责任公司 一种设备故障监测方法、系统及存储介质
CN114266275A (zh) * 2021-12-24 2022-04-01 南京中科智慧生态科技有限公司 一种基于改进小波阈值函数的信号降噪算法
CN114444548A (zh) * 2022-02-09 2022-05-06 南昌航空大学 一种基于鲁棒性主成分分析的小波声音降噪方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041136B2 (en) * 2008-04-21 2011-10-18 Brainscope Company, Inc. System and method for signal processing using fractal dimension analysis
US20100010780A1 (en) * 2008-07-10 2010-01-14 The Hong Kong Polytechnic University Method for signal denoising using continuous wavelet transform

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102195903A (zh) * 2010-03-11 2011-09-21 南方医科大学 一种信号去噪方法及其信号去噪放大器
CN106842164A (zh) * 2017-03-14 2017-06-13 中国人民解放军国防科学技术大学 基于小波去噪的非合作脉冲压缩雷达微弱目标检测方法
CN107274908A (zh) * 2017-06-13 2017-10-20 南京邮电大学 基于新阈值函数的小波语音去噪方法
CN109712639A (zh) * 2018-11-23 2019-05-03 中国船舶重工集团公司第七0七研究所 一种基于小波阈值滤波的音频采集系统及方法
CN110220708A (zh) * 2019-04-24 2019-09-10 邯郸钢铁集团有限责任公司 一种基于改进小波算法的轴承信号降噪方法
CN110136709A (zh) * 2019-04-26 2019-08-16 国网浙江省电力有限公司信息通信分公司 语音识别方法及基于语音识别的视频会议系统
CN110717472A (zh) * 2019-10-17 2020-01-21 齐鲁工业大学 基于改进的小波阈值去噪的故障诊断方法及系统
CN111079591A (zh) * 2019-12-04 2020-04-28 国网天津市电力公司电力科学研究院 基于改进多尺度主成分分析的不良数据修复方法及系统
CN111259921A (zh) * 2019-12-19 2020-06-09 杭州安脉盛智能技术有限公司 一种基于改进小波包和深度学习的变压器声音异常检测方法
CN112697887A (zh) * 2020-12-08 2021-04-23 江苏科技大学 基于神经网络的超声检测缺陷定性识别方法
CN114136600A (zh) * 2021-11-19 2022-03-04 神华准格尔能源有限责任公司 一种设备故障监测方法、系统及存储介质
CN114266275A (zh) * 2021-12-24 2022-04-01 南京中科智慧生态科技有限公司 一种基于改进小波阈值函数的信号降噪算法
CN114444548A (zh) * 2022-02-09 2022-05-06 南昌航空大学 一种基于鲁棒性主成分分析的小波声音降噪方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Wavelet denoising Method with a novel wavelet threshold function applied in enoising ship maneuvering test data;Zhang, XG 等;《INDIAN JOURNAL OF GEO-MARINE SCIENCES》;20171016;第46卷(第9期);全文 *
生产过程中的小波阈值信号去噪方法;刘子召 等;《计算机仿真》;20120215;第29卷(第2期);全文 *

Also Published As

Publication number Publication date
CN114722885A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Li et al. Extraction of oil debris signature using integral enhanced empirical mode decomposition and correlated reconstruction
US7135002B2 (en) Determining heart rate
CN114722885B (zh) 托辊搬运小车运行异常智能检测方法及系统
CN109643552A (zh) 用于可变噪声状况中语音增强的鲁棒噪声估计
CN106650576A (zh) 一种基于噪声特征统计量的矿山设备健康状态判决方法
CN112037816B (zh) 语音信号频域频率的校正、啸叫检测、抑制方法及装置
US20070009109A1 (en) Apparatus for estimating an amount of noise
CN111239554B (zh) 一种基于大数据的超声波局放检测分析模型
CN102411930A (zh) 生成音频模型的方法、设备和检测场景类别的方法、设备
CN109557583B (zh) 一种地震属性提取方法及系统
CN116304549A (zh) 一种隧道健康监测数据小波阈值去噪方法
CN109102818B (zh) 一种基于信号频率概率密度函数分布的去噪音频采样算法
US8005882B2 (en) System and method for determining application of adaptive filter
CN114332081A (zh) 基于图像处理的纺织品表面异常判定方法
TW201826254A (zh) 嬰兒哭聲偵測電路及相關的偵測方法
Ravanbod Application of neuro-fuzzy techniques in oil pipeline ultrasonic nondestructive testing
CN115372764B (zh) 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN109884483A (zh) 绝缘管型母线局部放电声学在线监测方法及装置
CN110459197B (zh) 用于微弱盲信号去噪与提取的信号增强器及方法
CN115184250A (zh) 一种光纤老化状态评估系统及其评估方法
CN111723677B (zh) 一种基于自适应阈值的小波去噪方法
CN116339545B (zh) 一种对触摸屏干扰信号处理方法与系统
CN109793511A (zh) 基于深度学习技术的心电信号噪声检测算法
CN114034940A (zh) 一种线谱信号的检测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Intelligent Detection Method and System for Abnormal Operation of Roller Handling Trolley

Effective date of registration: 20230620

Granted publication date: 20220816

Pledgee: Jining Branch of Rizhao Bank Co.,Ltd.

Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd.

Registration number: Y2023980044463

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231221

Granted publication date: 20220816

Pledgee: Jining Branch of Rizhao Bank Co.,Ltd.

Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd.

Registration number: Y2023980044463

PC01 Cancellation of the registration of the contract for pledge of patent right