CN114783462A - 一种基于cs-music矿井提升机故障源定位分析方法 - Google Patents
一种基于cs-music矿井提升机故障源定位分析方法 Download PDFInfo
- Publication number
- CN114783462A CN114783462A CN202210510761.6A CN202210510761A CN114783462A CN 114783462 A CN114783462 A CN 114783462A CN 202210510761 A CN202210510761 A CN 202210510761A CN 114783462 A CN114783462 A CN 114783462A
- Authority
- CN
- China
- Prior art keywords
- nest
- audio signal
- music
- fault
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 230000005236 sound signal Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009432 framing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- 238000001467 acupuncture Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004642 transportation engineering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
Abstract
本发明公开了一种基于CS‑MUSIC矿井提升机故障源定位分析方法,包括对多通道的矿井提升机音频信号进行预处理;通过提取音频信号的MFCC特征参数并对故障的音频信号进行二次分帧、对协方差矩阵进行特征分解,结合MUSIC的频估计函数,最终实现故障识别和故障音频信号的方位。使用CS算法对MUSIC定位结果进行寻优,显著提高了定位的精准率。本发明具有诸多优势,采用了识别和定位算法相结合并通过CS对定位结果进行寻优,与传统的定位方法相比,具有实时性高、操作简便、定位算法结果准确率高的优势。
Description
技术领域
本发明涉及音频信号分析及定位领域,具体是一种基于CS-MUSIC矿井提升机故障源定位分析方法。
背景技术
矿井提升机在矿井的运输工程中承担着极其重要的作用,提升机的安全和稳定的性能影响着井下工作人员的安全以及煤矿的经济效益。目前,矿井提升机监控设备不完善,发生故障时维修人员很难即时排查出故障源头,大大影响了矿井工作的效率。当矿井提升机发生故障时,其声音也会随着提升机的状态发生改变,因此通过分析提升机发出的音频特征来检测设备是否出现故障。而现有的基于声音检测矿井提升机故障主要侧重于预测识别故障类型,这种方式的缺点是发生故障时要进一步寻找故障的源头,浪费大量人力物力。
为此,本发明提出了一种基于CS-MUSIC矿井提升机故障源定位分析方法解决上述问题。
梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)是声音信号频域分析方法的一种,不限制其输入的音频信号类型,具有更好的鲁邦性,抗干扰性强。MUSIC算法(Multiple Signal classification)是一种只要已知天线阵的布阵形式,不管阵元是否是等间距分布,构建谱函数求得波峰估计值,就会得到高分辨率的定位结果的算法发。布谷鸟算法(Cuckoo Search,CS)通过模拟布谷鸟的寄生育雏的方式,解决最优解相关的问题,具有强大的搜寻能力,需要的参数少等优点。
发明内容
本发明的目的是提出一种基于CS-MUSIC矿井提升机故障源定位分析方法,对矿井提升机的音频信号进行实时监测和识别,通过对音频信号的预处理,梅尔频率倒谱系数提取以及故障识别和故障定位,实现对矿井提升机的监测故障诊断和故障定位等功能,可快速有效的定位矿井提升机故障发生的具体位置,从而保证提升机的安全稳定的运行。
本发明为实现发明目的采用如下技术方案:
一种基于CS-MUSIC矿井提升机故障源定位分析方法,包括以下步骤:
步骤1、利用五元十字形麦克风阵列采集并存储矿井提升机完整运行过程的音频信号,对采集到的音频信号进行预处理,其中:包含预加重、分帧和加窗;
步骤2、对预处理后的音频信号进行MFCC特征参数提取,包括:FFT变换、Mel滤波器滤波和取对数DCT;
步骤3、对识别出故障的音频用MUSIC算法进行声音定位;
步骤4、用CS算法优化步骤3得到的定位分布峰值结果;
进一步的,步骤1中的预加重、分帧和加窗具体包括:
步骤1-1、预加重:通过一阶FIR高通滤波器以此来增强矿井提升机音频信号的高频部分,以此来减小噪声对音频信号的影响。结果为:
z'(t)=z(t)-hz(t-1) (1)
其中:z(t)表示第t个采样点出的音频信号,h为为加强系数,h=0.97;
步骤1-2、分帧加窗:先对z'(t)先进行分帧,以256点为一帧,步长为512,对音频信号每一帧采用汉明加窗,变为更平滑的z(m);
进一步的,步骤2中的短时傅里叶变换、Mel滤波器滤波和离散余弦变换具体包括:
步骤2-1、FFT。对每帧提升机音频信号z(m)进行快速傅立叶变换,时域音频信号zi(m)变为频域音频信号Z(i,j)即:
Z(i,j)=FFT[zi(m)] (2)
步骤2-2、Mel滤波器滤波。设计Mel滤波器为24阶让每一个都转换为Mel刻度下的值,其频率公式表达为:
E(i,j)=[Z(i,j)]2 (3)
fmel=2595lg(1+f/700) (4)
其中:i为第i帧;j为频域中的第j条谱线,E(i,j)代表每一帧的能量。fmel为感知频率,f际频率。
步骤2-3、取对数DCT。对经过转换后能量值进行对数变换,再进行DCT变换,得到MFCC参数。具体为:
进一步的步骤3中识别出故障的音频用MUSIC算法进行声音定位具体为:
步骤3-1、、将采集的五路声音信号进行二次分帧,长度为L,步长为分帧长度的一半,然后对分帧后的信号做FFT变换。公式如下:
可以得到音频信号频域模型为:
Z(fi)=Aθ(fi)S(fi)+N(fi) (7)
步骤3-2、求协方差矩阵的估计值。
其中:N为采样个数。
步骤3-3、对Rx进行特征分解得:
US为信号子空间,其特征值大于噪声功率。UN为噪声子空间,其特征值等于噪声功率。
从而得到MUSIC的谱估计函数为:
进一步的步骤4中用CS算法优化步骤3得到的定位分布峰值结果具体为:
第一次更新巢穴位置公式为:
步骤4-6、判断是否当前迭代t≥最大迭代次数T,若否,则返回到步骤4-3,若是,则输出适应度值最小的巢穴位置,即为目标参数γ的最优解。
优选的步骤4-4中所述“劣质”巢穴通过如下方法判断:若当前适应度值则当前巢穴不属于“劣质”巢穴;若当前适应度值则当前巢穴为“劣质”巢穴,其中: 分别为当前迭代适应度最大值和最小值,即为当前迭代适应度最大值和最小值的四分之三中位数。
本发明现有技术相比,其有益效果体现在:
1.通过应用提升机运行时的声学信号的对提升机的故障进行分析,声音采集设备成本较低、操作简单且实时性高。
2.通过MFCC特征提取音频信号的信息,该算法抗干扰性能强,具有更好的鲁棒性。
3.通过应用CS算法对MUSIC定位结果寻优,大大提高了定位结果的精准性和准确性。
附图说明
图1为本发明的一种基于CS-MUSIC矿井提升机故障源定位分析方法的流程示意图。
图2为本发明中音频信号的原始信号波形图。
图3为本发明中音频信号预处理后的示意图。
图4为本发明中MUSIC定位部分算法流程图。
图5为本发明中五元十字形阵列建立在直角坐标系下的结构图。
具体实施方式
以下通过具体实施例来对本发明做进一步解释说明。
如图1所示,本发明的一种基于CS-MUSIC矿井提升机故障源定位分析方法,具体包括如下步骤:
步骤1、利用五元十字形麦克风阵列采集并存储矿井提升机完整运行过程的音频信号,对采集到的原始音频信号z(t)如图2所示进行预处理,其中:包含预加重、分帧和加窗,预处理后的图像如图3所示。
步骤1-1、预加重:通过一阶FIR高通滤波器以此来增强矿井提升机音频信号的高频部分,以此来减小噪声对音频信号的影响。结果为:
z'(t)=z(t)-hz(t-1) (1)
其中:z(t)表示第t个采样点出的音频信号,h为为加强系数,h=0.97;
步骤1-2、分帧加窗:先对z'(t)先进行分帧,以256点为一帧,步长为512,对音频信号每一帧采用汉明加窗,变为更平滑的z(m)
步骤2、对预处理后的音频信号进行MFCC特征参数提取,包括:FFT变换、Mel滤波器滤波和取对数DCT;
步骤2-1、FFT。对每帧提升机音频信号z(m)进行快速傅立叶变换,时域音频信号zi(m)变为频域音频信号Z(i,j)即:
Z(i,j)=FFT[zi(m)] (2)
步骤2-2、Mel滤波器滤波。设计Mel滤波器为24阶让每一个都转换为Mel刻度下的值,其频率公式表达为:
E(i,j)=[Z(i,j)]2 (3)
fmel=2595lg(1+f/700) (4)
其中,i为第i帧;j为频域中的第j条谱线,E(i,j)代表每一帧的能量。fmel为感知频率,f际频率。
步骤2-3、取对数DCT。对经过转换后能量值进行对数变换,再进行DCT变换,得到MFCC参数。具体为:
步骤3、对识别出故障的音频用MUSIC算法进行声音定位部分流程如图4所示。
步骤3-1、将采集的五路声音信号进行二次分帧,长度为L,步长为分帧长度的一半,然后对分帧后的信号做FFT变换。公式如下:
可以得到音频信号频域模型为:
Z(fi)=Aθ(fi)S(fi)+N(fi) (7)
步骤3-2、求协方差矩阵的估计值。
其中:N为采样个数。
步骤3-3、对Rx进行特征分解得:
US为信号子空间,其特征值大于噪声功率。UN为噪声子空间,其特征值等于噪声功率。
从而得到MUSIC的谱估计函数为:
步骤4中用CS算法优化步骤3得到的定位分布峰值结果。
第一次更新巢穴位置公式为:
步骤4-6、判断是否当前迭代t≥最大迭代次数T,若否,则返回到步骤4-3,若是,则输出适应度值最小的巢穴位置,即为目标参数γ的最优解。
优选的步骤4-4中所述“劣质”巢穴通过如下方法判断:若当前适应度值则当前巢穴不属于“劣质”巢穴;若当前适应度值则当前巢穴为“劣质”巢穴,其中: 分别为当前迭代适应度最大值和最小值,即为当前迭代适应度最大值和最小值的四分之三中位数。
需要说明的是,以上公开的仅为本发明的具体实例,根据本发明提供的思想,本领域的技术人员能思及的变化,都应落入本发明的保护范围内。
Claims (5)
1.一种基于CS-MUSIC矿井提升机故障源定位分析方法,其特征在于,包括以下步骤:
步骤1、利用五元十字形麦克风阵列采集并存储矿井提升机完整运行过程的音频信号,对采集到的音频信号进行预处理,其中包含预加重、分帧和加窗;
步骤2、对预处理后的音频信号进行MFCC特征参数提取,包括:FFT变换、Mel滤波器滤波和取对数DCT;
步骤3、对识别出故障的音频用MUSIC算法进行声音定位。
步骤4、用CS算法优化步骤3得到的定位分布峰值结果。
2.根据权利要求1所述的一种基于CS-MUSIC矿井提升机故障源定位分析方法,其特征在于,步骤1中的预加重、分帧和加窗具体包括::
步骤1-1、预加重:通过一阶FIR高通滤波器以此来增强矿井提升机音频信号的高频部分,以此来减小噪声对音频信号的影响。结果为:
z'(t)=z(t)-hz(t-1),其中:z(t)表示第t个采样点出的音频信号,h为为加强系数,h=0.97;
步骤1-2、分帧加窗:先对z'(t)先进行分帧,以256点为一帧,步长为512,对音频信号每一帧采用汉明加窗,变为更平滑的z(m)。
3.根据权利要求1所述的一种基于CS-MUSIC矿井提升机故障源定位分析方法,其特征在于,步骤2中的短时傅里叶变换、Mel滤波器滤波和离散余弦变换具体包括:
步骤2-1、FFT。对每帧提升机音频信号z(m)进行快速傅立叶变换,时域音频信号zi(m)变为频域音频信号Z(i,j)即:Z(i,j)=FFT[zi(m)];
步骤2-2、Mel滤波器滤波。设计Mel滤波器为24阶让每一个都转换为Mel刻度下的值,其频率公式表达为:
E(i,j)=[Z(i,j)]2fmel=2595lg(1+f/700),其中:i为第i帧;j为频域中的第j条谱线,E(i,j)代表每一帧的能量。fmel为感知频率,f际频率。
步骤2-3、取对数DCT。对经过转换后能量值进行对数变换,再进行DCT变换,得到MFCC参数。具体为:
4.根据权利要求1所述的一种基于CS-MUSIC矿井提升机故障源定位分析方法,其特征在于,步骤3中识别出故障的音频用MUSIC算法进行声音定位具体为:
步骤3-1、、将采集的五路声音信号进行二次分帧,长度为L,步长为分帧长度的一半,然后对分帧后的信号做FFT变换。公式如下:
可以得到音频信号频域模型为:
步骤3-2、求协方差矩阵的估计值。
步骤3-3、对Rx进行特征分解得:
从而得到MUSIC的谱估计函数为:
5.根据权利要求1所述的一种基于CS-MUSIC矿井提升机故障源定位分析方法,其特征在于,步骤4中用CS算法优化步骤3得到的定位分布峰值结果具体为:
第一次更新巢穴位置公式为:
步骤4-6、判断是否当前迭代t≥最大迭代次数T,若否,则返回到步骤4-3,若是,则输出适应度值最小的巢穴位置,即为目标参数γ的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510761.6A CN114783462A (zh) | 2022-05-11 | 2022-05-11 | 一种基于cs-music矿井提升机故障源定位分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510761.6A CN114783462A (zh) | 2022-05-11 | 2022-05-11 | 一种基于cs-music矿井提升机故障源定位分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783462A true CN114783462A (zh) | 2022-07-22 |
Family
ID=82436148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210510761.6A Pending CN114783462A (zh) | 2022-05-11 | 2022-05-11 | 一种基于cs-music矿井提升机故障源定位分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783462A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140193A (ja) * | 2019-01-29 | 2020-09-03 | 大連海事大学 | 逆離散コサイン変換のケプストラム係数の動的分割に基づく音声特徴抽出アルゴリズム |
CN112883628A (zh) * | 2021-03-23 | 2021-06-01 | 上海交通大学 | 一种变电站设备异常声源定位方法及系统 |
CN113050037A (zh) * | 2021-03-23 | 2021-06-29 | 上海交通大学 | 一种变电站设备异常声源定位方法及系统 |
CN113607447A (zh) * | 2021-07-08 | 2021-11-05 | 中核检修有限公司 | 一种声学光学联合风机故障定位装置及方法 |
CN114046968A (zh) * | 2021-10-04 | 2022-02-15 | 北京化工大学 | 一种基于声学信号的过程装备两步故障定位方法 |
-
2022
- 2022-05-11 CN CN202210510761.6A patent/CN114783462A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140193A (ja) * | 2019-01-29 | 2020-09-03 | 大連海事大学 | 逆離散コサイン変換のケプストラム係数の動的分割に基づく音声特徴抽出アルゴリズム |
CN112883628A (zh) * | 2021-03-23 | 2021-06-01 | 上海交通大学 | 一种变电站设备异常声源定位方法及系统 |
CN113050037A (zh) * | 2021-03-23 | 2021-06-29 | 上海交通大学 | 一种变电站设备异常声源定位方法及系统 |
CN113607447A (zh) * | 2021-07-08 | 2021-11-05 | 中核检修有限公司 | 一种声学光学联合风机故障定位装置及方法 |
CN114046968A (zh) * | 2021-10-04 | 2022-02-15 | 北京化工大学 | 一种基于声学信号的过程装备两步故障定位方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310789B (zh) | 一种基于改进的并行模型组合的声音事件识别方法 | |
CN102682765B (zh) | 高速公路音频车辆检测装置及其方法 | |
CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN106601230B (zh) | 基于连续混合高斯hmm模型的物流分拣地名语音识别方法、系统及物流分拣系统 | |
CN110308485B (zh) | 基于深度学习的微震信号分类方法、装置及存储介质 | |
CN104658538A (zh) | 一种基于鸟鸣声的移动式鸟类识别方法 | |
CN114783462A (zh) | 一种基于cs-music矿井提升机故障源定位分析方法 | |
CN112985574A (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN112969134A (zh) | 麦克风异常检测方法、装置、设备及存储介质 | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
CN105139852A (zh) | 一种基于改进的mfcc声音特征的工程机械识别方法及识别装置 | |
CN113345443A (zh) | 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法 | |
KR101671305B1 (ko) | 입력 신호의 특징 파라미터 추출 장치 및 그를 이용한 화자 인식 장치 | |
CN112331220A (zh) | 一种基于深度学习的鸟类实时识别方法 | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN116910690A (zh) | 一种基于数据融合的目标分类系统 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
CN110335613B (zh) | 一种采用拾音器实时探测的鸟类识别方法 | |
CN112735477A (zh) | 语音情感分析方法和装置 |
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 |