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 PDF

Info

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
Application number
CN202210510761.6A
Other languages
English (en)
Inventor
李敬兆
王笑
王国锋
陈涛
孙杰臣
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202210510761.6A priority Critical patent/CN114783462A/zh
Publication of CN114783462A publication Critical patent/CN114783462A/zh
Pending legal-status Critical Current

Links

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

一种基于CS-MUSIC矿井提升机故障源定位分析方法
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：
Figure BDA0003637744300000031
其中：
Figure BDA0003637744300000032
0≤m＜M,Hm(h)为滤波器的频率响应，m代表第m个滤波器。
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：
Figure BDA0003637744300000033
其中：k＝0,1,…L-1,
Figure BDA0003637744300000034
可以得到音频信号频域模型为：
Z(fi)＝Aθ(fi)S(fi)+N(fi) (7)
其中：
Figure BDA0003637744300000035
为方向响应向量,τp(θ)(p＝1,2,3,4)是信号之间的时延Z，S为提升机发出的声音信号，N为阵列噪声。i＝1,2,3…J，
Figure BDA0003637744300000036
fs为信号频率。
步骤3-2、求协方差矩阵的估计值。
Figure BDA0003637744300000037
其中：N为采样个数。
步骤3-3、对Rx进行特征分解得：
Figure BDA0003637744300000038
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：
Figure BDA0003637744300000041
其中：
Figure BDA0003637744300000042
为观察页面。
通过θ在观察扇面
Figure BDA0003637744300000043
内进行扫描，从而得出式在各扫描方位对应的数值，当该函数出现峰值的方位，记作γ，即为提升机故障信号方位。
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：
步骤4-1、初始化参数：设置迭代次数M，巢穴数量n，目标参数即提升机故障信号的方位γ，并在搜索可行范围内随机初始化巢穴位置，
Figure BDA0003637744300000044
Figure BDA0003637744300000045
表示第i个巢穴的第m次迭代的巢穴位置；
步骤4-2、计算每个巢穴的适应度值
Figure BDA0003637744300000046
保存当前迭代即0迭代适应度值最小的巢穴的位置；
所述适应度值计算公式为：
Figure BDA0003637744300000047
表示第i个巢穴的第t迭代的适应度值,i＝1,…,n,kI表示故障点计算坐标位置，
Figure BDA0003637744300000048
为故障点实际坐标位置，N为训练集个数；
步骤4-3、第一次更新巢穴位置
Figure BDA0003637744300000049
计算各个
Figure BDA00036377443000000410
的适应度值
Figure BDA00036377443000000411
并与对应的上一迭代巢穴
Figure BDA00036377443000000412
的适应度值
Figure BDA00036377443000000413
对比，保存适应度值小的巢穴位置至下一迭代，即若
Figure BDA00036377443000000414
则新巢穴
Figure BDA00036377443000000415
否则新巢穴
Figure BDA00036377443000000416
第一次更新巢穴位置公式为：
Figure BDA00036377443000000417
其中：α为步长控制因子，
Figure BDA00036377443000000418
为点乘，Levy(β)为Levy随机搜索方式
步骤4-4、判断步骤4-3所述新巢穴是否为“劣质”巢穴，如果不是，则新巢穴
Figure BDA00036377443000000419
如果是，则第二次更新巢穴位置得到新巢穴
Figure BDA00036377443000000420
Figure BDA00036377443000000421
其中：
Figure BDA00036377443000000422
是随机选择的两个不同巢穴，s是步长。
步骤4-5、计算步骤4-4所述新巢穴
Figure BDA0003637744300000051
的适应度值，并将其与对应的更新前的巢穴
Figure BDA0003637744300000052
的适应度值进行对比，保存适应度值小的巢穴位置，即若
Figure BDA0003637744300000053
则新巢穴
Figure BDA0003637744300000054
否则新巢穴
Figure BDA0003637744300000055
并保存当前迭代适应度值最小的巢穴的位置；
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
Figure BDA0003637744300000056
则当前巢穴不属于“劣质”巢穴；若当前适应度值
Figure BDA0003637744300000057
则当前巢穴为“劣质”巢穴，其中：
Figure BDA0003637744300000058
Figure BDA0003637744300000059
分别为当前迭代适应度最大值和最小值，
Figure BDA00036377443000000510
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：
Figure BDA0003637744300000061
其中：
Figure BDA0003637744300000071
0≤m＜M,Hm(h)为滤波器的频率响应，m代表第m个滤波器。
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：
Figure BDA0003637744300000072
其中：k＝0,1,…L-1,
Figure BDA0003637744300000073
可以得到音频信号频域模型为：
Z(fi)＝Aθ(fi)S(fi)+N(fi) (7)
其中：
Figure BDA0003637744300000074
为方向响应向量,τp(θ)(p＝1,2,3,4)是信号之间的时延Z，S为提升机发出的声音信号，N为阵列噪声。i＝1,2,3…J，
Figure BDA0003637744300000075
fs为信号频率。
步骤3-2、求协方差矩阵的估计值。
Figure BDA0003637744300000076
其中：N为采样个数。
步骤3-3、对Rx进行特征分解得：
Figure BDA0003637744300000077
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：
Figure BDA0003637744300000078
其中：
Figure BDA0003637744300000081
为观察页面。
通过θ在观察扇面
Figure BDA0003637744300000082
内进行扫描，从而得出式在各扫描方位对应的数值，当该函数出现峰值的方位，记作γ，即为提升机故障信号方位。
步骤4中用CS算法优化步骤3得到的定位分布峰值结果。
步骤4-1、初始化参数：设置迭代次数M，巢穴数量n，目标参数即提升机故障信号的方位γ，并在搜索可行范围内随机初始化巢穴位置，
Figure BDA0003637744300000083
Figure BDA0003637744300000084
表示第i个巢穴的第m次迭代的巢穴位置；
步骤4-2、计算每个巢穴的适应度值
Figure BDA0003637744300000085
保存当前迭代即0迭代适应度值最小的巢穴的位置；
所述适应度值计算公式为：
Figure BDA0003637744300000086
表示第i个巢穴的第t迭代的适应度值,i＝1,…,n,kI表示故障点计算坐标位置，
Figure BDA0003637744300000087
为故障点实际坐标位置，N为训练集个数；
步骤4-3、第一次更新巢穴位置
Figure BDA0003637744300000088
计算各个
Figure BDA0003637744300000089
的适应度值
Figure BDA00036377443000000810
并与对应的上一迭代巢穴
Figure BDA00036377443000000811
的适应度值
Figure BDA00036377443000000812
对比，保存适应度值小的巢穴位置至下一迭代，即若
Figure BDA00036377443000000813
则新巢穴
Figure BDA00036377443000000814
否则新巢穴
Figure BDA00036377443000000815
第一次更新巢穴位置公式为：
Figure BDA00036377443000000816
其中：α为步长控制因子，
Figure BDA00036377443000000817
为点乘，Levy(β)为Levy随机搜索方式
步骤4-4、判断步骤4-3所述新巢穴是否为“劣质”巢穴，如果不是，则新巢穴
Figure BDA00036377443000000818
如果是，则第二次更新巢穴位置得到新巢穴
Figure BDA00036377443000000819
Figure BDA00036377443000000820
其中：
Figure BDA00036377443000000821
是随机选择的两个不同巢穴，s是步长。
步骤4-5、计算步骤4-4所述新巢穴
Figure BDA00036377443000000822
的适应度值，并将其与对应的更新前的巢穴
Figure BDA00036377443000000823
的适应度值进行对比，保存适应度值小的巢穴位置，即若
Figure BDA00036377443000000824
则新巢穴
Figure BDA0003637744300000091
否则新巢穴
Figure BDA0003637744300000092
并保存当前迭代适应度值最小的巢穴的位置；
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
Figure BDA0003637744300000093
则当前巢穴不属于“劣质”巢穴；若当前适应度值
Figure BDA0003637744300000094
则当前巢穴为“劣质”巢穴，其中：
Figure BDA0003637744300000095
Figure BDA0003637744300000096
分别为当前迭代适应度最大值和最小值，
Figure BDA0003637744300000097
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：
Figure FDA0003637744290000011
其中：
Figure FDA0003637744290000012
0≤m＜M,Hm(h)为滤波器的频率响应，m代表第m个滤波器。
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：
Figure FDA0003637744290000021
其中k＝0,1,…L-1,
Figure FDA0003637744290000022
可以得到音频信号频域模型为：
Z(fi)＝Aθ(fi)S(fi)+N(fi)，其中：
Figure FDA0003637744290000023
为方向响应向量,τp(θ)(p＝1,2,3,4)是信号之间的时延Z，S为提升机发出的声音信号，N为阵列噪声。i＝1,2,3…J，
Figure FDA0003637744290000024
fs为信号频率。
步骤3-2、求协方差矩阵的估计值。
Figure FDA0003637744290000025
其中：N为采样个数。
步骤3-3、对Rx进行特征分解得：
Figure FDA0003637744290000026
其中：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：
Figure FDA0003637744290000027
其中：
Figure FDA0003637744290000028
为观察页面。
通过θ在观察扇面
Figure FDA0003637744290000029
内进行扫描，从而得出式在各扫描方位对应的数值，当该函数出现峰值的方位，记作γ，即为提升机故障信号方位。
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：
步骤4-1、初始化参数：设置迭代次数M，巢穴数量n，目标参数即提升机故障信号的方位γ，并在搜索可行范围内随机初始化巢穴位置，
Figure FDA00036377442900000210
表示第i个巢穴的第m次迭代的巢穴位置；
步骤4-2、计算每个巢穴的适应度值
Figure FDA0003637744290000031
保存当前迭代即0迭代适应度值最小的巢穴的位置；
所述适应度值计算公式为：
Figure FDA0003637744290000032
表示第i个巢穴的第t迭代的适应度值,i＝1,…,n,kI表示故障点计算坐标位置，
Figure FDA0003637744290000033
为故障点实际坐标位置，N为训练集个数；
步骤4-3、第一次更新巢穴位置
Figure FDA0003637744290000034
计算各个
Figure FDA0003637744290000035
的适应度值
Figure FDA0003637744290000036
并与对应的上一迭代巢穴
Figure FDA0003637744290000037
的适应度值
Figure FDA0003637744290000038
对比，保存适应度值小的巢穴位置至下一迭代，即若
Figure FDA0003637744290000039
则新巢穴
Figure FDA00036377442900000310
否则新巢穴
Figure FDA00036377442900000311
第一次更新巢穴位置公式为：
Figure FDA00036377442900000312
其中：α为步长控制因子，
Figure FDA00036377442900000313
为点乘，Levy(β)为Levy随机搜索方式；
步骤4-4、判断步骤4-3所述新巢穴是否为“劣质”巢穴，如果不是，则新巢穴
Figure FDA00036377442900000314
如果是，则第二次更新巢穴位置得到新巢穴
Figure FDA00036377442900000315
Figure FDA00036377442900000316
其中：
Figure FDA00036377442900000317
是随机选择的两个不同巢穴，s是步长。
步骤4-5、计算步骤4-4所述新巢穴
Figure FDA00036377442900000318
的适应度值，并将其与对应的更新前的巢穴
Figure FDA00036377442900000319
的适应度值进行对比，保存适应度值小的巢穴位置，即若
Figure FDA00036377442900000320
则新巢穴
Figure FDA00036377442900000321
否则新巢穴
Figure FDA00036377442900000322
并保存当前迭代适应度值最小的巢穴的位置；
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
Figure FDA00036377442900000323
则当前巢穴不属于“劣质”巢穴；若当前适应度值
Figure FDA00036377442900000324
则当前巢穴为“劣质”巢穴，其中
Figure FDA00036377442900000325
分别为当前迭代适应度最大值和最小值，
Figure FDA00036377442900000326
即为当前迭代适应度最大值和最小值的四分之三中位数。
CN202210510761.6A 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 Pending CN114783462A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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