CN115169500A - 一种基于Inception与GMM的压缩机设备异常状态检测方法 - Google Patents

一种基于Inception与GMM的压缩机设备异常状态检测方法 Download PDF

Info

Publication number
CN115169500A
CN115169500A CN202210928919.1A CN202210928919A CN115169500A CN 115169500 A CN115169500 A CN 115169500A CN 202210928919 A CN202210928919 A CN 202210928919A CN 115169500 A CN115169500 A CN 115169500A
Authority
CN
China
Prior art keywords
sound
compressor equipment
abnormal
gmm
compressor
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
CN202210928919.1A
Other languages
English (en)
Inventor
王士兴
赵文婷
程军红
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.)
Hangzhou Ansen Intelligent Information Technology Co ltd
Xi'an Ancn Smart Instrument Inc
Original Assignee
Hangzhou Ansen Intelligent Information Technology Co ltd
Xi'an Ancn Smart Instrument Inc
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 Hangzhou Ansen Intelligent Information Technology Co ltd, Xi'an Ancn Smart Instrument Inc filed Critical Hangzhou Ansen Intelligent Information Technology Co ltd
Priority to CN202210928919.1A priority Critical patent/CN115169500A/zh
Publication of CN115169500A publication Critical patent/CN115169500A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于Inception与GMM的压缩机设备异常状态检测方法，包括：采集待检测的压缩机设备声音；分别提取待检测的压缩机设备声音的同数据维度的MFCC特征值和LPCC特征值；将MFCC特征值和LPCC特征值进行均值计算并融合合并，获得MPCC特征数组；通过Inception网络对MPCC特征数组进行降维、聚合和提取，获得特征值的二维数组；将特征值的二维数组采用训练好的GMM模型的分类函数进行类别预测，输出最大类别标签，确定压缩机设备异常状态的预测类别。本方法在压缩机设备存在故障时，通过其声音的特征分析实现声音类别的预测，进而实现设备状态的实时监测，减少人员成本，提高作业效率。

Description

一种基于Inception与GMM的压缩机设备异常状态检测方法
技术领域
本发明涉及设备状态检测技术领域，具体涉及一种基于Inception与GMM的压缩机设备异常状态检测方法。
背景技术
在石油天然气行业，场站中运行设备的实时状态监测是目前企业迫切需要的功能，既减轻了维护人员的维护压力、加快了员工的工作效率，也提升了企业的工作质量。在工业生产中，所使用到的大型压缩机的故障种类繁多，类型复杂。巡检机器人在各场站巡检过程中，压缩机在天然集气站等场站中不可或缺，是整个场站的运转枢纽，它的稳定运行对生产的效率、质量乃至安全都发挥着重要作用。
目前已有的一些异常状态监测方法，普遍都存在以下几点问题：1)压缩机声音存在强噪音、低频突出、传播距离远、声级高等特性。所以，在压缩机发生故障时，难以追溯和确定其故障类型及原因。2)由于压缩机初始出现异常时，它的声音变化频率范围小，特征变化不明显，无法使用基础频率、波形、振动信号的相关差异等基本信号处理方法进行压缩机不同状态的区分。3)一般最常用的方法是通过企业工作人员进行现场的实时监听，之后请专业技术人员去维护检修，这种方法非常耗费员工的时间精力，耗时长，效率低。
发明内容
为解决上述问题，本发明提供了如下的技术方案。
一种基于Inception与GMM的压缩机设备异常状态检测方法，包括以下步骤：
采集待检测的压缩机设备声音；
分别提取待检测的压缩机设备声音的同数据维度的MFCC特征值和LPCC特征值；
将MFCC特征值和LPCC特征值进行均值计算并融合合并，获得MPCC特征数组；
通过Inception网络对MPCC特征数组进行降维、聚合和提取，获得特征值的二维数组；
将特征值的二维数组采用训练好的GMM模型的分类函数进行类别预测，输出最大类别标签，确定压缩机设备异常状态的预测类别。
优选地，所述GMM模型的训练包括：
使用numpy中随机加噪方法，对原始拾音器采集的正常压缩机设备声音进行随机加噪，构建异常声音训练数据集；
通过异常声音训练数据集对GMM模型进行训练。
优选地，所述MFCC特征值的提取，包括以下步骤：
对原始采集的压缩机设备声音进行预加重、分帧、加窗处理，将n个采样点集合成一帧，将每一帧乘以汉明窗；
对加窗后的压缩机设备声音信号的每一帧进行傅里叶变换；
对傅里叶变换后的信号进行取模和平方，转换为功率谱数据；
对功率谱数据进行处理，先转换成张量Tensor形式，再使用LSTM网络结构对时间序列进行关联性提取后映射输出；
将处理后的功率谱数据通过三角带通滤波器转换到Mel谱，将语音信号的频域变换到感知频域频域中；
将转换后的能量谱进行取对数，放大低频能量处的能量差异；
将获得的对数能量通过离散余弦变换获得倒谱，再通过一阶、二阶差分后，得到MFCC特征值。
优选地，所述LPCC特征值的提取，包括以下步骤：
使用MATLAB对正常以及异常声音文件分别进行LPCC值计算，与MFCC统一数据维度，获得LPCC特征值。
优选地，所述GMM模型的分类函数为概率密度计算函数，在状态检测过程中，使用GMM的概率密度计算函数，计算属于每一类别的加权对数概率，选择最大的概率所属类别进行输出。
优选地，还包括：
通过巡检机器人搭载的拾音器进行压缩机设备声音采集，并通过巡检机器人对压缩机设备的状态进行实时语音播报。
优选地，还包括判断压缩机开机状态，和拾音器工作状态，具体包括以下步骤：
当拾音器采集的待检测的压缩机设备声音小于-46dBFS时，表示采集到空声音，拾音器产生问题，未采集到声音；在大于-46且小于-19dBFS时，表示采集到环境音，也就是压缩机未开机的情况；在大于-19dBFS的情况，进行正常或异常标签的预测。
优选地，所述类别标签包括正常、异常、皮带异常、发动机异常、金属摩擦和金属碰撞；将除“正常”标签以外的所有其他类别标签，统一为“异常”标签，最终输出“正常”和“异常”两种形式。
本发明的有益效果：
与现有技术相比，本发明的基于Inception与GMM的压缩机设备异常状态检测方法，具有以下技术效果：
(1)本发明使用两种特征值进行特征融合形成最终声音特征值，及在其中一种中加入LSTM对特征进行非线性处理，对声音文件的特征描述更加准确；
(2)本发明在GMM分类算法前，加入Inception模块对提取后的数组进行进一步处理，提升GMM概率计算准确率；
(3)本发明除通过算法进行正常、异常声音状态输出外，还使用“全分贝刻度”对采集声音进行数值计算，对设备未开机或采集到环境音或拾音器等设备出现问题的情况进行分类排查；
(4)本发明通过实时采集声音，使用机器学习及神经网络思想结合算法进行算法分析，实现设备状态的实时监控，提高场站做事效率；
(5)若出现设备异常状态，可实现实时语音告警，快速地采取措施，减少安全隐患；
(6)本发明避免了人工场站内实时监听，保护工作人员的听觉系统。
附图说明
图1为本发明基于Inception与GMM的压缩机设备异常状态检测方法的特征值提取流程图；
图2为本发明基于Inception与GMM的压缩机设备异常状态检测方法实现判别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于Inception与GMM的压缩机设备异常状态检测方法，如图1-2所示，包括以下步骤：
步骤1：使用numpy数组随机加噪方法对原始信号进行加噪处理，并重构回声音文件，增加异常声音数据集数量；
步骤2：对拾音器采集声音进行预处理，公式如(1)所示；
s'n＝sn-k*sn-1 (1)
得到信号长度维数的一维数组A(1*56000)；
步骤3：将n个采样点合成一个观测单位。取n为256或512，涵盖时间为20-30ms。得到行数为分帧的个数行、列数为一帧对应的采样数列的数组B(35*400)；
步骤4：将每一帧乘以汉明窗。分帧后的数组B和窗函数数组C具有相同的维度，把它们对应位置的元素值相乘，得到加窗后的二维数组C(35*400)；
步骤5：傅里叶变换，将信号分解为不同幅值和频率的正弦波。任意波形在时域中都可以由若干个正弦波和余弦波的加权和来表示。公式如(2)所示。其中，s(n)为声音信号，N为傅里叶变换点数。
Figure BDA0003780825770000051
当N为偶数时取N/2+1个点，当N为奇数时，取(N+1)/2个点，对每一帧都做N的傅里叶变换，将每一帧分解为N/2+1或(N+1)/2个分量；
步骤6：取模、平方，将数值转换为功率谱；
步骤7：对功率谱数据进行处理，先转换成张量Tensor形式，再使用LSTM网络结构对时间序列进行关联性提取后映射输出，计算公式如(3)所示。
Figure BDA0003780825770000052
其中，st表示最终计算后的数值，zt表示更新门，st-1表示前一时刻数值，
Figure BDA0003780825770000053
表示当下时刻值。
步骤8：三角滤波器滤波；
将频率转换到Mel频率，公式如(4)所示。
Fmel(f)＝2595*lg(1+f/700) (4)
计算出最大Mel频率值。在Mel频率域上确定最低频率、最高频率和Mel滤波器个数。依据最低和最高Mel频率值产生等间隔数组，产生滤波器个数+2个Mel频率值，频率值的维度为D(1*42)；
Mel频率转换到实际频率值，公式如(5)所示。
Figure BDA0003780825770000061
将频率转换成对应的样本位置，公式如(6)所示。
((NFFT+1)*实际频率/sample_rate) (6)
设置Mel滤波器组，计算每个滤波器的频率分量分别属于各频率带的概率；
滤波，使用概率值乘以滤波器的频率响应，得到行数为分帧的个数行，列数为滤波器个数的数组E(35*40)。
步骤9：取对数，对上一步结果取对数，放大低处能量的能量差异，突出人耳对声音频率的非线性感知；
步骤10：将上述对数能量带入DCT离散余弦变换得到倒谱，一阶、二阶差分后，得到MFCC系数；
步骤11：使用MATLAB对正常以及异常声音文件分别进行LPCC值计算，与MFCC统一数据维度并保存；
步骤12：MFCC与LPCC进行均值计算并融合合并，最终每个声音文件都形成一个有35行、13列数据的二维数组，命名为MPCC特征值；
步骤13：将融合后的MPCC特征值进行形状转换，输入给Inception模块，进行多种尺度数据的特征值降维、聚合、提取，Inception模块根据输入自行设置参数、卷积核及池化，形成最终的Inception网络；
步骤14：将所有声音文件降维等处理后得到的二维数组进行GMM算法训练，训练后的模型保存为pickle模型文件；
步骤15：输入未知类别声音，调用pickle模型文件及分类函数，对于每个标签，设置一个数值进行后续比较，使用GMM的概率密度计算函数，计算属于每一类别的加权对数概率，选择最大的概率所属类别进行输出。
以上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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，包括以下步骤：
采集待检测的压缩机设备声音；
分别提取待检测的压缩机设备声音的同数据维度的MFCC特征值和LPCC特征值；
将MFCC特征值和LPCC特征值进行均值计算并融合合并，获得MPCC特征数组；
通过Inception网络对MPCC特征数组进行降维、聚合和提取，获得特征值的二维数组；
将特征值的二维数组采用训练好的GMM模型的分类函数进行类别预测，输出最大类别标签，确定压缩机设备异常状态的预测类别。
2.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述GMM模型的训练包括：
使用numpy中随机加噪方法，对原始拾音器采集的正常压缩机设备声音进行随机加噪，构建异常声音训练数据集；
通过异常声音训练数据集对GMM模型进行训练。
3.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述MFCC特征值的提取，包括以下步骤：
对原始采集的压缩机设备声音进行预加重、分帧、加窗处理，将n个采样点集合成一帧，将每一帧乘以汉明窗；
对加窗后的压缩机设备声音信号的每一帧进行傅里叶变换；
对傅里叶变换后的信号进行取模和平方，转换为功率谱数据；
对功率谱数据进行处理，先转换成张量Tensor形式，再使用LSTM网络结构对时间序列进行关联性提取后映射输出；
将处理后的功率谱数据通过三角带通滤波器转换到Mel谱，将语音信号的频域变换到感知频域频域中；
将转换后的能量谱进行取对数，放大低频能量处的能量差异；
将获得的对数能量通过离散余弦变换获得倒谱，再通过一阶、二阶差分后，得到MFCC特征值。
4.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述LPCC特征值的提取，包括以下步骤：
使用MATLAB对正常以及异常声音文件分别进行LPCC值计算，与MFCC统一数据维度，获得LPCC特征值。
5.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述GMM模型的分类函数为概率密度计算函数，在状态检测过程中，使用GMM的概率密度计算函数，计算属于每一类别的加权对数概率，选择最大的概率所属类别进行输出。
6.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，还包括：
通过巡检机器人搭载的拾音器进行压缩机设备声音采集，并通过巡检机器人对压缩机设备的状态进行实时语音播报。
7.根据权利要求6所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，还包括判断压缩机开机状态，和拾音器工作状态，具体包括以下步骤：
当拾音器采集的待检测的压缩机设备声音小于-46dBFS时，表示采集到空声音，拾音器产生问题，未采集到声音；在大于-46且小于-19dBFS时，表示采集到环境音，也就是压缩机未开机的情况；在大于-19dBFS的情况，进行正常或异常标签的预测。
8.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述类别标签包括正常、异常、皮带异常、发动机异常、金属摩擦和金属碰撞；将除“正常”标签以外的所有其他类别标签，统一为“异常”标签，最终输出“正常”和“异常”两种形式。
CN202210928919.1A 2022-08-03 2022-08-03 一种基于Inception与GMM的压缩机设备异常状态检测方法 Pending CN115169500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210928919.1A CN115169500A (zh) 2022-08-03 2022-08-03 一种基于Inception与GMM的压缩机设备异常状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210928919.1A CN115169500A (zh) 2022-08-03 2022-08-03 一种基于Inception与GMM的压缩机设备异常状态检测方法

Publications (1)

Publication Number Publication Date
CN115169500A true CN115169500A (zh) 2022-10-11

Family

ID=83477047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210928919.1A Pending CN115169500A (zh) 2022-08-03 2022-08-03 一种基于Inception与GMM的压缩机设备异常状态检测方法

Country Status (1)

Country Link
CN (1) CN115169500A (zh)

Similar Documents

Publication Publication Date Title
CN111442827B (zh) 一种变压器绕组振动的光纤无源在线监测系统
CN110398647B (zh) 变压器状态监测方法
CN110795843B (zh) 一种识别滚动轴承故障的方法及装置
CN102778358A (zh) 故障预测模型建立方法及系统、风机监测预警系统及方法
CN110444202B (zh) 复合语音识别方法、装置、设备及计算机可读存储介质
CN111898644B (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
CN113314144A (zh) 声音识别及电力设备故障预警方法、系统、终端及介质
Medina et al. Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals
Torkamani et al. Detection of system changes due to damage using a tuned hyperchaotic probe
CN116778964A (zh) 一种基于声纹识别的变电设备故障监测系统及方法
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
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
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法
Zurita et al. A review of vibration machine diagnostics by using artificial intelligence methods
CN117116293A (zh) 一种复杂声场环境中机器设备故障诊断系统
CN115169500A (zh) 一种基于Inception与GMM的压缩机设备异常状态检测方法
Pan et al. Intelligent fault diagnosis of rolling bearing via deep-layerwise feature extraction using deep belief network
Heuer et al. New aspects in birdsong recognition utilizing the gabor transform
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
CN115854269A (zh) 泄漏孔喷流噪声识别方法、装置、电子设备及存储介质
CN114093385A (zh) 一种无人机检测方法及装置
Wang et al. Identification of the defective transmission devices using the wavelet transform
Jiang et al. Fault detection and diagnosis of wind turbine gearbox based on acoustic analysis
Malfante et al. Machine learning for automatic classification of volcano-seismic signatures
CN114034375B (zh) 一种特高压输电线路噪声测量系统及方法

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