CN115249486B - 一种旋转机械音异常识别预处理方法及装置 - Google Patents
一种旋转机械音异常识别预处理方法及装置 Download PDFInfo
- Publication number
- CN115249486B CN115249486B CN202210898097.7A CN202210898097A CN115249486B CN 115249486 B CN115249486 B CN 115249486B CN 202210898097 A CN202210898097 A CN 202210898097A CN 115249486 B CN115249486 B CN 115249486B
- Authority
- CN
- China
- Prior art keywords
- decomposition
- ramanujin
- signal
- value
- scanning length
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- 238000007781 pre-processing Methods 0.000 title claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 92
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种旋转机械音异常识别预处理方法及装置,方法包括以下处理阶段:采集阶段,声音采集传感器获取信号,传输并存储到本地或云服务器上;准备阶段,包含信噪比估计、分解还原度数值计算、还原精度计算、F0基频检测;处理阶段,包含Ramanujin子空间投影分解最小子空间个数q‑min搜索、Ramanujin子空间投影分解最小扫描长度L‑min搜索、最佳参数下的Ramanujin子空间投影分解。本发明通过应用估计的信噪比数值,推算Ramanujin子空间投影分解的信号还原度数值,以及还原精度,并通过F0基频检测确定最大Ramanujin子空间投影分解最大扫描长度L,并将其作为初始值,搜索Ramanujin子空间投影分解最小子空间个数q‑min,以及Ramanujin子空间投影分解最小扫描长度L‑min,由此得到最优Ramanujin子空间投影分解参数,获得旋转机械音最佳的分解降噪结果,显著提升降噪水平,提升异常识别准确率。
Description
技术领域
本发明涉及工业设备监测技术领域,尤其是一种旋转机械音异常识别预处理方法及装置。
背景技术
旋转机械如发动机、齿轮箱、压缩机等,是我国能源、化工、国防等关乎国计民生和安全稳定的重要装备。此类设备一旦发生故障,轻则造成生产停滞,重则造成人员伤亡,危害财产生命安全。
对旋转机械进行异常识别监测,及时干预,可以避免事故的发生。采用机械音异常识别监测的方法,可以及时监测到设备运转状态的发展趋势,对异常识别监测灵敏,此外还有非接触、低成本的优势。
但是,由于在生产、生活环境下采集到的声信号包含大量噪声,导致机械音监测准确率受限,所以需要有效的降噪方法,而现有技术对噪声处理的方法未能有效处理噪声,需要更有效的旋转机械音异常识别预处理技术。
发明内容
本发明提供了一种旋转机械音异常识别预处理方法及装置,以解决工业环境下旋转机械音异常识别噪声去除的预处理难题。
本发明实施例的第一方面,提供了一种旋转机械音异常识别预处理方法,包括以下三个阶段:
第一个阶段:采集阶段,声音采集传感器获取音频信号,传输并存储到本地或云服务器上;
第二个阶段,准备阶段,此阶段包含4个步骤:
①针对获取的音频段进行信噪比估计,得到当前信噪比的估计值;
②根据信噪比估值,以及FRSP(Fast Ramanujan subspace pursuit)还原度Rerr与信噪比SNR的关系,即公式(1),根据此公式可以得到分解还原度即分解还原信号能量占总信号能量比例的数值Rerr;
③获取还原精度:根据还原度精度α与信噪比SNR的关系,即公式(2),确定当前信噪比还原精度α的数值,根据此公式可以得到当前信号信噪比数值对应宽松条件的数值:
其中,为均值为0,方差为15,取值为0的标准正态分布概率密度函数值,为均值为0,方差为15,取值为SNR的标准正态分布概率密度函数值;
④获取原始信号的F0基频检测结果f0;
第三个阶段,处理阶段,包含3个步骤:
①搜索在扫描长度L为1/f0的条件下,Ramanujin子空间投影分解的最小子空间个数q-min。初始子空间个数q为1,初始扫描长度L为1/f0,扫描长度L固定为1/f0不变,进行Ramanujin子空间投影分解,若不满足停止条件,子空间个数q=q+1,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索的停止条件为|R-Rerr|≥α,R为分解所得信号能量ER占信号总能量Eall的比例,满足停止条件的子空间个数为q-min;
②搜索在q-min的条件下,Ramanujin子空间投影分解的最小扫描长度L-min。初始扫描长度L为1/f0,子空间个数为q-min固定不变,进行Ramanujin子空间投影分解,若不满足停止条件,L在区间为[1,1/f0]内进行二分查找,更新参数L的数值为查找结果,重新进行Ramanujin子空间投影分解,直到满足停止条件,R为分解所得信号能量ER占信号总能量Eall的比例,搜索停止条件为|R-Rerr|≥α或搜索区间宽度为1,满足停止条件的扫描长度为L-min;
③在最佳参数条件下,即子空间个数为q-min,扫描长度为L-min的参数调节下,进行Ramanujin子空间投影分解,得到还原后的结果,即x’=F(x,q-min,L-min),作为降噪结果输出x’。
本发明实施例的第二方面,提供了一种旋转机械音异常识别预处理装置,包括:
声音采集及传输模块,通过声音采集传感器获取音频信号,并将信号传输到本地或云服务器上;
音频信噪比模块,估计当前输入音频片段的信噪比SNR;
F0检测模块,检测当前输入音频片段的基频数值f0;
还原度及还原精度计算模块,通过式(3)、(4)计算分解还原度Rerr及还原精度α计算模块,得到分解停止准则及分解精度;
Ramanujin子空间投影分解模块,根据分解停止准则及分解精度,首先搜索最小子空间个数q-min,然后搜索最小扫描长度L-min,最后使用最小子空间个数q-min、最小扫描长度L-min作为Ramanujin子空间投影分解参数进行还原分解,即x’=F(x,q-min,L-min);
输出模块,将分解还原得到的x’作为处理结果输出;
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种旋转机械音降噪方法的流程图。
图2是本发明实施例提供的一种旋转机械音降噪装置的原理图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
实施例1
如图1所示,本实施例提供了一种旋转机械音异常识别预处理方法,包括以下三个阶段:
第一个阶段:采集阶段,此阶段是为了获取异常检测的音频数据,为后续的处理提供数据,通声音采集传感器,采集机械运转的音频数据,然后传输到在本地或云服务器上,采集到的数据通常是1*n维的离散数值向量;
第二个阶段,准备阶段,本阶段是为之后分解参数寻优进行的准备工作,本阶段确定了分解还原的停止标准、还原精度、初始最大扫描长度,包含4个步骤:
①针对获取的音频段,即离散的数值向量,进行信噪比估计,得到当前信噪比的估计值SNR,在本施例中采用整体经验模态分解的方法进行信噪比估计;
②根据信噪比估值以及FRSP(Fast Ramanujan subspace pursuit)还原度Rerr与信噪比SNR的关系,即公式(1),得到分解还原度即信号成分能量占总体信号能量比例的数值,即通过信噪比信息给出了还原度的具体数值Rerr,Rerr将对后续参数寻优的分解过程提供指导信息;
③获取还原精度:根据还原度精度α与信噪比SNR的关系,即公式(2),确定当前信噪比的还原精度α的数值,根据此公式可以得到当前信号信噪比数值对应分解还原的宽松条件数值:
其中,为均值为0,方差为15,取值为0的标准正态分布概率密度函数值,为均值为0,方差为15,取值为SNR的标准正态分布概率密度函数值;
④获取原始信号的F0基频检测结果f0,在本施例中采用YIN算法进行F0检测,基频的倒数是基频周期长度,正是扫描长度的最大值,由此确定初始扫描长度L为1/f0;
第三个阶段,处理阶段,包含3个步骤:
①此步骤是为了搜索在扫描长度L固定为1/f0的条件下,Ramanujin子空间投影分解的最小子空间个数q-min;相比扫描长度,子空间个数对结果的影响更大,故先在扫描长度固定的条件下,通过参数搜索找到最小的子空间个数。初始子空间个数q为1,初始扫描长度L固定为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,子空间个数q=q+1,扫描长度L不变,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索的停止条件为|R-Rerr|≥α,R为分解所得信号能量ER占信号总能量Eall的比例,得到满足停止条件的子空间个数q-min;
②此步骤是为了搜索在子空间个数为q-min的条件下,Ramanujin子空间投影分解的最小扫描长度L-min。上一步已经找到最小的空间个数q-min,子空间个数固定为q-min,初始扫描长度L为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,则L在区间为[1,1/f0]内进行二分查找,更新参数L的数值为查找的新数值,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索停止条件为|R-Rerr|≥α或搜索区间宽度为1,R为分解所得信号能量ER占信号总能量Eall的比例,得到满足停止条件的扫描长度L-min;
③此步骤是使用之前搜索所得的最佳参数q-min、L-min,进行Ramanujin子空间投影分解,即F(x,q-min,L-min),得到还原后的结果即为降噪结果,进行输出。
实施例2
如图2所示,本实施例提供了一种旋转机械音异常识别预处理装置,包括以下6个模块:声音采集及传输模块1、信噪比估计模块2、F0检测模块3、还原度及还原精度计算模块4、Ramanujin子空间投影分解模块5、输出模块6:
声音采集及传输模块1:此模块是为了获取异常检测的音频数据,为后续的处理提供原始数据,通声音采集传感器采集旋转机械音频数据,然后传输到在本地或云服务器上,采集到的数据通常是1*n维的离散数值向量;
信噪比估计模块2:此模块是为了获取当前音频数据的信噪比数值,为之后的还原度及还原精度计算模块提供参数,在本施例中采用整体经验模态分解的方法进行信噪比估计;
F0检测模块3:此模块是为了获取当前音频数据扫描长度的最大值。原始信号的F0基频检测结果为f0,在本施例中采用YIN算法进行F0检测,基频的倒数是基频周期,为扫描长度的最大值,由此确定初始扫描长度L为1/f0;
还原度及还原精度计算模块4:根据信噪比估值以及FRSP(Fast Ramanujansubspace pursuit)还原度Rerr与信噪比SNR的关系,即公式(1),得到分解还原度即信号成分能量占总体信号能量比例的数值,根据此公式可以得到当前信号信噪比数值对应的FRSP还原度Rerr数值,为分解提供停止标准;
根据还原度精度α与信噪比SNR的关系,即公式(2),确定当前信噪比的还原精度α的数值,根据此公式可以得到当前信号信噪比数值对应分解还原的宽松条件数值;
其中,为均值为0,方差为15,取值为0的标准正态分布概率密度函数值,为均值为0,方差为15,取值为SNR的标准正态分布概率密度函数值;
Ramanujin子空间投影分解模块5:此模块的功能是进行Ramanujin子空间投影分解的最佳参数寻优,以获得最小的空间个数q-min以及最小扫描长度L-min,并应用最佳参数进行Ramanujin子空间投影分解。相比扫描长度,子空间个数对结果的影响更大,故先在扫描长度固定的条件下,通过参数搜索找到满足停止条件的最小的子空间个数q-min。首先进行最小的空间个数q-min的搜素,在扫描长度L固定为1/f0的条件下,搜索Ramanujin子空间投影分解的最小子空间个数q-min:初始子空间个数q为1,初始扫描长度L固定为1/f0,进行Ramanujin子空间投影分解,扫描长度L固定不变,若不满足停止条件,子空间个数q=q+1,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索的停止条件为|R-Rerr|≥α,R为分解所得信号能量ER占信号总能量Eall的比例,得到满足停止条件的子空间个数q-min。然后在子空间个数为q-min固定不变的条件下,搜索Ramanujin子空间投影分解的最小扫描长度L-min。子空间个数固定为q-min,初始扫描长度L为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,L在区间为[1,1/f0]内进行二分查找,更新参数L的数值为查找结果,重新进行Ramanujin子空间投影分解,直到满足停止条件,R为分解所得信号能量ER占信号总能量Eall的比例,搜索停止条件为|R-Rerr|≥α或搜索区间宽度为1,得到满足停止条件的扫描长度L-min。最后,应用搜索所得的最佳参数q-min、L-min,进行Ramanujin子空间投影分解,即F(x,q-min,L-min),得到还原后的结果。
输出模块6:此模块将还原后的结果,即降噪结果,进行输出,输出的对象可以是进行进一步处理的后处理系统或输出到播放设备。
Claims (2)
1.一种旋转机械音异常识别预处理方法,包括以下三个阶段:采集阶段,此阶段是为了获取进行异常检测的音频数据,为后续的处理提供数据,通过声音采集传感器,采集机械运转的音频数据,然后传输到本地或云服务器上,采集到的数据是1*n维的离散数值向量;准备阶段,本阶段是为之后分解参数寻优进行的准备工作,本阶段确定了分解还原的停止标准、还原精度、初始最大扫描长度,包含4个步骤:①针对获取的音频段,即离散的数值向量,进行信噪比估计,得到当前信噪比的估计值SNR,采用整体经验模态分解的方法进行信噪比估计;②根据信噪比估值以及FRSP还原度Rerr与信噪比SNR的关系,即:得到分解还原度即信号成分能量占总体信号能量比例的数值,即通过信噪比信息给出了还原度的具体数值Rerr,Rerr将对后续参数寻优的分解过程提供指导信息;③获取还原精度:根据还原度精度a与信噪比SNR的关系,即:a=|N(SNR,0,15)-N(0,0,15)|,确定当前信噪比的还原精度a的数值,根据此公式得到当前信号信噪比数值对应分解还原的宽松条件数值,其中,N(0,0,15)为均值为0,方差为15,取值为0的标准正态分布概率密度函数值,N(SNR,0,15)为均值为0,方差为15,取值为SNR的标准正态分布概率密度函数值;④获取原始信号的F0基频检测结果f0,采用YIN算法进行F0检测,基频的倒数是基频周期长度,正是扫描长度的最大值,由此确定初始扫描长度L为1/f0;处理阶段,包含3个步骤:①此步骤是为了搜索在扫描长度L固定为1/f0的条件下,Ramanujin子空间投影分解的最小子空间个数q-min;相比扫描长度,子空间个数对结果的影响更大,故先在扫描长度固定的条件下,通过参数搜索找到最小的子空间个数;初始子空间个数q为1,初始扫描长度L固定为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,子空间个数q=q+1,扫描长度L不变,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索的停止条件为|R-Rerr|≥α,R为分解所得信号能量占信号总能量的比例,得到满足停止条件的子空间个数q-min;②此步骤是为了搜索在子空间个数为q-min的条件下,Ramanujin子空间投影分解的最小扫描长度L-min;上一步已经找到最小的空间个数q-min,子空间个数固定为q-min,初始扫描长度L为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,则L在区间为[1,1/f0]内进行二分查找,更新参数L的数值为查找的新数值,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索停止条件为|R-Rerr|≥a或搜索区间宽度为1,R为分解所得信号能量占信号总能量的比例,得到满足停止条件的扫描长度L-min;③此步骤是使用之前搜索所得的最佳参数q-min、L-min,进行Ramanujin子空间投影分解,即FRSP(x,q-min,L-min),得到还原后的结果即为降噪结果,进行输出。
2.一种旋转机械音异常识别预处理装置,包括以下六个模块:声音采集及传输模块、信噪比估计模块、F0检测模块、还原度及还原精度计算模块、Ramanujin子空间投影分解模块、输出模块;声音采集及传输模块:此模块是为了获取异常检测的音频数据,为后续的处理提供原始数据,通过声音采集传感器采集旋转机械音频数据,然后传输到在本地或云服务器上,采集到的数据是1*n维的离散数值向量;信噪比估计模块:此模块是为了获取当前音频数据的信噪比数值,为之后的还原度及还原精度计算模块提供参数,采用整体经验模态分解的方法进行信噪比估计;F0检测模块:此模块是为了获取当前音频数据扫描长度的最大值;原始信号的F0基频检测结果为f0,采用YIN算法进行F0检测,基频的倒数是基频周期,为扫描长度的最大值,由此确定初始扫描长度L为1/f0;还原度及还原精度计算模块:根据信噪比估值以及FRSP还原度Rerr与信噪比SNR的关系,即:得到分解还原度即信号成分能量占总体信号能量比例的数值,根据此公式得到当前信号信噪比数值对应的FRSP还原度Rerr数值,为分解提供停止标准;根据还原度精度a与信噪比SNR的关系,即:a=|N(SNR,0,15)-N(0,0,15)|,确定当前信噪比的还原精度a的数值,根据此公式可以得到当前信号信噪比数值对应分解还原的宽松条件数值,其中,N(0,0,15)为均值为0,方差为15,取值为0的标准正态分布概率密度函数值,N(SNR,0,15)为均值为0,方差为15,取值为SNR的标准正态分布概率密度函数值;Ramanujin子空间投影分解模块:此模块的功能是进行Ramanujin子空间投影分解的最佳参数寻优,以获得最小的空间个数q-min以及最小扫描长度L-min,并应用最佳参数进行Ramanujin子空间投影分解;相比扫描长度,子空间个数对结果的影响更大,故先在扫描长度固定的条件下,通过参数搜索找到满足停止条件的最小的子空间个数q-min;首先进行最小的空间个数q-min的搜素,在扫描长度L固定为1/f0的条件下,搜索Ramanujin子空间投影分解的最小子空间个数q-min:初始子空间个数q为1,初始扫描长度L固定为1/f0,进行Ramanujin子空间投影分解,扫描长度L固定不变,若不满足停止条件,子空间个数q=q+1,重新进行Ramanujin子空间投影分解,直到满足停止条件,搜索的停止条件为|R-Rerr|≥a,R为分解所得信号能量占信号总能量的比例,得到满足停止条件的子空间个数q-min;然后在子空间个数为q-min固定不变的条件下,搜索Ramanujin子空间投影分解的最小扫描长度L-min;子空间个数固定为q-min,初始扫描长度L为1/f0,进行Ramanujin子空间投影分解,若不满足停止条件,L在区间为[1,1/f0]内进行二分查找,更新参数L的数值为查找结果,重新进行Ramanujin子空间投影分解,直到满足停止条件,R为分解所得信号能量占信号总能量的比例,搜索停止条件为|R-Rerr|≥a或搜索区间宽度为1,得到满足停止条件的扫描长度L-min;最后,应用搜索所得的最佳参数q-min、L-min,进行Ramanujin子空间投影分解,即FRSP(x,q-min,L-min),得到还原后的结果;输出模块:此模块将还原后的结果,即降噪结果,进行输出,输出的对象是进行进一步处理的后处理系统或输出到播放设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898097.7A CN115249486B (zh) | 2022-07-28 | 2022-07-28 | 一种旋转机械音异常识别预处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898097.7A CN115249486B (zh) | 2022-07-28 | 2022-07-28 | 一种旋转机械音异常识别预处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115249486A CN115249486A (zh) | 2022-10-28 |
CN115249486B true CN115249486B (zh) | 2024-04-09 |
Family
ID=83700537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898097.7A Active CN115249486B (zh) | 2022-07-28 | 2022-07-28 | 一种旋转机械音异常识别预处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249486B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110123085A (ko) * | 2010-05-06 | 2011-11-14 | 부산대학교 산학협력단 | 투영오차를 이용한 고유분해 기반의 음성 검출 시스템 및 그의 제어 방법 |
CN105743830A (zh) * | 2016-03-01 | 2016-07-06 | 天津理工大学 | 一种mfsk信号的解调方法 |
CN113345399A (zh) * | 2021-04-30 | 2021-09-03 | 桂林理工大学 | 一种强噪声环境下的机器设备声音监测方法 |
-
2022
- 2022-07-28 CN CN202210898097.7A patent/CN115249486B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110123085A (ko) * | 2010-05-06 | 2011-11-14 | 부산대학교 산학협력단 | 투영오차를 이용한 고유분해 기반의 음성 검출 시스템 및 그의 제어 방법 |
CN105743830A (zh) * | 2016-03-01 | 2016-07-06 | 天津理工大学 | 一种mfsk信号的解调方法 |
CN113345399A (zh) * | 2021-04-30 | 2021-09-03 | 桂林理工大学 | 一种强噪声环境下的机器设备声音监测方法 |
Non-Patent Citations (1)
Title |
---|
《Ramanujan subspace pursuit for signal periodic decomposition》;Deng Shiwen et al.;《arXiv:1512.08112v1》;20151226;第1-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115249486A (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
Henriquez et al. | Review of automatic fault diagnosis systems using audio and vibration signals | |
Martin-del-Campo et al. | Dictionary learning approach to monitoring of wind turbine drivetrain bearings | |
CN116955938A (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN115249486B (zh) | 一种旋转机械音异常识别预处理方法及装置 | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN112648220A (zh) | 一种基于小波-近似熵的风机故障诊断方法 | |
CN108551412B (zh) | 监控数据降噪处理方法和装置 | |
CN116842410B (zh) | 一种基于动态感知的智能头盔防盗管理方法以及系统 | |
Afshar et al. | Generalized roughness bearing fault diagnosis using time series analysis and gradient boosted tree | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
Belsak et al. | Adaptive wavelet transform method to identify cracks in gears | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
KR20220082724A (ko) | 장비 고장 진단 장치, 장비 고장 진단 방법, 스마트 공장 시스템 및 애플리케이션 | |
CN112284737A (zh) | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 | |
CN112100577A (zh) | 基于长程相关性的设备运行稳定性在线监测方法及系统 | |
JP2020187616A (ja) | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム | |
Yang et al. | Empirical probability density cumulative sum for incipient fault detection | |
Hong et al. | Fast Clustering for Redundancy Removal In Audio Anomaly Detection | |
CN113987482B (zh) | 一种基于fm的ip首次访问检测方法、系统及设备 | |
Wang et al. | Fault detection based on optimal transport theory | |
US20230068908A1 (en) | Anomaly Detection and Diagnosis in Factory Automation System using Pre-Processed Time-Delay Neural Network with Loss Function Adaptation | |
CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 |
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 |