CN115310477A - 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 - Google Patents
基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 Download PDFInfo
- Publication number
- CN115310477A CN115310477A CN202210789258.9A CN202210789258A CN115310477A CN 115310477 A CN115310477 A CN 115310477A CN 202210789258 A CN202210789258 A CN 202210789258A CN 115310477 A CN115310477 A CN 115310477A
- Authority
- CN
- China
- Prior art keywords
- predator
- sound
- algorithm
- fractal
- sound signal
- 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
- 244000062645 predators Species 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000005236 sound signal Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于分形特征和捕食者算法的泵机设备故障声音检测方法，包括以下步骤：S1：利用声音采集器对泵机故障进行声音信号采集；S2：对声音信号进行降噪、预处理；S3：对降噪后的声音信号进行声音特征和分形特征提取；S4：构建基于猎食者优化算法的SVM泵机设备故障诊断模型，使用改进的猎食者优化算法优化SVM中的参数。还公开了一种基于分形特征和捕食者算法的泵机设备故障声音检测系统。本发明结合分形特性以及声音特征进行泵机的故障诊断，通过对传统的捕食者算法进行双种群改进，然后优化支持向量机参数，进而构建设备故障诊断模型，实现泵机故障诊断。
Description
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统。
背景技术
设备故障诊断方法作为设备正常运行的重要保障，其主要目的是通过采集设备工作时反馈的信号，如振动、声音、电流等，结合一定的判定规则，对设备故障进行诊断，起到事故预警、保护设备的作用，为设备检修提供重要的辅助信息。在传统的故障诊断方法中，一般通过分析设备的电流、温度或振动等信号，结合经验参数判断设备的状态。但在如高温、高腐蚀，或加速度传感器不能停机安装和安装部位结构受限等场合，由于无法接触测量而不能进行振动监测。泵机等设备在运行中伴随着振动会有声音产生，泵阀等零部件在工作中受到外力的作用会产生撞击和振动，由此激发出声信号。当发生故障时，其声信号也会发生改变，所以声音和振动都蕴含着大量丰富的设备运动状态信息。声学故障诊断技术具有如下特点：非接触式测量、设备简单、速度快、信号易于测取、易于发现早期故障、无须事先粘贴传感器、可对移动目标进行在线监测等，尤其在不易测量振动信号的场合得到广泛应用。泵机的声信号是一种具有多种频率成分的不规则信号，采集到的声信号包含着的时域波形和变化趋势存在明显的分形特征。
现有方法故障诊断方法主要是：(一)根据设备的电流、温度或振动等信号，结合专家经验参数判断设备的状态；(二)提取振动信号的特征，使用包络谱分析法、谱峭度法、经验模态分解等，结合频率分析匹配出故障模式；(三)采用机器学习方法，如支持向量机、决策树、BP神经网络等结合振动的特征进行故障诊断。
在传统的故障诊断方法中，一般通过分析设备的电流、温度、振动等信号，结合经验参数判断设备的状态，但在高温、高腐蚀，或加速度传感器不能停机安装和安装部位结构受限等场合，由于无法接触测量而不能进行振动监测。声信号采集比振动信号的采集较容易，放置传感器时无需事先粘贴，布置速度快，采用非接触式测取，设备比较简单，易于实现早期预报和在线监测，对设备的正常工作几乎没有影响，可以在不易测量振动信号的场合广泛应用。因此声信号的测量不受这种限制，上述场合均可采集设备的声学信号进行故障诊断。
针对现有设备故障诊断通过SCADA联机数据、振动传感器等存在的无法安装传感器、视频遮挡等问题，亟需提供一种新型的基于分形特征和捕食者算法的泵机设备故障声音检测方法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统，结合分形特性以及声音特征进行泵机的故障诊断，通过对传统的捕食者算法进行双种群改进，然后优化支持向量机参数，进而构建设备故障诊断模型，实现泵机故障诊断。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于分形特征和捕食者算法的泵机设备故障声音检测方法，包括以下步骤：
S1：利用声音采集器对泵机故障进行声音信号采集；
S2：对声音信号进行降噪、预处理；
S3：对降噪后的声音信号进行声音特征和分形特征提取；
S4：构建基于猎食者优化算法的SVM泵机设备故障诊断模型，使用改进的猎食者优化算法优化SVM中的参数。
在本发明一个较佳实施例中，在步骤S2中，对声音信号进行降噪的方法采用小波变换或小波包变换。
在本发明一个较佳实施例中，在步骤S3中，对降噪后的声音信号进行声音特征提取的具体步骤包括：
将去噪后的声音信号进行分帧、加窗处理，提取时域、频域特征。
进一步的，所述时域特征包括短时能量STE、短时过零率ZCR、短时自相关函数ACF；
所述频域特征包括线性预测倒谱系数LPCC、对数功率谱LPS、梅尔频率倒谱系数MFCC、基频。
在本发明一个较佳实施例中，在步骤S3中，对降噪后的声音信号进行分形特征提取的方法采用MF-DMA方法，具体步骤包括：
S301：构建累积和序列
其中，x(i)为去噪后的声音信号，M为序列长度；
S302：计算移动窗口中的滑动平均函数
n为窗口尺寸，
为不大于x的最大整数，
为不小于x的最小整数，θ∈[0,1]为位置参数，用来指定滑动窗口的位置；
S303：通过移除滑动平均函数
对序列y(i)进行去趋势，使用公式(3.2)得到残差序列ε(i)，
此处，
S304：将序列ε(i)划分为Nn个不重叠的子序列，每个子序列长度均为n，
ε(i)在每个子序列中被记为εv(v＝1,L,Mn)；通过公式(3.4)计算波动函数Fv(n)；
S305：通过公式(3.5)计算q阶平均波动函数，
当q≠0时，使用上式计算，当q＝0时，使用公式(3.6)来计算；
S306：改变子段长度n的值，若存在如下的幂律关系，则尺度满足公式(3.7)
Fq(n)～nh(q) (3.7)
根据多重分形理论，得到Renyi指数τ(q)：
τ(q)＝qh(q)-1 (3.8)
通过Legendre变换，得到
指数α(q)和奇异谱函数f(α)，其表示如下：
α(q)＝h(q)+qh'(q) (3.9)
f(α)＝q[α(q)-h(q)]+1 (3.10)
h'(q)表示h(q)关于q的导数，
指数α(q)表示奇异性的强度，f(α)表示奇异指数为α的分形集的Hausdorff维数；
使用a0，h(q)，τ(q)，Δα，Δf作为声音信号的分形特征。
在本发明一个较佳实施例中，在步骤S4中，所述改进的猎食者优化算法包括以下步骤：
S401：设置算法相关参数；并初始化种群：
猎食者种群在搜索范围内随机初始化位置：
xi＝rand(1，d)，*(ub-lb)+lb，0＜i≤N (4.1)
其中，xi是猎食的位置，lb是问题变量的最小值，ub是问题变量的最大值，d是问题变量的数量，N为种群个数的一半；
同时引入反向竞争的思想：设x∈[lb，ub]为一个实数，则它所对应的全局反向数被定义为：
通过上述操作得到2N个初始解；
S402：计算适应度值，并记录最优位置：
对种群划分为两个子种群，分别采用以下两种搜索策略进行进化：
xij(t+1)＝xij(t)+C(Ppos-xij(t))，0＜i≤N (4.3)
xij(t+1)＝xij(t)+(1-C)(μj-xij(t))，N+1≤i≤2N (4.4)
其中，x(t)是当前猎食者位置，x(t+1)是猎食者的下一次迭代位置，i指的是第i个个体，j是个体向量的第j维，Ppos是猎物的位置，μ是所有位置的平均值，C是步长，其值在迭代过程中从1减小到0.02，计算如下：
其中，it是当前迭代次数，MaxIt是最大迭代次数；
计算猎物的位置Ppos，以便首先根据式(4.6)计算所有位置的平均值(μ)，然后计算每个搜索个体与该平均位置的距离。
根据式(4.7)计算欧几里得距离：
引入一种递减机制，如式(4.8)所示：
kbest＝round(C×2N) (4.8)
其中2N是种群的个数；将猎物的位置计算为式(4.9)：
式(4.10)用于更新猎物位置：
xij(t+1)＝Tpos(j)+rij(t)(Tpos-xij(t)) (4.10)
其中，x(t)是当前猎物位置，x(t+1)是猎物的下一次迭代位置；Tpos是全局最优位置；
S403：根据式(4.11)对猎食者或猎物位置进行更新：
其中，rij是[0,1]范围内的随机数，α是一个调节参数；
S404：判断是否满足停止条件，如果满足则输出最优解，否则重复步骤S402-S403，使用优化后的捕食者算法优化支持向量机的参数，进而实现泵机设备故障诊断。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于分形特征和捕食者算法的泵机设备故障声音检测系统，包括：
声音信号采集模块，用于利用声音采集器对泵机故障进行声音信号采集；
声音信号预处理模块，用于对声音信号进行降噪、预处理；
声音信号特征提取模块，用于对降噪后的声音信号进行声音特征和分形特征提取；
泵机设备故障诊断模型构建模块，用于构建基于猎食者优化算法的SVM泵机设备故障诊断模型，并使用改进的猎食者优化算法优化SVM中的参数。
在本发明一个较佳实施例中，所述声音信号预处理模块对声音信号进行降噪的方法采用小波变换或小波包变换。
在本发明一个较佳实施例中，所述声音信号特征提取模块对降噪后的声音信号进行声音特征提取的具体步骤包括：
将去噪后的声音信号进行分帧、加窗处理，提取时域、频域特征。
在本发明一个较佳实施例中，所述声音信号特征提取模块对降噪后的声音信号进行分形特征提取的方法采用MF-DMA方法。
本发明的有益效果是：本发明利用声音的分形特征以及梅尔倒谱等特征进行设备的故障诊断，相对于利用其它信息进行故障诊断的方法，声音方法具有非接触、不停机、不受遮挡物与光线影响等优点，且分形特征能够较好地描述声音信号的特征。此外，通过改进传统的捕食者算法，能够加快收敛速度，提高准确率，并通过改进的捕食者算法优化SVM，提高了故障诊断率。
附图说明
图1是本发明基于分形特征和捕食者算法的泵机设备故障声音检测方法的流程图；
图2是实际声音信号使用小波去噪的结果示意图；
图3是从声音信号提取出的对数功率谱Log-Power Spectrogram的示意图；
图4是所述基于分形特征和捕食者算法的泵机设备故障声音检测系统的结构框图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1，本发明实施例包括：
一种基于分形特征和捕食者算法的泵机设备故障声音检测方法，包括以下步骤：
S1：利用声音采集器对泵机故障进行声音信号采集；
优选的，所述声音采集器采用声音传感器、声音拾音器、采集卡等进行泵机声音信号的采集，然后存入云平台。
S2：对声音信号进行降噪、预处理；
实验和现场采集到的声音信号不可避免地会有噪声干扰，使用小波变换进行去噪。含噪声信号的模型为：
s(i)＝f(i)+σe(i) (2.1)
f(i)为真实信号，e(i)为噪声，σ为噪声强度，s(i)为含噪声的信号。通常有用信号为低频信号，而噪声为高频信号。
小波变换在高频段的频率分辨率较差，而在低频段的时间分辨率较差。优选的，本示例使用小波包变换，小波包变换是一种比小波变换更加精细的分析方法，其对信号的频带进行多层次划分，进一步分解了小波变换未能细分的高频部分，除此之外，小波包变换还可以根据信号的特征，自适应地选择了与信号频谱相匹配的频带，使得信号的时频分辨率得到了极大的提高，如图2所示。
首先对信号进行小波分解，将信号S分解为低频部分CA1和高频部分CD1，再对低频部分CA1作二层分解，分解为低频(CA2)和高频(CD2)两部分，噪声部分通常包含在CD1，CD2，CD3中，可通过作用阈值的方法对小波系数处理，然后对信号s(i)进行重构即可以达到降噪的目的。
S3：对降噪后的声音信号进行声音特征和分形特征提取；
将去噪后的声音信号进行分帧、加窗等处理，提取时域、频域和时频域特征，得到以特征值向量组成的标准样本集；其中，
常用时域特征：短时能量STE、短时过零率ZCR、短时自相关函数ACF；
常用频域特征：线性预测倒谱系数LPCC、对数功率谱LPS(Log-PowerSpectrogram，如图3所示)、梅尔频率倒谱系数MFCC、基频等。
优选的，使用MF-DMA方法对去噪后的声音序列提取分形特征，x(i)为去噪后的声音信号，其具体步骤如下：
S301：构建累积和序列
其中，x(i)为去噪后的声音信号，M为序列长度；
S302：计算移动窗口中的滑动平均函数
n为窗口尺寸，
为不大于x的最大整数，
为不小于x的最小整数，θ∈[0,1]为位置参数用来指定滑动窗口的位置。一般来说，滑动平均函数考虑过去的
个点和未来的
个点。
S303：通过移除滑动平均函数
对序列y(i)进行去趋势，使用公式(3.3)得到残差序列ε(i)，
此处，
S304：将序列ε(i)划分为Nn个不重叠的子序列，每个子序列长度均为n，
ε(i)在每个子序列中被记为εv(v＝1,L,Mn)，例如，εv(i)＝ε(l+i)，1≤i≤n。通过公式(3.4)计算波动函数Fv(n)，其被认为是关于n的函数，
S305：通过公式(3.5)计算q阶平均波动函数，
当q≠0时，使用上式计算，当q＝0时，使用公式(2.6)来计算。
S306：改变子段长度n的值，若存在如下的幂律关系，则尺度满足公式(3.7)
Fq(n)～nh(q) (3.7)
根据多重分形理论，得到Renyi指数τ(q)：
τ(q)＝qh(q)-1 (3.8)
通过Legendre变换，可以得到
指数α(q)和奇异谱函数f(α)，其表示如下：
α(q)＝h(q)+qh′(q) (3.9)
f(α)＝q[α(q)-h(q)]+1 (3.10)
h′(q)表示h(q)关于q的导数，
指数α(q)表示奇异性的强度，f(α)表示奇异指数为α的分形集的Hausdorff维数。
使用α0，h(q)，τ(q)，Δα，Δf作为声音信号的分形特征。
S4：构建基于猎食者优化算法的SVM泵机设备故障诊断模型，使用改进的猎食者优化算法优化SVM中的参数，提高算法的准确率。
S401：置算法相关参数；并初始化种群：
猎食者种群在搜索范围内随机初始化位置。
xi＝rand(1，d)，*(ub-lb)+lb，0＜i≤N (4.1)
xi是猎食的位置，lb是问题变量的最小值(下界)，ub是问题变量的最大值(上界)，d是问题变量的数量(维度)，由于采用的是双种群机制，因此，N为种群个数的一半。问题变量为故障检测的具体问题。
为了扩大解的搜索范围，引入反向竞争的思想：
设x∈[lb，ub]为一个实数，则它所对应的全局反向数被定义为：
通过上述操作得到2N个初始解。
S402：计算适应度值，并记录最优位置：
为了提高解的收敛速度，采用双种群机制，对种群划分为两个子种群，分别采用不同的搜索策略进行进化：
xij(t+1)＝xij(t)+C(Ppos-xij(t))，0＜i≤N (4.3)
xij(t+1)＝xij(t)+(1-C)(μj-xij(t))，N+1≤i≤2N (4.4)
公式(4.3)的探索能力较强，公式(4.4)的开发能力较强。
对于猎食者的搜索机制，式(4.3)-(4.4)给出了其数学模型：
其中，x(t)是当前猎食者位置，x(t+1)是猎食者的下一次迭代位置，i指的是第i个个体，j是个体向量的第j维，Ppos是猎物的位置，μ是所有位置的平均值，C是步长，其值在迭代过程中从1减小到0.02，计算如下：
其中，it是当前迭代次数，MaxIt是最大迭代次数。
计算猎物的位置Ppos，首先根据式(4.6)计算所有位置的平均值(μ)，然后计算每个搜索个体与该平均位置的距离。
根据式(4.7)计算欧几里得距离：
根据狩猎场景，当猎食者捕获猎物时，猎物会死亡，而下一次，猎食者会移动到新的猎物位置。因此，引入一种递减机制，如式(4.8)所示：
kbest＝round(C×2N)(4.8)
其中2N是种群的个数。将猎物的位置计算为式(4.9)：
在算法开始时，kbest的值等于N。最后一个距离搜索个体的平均位置(μ)最远的搜索个体被选择为猎物，并被猎食者捕获。假设最佳安全位置是最佳全局位置，因为这将使猎物有更好的生存机会，猎食者可能会选择另一个猎物。式(4.10)用于更新猎物位置：
xij(t+1)＝Tpos(j)+rij(t)(Tpos-xij(t)) (4.10)
其中，x(t)是当前猎物位置，x(t+1)是猎物的下一次迭代位置；Tpos是全局最优位置。
S403：根据式(4.11)对猎食者或猎物位置进行更新：
为了选择猎食者和猎物，结合式(4.3)和(4.4)、(4.10)提出了式(4.11)：
其中，rij是[0,1]范围内的随机数，α是一个调节参数。
S404：判断是否满足停止条件，如果满足则输出最优解，否则重复步骤S402-S403。使用优化后的捕食者算法优化支持向量机的参数，进而实现泵机设备故障诊断。
支持向量机中的非线性变换问题是由核函数解决的，它把原本应该在高维特征空间中的计算在输入空间就完成了，即用原空间的函数来实现变换空间中的点积。这样，支持向量机由训练样本集和核函数确定，只要选择合适的核函数就可以得到高维空间的分类函数，因此，采用不同的核函数就可以实现输入空间中不同类型的非线性决策面的学习机，构造不同的支持向量算法。
向量机模型可以获得更好的分类能力和泛化能力。其中径向基(RBF)核函数具有良好的性能和较强的学习能力，因此采用RBF函数作为核函数，其表达式为：
K(yi，yj)＝exp(-γ||yi，yj||2)
针对支持向量机中的惩罚因子C以及和核函数中的γ进行优化，能够达到较好的效果，因此，使用改进的捕食者算法优化参数(C，γ)。
目标函数定义为故障识别准确率F：
F＝1/f,
其中m是样本个数，yj是第i个样本的真实值，y′j是预测值。
使用DCASE 2020挑战任务2数据集中的pump数据集进行算法验证，其中，ID为泵机编号，其结果为：
表1
从表1中可以看出，采用基于捕食者算法的支持向量机进行故障诊断，其准确率是最高的。
本发明实施例中，参阅图4，还提供一种基于分形特征和捕食者算法的泵机设备故障声音检测系统，包括：
声音信号采集模块，用于利用声音采集器对泵机故障进行声音信号采集；
声音信号预处理模块，用于对声音信号进行降噪、预处理；
声音信号特征提取模块，用于对降噪后的声音信号进行声音特征和分形特征提取；
泵机设备故障诊断模型构建模块，用于构建基于猎食者优化算法的SVM泵机设备故障诊断模型，并使用改进的猎食者优化算法优化SVM中的参数。
其中，所述声音信号预处理模块对声音信号进行降噪的方法采用小波变换或小波包变换。
其中，所述声音信号特征提取模块对降噪后的声音信号进行声音特征提取的具体步骤包括：
将去噪后的声音信号进行分帧、加窗处理，提取时域、频域特征。
其中，所述声音信号特征提取模块对降噪后的声音信号进行分形特征提取的方法采用MF-DMA方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，包括以下步骤：
S1：利用声音采集器对泵机故障进行声音信号采集；
S2：对声音信号进行降噪、预处理；
S3：对降噪后的声音信号进行声音特征和分形特征提取；
S4：构建基于猎食者优化算法的SVM泵机设备故障诊断模型，使用改进的猎食者优化算法优化SVM中的参数。
2.根据权利要求1所述的基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，在步骤S2中，对声音信号进行降噪的方法采用小波变换或小波包变换。
3.根据权利要求1所述的基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，在步骤S3中，对降噪后的声音信号进行声音特征提取的具体步骤包括：
将去噪后的声音信号进行分帧、加窗处理，提取时域、频域特征。
4.根据权利要求3所述的基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，所述时域特征包括短时能量STE、短时过零率ZCR、短时自相关函数ACF；
所述频域特征包括线性预测倒谱系数LPCC、对数功率谱LPS、梅尔频率倒谱系数MFCC、基频。
5.根据权利要求1所述的基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，在步骤S3中，对降噪后的声音信号进行分形特征提取的方法采用MF-DMA方法，具体步骤包括：
S301：构建累积和序列
其中，x(i)为去噪后的声音信号，M为序列长度；
S302：计算移动窗口中的滑动平均函数y～(t)
n为窗口尺寸，
为不大于x的最大整数，
为不小于x的最小整数，θ∈[0,1]为位置参数，用来指定滑动窗口的位置；
S303：通过移除滑动平均函数y～(i)对序列y(i)进行去趋势，使用公式(3.2)得到残差序列ε(i)，
此处，
S304：将序列ε(i)划分为Nn个不重叠的子序列，每个子序列长度均为n，
ε(i)在每个子序列中被记为εv(v＝1,L,Mn)；通过公式(3.4)计算波动函数Fv(n)；
S305：通过公式(3.5)计算q阶平均波动函数，
当q≠0时，使用上式计算，当q＝0时，使用公式(3.6)来计算；
S306：改变子段长度n的值，若存在如下的幂律关系，则尺度满足公式(3.7)
Fq(n)～nh(q) (3.7)
根据多重分形理论，得到Renyi指数τ(q)：
τ(q)＝qh(q)-1 (3.8)
通过Legendre变换，得到
指数α(q)和奇异谱函数f(α)，其表示如下：
α(q)＝h(q)+qh'(q) (3.9)
f(α)＝q[α(q)-h(q)]+1 (3.10)
h'(q)表示h(q)关于q的导数，
指数α(q)表示奇异性的强度，f(α)表示奇异指数为α的分形集的Hausdorff维数；
使用α0，h(q)，τ(q),Δα,Δf作为声音信号的分形特征。
6.根据权利要求1所述的基于分形特征和捕食者算法的泵机设备故障声音检测方法，其特征在于，在步骤S4中，所述改进的猎食者优化算法包括以下步骤：
S401：设置算法相关参数；并初始化种群：
猎食者种群在搜索范围内随机初始化位置：
xi＝rand(1，d).*(ub-lb)+lb，0＜i≤N (4.1)
其中，xi是猎食的位置，lb是问题变量的最小值，ub是问题变量的最大值，d是问题变量的数量，N为种群个数的一半；
同时引入反向竞争的思想：设x∈[lb，ub]为一个实数，则它所对应的全局反向数被定义为：
通过上述操作得到2N个初始解；
S402：计算适应度值，并记录最优位置：
对种群划分为两个子种群，分别采用以下两种搜索策略进行进化：
xij(t+1)＝xij(t)+C(Ppos-xij(t))，0＜i≤N (4.3)
xij(t+1)＝xij(t)+(1-C)(μj-xij(t))，N+1≤i≤2N (4.4)
其中，x(t)是当前猎食者位置，x(t+1)是猎食者的下一次迭代位置，i指的是第i个个体，j是个体向量的第j维，Ppos是猎物的位置，μ是所有位置的平均值，C是步长，其值在迭代过程中从1减小到0.02，计算如下：
其中，it是当前迭代次数，MaxIt是最大迭代次数；
计算猎物的位置Ppos，以便首先根据式(4.6)计算所有位置的平均值(μ)，然后计算每个搜索个体与该平均位置的距离。
根据式(4.7)计算欧几里得距离：
引入一种递减机制，如式(4.8)所示：
kbest＝round(C×2N) (4.8)
其中2N是种群的个数；将猎物的位置计算为式(4.9)：
式(4.10)用于更新猎物位置：
xij(t+1)＝Tpos(j)+rij(t)(Tpos-xij(t)) (4.10)
其中，x(t)是当前猎物位置，x(t+1)是猎物的下一次迭代位置；Tpos是全局最优位置；
S403：根据式(4.11)对猎食者或猎物位置进行更新：
其中，rij是[0，1]范围内的随机数，α是一个调节参数；
S404：判断是否满足停止条件，如果满足则输出最优解，否则重复步骤S402-S403，使用优化后的捕食者算法优化支持向量机的参数，进而实现泵机设备故障诊断。
7.一种基于分形特征和捕食者算法的泵机设备故障声音检测系统，其特征在于，包括：
声音信号采集模块，用于利用声音采集器对泵机故障进行声音信号采集；
声音信号预处理模块，用于对声音信号进行降噪、预处理；
声音信号特征提取模块，用于对降噪后的声音信号进行声音特征和分形特征提取；
泵机设备故障诊断模型构建模块，用于构建基于猎食者优化算法的SVM泵机设备故障诊断模型，并使用改进的猎食者优化算法优化SVM中的参数。
8.根据权利要求7所述的基于分形特征和捕食者算法的泵机设备故障声音检测系统，其特征在于，所述声音信号预处理模块对声音信号进行降噪的方法采用小波变换或小波包变换。
9.根据权利要求7所述的基于分形特征和捕食者算法的泵机设备故障声音检测系统，其特征在于，所述声音信号特征提取模块对降噪后的声音信号进行声音特征提取的具体步骤包括：
将去噪后的声音信号进行分帧、加窗处理，提取时域、频域特征。
10.根据权利要求7所述的基于分形特征和捕食者算法的泵机设备故障声音检测系统，其特征在于，所述声音信号特征提取模块对降噪后的声音信号进行分形特征提取的方法采用MF-DMA方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789258.9A CN115310477A (zh) | 2022-07-06 | 2022-07-06 | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789258.9A CN115310477A (zh) | 2022-07-06 | 2022-07-06 | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115310477A true CN115310477A (zh) | 2022-11-08 |
Family
ID=83857752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210789258.9A Pending CN115310477A (zh) | 2022-07-06 | 2022-07-06 | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115310477A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116223955A (zh) * | 2023-03-10 | 2023-06-06 | 华北电力大学（保定） | 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 |
| CN117232644A (zh) * | 2023-11-13 | 2023-12-15 | 国网吉林省电力有限公司辽源供电公司 | 一种基于声学原理的变压器声音监测故障诊断方法及系统 |
-
2022
- 2022-07-06 CN CN202210789258.9A patent/CN115310477A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116223955A (zh) * | 2023-03-10 | 2023-06-06 | 华北电力大学（保定） | 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 |
| CN116223955B (zh) * | 2023-03-10 | 2024-10-08 | 华北电力大学（保定） | 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 |
| CN117232644A (zh) * | 2023-11-13 | 2023-12-15 | 国网吉林省电力有限公司辽源供电公司 | 一种基于声学原理的变压器声音监测故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10672414B2 (en) | Systems, methods, and computer-readable media for improved real-time audio processing | |
| CN108648748B (zh) | 医院噪声环境下的声学事件检测方法 | |
| CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
| Purushotham et al. | Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition | |
| CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| CN113537102B (zh) | 一种微震信号的特征提取方法 | |
| Hwang et al. | Application of cepstrum and neural network to bearing fault detection | |
| Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
| CN111160106A (zh) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 | |
| CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
| CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
| Yao et al. | A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition | |
| Atmani et al. | Enhancement in bearing fault classification parameters using Gaussian mixture models and Mel frequency cepstral coefficients features | |
| CN118016055A (zh) | 基于双向长短期记忆网络和多头注意力机制的心音分类方法 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
| CN113447287A (zh) | 异常检测装置和方法 | |
| CN117457031A (zh) | 基于语音全局声学特征和局部频谱特征的情绪识别方法 | |
| Singh et al. | Novel feature extraction algorithm using DWT and temporal statistical techniques for word dependent speaker’s recognition | |
| CN116680556A (zh) | 一种水泵机组振动信号特征提取与状态识别方法 | |
| CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
| Hashimoto et al. | Detection of car abnormal vibration using machine learning | |
| CN106782550A (zh) | 一种基于dsp芯片的自动语音识别系统 |
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 |