CN115467787A - 一种基于音频分析的电机状态检测系统及方法 - Google Patents
一种基于音频分析的电机状态检测系统及方法 Download PDFInfo
- Publication number
- CN115467787A CN115467787A CN202211013972.5A CN202211013972A CN115467787A CN 115467787 A CN115467787 A CN 115467787A CN 202211013972 A CN202211013972 A CN 202211013972A CN 115467787 A CN115467787 A CN 115467787A
- Authority
- CN
- China
- Prior art keywords
- motor
- audio
- signal
- segment
- neural network
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 230000005236 sound signal Effects 0.000 claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000001035 drying Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- 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
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种基于音频分析的电机状态检测系统及方法，系统包括：音频采集器模块，用于采集音频信号；检测服务器模块，用于通过音频信号，判断电机是否存在故障；方法包括：采集电机在运行中的具有第一时间戳的第一音频信号；将第一音频信号，分成若干段具有第二时间戳的第一音频片段；对第一音频片段进行去燥处理后，通过基于短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号，并且分出包括声音信号的第一有效片段；构建用于识别电机的不同工作状态的卷积神经网络模型，对第一有效片段进行特征识别，判断电机是否存在故障，本发明在降低检测设备成本的同时，生成了一种及时、准确、高效的电机故障检测方案。
Description
技术领域
本发明涉及新能源设备故障检测领域，尤其涉及一种基于音频分析的电机状态检测系统及方法。
背景技术
如今，随着环境污染和能源不足等问题日益严重，发展绿色能源得到了国家的大力扶持。其中电机是新能源的核心。但是由于电机工作在广泛的地区，周围恶劣的环境会造成电机的损伤。在正常状态下，电机工作时的转速在8rpm——16rpm之间，电机在转动过程中，在转过固定角度时与空气摩擦会产生明显声音信号，转子轮流划过会产生周期性的音频信号。当电机出现故障时，通常会伴随着出现周期性的异响，反应在频谱图上，可能会出现一些较明显的异常特征，基于电机不同工作状态下的特征进行建模，就能够实现电机的故障检测。因此需要一个基于音频分析的电机工作状态检测系统，及时发现电机工作异常，保证电机稳定运行。
一个基于音频分析的电机工作状态检测系统由三个部分组成：音频采集装置、音频预处理模块和检测模型。在实际操作中，包含四个阶段：音频采集阶段、音频预处理阶段、模型训练阶段和测试阶段。
考虑到现实场景下复杂的自然环境和不确定因素，一个基于音频分析的电机工作状态检测系统应满足以下要求：(1)降低噪声干扰。发电机持续存在较强的干扰背景噪声，如：塔筒内部变流器声音、塔筒外部变流器散热风扇声音、箱式变压器及其散热风扇声音等。此外，风场周围的人畜活动也会造成干扰，需要将这些声音和目标音频部分准确的分离开。(2)泛化性强。因为不同天气下和电机不同工作状态下的噪声的不确定因素，需要设计一个稳定的音频处理方案，对于不同情况下的音频均具有较好的识别效果。(3)准确性。电机正常情况还分为多种状态，包括偏航、变桨等，需要提取能有效区分不同状态的特征，减少误判，提高电机状态检测的准确性。
显然，设计一个基于音频分析的电机工作状态检测系统是一项重要的任务。目前已有的基于震动分析、无人机检测、红外成像等多种电机检测技术，在经济性、可靠性和及时性等方面尚受到很大制约，因此，急需一种基于音频分析的电机状态检测系统及方法，用于及早检测到电机故障并具有较高准确率，进而解决现有技术中存在的问题。
发明内容
针对现有技术中存在的问题，本发明的目的是提供一种基于音频分析的电机状态检测系统及方法，在降低设备成本的同时，提供一种及时、准确、高效的电机故障检测方案。
为了实现上述技术目的，本发明提供了一种基于音频分析的电机状态检测系统，包括：
音频采集器模块，用于采集电机在运行中的音频信号；
检测服务器模块，用于通过自适应滤波器对音频信号进行预处理后，基于短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号，并切分出有效片段；通过构建用于识别电机的不同工作状态的卷积神经网络模型，对有效片段进行进行识别，判断电机是否存在故障。
优选地，检测服务器模块包括：
信号分割单元，用于根据音频信号的时长，分成若干段具有相同时长的音频片段，其中，每段音频片段包括有效片段；
预处理单元，用于通过自适应滤波器，对音频片段进行去燥处理；
定位单元，用于对去燥后的音频片段，通过短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号；
信号切分单元，用于根据声音信号，将去燥后的音频片段进行切分，获取具有声音信号的有效片段，并得到有效片段对应的频谱图；
检测单元，用于基于卷积神经网络模型，对频谱图进行特征提取并识别，根据识别结果，判断电机是否存在故障，其中，当电机存在故障，则生成故障信号；
报警单元，用于根据故障信号生成具有故障定位信息的报警信号，其中，报警信号用于传输到与电机状态检测系统具有数据交互关系的智能设备中和/或与检测服务器模块具有数据交互关系的报警装置中。
本发明公开了一种基于音频分析的电机状态检测方法，包括以下步骤：采集电机在运行中的具有第一时间戳的第一音频信号；
基于第一时间戳，将第一音频信号，分成若干段具有第二时间戳的第一音频片段；
对第一音频片段进行去燥处理后，通过基于短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号，并且分出包括声音信号的第一有效片段；
构建用于识别电机的不同工作状态的卷积神经网络模型，对第一有效片段进行特征识别，判断电机是否存在故障。
优选地，采集电机在运行中的具有第二时间戳的第二音频信号，并获取第二有效片段；
基于卷积神经网络模型，对第二有效片段进行特征识别，判断电机是否存在故障。
优选地，采集电机在运行中的具有第一时间戳的第一音频信号；
基于第一时间戳，将第一音频信号，分成若干段具有第三时间戳的第三音频片段；
对第三音频片段进行去燥处理后，通过端点检测算法，定位电机与空气摩擦产生的声音信号，并且分出包括声音信号的第三有效片段；
构建用于识别电机的不同工作状态的卷积神经网络模型，对第三有效片段进行特征识别，判断电机是否存在故障。
优选地，根据第二有效片段的第一识别结果，和/或，第三有效片段的第二识别结果，验证卷积神经网络模型的识别准确性。
优选地，基于第一识别结果对应的第一特征识别过程，和/或，第二识别结果对应的第二特征识别过程，更新卷积神经网络模型。
优选地，在将音频信号分成若干段音频片段的过程中，每段音频片段包括电机与空气摩擦产生的声音信号。
优选地，在对音频片段进行去燥处理的过程中，采用自适应滤波器对音频信号进行降噪处理，其中，降噪处理的过程包括以下步骤：
初始化k个滤波器系数，根据输入信号x(n)计算输出信号y(n)＝wT(n)x(n)；
依据输出信号y(n)和目标信号d(n)计算误差e(n)＝d(n)-y(n)；
使用LMS算法更新滤波器系数w(n+1)＝w(n)+2μe(n)x(n)；
循环计算上面三步，使y(n)无限逼近d(n)的过程，即误差e(n)越来越小。
优选地，在构建卷积神经网络模型的过程中，基于卷积神经网络，通过获取电机的不同工作状态下的音频信号的第一频谱图，进行训练，构建卷积神经网络模型，其中，使用短时傅里叶变换得到第一频谱图；
使用短时傅里叶变换，获取具有声音信号的有效片段的第二频谱图；
将第二频谱图进行归一化后，通过卷积神经网络模型进行识别，判断电机是否存在故障。
本发明公开了以下技术效果：
本发明通过观察电机的信号特征，实现自动识别并切分出只含有电机音频的有效片段，只针对有效片段处理，增强特征，排除干扰。本发明还引用了卷积神经网络作为提取有效音频片段语谱图特征的部分，显著降低了计算特征值的计算成本，并且结果显示，本发明很高的特征识别的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的结构示意图；
图2为本发明所述的整体流程图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-2所示，本发明提供了一种基于音频分析的电机状态检测系统，包括：
音频采集器模块，用于采集电机在运行中的音频信号；
检测服务器模块，用于通过自适应滤波器对音频信号进行预处理后，基于短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号，并切分出有效片段；通过构建用于识别电机的不同工作状态的卷积神经网络模型，对有效片段进行进行识别，判断电机是否存在故障。
进一步优选地，本发明提到的检测服务器模块包括：
信号分割单元，用于根据音频信号的时长，分成若干段具有相同时长的音频片段，其中，每段音频片段包括有效片段；
预处理单元，用于通过自适应滤波器，对音频片段进行去燥处理；
定位单元，用于对去燥后的音频片段，通过短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号；
信号切分单元，用于根据声音信号，将去燥后的音频片段进行切分，获取具有声音信号的有效片段，并得到有效片段对应的频谱图；
检测单元，用于基于卷积神经网络模型，对频谱图进行特征提取并识别，根据识别结果，判断电机是否存在故障，其中，当电机存在故障，则生成故障信号；
报警单元，用于根据故障信号生成具有故障定位信息的报警信号，其中，报警信号用于传输到与电机状态检测系统具有数据交互关系的智能设备中和/或与检测服务器模块具有数据交互关系的报警装置中。
本发明还公开了一种基于音频分析的电机状态检测方法，包括以下步骤：采集电机在运行中的具有第一时间戳的第一音频信号；
基于第一时间戳，将第一音频信号，分成若干段具有第二时间戳的第一音频片段；
对第一音频片段进行去燥处理后，通过基于短时能量和过零率双门限的端点检测算法，定位电机与空气摩擦产生的声音信号，并且分出包括声音信号的第一有效片段；
构建用于识别电机的不同工作状态的卷积神经网络模型，对第一有效片段进行特征识别，判断电机是否存在故障。
进一步优选地，本发明提到的电机状态检测方法中，通过采集电机在运行中的具有第二时间戳的第二音频信号，并获取第二有效片段；
基于卷积神经网络模型，对第二有效片段进行特征识别，判断电机是否存在故障。
进一步优选地，本发明提到的电机状态检测方法中，通过采集电机在运行中的具有第一时间戳的第一音频信号；
基于第一时间戳，将第一音频信号，分成若干段具有第三时间戳的第三音频片段；
对第三音频片段进行去燥处理后，通过端点检测算法，定位电机与空气摩擦产生的声音信号，并且分出包括声音信号的第三有效片段；
构建用于识别电机的不同工作状态的卷积神经网络模型，对第三有效片段进行特征识别，判断电机是否存在故障。
进一步优选地，本发明提到的电机状态检测方法，本发明根据第二有效片段的第一识别结果，和/或，第三有效片段的第二识别结果，验证卷积神经网络模型的识别准确性。
进一步优选地，本发明提到的电机状态检测方法，本发明基于第一识别结果对应的第一特征识别过程，和/或，第二识别结果对应的第二特征识别过程，更新卷积神经网络模型。
进一步优选地，本发明提到的电机状态检测方法提到的将音频信号分成若干段音频片段的过程中，本发明提到的每段音频片段包括电机与空气摩擦产生的声音信号。
进一步优选地，本发明提到的电机状态检测方法中，提到的对音频片段进行去燥处理的过程中，本发明采用了自适应滤波器对音频信号进行降噪处理，其中，本发明提到的降噪处理的过程包括以下步骤：
初始化k个滤波器系数，根据输入信号x(n)计算输出信号y(n)＝wT(n)x(n)；
依据输出信号y(n)和目标信号d(n)计算误差e(n)＝d(n)-y(n)；
使用LMS算法更新滤波器系数w(n+1)＝w(n)+2μe(n)x(n)；
循环计算上面三步，使y(n)无限逼近d(n)的过程，即误差e(n)越来越小。
进一步优选地，本发明提到的电机状态检测方法中，提到的构建卷积神经网络模型的过程中，本发明基于卷积神经网络，通过获取电机的不同工作状态下的音频信号的第一频谱图，进行训练，构建卷积神经网络模型，其中，使用短时傅里叶变换得到第一频谱图；
使用短时傅里叶变换，获取具有声音信号的有效片段的第二频谱图；
将第二频谱图进行归一化后，通过卷积神经网络模型进行识别，判断电机是否存在故障。
实施例1：本发明提供的基于音频分析的电机状态检测系统及方法，具体包括以下特征：
如图1是电机状态检测系统结构示意图，涉及三个实体：音频采集器、检测服务器和报警装置，音频采集器按采样频率为20KHZ进行采样，音频文件为每3分钟时长一个文件进行保存。服务器对输入音频进行一系列预处理，首先将得到的音频先分隔成8s一段，保证每段都包含有效片段，然后将音频进行去噪处理，使用音频端点检测算法，定位电机与空气摩擦产生的声音信号，切分出有效片段，并得到其对应的频谱图，然后使用部署在服务器上的检测模型，对频谱图做提取特征并分类，判断电机此时是否存在故障，如果电机工作状态判别为故障，则触发报警装置。
如图2所示，本发明包含四大部分内容：音频采集阶段、音频预处理阶段、模型训练阶段和测试阶段。
(1)音频采集阶段：电机在转动过程中，在转过固定角度时与空气摩擦会产生明显声音信号，转子轮流划过会产生周期性的音频信号，用户将电机工作时的音频信号采集下来。
(2)音频预处理阶段：用户采集的音频经过去噪处理后，使用音频端点检测算法，定位电机与空气摩擦产生的声音信号，切分出有效片段。
(3)模型训练阶段：针对不同工作状态下的电机(包括变桨、偏航、散热、出现哨音等状态)，根据对应音频信号的语谱特征图，训练一个能对电机工作状态进行分类的神经网络。
(4)测试阶段：输入采集的音频信号，按照(2)做预处理，然后生成有效片段的频谱图，使用训练好的模型判断此时电机的工作状态，判断电机是否存在故障。
如图2所示，音频采集阶段中音频信号的采集，具体步骤如下：
步骤1在电机底部，距离电机的塔筒10厘米左右有高约1.8厘米的栅栏存在；音频采集器使用防风毛套包裹，使用扎带固定于栅栏之上；
步骤2：音频采集器的采样频率为20KHz，音频文件为每3分钟时长一个文件进行保存；
步骤3：分别收集不同状态下的电机工作音频。
如图2所示的音频预处理阶段，实现了采用自适应滤波器对原始音频信号的降噪处理，以下是步骤说明：
(1)步骤101：初始化k个滤波器系数，根据输入信号x(n)计算输出信号y(n)＝wT(n)x(n)；
(2)步骤102：依据输出信号y(n)和目标信号d(n)计算误差e(n)＝d(n)-y(n)；
(3)步骤103：使用LMS(最小均方误差)算法更新滤波器系数w(n+1)＝w(n)+2μe(n)x(n)；
(4)步骤104：循环计算上面三步，使y(n)无限逼近d(n)的过程，即误差e(n)越来越小。
如图2所示的音频预处理阶段，实现了采用基于短时能量和过零率双门限的端点检测算法，定位只含有音频的片段，以下是步骤说明：
(1)步骤111：语音信号x(n)进行分帧处理；
(2)步骤112：计算每一帧的短时能量，得到语音的短时帧能量
(3)步骤113：根据设置的三个阈值(短时能量低门限TL、高门限TH和过零率阈值ZCR)，确定目标信号片段；当某帧信号大于TL或者大于ZCR时，将该帧信号作为起点，如果在紧接着的一段自定义时长内，每一帧信号的短时能量都大于TH时，则认为这段信号是目标信号。
如图2所示的测试阶段，实现了使用训练好的神经网络模型对待检测的音频进行电机状态检测，以下是步骤说明：
(1)步骤121：将待检测的音频文件先分隔成8s一段，保证每段都包含有效片段；
(2)步骤122：使用构建的自适应滤波器进行音频降噪处理；
(3)步骤123：对每段音频使用端点检测算法，定位电机与空气摩擦产生的声音信号片段，将这部分有效片段切分出来；
(4)步骤124：使用短时傅里叶变换得到有效片段的频谱图，将频谱图归一化后送入已经训练的神经网络模型中提取特征并分类，判断电机此时是否存在异常。
如图2所示，模型训练阶段使用卷积神经网络模型，以得到的频谱图作为输入，训练一个音频分类器，具体步骤如下：
步骤1：将切分出的有效音频片段所对应的频谱图进行归一化处理，将处理后的频谱图及其所对应的标签作为训练集；
步骤2：使用卷积神经网络对训练集的频谱图进行特征提取和分类模型训练。
本发明通过观察电机的信号特征，实现自动识别并切分出只含有电机音频的有效片段，只针对有效片段处理，增强特征，排除干扰。本发明还引用了卷积神经网络作为提取有效音频片段语谱图特征的部分，显著降低了计算特征值的计算成本，并且结果显示，本发明很高的特征识别的准确性和效率。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
Claims (10)
1.一种基于音频分析的电机状态检测系统，其特征在于，包括：
音频采集器模块，用于采集电机在运行中的音频信号；
检测服务器模块，用于通过自适应滤波器对所述音频信号进行预处理后，基于短时能量和过零率双门限的端点检测算法，定位所述电机与空气摩擦产生的声音信号，并切分出有效片段；通过构建用于识别所述电机的不同工作状态的卷积神经网络模型，对所述有效片段进行进行识别，判断所述电机是否存在故障。
2.根据权利要求1所述一种基于音频分析的电机状态检测系统，其特征在于：
所述检测服务器模块包括：
信号分割单元，用于根据所述音频信号的时长，分成若干段具有相同时长的音频片段，其中，每段所述音频片段包括所述有效片段；
预处理单元，用于通过所述自适应滤波器，对所述音频片段进行去燥处理；
定位单元，用于对去燥后的所述音频片段，通过短时能量和过零率双门限的所述端点检测算法，定位所述电机与空气摩擦产生的所述声音信号；
信号切分单元，用于根据所述声音信号，将去燥后的所述音频片段进行切分，获取具有所述声音信号的所述有效片段，并得到所述有效片段对应的频谱图；
检测单元，用于基于所述卷积神经网络模型，对所述频谱图进行特征提取并识别，根据识别结果，判断所述电机是否存在故障，其中，当所述电机存在故障，则生成故障信号；
报警单元，用于根据所述故障信号生成具有故障定位信息的报警信号，其中，所述报警信号用于传输到与所述电机状态检测系统具有数据交互关系的智能设备中和/或与所述检测服务器模块具有数据交互关系的报警装置中。
3.一种基于音频分析的电机状态检测方法，其特征在于，包括以下步骤：
采集电机在运行中的具有第一时间戳的第一音频信号；
基于所述第一时间戳，将所述第一音频信号，分成若干段具有第二时间戳的第一音频片段；
对所述第一音频片段进行去燥处理后，通过基于短时能量和过零率双门限的端点检测算法，定位所述电机与空气摩擦产生的声音信号，并且分出包括所述声音信号的第一有效片段；
构建用于识别所述电机的不同工作状态的卷积神经网络模型，对所述第一有效片段进行特征识别，判断所述电机是否存在故障。
4.根据权利要求3所述一种基于音频分析的电机状态检测方法，其特征在于：
采集所述电机在运行中的具有所述第二时间戳的第二音频信号，并获取第二有效片段；
基于所述卷积神经网络模型，对所述第二有效片段进行特征识别，判断所述电机是否存在故障。
5.根据权利要求4所述一种基于音频分析的电机状态检测方法，其特征在于：
采集电机在运行中的具有第一时间戳的第一音频信号；
基于所述第一时间戳，将所述第一音频信号，分成若干段具有第三时间戳的第三音频片段；
对所述第三音频片段进行去燥处理后，通过端点检测算法，定位所述电机与空气摩擦产生的声音信号，并且分出包括所述声音信号的第三有效片段；
构建用于识别所述电机的不同工作状态的卷积神经网络模型，对所述第三有效片段进行特征识别，判断所述电机是否存在故障。
6.根据权利要求5所述一种基于音频分析的电机状态检测方法，其特征在于：
根据所述第二有效片段的第一识别结果，和/或，所述第三有效片段的第二识别结果，验证所述卷积神经网络模型的识别准确性。
7.根据权利要求6所述一种基于音频分析的电机状态检测方法，其特征在于：
基于所述第一识别结果对应的第一特征识别过程，和/或，所述第二识别结果对应的第二特征识别过程，更新所述卷积神经网络模型。
8.根据权利要求7所述一种基于音频分析的电机状态检测方法，其特征在于：
在将音频信号分成若干段音频片段的过程中，每段所述音频片段包括所述电机与空气摩擦产生的所述声音信号。
9.根据权利要求8所述一种基于音频分析的电机状态检测方法，其特征在于：
在对音频片段进行去燥处理的过程中，采用自适应滤波器对音频信号进行降噪处理，其中，降噪处理的过程包括以下步骤：
初始化k个滤波器系数，根据输入信号x(n)计算输出信号y(n)＝wT(n)x(n)；
依据输出信号y(nn)和目标信号d(n)计算误差e(n)＝d(n)-y(n)；
使用LMS算法更新滤波器系数w(n+1)＝w(n)+2μe(n)x(n)；
循环计算上面三步，使y(n)无限逼近d(n)的过程，即误差e(n)越来越小。
10.根据权利要求9所述一种基于音频分析的电机状态检测方法，其特征在于：
在构建卷积神经网络模型的过程中，基于卷积神经网络，通过获取所述电机的不同工作状态下的音频信号的第一频谱图，进行训练，构建所述卷积神经网络模型，其中，使用短时傅里叶变换得到所述第一频谱图；
使用短时傅里叶变换，获取具有所述声音信号的有效片段的第二频谱图；将所述第二频谱图进行归一化后，通过所述卷积神经网络模型进行识别，判断所述电机是否存在故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013972.5A CN115467787A (zh) | 2022-08-23 | 2022-08-23 | 一种基于音频分析的电机状态检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013972.5A CN115467787A (zh) | 2022-08-23 | 2022-08-23 | 一种基于音频分析的电机状态检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115467787A true CN115467787A (zh) | 2022-12-13 |
Family
ID=84368028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211013972.5A Withdrawn CN115467787A (zh) | 2022-08-23 | 2022-08-23 | 一种基于音频分析的电机状态检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115467787A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能（深圳）有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
| CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
-
2022
- 2022-08-23 CN CN202211013972.5A patent/CN115467787A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能（深圳）有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
| CN116520143B (zh) * | 2023-07-03 | 2023-09-12 | 利维智能（深圳）有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
| CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
| CN116577656B (zh) * | 2023-07-12 | 2023-09-15 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
| CN115467787A (zh) | 一种基于音频分析的电机状态检测系统及方法 | |
| CN111477250B (zh) | 音频场景识别方法、音频场景识别模型的训练方法和装置 | |
| Xie et al. | Acoustic classification of australian anurans using syllable features | |
| CN109817227B (zh) | 一种养殖场的异常声音监测方法和系统 | |
| CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
| CN112908344B (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN110988137A (zh) | 一种基于时频域特征的异音检测系统及方法 | |
| CN116705039A (zh) | 一种基于ai的电力设备声纹监测系统及方法 | |
| CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
| CN112782421B (zh) | 一种基于音频的转速识别方法 | |
| CN115510265A (zh) | 一种输电线路中杆塔的动物危害分布判定方法和系统 | |
| CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
| CN115862680A (zh) | 一种基于电机运行音频的故障检测方法及系统 | |
| CN116168727A (zh) | 一种变压器异常声音检测方法、系统、设备及存储介质 | |
| CN116206625A (zh) | 基于频谱与时间信息结合的自监督异常声音检测方法 | |
| EP4254261A1 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
| CN111755025A (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
| 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 | |
| CN114387991A (zh) | 用于识别野外环境音的音频数据处理方法、设备及介质 | |
| CN115935164A (zh) | 一种基于声音数据特征的数据中心设备故障检测方法 | |
| CN117789768A (zh) | 一种风机叶片异常声音监测方法、系统、设备及介质 | |
| CN115691509A (zh) | 一种适用于工业设备异常音检测的干扰识别方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221213 |