CN115662460B - 一种工业设备的异常音提取方法 - Google Patents
一种工业设备的异常音提取方法 Download PDFInfo
- Publication number
- CN115662460B CN115662460B CN202211703076.1A CN202211703076A CN115662460B CN 115662460 B CN115662460 B CN 115662460B CN 202211703076 A CN202211703076 A CN 202211703076A CN 115662460 B CN115662460 B CN 115662460B
- Authority
- CN
- China
- Prior art keywords
- abnormal sound
- industrial equipment
- noise
- equipment
- decomposition
- 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
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及声纹检测领域,具体涉及在声纹检测之前对声纹数据的预处理。本发明是通过以下技术方案得以实现的:一种工业设备的异常音提取方法,包含环境噪音分离步骤和固有噪音分离步骤,在所述环境噪音分离步骤和所述固有噪音分离步骤都完成后,再执行设备异常音计算步骤;在工业设备内布置内麦克风,在工业设备外布置外麦克风;将内麦克风提取到的数据信号S,减去所述固有噪音b和所述环境噪音e,即得到设备异常音c;本发明的目的是提供一种工业设备的异常音提取方法,对工业设备运行过程中的声纹信号进行识别和分析,对不同种类的干扰音进行处理,提升设备异常音提取的纯净度。
Description
技术领域
本发明涉及声纹检测领域,具体涉及在声纹检测之前对声纹数据的预处理。
背景技术
工业设备,如大型制造设备、成型设备等商业用设备广泛应用于工厂、科研机构等场所,是其归属单位的重要物资。在这些工业设备使用过程中,需要对其健康程度进行日常监测,从而避免其由于故障而运转停止或引起的安全隐患。
在诸多健康检测手段中,相较于视频监控、管理员现场监控等方式,选用声纹监控,由于其硬件投入成本可控、节省人工劳力、监控范围广泛等优点成为如今的工业设备故障检测的重要手段之一。如公开号为CN 112513757 A的中国专利文件公开了一种用于监测工业设备的系统,其在工业设备附近设置了音频传感器,用于捕捉声纹信号。系统中还设置有计算装置,用于对声纹信号进行识别,将其中的非正常的声音标注为异常音,并与数据库中的故障异常音进行比对。
再如公开号为CN113593605 A 的中国专利文件公开的一种基于深度神经网络的工业音频故障监测系统和方法,在上文方案的基础上引入了神经网络,使得系统能通过智能算法的匹配,对故障的类型进行更好的识别,能通过自学习来节省软件工程人员的设置工作量。
然而在实际的工业设备所使用的工业环境中,环境复杂,捕捉到的声纹信号有着较多的干扰音,这也使得后续的声纹识别、故障检测存在着识别误差。而一旦故障无法准确识别,则会造成工业设备使用过程中的安全隐患。
发明内容
本发明的目的是提供一种工业设备的异常音提取方法,对工业设备运行过程中的声纹信号进行识别和分析,对不同种类的干扰音进行处理,提升设备异常音提取的纯净度,从而为后续的异常音识别和故障检测步骤提供良好的数据基础。
本发明是通过以下技术方案得以实现的:一种工业设备的异常音提取方法,其特
征在于,包含环境噪音分离步骤和固有噪音分离步骤,在所述环境噪音分离步骤和所述固
有噪音分离步骤都完成后,再执行设备异常音计算步骤; 在工业设备内布置内麦克风,在
工业设备外布置外麦克风; 所述环境噪音分离步骤包含如下子步骤: S11、设备关闭步骤;
将工业设备关闭; S12、内外信号采集步骤; 在工业设备关闭的情形下,内麦克风收集到的
数字信号为e测,外麦克风收到的数字信号为e’测; S13、噪声衰减率计算步骤; 计算噪声
衰减率,计算公式为:,其中,n为离散信号采样点的总个数,i为离
散信号采样点的编号; S14、环境噪音计算步骤; 打开工业设备使之正常使用,根据此时外
麦克风获取到的数字信号e’和上一步骤计算得到的噪声衰减率,计算得到环境噪音e,
公式为:,n为离散信号采样点编号, 所述固有噪音分离步骤包含如下
子步骤: S21、滤波范围确定步骤; 用户指定滤波范围,以设备工频fo为频率中心,上下选
择预设值形成所述滤波范围; S22、滤波步骤; 工业设备正常使用时,内麦克风捕捉到的数
据信号为S,将S通过梳状滤波器,滤波范围为上一步骤所确定,通过的信号为固有噪音b;
所述设备异常音计算步骤为,将内麦克风提取到的数据信号S,减去所述固有噪音b和所述
环境噪音e,即得到设备异常音c; ,n为离散信号采样点
编号。
作为本发明的优选, 在所述S21之前,先进行小波包分解步骤: 分解公式为: ,m为小波变换尺度,n为
时间延时,为S中编号为k的信号内容,为传递函数,*为取共轭,即为公式中的t,表示为传递函数的输入量;经过小波包分解后,一
个完整的S信号,被分解成多个数据小波包; 之后执行S21和S22步骤,在S22步骤后,执行小
波反变化步骤,将通过滤波的多个数据小波包,使用快速小波反变换,得到固有噪音b。
作为本发明的优选,在所述设备异常音计算步骤结束之后,还包含确认比较步骤;将设备异常音c、环境噪音e、固有噪音b三个信号通过频域分析,分别得到三者的频响曲线FR; 将设备异常音c的频响曲线FRc分别与环境噪音e、固有噪音b的频响曲线FRe和FRb进行比较,若相似程度小于预设阈值,则判定异常音提取正确。
作为本发明的优选,所述内麦克风和所述外麦克风的采样频率为11kHz或22kHz或44.1kHz或48kHz或96kHz。
作为本发明的优选,在所述小波包分解步骤中,分解频段被划分为高分解频段范围和非高分解频段范围,所述高分解频段范围使用的分解层数多于所述非高分解频段范围使用的分解层数。
作为本发明的优选,所述高分解频段范围要大于所述梳状滤波器的所述滤波范围。
作为本发明的优选,在工业设备内部放置采集盒,所述内麦克风安装在所述采集盒内,所述采集盒外表面设有由低导热率材料制成的热导涂层。
作为本发明的优选,所述热导涂层的制作材料为聚酰亚胺或液晶聚合物或聚醚醚酮。
作为本发明的优选,在所述采集盒的内部设有冷循环腔,所述冷循环腔中安装有冷凝管。
作为本发明的优选,在所述采集盒的外表面设有树脂防护层,所述树脂防护层外侧增设无锌薄膜金属镀层。
综上所述,本发明具有如下有益效果:
1、将工业设备的声纹数据信号去除了环境噪音和固有噪音,留下了纯净度更高的设备噪音,纯净度更高,为检测模型提供更合理更真实的数据基础,提升检测模型后期计算的准确度。
2、麦克风采样率的选择,既保证了后续的计算精度,也避免了影响传输效率和过高的麦克风成本。
3、在固有噪音提取的过程中,采用了小波包分解的设计思路,能够根据被分析信号的特征自适应选择相应频带,使之与信号频谱相匹配,从而为信号提供了一种时频分辨率更高的分析方法。
4、设备异常音计算步骤结束之后,还包含确认比较步骤,对设备异常音与环境噪音或者固有噪音进行相似度比较,对设备异常音的提取正确度提供验证。
5、内麦克风放置在采集盒中,采集盒做了防高温和防高湿度的处理,延长设备内麦克风使用寿命。
附图说明
图1是实施例2中的小波包分解过程中的示意图;
图2是实施例4中的检测箱的侧面剖视图。
图中:1、采集盒,2、冷循环腔,21、冷凝管,3、网络装置,4、固定盒,5、内麦克风,6、热导涂层。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1,一种工业设备的异常音提取方法,在正式软件处理前,进行硬件预布置步骤。在该步骤中,使用到两个音频传感器,即麦克风,分别为内麦克风和外麦克风。其中,内麦克风置于工业设备内部,而外麦克风置于工业设备的外部,分别获取工业设备内部外部的声纹信号数据。外麦克风距离工业设备的距离可由工作人员自行设置,一般以4-7米左右,这个距离使得外麦克风既能正常收到环境噪音,而收到工业设备的噪音强度比较小。
内麦克风和外麦克风通过网络装置与外界的控制中心进行通讯,控制中心可直接选用现有技术中的PC、服务器等常见的硬件形式,负责数据的收取、处理、计算。内外麦克风收集到的原始信号为声纹信号,经过数字转换,将信号转换为数字格式。该转换使用现有技术中的A/D转换器后可实现,该部分内容为现有技术内容,此处不再赘述。
硬件预布置后,设置两个麦克风的数字信号采样频率,可以为11kHz、22kHz、44.1kHz、48kHz、96kHz等。采样率越高、采样时间间隔就越短,单位时间内能得到等样本数据就越多,对声音波形等表示也越精确。在本实施例中,采用率为48kHz,既保证了后续的计算精度,也避免了影响传输效率和过高的麦克风成本。
内麦克风为主要的采集装置,其收集到的数据信号记为S。然而,S中包含了其他杂音,这些音量信号影响了后续的检测模型的输入数据的准确性。
在本案中,需要将环境噪声进行分离,这一过程具体包含以下步骤。
S11、设备关闭步骤。
将工业设备关闭,工业设备不再发出运转时的声响。
S12、内外信号采集步骤。
在工业设备关闭的情形下,内麦克风收集到的数字信号为e测,外麦克风收到的数字信号为e’测。
S13、噪声衰减率计算步骤。
其中,n为离散信号采样点的总个数,i为离散信号采样点的编号。
S14、环境噪音计算步骤。
除了环境噪音e的计算,还需要对设备工作时的固有噪音进行提取,该固有噪音记为b。固有噪音b的提取具体包含如下步骤:
S21、滤波范围确定步骤。
由用户指定一个滤波范围,该滤波范围以设备工频fo为频率中心,上下选择一定的区间作为滤波范围。
在本实施例中,选择以设备工频fo为频率中心,正负300hz,该范围确定为滤波范围。
S22、滤波步骤。
将工业设备正常使用时,内麦克风获取到的数据信号S通过梳状滤波器,该梳状滤波器的滤波范围在上一步骤中已经确定,超出范围的信号被梳状滤波器的阻带所过滤阻挡,在范围内的信号被梳状滤波器的通带所通过,通过的信号记为固有噪音b。
固有噪音b往往为设备工作时的固有噪声,较之异常音可认为是周期性信号,表现为线圈、轴承等机械部件周期性振动以及设备电动力引起的振动。
需要说明的是,固有噪音b的提取步骤和环境噪音e的提取步骤,这两个步骤本身在技术方案中的先后顺序可以任意选择。
至此,固有噪音b和环境噪音e均已经得到。可以计算设备异常音c。
设备异常音的计算方式为将内麦克风提取到的数据信号S,减去上文所述的固有噪音b和环境噪音e,即为纯净度较高的设备异常音c。
设备异常音c即为本技术方案的最终输出,由于已经去除了环境噪音和设备固有噪音的影响,留下的声音数据信号作为检测模型的输入,纯净度更高,为检测模型提供更合理更真实的数据基础,提升检测模型后期计算的准确度。
实施例2,与实施例1的区别是,在固有噪音b的提取步骤中,做了进一步优化,做了小波包分解的设计。
具体的,先对s进行小波包分解步骤。
小波包分解是基于小波分析的一种延伸,它通过将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征自适应选择相应频带,使之与信号频谱相匹配,从而为信号提供了一种时频分辨率更高的分析方法。
该步骤中使用到的公式如下:
其中,m为小波变换尺度,反映的是分解层次。如图1所示,信号S被第一次分解成A1
和D1时,m为1,当A1再一次被分别为AA2和DA2时,m为2。而n为时间延时,该数值为用户指定,
此处可看作为一个常数。为S中编号为k的信号内容,为传递函数,*为取共轭,即相当于t,为传递函数的输入量。
图1中的Lpi、Hpi、L’pi、H’pi分别表示不同尺度、不同分支下的低、高通滤波器。根据以上公式,信号S第一次进行小波分解,分别通过Lp1低通滤波器和Hp1高通滤波器,分别形成了A1和D1这两个小波包。其他亦同理。
故,不同的分解层数、分解策略、分解尺度,就会有不同的分解结果。如图1所示,根据不同的分解策略,S可以被分解为:
这样的好处是,可以依据实际情况调节分解精度。此时,用户可以依据经验确定高分解频段范围和非高分解频段范围,前者使用更高的分解层数。例如在图1中,D1被第二次分解时的AD2落入非高分解频段范围,可以不继续进行进一步分解,因为不需要那么高的分辨率精度。而DD2落入高分解频段范围,可以继续进行进一步分解,保证被分解出的小波包的高分辨率高精度。这样可以获得原信号良好的时、频域局部化特性,从而可以被用于快速定位和跟踪信号分量的时、频域位置,且由于没有全部采用高精度分解,也提升了系统算法的效率。
需要说明的是,上文所述的高分解频段范围由用户指定,同样为以设备工频fo为频率中心,上下选择一定的区间作为高分解频段范围。但是为了保证后续步骤的正确性,高分解频段范围是要大于梳状滤波器的滤波范围。例如,梳状滤波器的滤波范围为f0正负300hz,那么此处的高分解频段范围可以为f0正负500hz。
小波包分解步骤后,一个完整的S信号,被分解成若干个数据小波包,如6个数据小波包,随后进入实施例1中所述的滤波步骤,被过滤了4个数据小波包,而2个数据小波包通过了过滤。
此时,进入到小波反变化步骤。
该步骤是将通过滤波的多个数据小波包,使用快速小波反变换公式进行运算,运
算后就得到了固有噪音b。如,剩下两个小波包,其分解信号记为W, j为分解的层数,k表示
该层的第k个分解信号,剩下的两个分解小波包分别为和,则计算
公式为:
其他步骤,例如e的计算,c的计算,均与实施例1没有区别。
实施例3,与实施例1的区别是,在技术方案的最后,即设备异常音c已经计算出来,即将内麦克风提取到的数据信号S,减去所述固有噪音b和所述环境噪音e,得到设备异常音c;计算出来之后,还存在一个确认比较步骤。
该步骤是首先将c、e、b三个信号通过现有技术中的常规频域分析的方法得到三者的频响曲线FR。
随后,比较c的频响曲线和e、b的频响曲线的相似程度,若相似程度过大,则认定c与e或c与b过于近似。公式可以为:
为最小阈值,由用户自行设定。一般的,其取值范围为0~3dBSPL。若过于近似,
则很有可能c的计算产生了问题,其很可能依然是环境噪音或者固有噪音,若不近似,则很
有可能c的计算和提取是正确的,确实是与环境噪音或者固有噪音不同的异常音。
实施例4,与实施例1的区别是对内麦克风的硬件布置进行了特殊的处理,从而满足高温高湿环境下的正常作业。工业设备时常在高温高湿的复杂环境下作业,这些环境因素会影响麦克风对声纹信号的提取,从而造成误差。
在本实施例中,如图2所示,在工业设备内部放置有采集盒1,其外表面设有热导涂层6,其选用热导率低的材料所制,如聚酰亚胺、液晶聚合物或聚醚醚酮。在采集盒1的内部设有冷循环腔2,其中安装有多个冷凝管21,冷凝管21中装载有冷凝液,冷凝液在冷凝管21中循环流动吸收热量,从而保护采集盒1内的部件。
为了进一步加强对湿度环境的适应,在采集盒1的外表面还设有树脂防护层(图中未画出),树脂防护层外侧增设无锌薄膜金属镀层。
在采集盒1的内部设有固定盒4和网络装置3,而内麦克风5即安装在固定盒4内。网络装置3中安装着GPRS网络模块芯片。内麦克风5和外麦克风都与网络装置3通讯连接,网络装置3与控制中心通讯连接,这就使得控制中心可以更远离工业设备,在更为理想的工业环境中作业。
Claims (9)
1.一种工业设备的异常音提取方法,其特征在于,包含环境噪音分离步骤和固有噪音分离步骤,在所述环境噪音分离步骤和所述固有噪音分离步骤都完成后,再执行设备异常音计算步骤; 在工业设备内布置内麦克风,在工业设备外布置外麦克风; 所述环境噪音分离步骤包含如下子步骤: S11、设备关闭步骤; 将工业设备关闭; S12、内外信号采集步骤;在工业设备关闭的情形下,内麦克风收集到的数字信号为e测,外麦克风收到的数字信号为e’测; S13、噪声衰减率计算步骤; 计算噪声衰减率,计算公式为:,其中,n为离散信号采样点的总个数,i为离散信号采样点的编号; S14、环境噪音计算步骤; 打开工业设备使之正常使用,根据此时外麦克风获取到的数字信号e’和上一步骤计算得到的噪声衰减率/>,计算得到环境噪音e,公式为:,n为离散信号采样点编号, 所述固有噪音分离步骤包含如下子步骤:S21、滤波范围确定步骤; 用户指定滤波范围,以设备工频fo为频率中心,上下选择预设值形成所述滤波范围; S22、滤波步骤; 工业设备正常使用时,内麦克风捕捉到的数据信号为S,将S通过梳状滤波器,滤波范围为上一步骤所确定,通过的信号为固有噪音b; 所述设备异常音计算步骤为,将内麦克风提取到的数据信号S,减去所述固有噪音b和所述环境噪音e,即得到设备异常音c; />,n为离散信号采样点编号; 在所述S21之前,对内麦克风捕捉到的数据信号S先进行小波包分解步骤: 分解公式为:, m为小波变换尺度,n为时间延时,/>为S中编号为k的信号内容,/>为传递函数,*为取共轭,/>即为公式中的t,表示为传递函数的输入量;经过小波包分解后,一个完整的S信号,被分解成多个数据小波包; 之后执行S21和S22步骤,在S22步骤后,执行小波反变化步骤,将通过滤波的多个数据小波包,使用快速小波反变换,得到固有噪音b。
2.根据权利要求1所述的一种工业设备的异常音提取方法,其特征在于:在所述设备异常音计算步骤结束之后,还包含确认比较步骤; 将设备异常音c、环境噪音e、固有噪音b三个信号通过频域分析,分别得到三者的频响曲线FR; 将设备异常音c的频响曲线FRc分别与环境噪音e、固有噪音b的频响曲线FRe和FRb进行比较,若相似程度小于预设阈值,则判定异常音提取正确。
3.根据权利要求1所述的一种工业设备的异常音提取方法,其特征在于:所述内麦克风和所述外麦克风的采样频率为11kHz或22kHz或44.1kHz或48kHz或96kHz。
4.根据权利要求1所述的一种工业设备的异常音提取方法,其特征在于:在所述小波包分解步骤中,分解频段被划分为高分解频段范围和非高分解频段范围,所述高分解频段范围使用的分解层数多于所述非高分解频段范围使用的分解层数。
5.根据权利要求4所述的一种工业设备的异常音提取方法,其特征在于:所述高分解频段范围要大于所述梳状滤波器的所述滤波范围。
6.根据权利要求1-5任意一项所述的一种工业设备的异常音提取方法,其特征在于:在工业设备内部放置采集盒(1),所述内麦克风安装在所述采集盒内,所述采集盒(1)外表面设有由低导热率材料制成的热导涂层(6)。
7.根据权利要求6所述的一种工业设备的异常音提取方法,其特征在于:所述热导涂层(6)的制作材料为聚酰亚胺或液晶聚合物或聚醚醚酮。
8.根据权利要求6所述的一种工业设备的异常音提取方法,其特征在于:在所述采集盒(1)的内部设有冷循环腔(2),所述冷循环腔(2)中安装有冷凝管(21)。
9.根据权利要求6所述的一种工业设备的异常音提取方法,其特征在于:在所述采集盒(1)的外表面设有树脂防护层,所述树脂防护层外侧增设无锌薄膜金属镀层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703076.1A CN115662460B (zh) | 2022-12-29 | 2022-12-29 | 一种工业设备的异常音提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703076.1A CN115662460B (zh) | 2022-12-29 | 2022-12-29 | 一种工业设备的异常音提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115662460A CN115662460A (zh) | 2023-01-31 |
CN115662460B true CN115662460B (zh) | 2023-03-31 |
Family
ID=85022722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211703076.1A Active CN115662460B (zh) | 2022-12-29 | 2022-12-29 | 一种工业设备的异常音提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662460B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10046238B4 (de) * | 2000-09-19 | 2007-04-19 | Robert Bosch Gmbh | Verfahren zur Verarbeitung von Audiosignalen |
CN102095560B (zh) * | 2010-11-09 | 2013-04-17 | 中国人民解放军重庆通信学院 | 基于噪声测试的机械故障判别方法 |
CN102522082B (zh) * | 2011-12-27 | 2013-07-10 | 重庆大学 | 一种公共场所异常声音的识别与定位方法 |
JP6809936B2 (ja) * | 2017-02-28 | 2021-01-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 雑音抽出装置およびマイクロホン装置 |
US10313788B2 (en) * | 2017-10-19 | 2019-06-04 | Intel Corporation | Detecting speaker faults using acoustic echoes |
CN210221279U (zh) * | 2019-09-13 | 2020-03-31 | 顺德职业技术学院 | 一种电机、或发动机异响检测电路 |
CN113746891A (zh) * | 2021-06-09 | 2021-12-03 | 安徽中科昊音智能科技有限公司 | 电力设备声纹监控系统 |
CN113705347B (zh) * | 2021-07-26 | 2024-04-02 | 西安交通大学 | 一种基于时频分析的空间电荷噪音抑制方法及设备 |
CN115355979A (zh) * | 2022-08-19 | 2022-11-18 | 深圳市德普华电子测试技术有限公司 | 产品异响、异音智能检测方法和系统 |
-
2022
- 2022-12-29 CN CN202211703076.1A patent/CN115662460B/zh active Active
Non-Patent Citations (1)
Title |
---|
郭书贵 ; .CY6型发动机齿轮异响分析.摩托车信息.2000,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115662460A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
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 | |
CN112201260A (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN115932659A (zh) | 一种基于声纹特征的变压器故障检测方法 | |
CN116230013A (zh) | 一种基于x-vector的变压器故障声纹检测方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN115662460B (zh) | 一种工业设备的异常音提取方法 | |
CN111933186B (zh) | 用于对有载分接开关进行故障识别的方法、装置及系统 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
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 | |
CN105628380B (zh) | 一种可调式中智模型轴承故障分类器的故障分类方法 | |
CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 | |
Kaddour et al. | Event Detection for Non-intrusive Load Monitoring using Tukey s Fences | |
CN117361256B (zh) | 一种基于人工智能的电梯安全管理方法及系统 | |
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 | |
CN113567123B (zh) | 旋转机械冲击类故障自动诊断方法 | |
CN115691509A (zh) | 一种适用于工业设备异常音检测的干扰识别方法 | |
CN116297883B (zh) | 一种基于敲击声的结构识别方法、装置、系统及终端设备 | |
CN117059126A (zh) | 基于特征融合和堆叠自编码器的工业设备异常声检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |