CN115859210A - 一种带电机设备停机尾音智能检测方法及系统 - Google Patents

Abstract

本发明公开了一种带电机设备停机尾音智能检测方法及系统，方法包括：同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集；基于训练集训练卷积神经网络模型，直至测试集的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。本发明能够反映出设备与随转速变化的阶次信息，反映出设备的共振特性，并准确、清晰反应尾音异常，直接从图像中读取多维向量信息，可准确实现停机尾音智能检测。

Description

一种带电机设备停机尾音智能检测方法及系统

技术领域

本发明属于停机尾音检测技术领域，更具体地，涉及一种带电机设备停机尾音智能检测方法及系统。

背景技术

随着国民经济的发展以及居民对舒适性要求，以汽车和白色家电领域为代表，对产品在设计和生产阶段的NVH（Noise、Vibration、Harshness的缩写，即，噪声、振动与声振粗糙度）性能愈发严格，其整机和零部件产品不仅普遍追求稳态运行过程中产品的声学指标情况，部分产品如带电机设备如汽车启动机、除尘器等，还对停机阶段的噪声性能进行了重点关注和检测。相较于电驱动产品稳态运行情况，带电机设备在断电后，其电机及附属传动设备会逐步降速至完全停机，这一滑动阶段同样会产生噪声，称为“尾音”。由于是降速过程，当带电机设备存在装配、零部件缺陷或者其他电气工艺问题时，其可能扫过系统结构的共振频率点，从而引起短促的异响声，从而产生明显不适感。

针对带电机设备停机自由滑动产生的信号，由于旋转速度处于非稳定状态，无论是本体振动还是辐射空气噪声信号，其频率成分均在不断变化，采用常规的频谱分析会产生明显的频率模糊现象，无法有效建立合适的检测判断标准；同时相对于正常尾音信号，尾音异常信号具有微弱且持续时间较短的特征，仅从单一特征维度来检测尾音异响准确率较低，若从多个维度如时域、频域、小波域以及心理声学参数等特征量进行综合评价，涉及到特征维度有效选择及阈值的设定，同样是一个复杂的系统工程；前期也有不少学者采用机器学习的方法，即通过声学时序信号进行多个一维特征提取并进行模型训练，但是因为其本质为非稳态信号，传统的特征提取方法效果并不理想。目前国外开发的振动噪声测试系统，也仅仅是提供了诸多分析功能供企业选择使用，但是如何能够表征并检测停机尾音异响，还暂未有行之有效的方法。因此，针对带电机设备停机尾音检测，企业仍沿用人工听音质检的方法，即通过人耳贴在带电机设备附近进行听音，从而判断其停机滑动过程中是否存在异响。但是，由于是人工听音质检，企业也缺少量化标准，存在误判率高、检测效率低下以及一致性差的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种带电机设备停机尾音智能检测方法及系统，能够反映出设备与随转速变化的阶次信息，反映出设备的共振特性，并准确、清晰反应尾音异常，直接从图像中读取多维向量信息，可准确实现停机尾音智能检测。

为实现上述目的，按照本发明的一方面，提供一种带电机设备停机尾音智能检测方法，包括：

同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本；

根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

进一步地，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

若带电机设备内置有霍尔转速传感器，根据霍尔转速传感器输出电压信号确定转速脉冲信号。

进一步地，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

若带电机设备无内置的霍尔转速传感器，在带电机设备输出轴上增加霍尔圆盘，霍尔圆盘上均匀分布有小磁钢，其中霍尔开关元件固定于小磁钢周边；根据带电机设备转动时霍尔圆盘上的小磁钢经过霍尔开关元件的脉冲信号确定转速脉冲信号。

进一步地，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

将单轴振动加速度传感器设于带电机设备径向，测量振动加速度信号。

进一步地，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

对振动加速度信号等时间间隔采样，同时以恒定的采样率对转速脉冲信号进行采样得到同步信号；采样的频率高于Nyquist采样定理的频率。

进一步地，所述根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱，包括：

根据转速脉冲信号确定每个脉冲间隔内的等角度采样发生的时刻序列，根据时刻序列对振动加速度信号进行等角度插值重采样，将振动加速度信号转化为等角度域信号；

按照固定转速步长对等角度域振动信号分段，确定所有分段的瞬时FFT频谱，根据分段对应的转速脉冲信号的时间先后将瞬时FFT频谱排列得到阶次谱云图。

进一步地，所述基于阶次谱云图训练卷积神经网络模型，包括：

将阶次谱云图进行标准化处理，选取交叉熵损失函数，利用梯度下降法，优化权重参数和超参数，训练卷积神经网络模型。

按照本发明的第二方面，提供一种带电机设备停机尾音智能检测系统，包括：

第一主模块，用于同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本；

第二主模块，用于根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

第三主模块，用于基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

按照本发明的第三方面，提供一种电子设备，包括处理器和存储器，所述处理器和存储器相互连接；

所述存储器用于存储计算机程序；

所述处理器被配置用于在调用所述计算机程序时，执行带电机设备停机尾音智能检测方法。

按照本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现带电机设备停机尾音智能检测方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1.本发明的带电机设备停机尾音智能检测方法，同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图；基于阶次谱云图训练卷积神经网络模型，直至测试数据集模型准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音，能够反映出设备与随转速变化的阶次信息，反映出设备的共振特性，并准确、清晰反应尾音异常，直接从图像中读取多维向量信息，可准确实现停机尾音智能检测。

2. 本发明的带电机设备停机尾音智能检测方法，确定同步测量带电机设备转速和单向振动加速度的实施方法和硬件配置，提高后续分析测试的准确性；

3.本发明的带电机设备停机尾音智能检测方法，利用阶次跟踪技术将带电机设备振动信号从时间序列变换为阶次谱云图，不仅能够反映出设备与随转速变化的阶次信息，又能反映出设备的共振特性，能够准确、清晰反应尾音异常；

4. 本发明的带电机设备停机尾音智能检测方法，对带电机设备阶次谱云图进行机器学习模型训练处理，不需人工进行特征提取，可直接从图像中读取多维向量信息，进而准确实现停机尾音智能检测。

附图说明

图1为本发明实施例的一种带电机设备停机尾音智能检测系统总体方案示意图；

图2为本发明实施例的转速脉冲测量示意图；

图3为本发明实施例的霍尔转速传感器输出信号示意图；

图4为本发明实施例的振动加速度测量示意图；

图5为本发明实施例的卷积神经网络结构示意图；

图6为本发明实施例的带电机设备停机尾音智能检测装置示意图；

图7为本发明实施例的电子设备示意图；

图8为本发明实施例的带电机设备停机尾音智能检测方法流程图。

在所有附图中，同样的附图标记表示相同的技术特征，具体为： 1-微特电机、2-磁力座、3-振动加速度传感器。

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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明的描述中，除非另有明确的规定和限定，术语“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像本申请实施例中一样被特定定义，否则不会用理想化或过于正式的含义来解释。

阶次跟踪（Order Tracking），实际上对旋转机械测试信号进行采样分析的一种先进技术。目前可以进行阶次分析的信号采样方法基本有两种。一种是固定采样(FixedSample)，另一种是同步重采样(Synchronous Sample)，也称阶次跟踪(Order Tracking)。

阶次跟踪由于是基于角数据 Δ α恒定而进行同步重采样，因此可以直接得到角域图和阶次谱，同时由于可以预设 Δ α值，因此可以控制阶次分辨率和最大可测阶次，得到相对于固定采样更为精确的阶次谱。

数据采集(DAQ)，是指从传感器和其它待测设备等模拟和数字被测单元中自动采集非电量或者电量信号，送到上位机中进行分析，处理。在工业现场，我们会安装很多的各种类型的传感器，如压力的、温度的、流量的、声音的、电参数的等等，受现场环境的限制传感器信号如压力传感器输出的电压或者电流信号不能远传或者因为传感器太多布线复杂，我们就会选用分布式或者远程的数据采集卡(模块)在现场把信号较高精度地转换成数字量，然后通过各种远传通信技术(如485、232、以太网、各种无线网络)把数据传到计算机或者其他控制器中进行处理。这种也算作数据采集卡的一种，只是它对环境的适应能力更强，可以应对各种恶劣的工业环境。

本发明提供一种带电机设备停机尾音智能检测方法，可用于带电机设备的尾音检测和故障识别等领域。

本申请实施例提供的带电机设备停机尾音智能检测方法可由服务器执行，也可以由终端执行。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端、智能电视等，具体可基于实际应用场景需求确定，在此不做限制。

如图1所示，本申请的带电机设备停机尾音智能检测方法，同步测量带电机设备转速和单向振动加速度的实施方法和硬件配置，用阶次跟踪技术将带电机设备振动信号从时间序列变换为阶次谱云图，选择卷积神经网络对带电机设备阶次谱云图进行机器学习模型训练处理，不需人工进行特征提取，可直接从图像中读取多维向量信息，进而准确实现停机尾音智能检测。

根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

本申请的带电机设备停机尾音智能检测方法，包括步骤S100~S300.

步骤S100、同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本。

所述带电机设备停机滑动阶段的尾音包括正样本（无异常）和负样本（尾音异常）两种类型的样本，通过两种类型样本的训练识别，

在采集带电机设备停机尾音的转速脉冲信号时，同步进行振动加速度信号的采集，同步测量带电机设备转速脉冲信号和单向振动加速度信号的实施方法和硬件配置，提高后续分析测试的准确性，

具体地，步骤S100包括步骤S101。

步骤S101、若带电机设备内置有霍尔转速传感器，根据霍尔转速传感器输出电压信号确定转速脉冲信号。

具体地，步骤S100包括步骤S102。

对于内置霍尔转速传感的带电机设备，可将霍尔转速传感器输出电压信号直接引入数据采集卡，获得其输出的脉冲信号，如图3所示，确定转速脉冲信号。

步骤S102、若带电机设备无内置的霍尔转速传感器，在带电机设备输出轴上增加霍尔圆盘，霍尔圆盘上均匀分布有小磁钢，其中霍尔开关元件固定于小磁钢周边；根据带电机设备转动时霍尔圆盘上的小磁钢经过霍尔开关元件的脉冲信号确定转速脉冲信号。

如图2所示，对于无内置转速传感器信号的带电机设备，可在带电机设备输出轴上增加一个霍尔圆盘，圆盘上均匀分布若干小磁钢，其中霍尔开关元件固定放置于小磁钢周边，当带电机设备转动时，圆盘上的小磁钢会经过霍尔开关，每1个小磁钢经过，霍尔开关便会输出一个脉冲，计算单位的脉冲数就可以确定对应转速。

具体地，步骤S100包括步骤S103。

步骤S103、将单轴振动加速度传感器设于带电机设备径向，测量振动加速度信号。

尾音虽然为声波信号，但是其为带电机设备振动产生，为了保证测量的有效性，屏蔽外界环境噪声的干扰，选用单轴振动加速度传感器布置于带电机设备径向进行信号测量。

根据带电机设备结构形式，传感器可选用两种形式，一种是标准吸附式单轴振动加速度传感器，测量频带0.5-10kHz，灵敏度可达50mv/g，该传感器通过磁力座吸附在电机表面，若借助气缸可实现自动化吸附和拆卸，如图4所示。

根据带电机设备结构形式，传感器还可以选用顶针式振动加速度传感器，通常其测量频带仅几千赫兹，但是容易通过气缸实现自动化顶针式测量。

具体地，步骤S100还包括步骤S104。

对振动加速度信号等时间间隔采样，同时以恒定的采样率对转速脉冲信号进行采样得到同步信号；所述采样率高于Nyquist采样定理的频率。

在进行转速脉冲信号和振动加速度信号采样时，对振动信号等时间间隔采样，同时以恒定的采样率对转速脉冲信号进行采样得到同步信号，为保证采样精度和后期精准的阶次分析，对转速脉冲和振动加速度通常采用过采样技术，即以高于Nyquist采样定理的频率进行采样。

作为一个可选的实施例，本发明实施例采用数据采集板卡完成振动加速度信号和转速脉冲信号进行采集，所述数据采集板卡至少为2通道（一路采集振动加速度信号，一路采集转速脉冲信号），也可选用四通道和八通道，一路采集振动加速度信号，一路采集转速脉冲信号，其余通道备用。

步骤S200、根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图。

将所有样本的阶次谱云图划分为训练集和测试集可根据需求直接设定，如70%为训练集，30%为测试集，其为本领域的常规手段，在此不作赘述。

具体地，步骤S200包括步骤S201~S202。

步骤S201、根据转速脉冲信号确定每个脉冲间隔内的等角度采样发生的时刻序列，根据时刻序列对振动加速度信号进行等角度插值重采样，将振动加速度信号转化为等角度域信号；

由于采样时是按照等时间长度进行采样的，若要计算阶次，则需要把时间域信号重采样到等角度域。

步骤S202、按照固定转速步长对等角度域振动信号分段，确定所有分段的瞬时FFT频谱，根据分段对应的转速脉冲信号的时间先后将瞬时FFT频谱排列得到阶次谱云图。

采集的数据包括转速脉冲信号和振动加速度信号，是同步采样的，按照固定转速步长分段得到数据块，这里的数据块就是一段时间的加速度信号，它对应到这段时间的转速。

即以固定转速步长对等角度域振动信号计算瞬时FFT频谱，每个数据块对应一个转速，按照转速的先后顺序将各瞬时频谱排列得到阶次谱云图。每段振动加速度信号对应一个转速脉冲信号（即转速），按照转速的时间先后顺序将各瞬时频谱排列得到阶次谱云图。

以固定转速步长对等角度域振动信号计算瞬时FFT频谱，具体地，若转速步长为25rpm，则表示转速每变化25rpm计算一次瞬时FFT频谱。

每个数据块对应一个转速，具体地，实际上各个数据块对应的转速一直在变化，但处理过程会计算得到这个数据块对应的某种转速，如平均转速等（也可选用其他转速，但各个数据块的转速应为同一种转速），作为该数据块的转速。

使用常规的频谱分析来处理振动噪声问题，但当旋转机械在某种工况下出现故障时，如启停过程、加速过程等，很难通过单一的频谱分析确定故障的频率成分，这是因为频谱发生了拖尾现象。而当使用阶次跟踪分析时，则可得到单一的故障频率成分，更易确定故障原因。

步骤S300、基于训练集训练卷积神经网络模型，直至测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

准确率代表模型总体的精度，召回率代表对样本的识别能力。在准确率较高的情况下，召回率越低，负样本（异常样本）的识别率越高。

本发明实施例所述的预设要求可根据工业企业的实际需求直接选取，其为本领域常规技术手段，在此不做赘述。

选用卷积神经网络不需人工处理，可直接对阶次谱云图进行特征提取，从图像中读取多维向量信息，这样既可以减少后续进行模式分类的复杂程度，使图像识别效率更高，也可以提高图像识别的精度。

基于训练集训练卷积神经网络模型，包括：

将训练集中的阶次谱云图进行标准化处理，选取交叉熵损失函数，利用梯度下降法，优化权重参数和超参数，训练卷积神经网络模型。

如图5所示，卷积神经网络主要由输入层、卷积层、池化层、全连接层以及输出层等构成。

在进行卷积神经网络训练时，首先将输入的将阶次谱云图进行标准化处理：将阶次谱云图标准化为指定尺寸，并将所有数据归一化到[0, 1]；

卷积层：卷积层主要用来提取阶次谱图特征，通过卷积核过滤谱图的各个区域，从而得到这些局部区域的特征值；

池化层：池化层主要用来对数据进行降维，这么做不但可以大大减少运算量，还可以有效的避免过拟合；

全连接层：经过连续卷积、池化处理的数据在需要最后通过全连接层，将输出结果转化为特定分类应用的设计的分类神经元数目；

Dropout层：可根据数据规模选取，以一定的几率将神经元输出置零，达到改善过拟合的情况；

Softmax层：对于电机尾音智能检测这种任务，将全连接层输出的结果转化为概率输出。

选取交叉熵损失函数，利用梯度下降法，优化权重参数，训练卷积神经网络模型。在测试集上，准确度和召回率达到工业企业要求之后，固化模型超参数和权重参数，最后将上述步骤S100~S300所述的方法部署到生产线检测工位上，在此时步骤S300中，直接根据固化超参数和权重参数的卷积神经网络模型识别经步骤S100和S200处理后的带电机设备停机尾音是否有异常。

本发明的带电机设备停机尾音智能检测方法，同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图；基于阶次谱云图训练卷积神经网络模型，直至测试数据集模型准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音，能够反映出设备与随转速变化的阶次信息，反映出设备的共振特性，并准确、清晰反应尾音异常，直接从图像中读取多维向量信息，可准确实现停机尾音智能检测。

本发明实施例还提供一种带电机设备停机尾音智能检测系统，用于实现一种带电机设备停机尾音智能检测方法，图6是本实施例提供的系统的结构示意图。

如图6所示，本发明实施例提供一种带电机设备停机尾音智能检测系统，包括：

第一主模块71，用于同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本；

第二主模块72，用于根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

第三主模块73，用于基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

在一些可行的实施方式中，本实施例提供的一种带电机设备停机尾音智能检测系统可以采用软硬件结合的方式实现，作为示例，本申请实施例提供直喷发动机油压控制装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的一种带电机设备停机尾音智能检测方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，ApplicationSpecific Integrated Circuit）、数字信号处理器 (digital signal processor，DSP)、可编程逻辑器件（PLD，Programmable LogicDevice）、复杂可编程逻辑器件（CPLD，ComplexProgrammable Logic Device）、现场可编程门阵列（FPGA，Field-ProgrammableGateArray）或其他电子元件。

本申请实施例还提供一种电子设备，图7是本实施例的电子设备的结构示意图，如图7所示，本实施例中的电子设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述电子设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏（Display）、键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1004可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图7所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

如图7所示的电子设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：

同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；

根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集；

基于训练集训练卷积神经网络模型，直至测试集的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

应当理解，在一些可行的实施方式中，上述处理器1001可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

具体实现中，上述电子设备1000可通过其内置的各个功能模块执行如上述图6中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

本实施例提供的电子设备同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集；基于训练集训练卷积神经网络模型，直至测试集的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，被处理器执行以实现图8中各个步骤所提供的方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

该计算机存储介质同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号；根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集；基于训练集训练卷积神经网络模型，直至测试集的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，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 (10)

1.一种带电机设备停机尾音智能检测方法，其特征在于，包括：

同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本；

根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

2.根据权利要求1所述的一种带电机设备停机尾音智能检测方法，其特征在于，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

若带电机设备内置有霍尔转速传感器，根据霍尔转速传感器输出电压信号确定转速脉冲信号。

3.根据权利要求1所述的一种带电机设备停机尾音智能检测方法，其特征在于，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

若带电机设备无内置的霍尔转速传感器，在带电机设备输出轴上增加霍尔圆盘，霍尔圆盘上均匀分布有小磁钢，其中霍尔开关元件固定于小磁钢周边；根据带电机设备转动时霍尔圆盘上的小磁钢经过霍尔开关元件的脉冲信号确定转速脉冲信号。

4.根据权利要求1所述的一种带电机设备停机尾音智能检测方法，其特征在于，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

将单轴振动加速度传感器设于带电机设备径向，测量振动加速度信号。

5.根据权利要求1所述的一种带电机设备停机尾音智能检测方法，其特征在于，所述同步采集带电机设备停机滑动阶段的转速脉冲信号和振动加速度信号，包括：

对振动加速度信号等时间间隔采样，同时以恒定的采样率对转速脉冲信号进行采样得到同步信号；所述采样率高于Nyquist采样定理的频率。

6.根据权利要求1-5任一项所述的带电机设备停机尾音智能检测方法，其特征在于，所述根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，包括：

根据转速脉冲信号确定每个脉冲间隔内的等角度采样发生的时刻序列，根据时刻序列对振动加速度信号进行等角度插值重采样，将振动加速度信号转化为等角度域信号；

按照固定转速步长对等角度域振动信号分段，确定所有分段的瞬时FFT频谱，根据分段对应的转速脉冲信号的时间先后将瞬时FFT频谱排列得到阶次谱云图。

7.根据权利要求1所述的一种带电机设备停机尾音智能检测方法，其特征在于，所述基于训练集训练卷积神经网络模型，包括：

将训练集中的阶次谱云图进行标准化处理，选取交叉熵损失函数，利用梯度下降法，优化权重参数和超参数，训练卷积神经网络模型。

8.一种带电机设备停机尾音智能检测系统，其特征在于，包括：

第一主模块，用于同步采集带电机设备样本停机滑动阶段的转速脉冲信号和振动加速度信号，其中带电机设备样本包括正样本和负样本；

第二主模块，用于根据转速脉冲信号和振动加速度信号确定带电机设备停机滑动阶段的阶次谱云图，将阶次谱云图划分为训练集和测试集，训练集和测试集中均包括正样本和负样本的阶次谱云图；

第三主模块，用于基于训练集训练卷积神经网络模型，直至对测试集识别的准确度和召回率满足预设要求，得到的超参数和权重参数作为卷积神经网络模型的超参数和权重参数用于检测带电机设备停机尾音。

9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接；

所述存储器用于存储计算机程序；

所述处理器被配置用于在调用所述计算机程序时，执行如权利要求1至7任一项所述的带电机设备停机尾音智能检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1至7任一项所述的带电机设备停机尾音智能检测方法。

Images