CN116147944A - 基于音频分析和机器学习的机器运行异常检测系统及方法 - Google Patents

Abstract

本发明是基于音频分析和机器学习的工业设备运行异常检测系统及方法。通过麦克风阵列现场采集工厂内设备运行的实时噪音数据，对采集到的噪音进行数字化处理，进一步分析其中蕴含的噪音特征，提取出能代表正常噪音和异常噪音若干类别的一组特征参数，通过特征来训练检测和分类的模型。在模型建立后，经过分析其噪音特征，与模型中的数据进行对比，向设备管理人员传递设备的实时运行状况，并且将这一簇样本存入模型中。本发明充分利用音频分析和机器学习的相关方法，加以归纳和学习，建立适当的模型，很大程度上提高了设备运行异常检测的效率和准确率。

Description

基于音频分析和机器学习的机器运行异常检测系统及方法

技术领域

本发明涉及数字信号处理—音频分析和机器学习领域，具体为一种基于音频分析和机器学习的工业设备运行异常检测系统。

背景技术

当下，工厂的机器设备种类繁多复杂，运行环境恶劣，机器的运行情况关乎企业的命运。如果不对故障进行分析和诊断，很有可能会对企业造成一定的负面影响，比如包括经济和名誉上的巨大损失。如果仅仅单纯依靠专业人员去判别，难免会有漏判和误判的现象，而且这是一项耗费人力财力的举措。如果能把它与机器自身实时运行监测结合起来，不仅有助于专业人员去判别，还能提高判别故障的准确性和实时性。只有采用二者结合的方法才能有效保障机器设备的平稳安全运行，防止因故障造成巨大损失。所以，基于音频分析和机器学习的工业设备运行异常检测系统的实现，对保障机器的安全运行以及故障实时监测有非常重要的意义。

发明内容

本发明的目的是：当今社会，人们对机器实时自动检测故障的能力有了迫切的需求。实现机器设备的自我检测故障，有助于提高机器异常检测的实时性和准确性。通过基于音频分析和机器学习的工业设备运行异常检测系统，能够帮助人们更高效和准确地对机器的故障精准定位，省去人力判别的开销，同时，使得在处理应急情况时，能够更加迅速，最大程度降低事故的严重性。

为了达到上述目的，提供了一种基于音频分析和机器学习的工业设备运行异常检测系统及方法，其步骤包括：采集设备噪音，数字化为数据集；对数据集进行多维度的特征提取，其中需要先对数据做预处理和主成分分析；对提取到的噪音特征，建立模型；继续对设备噪音实时监测，提取特征参数，经过模型的分类判断，向设备管理员反馈设备运行实时情况。

本发明包括以下模块：声音采集模块，模拟信号数字化模块，数据分析处理模块和运行状态告知模块；

声音采集模块采用麦克风阵列现场采集工厂设备的运行噪音，模拟信号数字化模块是将这些模拟信号数字化为数字数据，数据分析处理模块包括对音频数字数据进行预处理、特征提取、与模型对比分析等功能，运行状态告知模块是将分析处理后的结果以可视的方式展现出来的设备；

各个模块以以电连接或者信号连接。

一种基于音频分析和机器学习的机器运行异常检测方法，包括以下步骤：

步骤1：采集设备噪音，数字化为数据集；

步骤2：对数据集进行多维度的特征提取，其中需要先对数据做预处理和主成分分析；

步骤3：对提取到的噪音特征，建立模型；

步骤4：继续对设备噪音实时监测，提取特征参数，经过模型的分类判断，向设备管理员反馈设备运行实时情况。

在步骤1中，在工厂设备附近，放置麦克风阵列，以实时采集设备运行的噪音，经过特定的算法，将其数字化为双通道的量化数据，方便后续分析。

在步骤2中，预处理步骤主要涉及分帧加窗和预加重步骤，目的都是为了获得更标准的数据集；进行主成分分析是由于变量个数太多就会增加课题的复杂性；人们自然希望变量个数较少而得到的信息较多，而变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠；主成分分析是对于原先提出的所有变量，将重复的变量即关系紧密的变量删去多余，建立些变量是两两不相关的，而且这些新变量在反映课题的信息方面保持原有的信息；特征提取是对已经过预处理和主成分分析后得到的数据进行音频的相关特征提取，常见的音频特征有基音周期和MFCC系数等；对比特征提取的结果，可以选择一组易区分、计算步骤少、复杂性低的特征参数。

在步骤3中，对选取好的特征参数，建立特征参数数据集，选择有效的监督分类机器学习方法，训练对应模型，可以使用人工神经网络模型，通过该模型对数据集进行训练，目标使得网络模型收敛。

在步骤4中，在训练好模型的基础上，对麦克风采集的实时噪音经过数字化，预处理和主成分分析，特征提取，通过训练模型即可得到结果，最终以可视化的方法显示出来告知设备管理人员，例如在电脑监控屏幕上反映报警信息，并对机器设备采取相应的动作。

人工神经网络模型近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法，神经网络可以很容易的解决具有上百个参数的问题，它常用于两类问题：分类和回归，在结构上，可以把一个神经网络划分为输入层、输出层和隐含层，如图3，输入层的每个节点对应一个个的预测变量，输出层的节点对应目标变量，可有多个。在输入层和输出层之间是隐含层，隐含层的层数和每层节点的个数决定了神经网络的复杂度；除了输入层的节点，神经网络的每个节点都与很多它前面的节点(称为此节点的输入节点)连接在一起，每个连接对应一个权重，此节点的值就是通过它所有输入节点的值与对应连接权重乘积的和作为输入，通过激活函数作为输出。决定神经网络拓扑结构的是隐含层及其所含节点的个数，以及节点之间的连接方式，要从头开始设计一个神经网络，必须要决定隐含层和节点的数目，激活函数的形式，以及对权重做那些限制等。

有益效果是本发明能够对特定机器设备的异常运行状况进行检测，保证其正常运行。当下，工厂的机器设备种类繁多复杂，运行环境恶劣，机器的运行情况关乎企业的命运。如果不对故障进行分析和诊断，很有可能会对企业造成一定的负面影响，比如包括经济和名誉上的巨大损失。如果仅仅单纯依靠专业人员去判别，难免会有漏判和误判的现象，而且这是一项耗费人力财力的举措。如果能把它与机器自身实时运行监测结合起来，不仅有助于专业人员去判别，还能提高判别故障的准确性和实时性。只有采用二者结合的方法才能有效保障机器设备的平稳安全运行，防止因故障造成巨大损失。所以，基于音频分析的机器运行异常检测与实现，对保障机器的安全运行以及故障实时监测有非常重要的意义。

附图说明

图1为本发明基于音频分析和机器学习的工业设备运行异常检测系统的步骤图；

图2为本发明采用的模块以及其连接方式；

图3为一种人工神经网络模型的拓扑图；

图4为本发明所采用的数字化标准wav格式的PCM编码音频的过程；

图5为本发明所采用的音频分析处理方案；

图6为本发明所采用的训练人工神经网络的步骤；

图7为本发明基于音频分析和机器学习的工业设备运行异常检测的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-3所示，本发明实施例提供的基于音频分析和机器学习的工业设备运行异常监测系统包括以下步骤：

S101：采集设备噪音，数字化为数据集

S102：对数据集进行多维度的特征提取，其中需要先对数据做预处理和主成分分析

S103：对提取到的噪音特征，建立模型

S104：继续对设备噪音实时监测，提取特征参数，经过模型的分类判断，向设备管理员反馈设备运行实时情况

采集设备运行的噪音就是在工厂设备附近，放置麦克风阵列，以实时采集设备运行的噪音。麦克风阵列是由一定数目的声学传感器(麦克风)按照一定规则排列，对声场的空间特性进行采样并处理的系统。多路麦克风信号采集软硬件解决方案同时已经被广泛应用于智能音响、智能电视、智能会议、汽车领域异音定位等领域，会议速记、声纹采集、声音定位系统等特定场合。对采集到的模拟信号进行数字化是处理的前提。

如图4所示，本发明所采用的数字化标准wav格式的PCM编码音频的过程如下：

(1)读取标准的PCM编码的wav格式的音频文件的头部信息，包括采样率、采样位数、声道数等信息

(2)依据头部信息，以字节流的方式读取数据块，读取高字节和低字节数据，按特定规则转换成浮点数据

直接对音频信号的原始数据作分析是很困难的一件事，所以往往需要预处理。根据特定的语音分析场合，预处理的步骤会有所不同。由于我们是噪音处理，不需要诸如预加重和降噪之类的步骤。紧接着进行主成分分析，降低数据维度。最后是特征提取的步骤，它的目标是提取出能代表正常噪音和异常噪音若干类别的一组特征参数

如图5所示，本发明所采用的音频分析处理方案如下：

(1)分帧：分帧使得语音信号具有短时不变性，方便分析。通常采用交叠分帧的方法，这样可以使得帧与帧之间并不是相对孤立的，增加帧与帧之间的联系，以提高平滑度。

(2)加窗：使得一帧语音信号的幅度在滑动窗口的两端慢慢降为0、提高傅里叶变换后频谱的分辨率和减小频域泄漏

(3)主成分分析：降低数据维度

(4)特征提取阶段：通过提取音频数据的多维度参数，选取一组简单复杂度低且易区分噪音类别的特征参数

对选取的特征参数来训练分类模型，这里拟采用人工神经网络模型，它的优点包括对噪声数据有较强的容忍性以及对先前未见过的(不在训练集)的样本的分类能力

如图6所示，本发明所采用的训练人工神经网络的步骤如下：

(1)初始化神经网络连接权值和节点偏置：先确定神经网络的输入层单元数，隐藏层数及单元数和输出层单元数。输入层单元数一般是特征的维数，输出层单元数一般是分类的数目，隐藏层数和单元数没有统一的选取标准，但可以在测试中选取分类正确率较高，但不明显上升的情况下的隐藏层数和各层单元数。初始化连接权值和节点偏置一般可以选取介于0到1之间的随机数。

(2)判断终止条件是否符合，通常可以选取训练误差是否小于阈值或者是否达到最大迭代次数判定，若符合则终止训练

(3)对训练元组进行归一化，传入输入单元，经由隐藏层至输出单元，在输出单元计算误差。一般地，各层的输入等于来自上一层输出与连接权值的相乘并作和，各层的输出可以选取适当的激活函数。

(4)由输出单元向前传播误差，并更新连接权值和节点偏置，转步骤(2)

在训练好模型的基础上，对麦克风采集的实时噪音经过数字化，预处理和主成分分析，特征提取，通过训练模型即可得到分类结果。最终以可视化的方法显示出来告知设备管理人员，例如在电脑监控屏幕上反映报警信息，并对机器设备采取相应的动作。

如图7所示，本发明基于音频分析和机器学习的工业设备运行异常检测系统的结构框图，第一阶段就是建立正常噪音和异常噪音的分类模型，它是后面做判别的基础，第二阶段是识别分类阶段，以同样的步骤对未知类别的噪声进行预处理和特征提取得到一系列特征参数。将特征参数与分类模型中的参考数据相比较，从而得出结果。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于音频分析和机器学习的机器运行异常检测系统，其特征在于：包括以下模块：声音采集模块，模拟信号数字化模块，数据分析处理模块和运行状态告知模块；

声音采集模块采用麦克风阵列现场采集工厂设备的运行噪音，模拟信号数字化模块是将这些模拟信号数字化为数字数据，数据分析处理模块包括对音频数字数据进行预处理、特征提取、与模型对比分析等功能，运行状态告知模块是将分析处理后的结果以可视的方式展现出来的设备；

各个模块以以电连接或者信号连接。

2.一种基于音频分析和机器学习的机器运行异常检测方法，其特征在于，包括以下步骤：

步骤1：采集设备噪音，数字化为数据集；

步骤2：对数据集进行多维度的特征提取，其中需要先对数据做预处理和主成分分析；

步骤3：对提取到的噪音特征，建立模型；

步骤4：继续对设备噪音实时监测，提取特征参数，经过模型的分类判断，向设备管理员反馈设备运行实时情况。

3.如权利要求2所述的基于音频分析和机器学习的机器运行异常检测方法，其特征在于：在步骤1中，在工厂设备附近，放置麦克风阵列，以实时采集设备运行的噪音，经过特定的算法，将其数字化为双通道的量化数据，方便后续分析。

4.如权利要求2所述的基于音频分析和机器学习的机器运行异常检测方法，其特征在于：在步骤2中，预处理步骤主要涉及分帧加窗和预加重步骤，目的都是为了获得更标准的数据集；进行主成分分析是由于变量个数太多就会增加课题的复杂性；人们自然希望变量个数较少而得到的信息较多，而变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠；主成分分析是对于原先提出的所有变量，将重复的变量即关系紧密的变量删去多余，建立些变量是两两不相关的，而且这些新变量在反映课题的信息方面保持原有的信息；特征提取是对已经过预处理和主成分分析后得到的数据进行音频的相关特征提取，常见的音频特征有基音周期和MFCC系数等；对比特征提取的结果，可以选择一组易区分、计算步骤少、复杂性低的特征参数。

5.如权利要求2所述的基于音频分析和机器学习的机器运行异常检测方法，其特征在于：在步骤3中，对选取好的特征参数，建立特征参数数据集，选择有效的监督分类机器学习方法，训练对应模型，可以使用人工神经网络模型，通过该模型对数据集进行训练，目标使得网络模型收敛。

6.如权利要求2所述的基于音频分析和机器学习的机器运行异常检测方法，其特征在于：在步骤4中，在训练好模型的基础上，对麦克风采集的实时噪音经过数字化，预处理和主成分分析，特征提取，通过训练模型即可得到结果，最终以可视化的方法显示出来告知设备管理人员，例如在电脑监控屏幕上反映报警信息，并对机器设备采取相应的动作。

Images