CN116304546A - 基于声音信号的供热系统热力站故障诊断方法及系统 - Google Patents
基于声音信号的供热系统热力站故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116304546A CN116304546A CN202211459909.4A CN202211459909A CN116304546A CN 116304546 A CN116304546 A CN 116304546A CN 202211459909 A CN202211459909 A CN 202211459909A CN 116304546 A CN116304546 A CN 116304546A
- Authority
- CN
- China
- Prior art keywords
- sound signal
- evidence
- fault diagnosis
- station
- feature extraction
- 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
- 230000005236 sound signal Effects 0.000 title claims abstract description 159
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010438 heat treatment Methods 0.000 claims abstract description 85
- 238000000605 extraction Methods 0.000 claims abstract description 66
- 230000009467 reduction Effects 0.000 claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000010410 layer Substances 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 21
- 241000282461 Canis lupus Species 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 18
- 230000006872 improvement Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声音信号的供热系统热力站故障诊断方法，包括：获取供热系统热力站正常状态和故障状态下的声音信号；采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；对特征提取后的声音信号进行降维处理；将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D‑S证据理论进行决策融合获得供热系统热力站故障诊断结果。本发明通过分析热力站设备在运行过程中声音信号来对热力站设备的故障进行诊断，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高。
Description
技术领域
本发明属于热力站故障诊断技术领域，具体涉及一种基于声音信号的供热系统热力站故障诊断方法及系统。
背景技术
随着经济的快速发展，城镇化集中供热规模不断增加，随之而来的是供热故障的发生。伴随计算机技术的不断进步，为了提高供热系统的经济效益和社会效益，利用智能化手段对集中供热系统进行实时监控和管理是现代发展的趋势。供热系统中热力站是核心组成部分，其运行状态将直接影响整个设备的工作状态，一旦热力站中设备发生故障将造成用户供暖不足、设备运行异常或者其他经济性损失，其中热网发生的故障最为常见，常分为管道堵塞、泄漏故障和管道附件故障；换热站内同样有许多设备和管道附件，由于设备年久老化或人员操作不当等原因，会造成换热站的运行不正常，造成用户家中的散热器不热。
运用故障诊断技术监测热力站的性能，并在早起发现热力站设备部件的故障以消除事故的发生，保证系统的正常运行，对整个供热系统的健康运行起着决定性的作用。目前针对热力站故障诊断有通过振动传感器监测到的振动情况来分析热力站设备故障，但其应用范围有限，在一些设备环境下无法安装振动传感器，而声音信号是振动信号的另一种体现形式，隐藏着设备运行的重要信息，可以通过监测声音特征变化判断热力站设备运行状态的改变，还可以通过非接触的方式获取无法安装振动传感器环境条件下的信号。因此，如何基于声音信号进行热力站故障诊断，监测热力站的性能状态并对其潜在的故障进行提前预测和评估，提高热力站设备的管理水平，实现对热力站设备的故障诊断及健康管理是目前急需解决的问题。
基于上述技术问题，需要设计一种新的基于声音信号的供热系统热力站故障诊断方法。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于声音信号的供热系统热力站故障诊断方法，能够通过获取热力站各设备声音信号，进行降噪处理、特征提取、降维处理和D-S证据理论进行决策融合后获得最终的热力站故障诊断结果，其通过分析热力站设备在运行过程中声音信号来对热力站设备的故障进行诊断，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高。
为了解决上述技术问题，本发明的技术方案是：
本发明提供了一种基于声音信号的供热系统热力站故障诊断方法，所述热力站故障诊断方法包括：
步骤S1、获取供热系统热力站正常状态和故障状态下的声音信号；
步骤S2、采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
步骤S3、对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
步骤S4、对特征提取后的声音信号进行降维处理；
步骤S5、将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
进一步，所述步骤S1中，获取供热系统热力站正常状态和故障状态下的声音信号，包括：
真实声音信号获取：通过在热力站中设置多个声音采集装置，采集获取热力站处于正常状态和故障状态下的声音信号，并记录采集的声音信号与热力站正常状态、故障状态的对应关系；
模拟声音信号获取：构建供热系统热力站数字孪生模型，通过该数字孪生模型仿真模拟热力站正常状态和故障状态，获取对应状态下的模拟声音信号；
其中，所述构建供热系统热力站数字孪生模型，包括：
接收供热系统热力站的物理实体数据，并对接收的物理实体数据进行实体确定和各实体之间的关联关系确定后，再确定实体中所包括的属性数据；所述热力站的物理实体至少包括一次网、板式换热器、二次网、循环水泵和调节阀，一次网的热水通过板式换热器将热量远程输送至二次网，再由二次网进行热量的分配；所述属性数据包括实体的数据特征集合；
对属性数据进行处理，统计每一数据特征的原始分布和分布参数，并对数据特征进行调整后输入至机器学习模型中进行训练，获得数字孪生模型参数；
根据所述数字孪生模型参数提取出静态常量数据和动态变量数据，根据所述静态常量数据和动态变量数据构建初始数字孪生模型；
将预设输入源输入至所述初始数字孪生模型获得对应的预测输出，判断预测输出与实际输出的出入是否大于预设阈值，若大于预设阈值，则该数字孪生模型不满足预设条件，重新调整数字孪生模型参数；否则该数字孪生模型满足预设条件。
进一步，所述步骤S2中，采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理，包括：
选取具有衰减性的小波基，对获取的声音信号进行小波分解；所述小波分解的层数选择与声音信号的采样频率Fs相关，若对声音信号进行P层分解，则各层数频段大小表示为：
选取小波阈值λ，经过小波分解后的小波系数wλ表示为：
sgn()为阶跃函数；
通过引入指数函数1/exp()和参数a对阈值函数进行改进，表示为：
采用阈值函数改进后的小波系数重构获得降噪后的声音信号。
进一步，所述步骤S3中，对降噪后的声音信号进行MFCC特征提取和深度学习特征提取，包括：
对降噪后的声音信号进行预加重、分帧和加窗预处理；
对预处理后的声音信号进行MFCC特征提取，包括：利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征；
对预处理后的声音信号进行深度学习特征提取，包括：将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征。
进一步，所述利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征，包括：
S301、对预处理后的每一帧声音信号进行快速傅里叶变换后获得频域信号X(k)，并对频域信号取模平方获得功率谱；
所述频域信号
x(n)为声音时域输入信号，N为采样点数；
S302、将变换后的声音信号通过M个Mel尺度的三角形滤波器组进行滤波，所述滤波器组表示为：
其中，
f(m)为三角形滤波器中心频率；
S303、计算每个滤波器组输出的对数能量，第m个滤波器组的对数能量表示为：
S304、通过离散余弦变换进行倒谱分析获得MFCC系数，表示为：
其中，M为Mel滤波器的个数，也是MFCC特征的维数；
S305、根据滤波器的数量，将获得的若干个MFCC次数组成一个向量，获得这一帧声音信号下的MFCC特征。
进一步，所述将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征，包括：
将预处理后的声音信号通过短时傅里叶变换获得语谱图；所述语谱图中包括声音信号的时间、频率和幅值信息，且幅值信息以颜色的深浅表示；
对语谱图进行变换以扩充声音信号样本量；所述变换的方式至少包括：局部灰度转换、深度卷积对抗网络和时域循环移位；
构建深度神经网络，其结构包括：输入层、卷积层、第一激活层、多个卷积残差块、第二激活层、LSTM层、Dropout层和全连接层；所述多个卷积残差块的输出通道维度不同，每一卷积残差块的输出通道维度是上一层卷积残差块输出通道维度的两倍；
将语谱图输入至经过训练的深度神经网络中进行深度学习特征提取：通过输入层输入语谱图，通过卷积层对输入的语谱图进行浅层特征提取，通过第一激活层对提取的浅层特征数据进行非线性处理，通过多个卷积残差块依次对第一激活层的输出进行学习和对上一卷积残差块的输出进行学习，通过第二激活层对最后一个卷积残差块提取的数据进行非线性处理，通过LSTM层对第二激活层的数据进行记忆操作，通过Dropout层对输入的部分数据置0，通过全连接层对Dropout层的输出进行全连接操作获取语谱图的深层特征信息；所述深度神经网络的训练方法为标准反向传播方法。
进一步，所述步骤S4中，对特征提取后的声音信号进行降维处理，包括：
采用KPCA核主成分分析方法对特征提取后的声音信号进行降维：
S401、将特征提取后的声音信号数据记为X＝[X1,X2,...,XL]，L为数据样本个数，每个数据样本为P维列向量，形成L×P的矩阵X，设降维后的低维输出维度为d；
S402、将矩阵X映射到特征空间中，表示为：Φ(X)＝[Φ(x1),Φ(x2),...,Φ(xL)]；
S403、选择合适的核函数K，对核矩阵进行中心化处理，建立标准核矩阵
I1/L为L×L的矩阵，所有元素均为1/L；
S404、计算核矩阵
的特征值和对应的特征向量，并将获得的特征值由大到小进行排序，特征向量会随着特征值的排序依次排列；
S405、对特征向量进行正交单位化后，获得的特征向量即为核主成分分量；
S406、取最大的d个特征值，提取对应的d个主成分分量，计算投影矩阵
α为核主成分能量，Y为矩阵X数据经过降维后的数据。
进一步，所述步骤S5中，将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果，包括：
将降维处理后的MFCC特征输入至优化后的小波神经网络中进行训练后，构建第一故障诊断模型；
将降维后的深度学习特征输入至优化后的支持向量机网络中进行训练后，构建第二故障诊断模型；
将所述第一故障诊断模型和第二故障诊断模型的输出结果作为D-S证据理论的证据体，分别为证据体E1和证据体E2，采用基于证据距离加权的D-S证据理论改进方法对证据体E1和E2进行加权决策融合后获得供热系统热力站故障诊断结果；
其中，所述基于证据距离加权的D-S证据理论改进方法实现过程包括：
S501、设证据体E1和E2的权重向量为w1、w2，由证据体E1和E2构成证据矩阵M，并计算获得其质心向量ME；
S502、计算证据体向量Ei与证据体质心向量ME之间的距离，表示为：
S503、设置优化目标函数为使所有证据体与质心向量之间的距离平方和最小，表示为：
约束条件为：0≤wi≤1，i＝1,2，...，n，w1+w2＝1；
S504、根据目标函数和约束条件构造拉格朗日函数，表示为：
其中，λ为拉格朗日算子，权重求解问题转化为确定权重向量w1、w2，使得拉格朗日函数J最小；m(Aj)为第j类故障的基本概率分配函数；m(Aj)＝rpi，m(Θ)＝1-r；r为故障诊断模型进行诊断的准确率，pi为故障诊断模型输出的第i类结果，m(Θ)为输出结果为不确定的基本分配概率；
S505、采用牛顿-拉夫逊方法进行求解，表示为：
S506、计算获得证据体的权重向量
基于权重向量进行基本概率分配函数的修正，获得加权概率分配w1m1和w2m2。
进一步，所述优化后的小波神经网络实现是通过将混沌引入粒子群优化算法中形成混沌粒子群优化算法，并对小波神经网络中的尺度因子、位移因子和层间连接权重参数进行优化；
所述优化后的支持向量机网络实现是通过改进的灰狼算法对支持向量机网络的惩罚因子和核函数参数进行优化；所述改进的灰狼算法采用非线性余弦收敛因子、飞行策略和贪婪保留策略进行改进。
本发明还提供了一种基于声音信号的供热系统热力站故障诊断系统，所述热力站故障诊断系统包括：
声音信号获取模块，用于获取供热系统热力站正常状态和故障状态下的声音信号；
降噪模块，用于采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
特征提取模块，用于对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
降维模块，用于对特征提取后的声音信号进行降维处理；
故障诊断模块，用于将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
本发明的有益效果是：
(1)本发明通过获取供热系统热力站正常状态和故障状态下的声音信号；采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；对特征提取后的声音信号进行降维处理；将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果；能够通过获取热力站各设备声音信号，进行降噪处理、特征提取、降维处理和D-S证据理论进行决策融合后获得最终的热力站故障诊断结果，其通过分析热力站设备在运行过程中声音信号来对热力站设备的故障进行诊断，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高，并且该故障诊断不需要依赖专业的检测设备，只需要采集热力站设备在运行过程中的声音信号，并通过对该声音信号进行分析便可得到诊断结果，成本较低；
(2)本发明通过针对传统声音信号特征不能较好表征信号特征的问题，对热力站设备声音信号进行了MFCC特征和深度学习特征两个特征的提取，MFCC的提取是将去噪后的声音信号快速傅里叶变换，通过Mel滤波器滤波，在进行对数变换求得，基于深度学习的特征提取是利用短时傅里叶变换将声音信号转化为语谱图，再通过采用深度神经网络特征提取的方法进行提取，通过两种特征的提取，获得热力站运行时声音信号中最能表征信号类型的信息；
(3)本发明通过采用基于证据距离加权的D-S证据理论改进方法对证据体和进行加权决策融合后获得供热系统热力站故障诊断结果，根据模型的误差和识别错误率确定各证据体基本概率分配函数，并基于D-S证据理论对各证据体进行融合得到其融合结果，具有更好的识别准确率和抗干扰能力。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于声音信号的供热系统热力站故障诊断方法流程示意图；
图2为本发明一种基于声音信号的供热系统热力站故障诊断方法原理示意图；
图3为本发明一种基于声音信号的供热系统热力站故障诊断系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
图1是本发明所涉及的一种基于声音信号的供热系统热力站故障诊断方法流程图。
图2是本发明所涉及的一种基于声音信号的供热系统热力站故障诊断方法原理示意图。
如图1-2所示，本实施例1提供了一种基于声音信号的供热系统热力站故障诊断方法，所述热力站故障诊断方法包括：
步骤S1、获取供热系统热力站正常状态和故障状态下的声音信号；
步骤S2、采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
步骤S3、对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
步骤S4、对特征提取后的声音信号进行降维处理；
步骤S5、将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
在本实施例中，所述步骤S1中，获取供热系统热力站正常状态和故障状态下的声音信号，包括：
真实声音信号获取：通过在热力站中设置多个声音采集装置，采集获取热力站处于正常状态和故障状态下的声音信号，并记录采集的声音信号与热力站正常状态、故障状态的对应关系；
模拟声音信号获取：构建供热系统热力站数字孪生模型，通过该数字孪生模型仿真模拟热力站正常状态和故障状态，获取对应状态下的模拟声音信号；
其中，所述构建供热系统热力站数字孪生模型，包括：
接收供热系统热力站的物理实体数据，并对接收的物理实体数据进行实体确定和各实体之间的关联关系确定后，再确定实体中所包括的属性数据；所述热力站的物理实体至少包括一次网、板式换热器、二次网、循环水泵和调节阀，一次网的热水通过板式换热器将热量远程输送至二次网，再由二次网进行热量的分配；所述属性数据包括实体的数据特征集合；
对属性数据进行处理，统计每一数据特征的原始分布和分布参数，并对数据特征进行调整后输入至机器学习模型中进行训练，获得数字孪生模型参数；
根据所述数字孪生模型参数提取出静态常量数据和动态变量数据，根据所述静态常量数据和动态变量数据构建初始数字孪生模型；
将预设输入源输入至所述初始数字孪生模型获得对应的预测输出，判断预测输出与实际输出的出入是否大于预设阈值，若大于预设阈值，则该数字孪生模型不满足预设条件，重新调整数字孪生模型参数；否则该数字孪生模型满足预设条件。
需要说明的是，热力站故障状态至少包括管网堵塞、管网泄漏、板式换热器堵塞、循环水泵运转异常等。在实际的应用中，在热力站里设置边缘计算装置，通过边缘计算装置进行本地声音信号的分析，不用再将信号传输传输到云端处理。
在本实施例中，所述步骤S2中，采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理，包括：
选取具有衰减性的小波基，对获取的声音信号进行小波分解；所述小波分解的层数选择与声音信号的采样频率Fs相关，若对声音信号进行P层分解，则各层数频段大小表示为：
选取小波阈值λ，经过小波分解后的小波系数wλ表示为：
sgn()为阶跃函数；
通过引入指数函数1/exp()和参数a对阈值函数进行改进，表示为：
采用阈值函数改进后的小波系数重构获得降噪后的声音信号。
在本实施例中，所述步骤S3中，对降噪后的声音信号进行MFCC特征提取和深度学习特征提取，包括：
对降噪后的声音信号进行预加重、分帧和加窗预处理；
对预处理后的声音信号进行MFCC特征提取，包括：利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征；
对预处理后的声音信号进行深度学习特征提取，包括：将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征。
需要说明的是，预加重是通过一定的手段对高频声音进行一定补偿，将声音信号送进一个一阶FIR滤波器实现预加重，经过预加重之后声音信号高频部分幅度上升，低频部分幅度下降；在预加重之后，需要将声音信号在时域上分割成短帧，通过矩形窗沿时间轴对信号进行分割，矩形窗的长度被称为帧长；由于每一帧信号在截断处都存在从零到某个值或者从某个值到零的突变，这会为信号引入高频噪声，并且还会出现频谱泄露现象，因此为了减少频谱泄露，对截断处的不连续进行平滑，可以对信号进行加窗，对截得的采样点进行一定的加权；常见的窗函数包括矩形窗、汉宁窗和汉明窗。
在本实施例中，所述利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征，包括：
S301、对预处理后的每一帧声音信号进行快速傅里叶变换后获得频域信号X(k)，并对频域信号取模平方获得功率谱；
所述频域信号
x(n)为声音时域输入信号，N为采样点数；
S302、将变换后的声音信号通过M个Mel尺度的三角形滤波器组进行滤波，所述滤波器组表示为：
其中，
f(m)为三角形滤波器中心频率；
S303、计算每个滤波器组输出的对数能量，第m个滤波器组的对数能量表示为：
S304、通过离散余弦变换进行倒谱分析获得MFCC系数，表示为：
其中，M为Mel滤波器的个数，也是MFCC特征的维数；
S305、根据滤波器的数量，将获得的若干个MFCC次数组成一个向量，获得这一帧声音信号下的MFCC特征。
在本实施例中，所述将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征，包括：
将预处理后的声音信号通过短时傅里叶变换获得语谱图；所述语谱图中包括声音信号的时间、频率和幅值信息，且幅值信息以颜色的深浅表示；
对语谱图进行变换以扩充声音信号样本量；所述变换的方式至少包括：局部灰度转换、深度卷积对抗网络和时域循环移位；
构建深度神经网络，其结构包括：输入层、卷积层、第一激活层、多个卷积残差块、第二激活层、LSTM层、Dropout层和全连接层；所述多个卷积残差块的输出通道维度不同，每一卷积残差块的输出通道维度是上一层卷积残差块输出通道维度的两倍；
将语谱图输入至经过训练的深度神经网络中进行深度学习特征提取：通过输入层输入语谱图，通过卷积层对输入的语谱图进行浅层特征提取，通过第一激活层对提取的浅层特征数据进行非线性处理，通过多个卷积残差块依次对第一激活层的输出进行学习和对上一卷积残差块的输出进行学习，通过第二激活层对最后一个卷积残差块提取的数据进行非线性处理，通过LSTM层对第二激活层的数据进行记忆操作，通过Dropout层对输入的部分数据置0，通过全连接层对Dropout层的输出进行全连接操作获取语谱图的深层特征信息；所述深度神经网络的训练方法为标准反向传播方法。
需要说明的是，采用标准反向传播方法对深度神经网络进行训练的过程包括：
更新深度神经网络中的权重：
更新深度神经网络中的偏移量：
其中，w、l、n、λ、ts、x和c分别表示权重、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数。
在本实施例中，所述步骤S4中，对特征提取后的声音信号进行降维处理，包括：
采用KPCA核主成分分析方法对特征提取后的声音信号进行降维：
S401、将特征提取后的声音信号数据记为X＝[X1,X2,...,XL]，L为数据样本个数，每个数据样本为P维列向量，形成L×P的矩阵X，设降维后的低维输出维度为d；
S402、将矩阵X映射到特征空间中，表示为：Φ(X)＝[Φ(x1),Φ(x2),...,Φ(xL)]；
S403、选择合适的核函数K，对核矩阵进行中心化处理，建立标准核矩阵
I1/L为L×L的矩阵，所有元素均为1/L；
S404、计算核矩阵
的特征值和对应的特征向量，并将获得的特征值由大到小进行排序，特征向量会随着特征值的排序依次排列；
S405、对特征向量进行正交单位化后，获得的特征向量即为核主成分分量；
S406、取最大的d个特征值，提取对应的d个主成分分量，计算投影矩阵
α为核主成分能量，Y为矩阵X数据经过降维后的数据。
在本实施例中，所述步骤S5中，将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果，包括：
将降维处理后的MFCC特征输入至优化后的小波神经网络中进行训练后，构建第一故障诊断模型；
将降维后的深度学习特征输入至优化后的支持向量机网络中进行训练后，构建第二故障诊断模型；
将所述第一故障诊断模型和第二故障诊断模型的输出结果作为D-S证据理论的证据体，分别为证据体E1和证据体E2，采用基于证据距离加权的D-S证据理论改进方法对证据体E1和E2进行加权决策融合后获得供热系统热力站故障诊断结果；
其中，所述基于证据距离加权的D-S证据理论改进方法实现过程包括：
S501、设证据体E1和E2的权重向量为w1、w2，由证据体E1和E2构成证据矩阵M，并计算获得其质心向量ME；
S502、计算证据体向量Ei与证据体质心向量ME之间的距离，表示为：
S503、设置优化目标函数为使所有证据体与质心向量之间的距离平方和最小，表示为：
约束条件为：0≤wi≤1，i＝1,2，…，n，w1+w2＝1；
S504、根据目标函数和约束条件构造拉格朗日函数，表示为：
其中，λ为拉格朗日算子，权重求解问题转化为确定权重向量w1、w2，使得拉格朗日函数J最小；m(Aj)为第j类故障的基本概率分配函数；m(Aj)＝rpi，m(Θ)＝1-r；r为故障诊断模型进行诊断的准确率，pi为故障诊断模型输出的第i类结果，m(Θ)为输出结果为不确定的基本分配概率；
S505、采用牛顿-拉夫逊方法进行求解，表示为：
S506、计算获得证据体的权重向量
基于权重向量进行基本概率分配函数的修正，获得加权概率分配w1m1和w2m2。
需要说明的是，在证据理论的决策当中，需要依据一定的决策准则来进行最终判断，基于基本概率分配函数的决策准则是常用的证据融合决策方法，设识别框架Θ中，存在
当满足条件：/>
Ai为系统任意一种可能发生的故障类型，当满足下式时，决策结果为A1；
ε1、ε2为预先设定的阈值门限，m(Θ)为不能确定发生故障类型的程度。
在本实施例中，所述优化后的小波神经网络实现是通过将混沌引入粒子群优化算法中形成混沌粒子群优化算法，并对小波神经网络中的尺度因子、位移因子和层间连接权重参数进行优化；
所述优化后的支持向量机网络实现是通过改进的灰狼算法对支持向量机网络的惩罚因子和核函数参数进行优化；所述改进的灰狼算法采用非线性余弦收敛因子、飞行策略和贪婪保留策略进行改进。
需要说明的是，采用混沌粒子群优化算法进行小波神经网络参数优化，包括：
(1)初始化小波神经网络的层间权值以及小波层的尺度因子和平移因子，确定混沌迭代次数和粒子群迭代次数，定义粒子群的适应度计算值，表示为：
其中，N为网络的样本数；O为网络输出；d为目标输出；p为网络输出和目标输出的维数；
(2)确定局部极值和全局极值。对于每一个粒子，比较其当前适应度与先前的最佳适应度，并取二者中的较小值作为该粒子的局部极值，取所有粒子当前适应度中最小值作为全局极值；
(3)对于全局极值对应的位置向量xg＝(xg1,xg2,...,xgT)，将其映射到区间[0,1]，通过zn+1＝μzn(1-zn)获得混沌序列。混沌序列通过逆映射返回原始解空间，计算每个可行解对应的适应度，将最佳适应度对应的粒子随机替代群体中的一个粒子，同时最佳适应度保存为新的全局极值；μ为控制变量；zn为混沌序列；μ值确定后，由任意初值z0∈[0,1]，通过较长时间的迭代后，能够获得遍历区间内所有值的混沌序列，能够混沌序列的遍历性寻找全局最优解；
(4)通过不断迭代计算获得局部极值和全局极值，更新粒子的速度和位置；
vij(k+1)＝wvij(k+1)+s1d1[Qij(k)-xij(k)]+s2d2[Qgj(k)-xij(k)]；
xij(k+1)＝xij(k)+vij(k+1)；
其中，vij、xij分别为第i个粒子的速度向量和位置向量的第j维分量；Qij、Qgj分别为第i个粒子局部极值的第j维分量和全局极值的第j维分量；w为惯性权重系数；s1、s2为加速常数；d1、d2为随机数；
(5)当达到粒子群迭代次数时，结束迭代计算，输出最优解。
采用改进的灰狼算法对支持向量机网络参数进行优化，包括：
(1)改进的灰狼算法：
为使收敛因子能够将灰狼群体的优化搜索过程完全体现出来，对收敛因子采用余弦收敛因子的收敛方式，在迭代前期收敛速度缓慢，较平稳，在很大程度上丰富了种群的多样性，有利于寻求全局最优解，到了迭代后期，下降速度明显加快，进一步加快了收敛速度；
为了弥补灰狼算法过早收敛以及收敛精度低的不足，在优化收敛因子的基础上引入Levy飞行策略，基于Levy飞行策略改进灰狼位置更新公式为：
Xα(t)、Xβ(t)、Xδ(t)为当代灰狼在t时刻迭代的位置；κ为步长控制量；Levy(γ)为随机搜索路径；引入Levy飞行策略扩大其搜索范围，对位置进行更新，分析灰狼个体与猎物间的位置关系，有效提升整体搜索的性能，加强算法的灵活性；
引入贪婪策略来决定是否更新灰狼位置，如果计算更新后灰狼位置的适应度值小于其原位置的值，则需要位置更新，表示为：
Xi为灰狼i的原位置；
为基于Levy飞行改进后的位置；fit()为适应度值；
(2)支持向量机参数优化：
初始化支持向量机的惩罚因子和核函数参数、以及改进的灰狼算法参数；
对灰狼种群进行初始化，确定惩罚因子和核函数参数的初始值；
适应度函数以SVM当前的识别准确率为起点，学习和训练初始的训练样本；
根据灰狼个体的适应度值确定等级，更新其位置信息；
根据α、β、δ的位置信息更新其他搜索个体的位置；
更新收敛因子a、随机向量A和C，确定新的Xα、Xβ、Xδ；
若迭代不满足约束条件，则训练结束，输出最优惩罚因子和核函数参数；否则返回重新更新搜索位置。
实施例2
图3是本发明所涉及的一种基于声音信号的供热系统热力站故障诊断系统结构示意图。
如图3所示，本实施例2提供了一种基于声音信号的供热系统热力站故障诊断系统，所述热力站故障诊断系统包括：
声音信号获取模块，用于获取供热系统热力站正常状态和故障状态下的声音信号；
降噪模块，用于采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
特征提取模块，用于对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
降维模块，用于对特征提取后的声音信号进行降维处理；
故障诊断模块，用于将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于声音信号的供热系统热力站故障诊断方法，其特征在于，所述热力站故障诊断方法包括：
步骤S1、获取供热系统热力站正常状态和故障状态下的声音信号；
步骤S2、采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
步骤S3、对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
步骤S4、对特征提取后的声音信号进行降维处理；
步骤S5、将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
2.根据权利要求1所述的热力站故障诊断方法，其特征在于，所述步骤S1中，获取供热系统热力站正常状态和故障状态下的声音信号，包括：
真实声音信号获取：通过在热力站中设置多个声音采集装置，采集获取热力站处于正常状态和故障状态下的声音信号，并记录采集的声音信号与热力站正常状态、故障状态的对应关系；
模拟声音信号获取：构建供热系统热力站数字孪生模型，通过该数字孪生模型仿真模拟热力站正常状态和故障状态，获取对应状态下的模拟声音信号；
其中，所述构建供热系统热力站数字孪生模型，包括：
接收供热系统热力站的物理实体数据，并对接收的物理实体数据进行实体确定和各实体之间的关联关系确定后，再确定实体中所包括的属性数据；所述热力站的物理实体至少包括一次网、板式换热器、二次网、循环水泵和调节阀，一次网的热水通过板式换热器将热量远程输送至二次网，再由二次网进行热量的分配；所述属性数据包括实体的数据特征集合；
对属性数据进行处理，统计每一数据特征的原始分布和分布参数，并对数据特征进行调整后输入至机器学习模型中进行训练，获得数字孪生模型参数；
根据所述数字孪生模型参数提取出静态常量数据和动态变量数据，根据所述静态常量数据和动态变量数据构建初始数字孪生模型；
将预设输入源输入至所述初始数字孪生模型获得对应的预测输出，判断预测输出与实际输出的出入是否大于预设阈值，若大于预设阈值，则该数字孪生模型不满足预设条件，重新调整数字孪生模型参数；否则该数字孪生模型满足预设条件。
3.根据权利要求1所述的热力站故障诊断方法，其特征在于，所述步骤S2中，采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理，包括：
选取具有衰减性的小波基，对获取的声音信号进行小波分解；所述小波分解的层数选择与声音信号的采样频率Fs相关，若对声音信号进行P层分解，则各层数频段大小表示为：
选取小波阈值λ，经过小波分解后的小波系数wλ表示为：
sgn()为阶跃函数；
通过引入指数函数1/exp()和参数a对阈值函数进行改进，表示为：
采用阈值函数改进后的小波系数重构获得降噪后的声音信号。
4.根据权利要求1所述的热力站故障诊断方法，其特征在于，所述步骤S3中，对降噪后的声音信号进行MFCC特征提取和深度学习特征提取，包括：
对降噪后的声音信号进行预加重、分帧和加窗预处理；
对预处理后的声音信号进行MFCC特征提取，包括：利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征；
对预处理后的声音信号进行深度学习特征提取，包括：将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征。
5.根据权利要求4所述的热力站故障诊断方法，其特征在于，所述利用快速傅里叶变换获得每一帧声音信号的频域信号，通过Mel滤波器组滤波产生多个对数能量，并将对数能量进行倒谱分析获得MFCC特征，包括：
S301、对预处理后的每一帧声音信号进行快速傅里叶变换后获得频域信号X(k)，并对频域信号取模平方获得功率谱；
所述频域信号
x(n)为声音时域输入信号，N为采样点数；
S302、将变换后的声音信号通过M个Mel尺度的三角形滤波器组进行滤波，所述滤波器组表示为：
其中，
f(m)为三角形滤波器中心频率；
S303、计算每个滤波器组输出的对数能量，第m个滤波器组的对数能量表示为：
S304、通过离散余弦变换进行倒谱分析获得MFCC系数，表示为：
其中，M为Mel滤波器的个数，也是MFCC特征的维数；
S305、根据滤波器的数量，将获得的若干个MFCC次数组成一个向量，获得这一帧声音信号下的MFCC特征。
6.根据权利要求4所述的热力站故障诊断方法，其特征在于，所述将预处理后的声音信号通过短时傅里叶变换获得语谱图，对语谱图进行变换以扩充声音信号样本量，将语谱图输入至特征提取神经网络中提取深度学习特征，包括：
将预处理后的声音信号通过短时傅里叶变换获得语谱图；所述语谱图中包括声音信号的时间、频率和幅值信息，且幅值信息以颜色的深浅表示；
对语谱图进行变换以扩充声音信号样本量；所述变换的方式至少包括：局部灰度转换、深度卷积对抗网络和时域循环移位；
构建深度神经网络，其结构包括：输入层、卷积层、第一激活层、多个卷积残差块、第二激活层、LSTM层、Dropout层和全连接层；所述多个卷积残差块的输出通道维度不同，每一卷积残差块的输出通道维度是上一层卷积残差块输出通道维度的两倍；
将语谱图输入至经过训练的深度神经网络中进行深度学习特征提取：通过输入层输入语谱图，通过卷积层对输入的语谱图进行浅层特征提取，通过第一激活层对提取的浅层特征数据进行非线性处理，通过多个卷积残差块依次对第一激活层的输出进行学习和对上一卷积残差块的输出进行学习，通过第二激活层对最后一个卷积残差块提取的数据进行非线性处理，通过LSTM层对第二激活层的数据进行记忆操作，通过Dropout层对输入的部分数据置0，通过全连接层对Dropout层的输出进行全连接操作获取语谱图的深层特征信息；所述深度神经网络的训练方法为标准反向传播方法。
7.根据权利要求1所述的热力站故障诊断方法，其特征在于，所述步骤S4中，对特征提取后的声音信号进行降维处理，包括：
采用KPCA核主成分分析方法对特征提取后的声音信号进行降维：
S401、将特征提取后的声音信号数据记为X＝[X1,X2,...,XL]，L为数据样本个数，每个数据样本为P维列向量，形成L×P的矩阵X，设降维后的低维输出维度为d；
S402、将矩阵X映射到特征空间中，表示为：Φ(X)＝[Φ(x1),Φ(x2),...,Φ(xL)]；
S403、选择合适的核函数K，对核矩阵进行中心化处理，建立标准核矩阵
I1/L为L×L的矩阵，所有元素均为1/L；
S404、计算核矩阵
的特征值和对应的特征向量，并将获得的特征值由大到小进行排序，特征向量会随着特征值的排序依次排列；
S405、对特征向量进行正交单位化后，获得的特征向量即为核主成分分量；
S406、取最大的d个特征值，提取对应的d个主成分分量，计算投影矩阵
α为核主成分能量，Y为矩阵X数据经过降维后的数据。
8.根据权利要求1所述的热力站故障诊断方法，其特征在于，所述步骤S5中，将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果，包括：
将降维处理后的MFCC特征输入至优化后的小波神经网络中进行训练后，构建第一故障诊断模型；
将降维后的深度学习特征输入至优化后的支持向量机网络中进行训练后，构建第二故障诊断模型；
将所述第一故障诊断模型和第二故障诊断模型的输出结果作为D-S证据理论的证据体，分别为证据体E1和证据体E2，采用基于证据距离加权的D-S证据理论改进方法对证据体E1和E2进行加权决策融合后获得供热系统热力站故障诊断结果；
其中，所述基于证据距离加权的D-S证据理论改进方法实现过程包括：
S501、设证据体E1和E2的权重向量为w1、w2，由证据体E1和E2构成证据矩阵M，并计算获得其质心向量ME；所述证据矩阵M由n组证据构成；
S502、计算证据体向量Ei与证据体质心向量ME之间的距离，表示为：
S503、设置优化目标函数为使所有证据体与质心向量之间的距离平方和最小，表示为：
约束条件为：0≤wi≤1，i＝1,2，…，n，w1+w2＝1；
S504、根据目标函数和约束条件构造拉格朗日函数，表示为：
其中，λ为拉格朗日算子，权重求解问题转化为确定权重向量w1、w2，使得拉格朗日函数J最小；m(Aj)为第j类故障的基本概率分配函数；m(Aj)＝rpi，m(Θ)＝1-r；r为故障诊断模型进行诊断的准确率，pi为故障诊断模型输出的第i类结果，m(Θ)为输出结果为不确定的基本分配概率；
S505、采用牛顿-拉夫逊方法进行求解，表示为：
S506、计算获得证据体的权重向量
基于权重向量进行基本概率分配函数的修正，获得加权概率分配w1m1和w2m2。
9.根据权利要求8所述的热力站故障诊断方法，其特征在于，所述优化后的小波神经网络实现是通过将混沌引入粒子群优化算法中形成混沌粒子群优化算法，并对小波神经网络中的尺度因子、位移因子和层间连接权重参数进行优化；
所述优化后的支持向量机网络实现是通过改进的灰狼算法对支持向量机网络的惩罚因子和核函数参数进行优化；所述改进的灰狼算法采用非线性余弦收敛因子、飞行策略和贪婪保留策略进行改进。
10.一种基于声音信号的供热系统热力站故障诊断系统，其特征在于，所述热力站故障诊断系统包括：
声音信号获取模块，用于获取供热系统热力站正常状态和故障状态下的声音信号；
降噪模块，用于采用改进的小波阈值去噪算法对获取的声音信号进行降噪处理；
特征提取模块，用于对降噪后的声音信号进行MFCC特征提取和深度学习特征提取；
降维模块，用于对特征提取后的声音信号进行降维处理；
故障诊断模块，用于将降维处理后的MFCC特征和深度学习特征分别输入至机器学习算法中进行训练后，采用改进的D-S证据理论进行决策融合获得供热系统热力站故障诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211459909.4A CN116304546A (zh) | 2022-11-17 | 2022-11-17 | 基于声音信号的供热系统热力站故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211459909.4A CN116304546A (zh) | 2022-11-17 | 2022-11-17 | 基于声音信号的供热系统热力站故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304546A true CN116304546A (zh) | 2023-06-23 |
Family
ID=86820988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211459909.4A Pending CN116304546A (zh) | 2022-11-17 | 2022-11-17 | 基于声音信号的供热系统热力站故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304546A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422888A (zh) * | 2023-09-13 | 2024-01-19 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
| CN117611144A (zh) * | 2024-01-16 | 2024-02-27 | 天津市津安热电有限公司 | 一种快速响应的暖通报修系统 |
-
2022
- 2022-11-17 CN CN202211459909.4A patent/CN116304546A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422888A (zh) * | 2023-09-13 | 2024-01-19 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
| CN117422888B (zh) * | 2023-09-13 | 2024-05-10 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
| CN117611144A (zh) * | 2024-01-16 | 2024-02-27 | 天津市津安热电有限公司 | 一种快速响应的暖通报修系统 |
| CN117611144B (zh) * | 2024-01-16 | 2024-05-17 | 天津市津安热电有限公司 | 一种快速响应的暖通报修系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN116304546A (zh) | 基于声音信号的供热系统热力站故障诊断方法及系统 | |
| CN109492808B (zh) | 一种室内停车场剩余车位预测方法 | |
| CN110706720B (zh) | 一种端到端无监督深度支撑网络的声学异常检测方法 | |
| CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
| CN110136745A (zh) | 一种基于卷积神经网络的汽车鸣笛识别方法 | |
| CN111312273A (zh) | 混响消除方法、装置、计算机设备和存储介质 | |
| CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
| CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| Mallidi et al. | Autoencoder based multi-stream combination for noise robust speech recognition | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN113822201A (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
| CN110163419B (zh) | 一种中小河流流域洪水预报的方法 | |
| Mao et al. | Automated Bayesian operational modal analysis of the long-span bridge using machine-learning algorithms | |
| CN114547795A (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
| Duangpummet et al. | A robust method for blindly estimating speech transmission index using convolutional neural network with temporal amplitude envelope | |
| CN115935187B (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
| CN116720057A (zh) | 基于特征筛选与权值分配的江河水质预测方法及系统 | |
| CN113539517B (zh) | 时序干预效果的预测方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
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 |