CN116453544A - 一种基于声纹识别的工业设备运行状态监测方法 - Google Patents

一种基于声纹识别的工业设备运行状态监测方法 Download PDF

Info

Publication number
CN116453544A
CN116453544A CN202310425942.3A CN202310425942A CN116453544A CN 116453544 A CN116453544 A CN 116453544A CN 202310425942 A CN202310425942 A CN 202310425942A CN 116453544 A CN116453544 A CN 116453544A
Authority
CN
China
Prior art keywords
equipment
voiceprint
fault
signal
peak
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
Application number
CN202310425942.3A
Other languages
English (en)
Inventor
马波涛
谭董
包世峥
倪席军
王开业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Original Assignee
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd filed Critical Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Priority to CN202310425942.3A priority Critical patent/CN116453544A/zh
Publication of CN116453544A publication Critical patent/CN116453544A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • 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
    • 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
    • G10L25/21—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 power information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于声纹识别的工业设备运行状态监测方法，涉及故障监测技术领域，包括步骤：采集设备运行含背景噪声的声纹信号，然后进行小波变换与峰值抽取，进行噪声抑制；构建设备正常运行状态声纹库，结合多指标融合的设备故障监测方法，判断设备当前运行状态为正常或者故障；构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，基于联合熵特征与支持向量机训练多分类故障识别模型，实现设备运行的故障识别。本发明能对复杂背景噪声进行有效抑制，并具备信号增强的效果，基于多指标融合的设备故障监测，以及基于联合熵特征与支持向量机的设备故障识别方法，有效提升设备故障监测以及故障识别的准确率与鲁棒性。

Description

一种基于声纹识别的工业设备运行状态监测方法
技术领域
本发明涉及故障监测技术领域，特别涉及一种基于声纹识别的工业设备运行状态监测方法。
背景技术
在设备的故障诊断领域，可将设备内部状态与外部表现信息相结合共同作为诊断依据，并以此来评估设备运行状态。基于选取的不同信号源，大致可将设备的故障诊断分为基于振动信号的故障诊断与基于声纹信号的故障诊断。
基于振动信号的故障诊断，即通过分析设备的振动信号窄带特征谱来实现设备的故障检测，虽然其已取得一定的成效，但由于振动信号并不能充分代表故障信息，即其处理带宽与故障信息拾取能力不足，故而其仅能对已发生且较严重的故障进行诊断，对设备的一些隐形故障诊断能力不足，且由于信息拾取能力的限制，其故障诊断正确率也相对不高。此外，这种接触式测量的缺点是机器表面附着的传感器会随着机器振动而振动，而采集设备本身的振动不仅会对采集过程产生干扰，也容易造成传感器造成损坏，因此无法满足工业领域下主要设备运行状态监测的需求。
基于声纹信号的故障诊断主要包括听诊法、近场测量法与盲信号处理法。
听诊法即由有经验的维修人员使用铁棍对待检测设备进行击打，并根据发出的声音来判断设备运行状态，排查故障原因。此方法在现在的很多操作现场仍被沿用，但其依据具有多年维修经验的维修人员通过直觉来进行判断，没有科学理论的支撑，从而导致其可靠性不高，难以掌握。
近场测量法即将采集器放置于设备附近，通过近距离测量声纹信号，发现并定位到故障大体位置，再对比不同位置的声音信号，定位到故障具体位置，这种方法解决了听诊法只靠经验没有科学理论做依据的弊端，但是机械设备产生的声纹信号存在严重干扰，即便将采集器置于声源附近也无法排除其他声源带来的干扰影响，因此，该方法只可用来做简单的故障识别或定位，在噪声干扰下效果较差。
盲信号处理法即将目标信号从混合信号中分离，避免交叉干扰，结合故障检测与诊断技术，即可实现设备运行状态的实时监测。盲信号处理法在一定程度上解决了声学故障诊断领域长期存在的信噪比较差的问题，相较于近场测量法有了很大的提升，但由于其采用的线性瞬时模型过于理想化，故而其仅能在特殊室内环境中有较好的效果，不能满足工业现场实际应用条件。
因此，本发明提出一种基于声纹识别的工业设备运行状态监测方法，以解决上述问题。
发明内容
为解决上述问题，本发明提供了一种基于声纹识别的工业设备运行状态监测方法，对设备运行状态声纹信号进行小波变换和峰值抽取，解决复杂噪声环境下设备运行状态下有效声学信号受背景噪声严重干扰的问题；通过构建设备正常运行状态声纹库，对目标声纹信号进行监测，以解决设备故障声学样本少，采集困难，无法直接基于故障声学样本实现设备故障监测的问题；最后，基于已有的故障样本训练故障识别模型，对目标故障声纹信号进行故障类别识别。
本发明是一种基于声纹识别的工业设备运行状态监测方法，包括以下步骤：
基于声学传感器采集设备运行含背景噪声的声纹信号；
对采集到的含背景噪声声纹信号进行小波变换，得到初步降噪处理后的声纹信号，而后进行峰值抽取，得到对应峰值信号的离散时间序列，进一步抑制背景噪声；
不断累积设备正常运行状态下的峰值信号，构建设备正常运行状态声纹库，计算多个设备正常运行状态峰值信号的指标，结合多指标融合的设备故障监测方法，判断设备当前运行状态对应的目标峰值信号是否与所构建的设备正常运行状态声纹库匹配，若匹配则表示此时设备运行状态正常，反之则视为目标分支信号为故障状态声纹信号，当前设备运行状态故障；
获取若干设备故障运行声纹信号样本，构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，对各个设备故障运行声纹信号样本的峰值信号进行特征提取，划分为多组故障样本数据集，并使用支持向量机分别对多组样本数据集进行训练学习，得到由多个二分类器组成的多分类故障识别模型，实现设备运行的故障识别。
进一步的，基于声学传感器采集设备运行声纹信号，需提前设置采样频率、采样数据时长以及采样间隔时间。
进一步的，所述对采集到的含背景噪声声纹信号进行小波变换具体步骤为：
选定的基函数与分解层数对采集的声纹信号进行小波分解，基于切比雪夫不等式中3sigma准则进行小波系数处理，去除噪声对应小波系数，再进行小波重构，得到初步降噪的声纹信号，小波系数处理公式如下：
σ＝median({|wi|,i≤k})/0.6745
其中，wσ为经小波系数w经小波系数处理后所得小波系数，sgn(w)为小波系数的正负号，σ为噪声方差估计，即将小波系数位于[-3σ,3σ]区间内的小波系数值设为0，大于3σ的小波系数统一减去3σ，小于-3σ的小波系数统一加上3σ,|wi|,i≤k}为小波分解所得小波系数模的集合，median({|wi|,i≤k})为小波系数模的中位数。
进一步的，所述峰值抽取具体为：
基于选定的时间间隔对小波变换后的声纹信号进行峰值抽取，获取各时间间隔内声纹信号的最大值与最小值，得到设备运行状态下声纹信号对应峰值信号的离散时间序列。
进一步的，不断累积设备正常运行状态下，经过小波变换与峰值抽取联合噪声抑制后所得的峰值信号Si(n)，构建设备正常运行状态声纹库{Si(n),i≤s}，设定设备正常运行状态声纹库存储s个峰值信号；
计算各峰值信号的中线值mid(Si(n))、最大值max(Si(n))、最小值min(Si(n))，并将所得向量[min(Si(n)),mid(Si(n)),max(Si(n)]与对应的峰值信号进行关联存储；
计算设备正常运行状态声纹库中峰值信号Si(n)与所构设备正常运行状态声纹库之间的DWT距离均值di1、中线偏移均值di2、最大值偏移均值di3、最小值偏移均值di4，并将上述特征值分别按照从小到大的顺序进行排序，进行正态分布拟合，获取各特征的特征上限值，并组成特征上限值向量Dmax＝[d1,d2,d3,d4]，与设备正常运行状态声纹库关联存储。
进一步的，所述特征上限值为对应特征处于指定上限概率处的特征值。
进一步的，所述DTW是用来计算长度不等的时间序列相似度的算法，以动态规划为基础来求取两时间序列之间的最短距离，中线偏移、最大值偏移、最小值偏移用来衡量两个序列幅值与波动范围，对于两峰值信号Si(n)与Sj(n)而言，其中线偏移最大值偏移/>最小值偏移/>分别如下式：
进一步的，所述判断设备当前运行状态对应的目标峰值信号是否与所构建的设备正常运行状态声纹库匹配具体步骤为：
实时获取当前设备运行状态下目标声纹信号的峰值信号Sc(n)，并获取其中线值mid(Sc(n))、最大值max(Sc(n))、最小值min(Sc(n))；
计算目标峰值信号Sc(n)与设备正常运行状态声纹库之间的DWT距离均值、中线偏移均值、最大值偏移均值与最小值偏移均值所组成特征向量Dc＝[dc1,dc2,dc3,dc4]；
若目标峰值信号Sc(n)特征向量中的各元素，均小于特征上限值向量Dmax中的对应元素，则认定目标峰值信号Sc(n)与设备正常运行状态声纹库匹配，其为正常峰值信号，当前设备运行状态正常，反之则认定其为故障峰值信号，当前设备运行状态异常。
进一步的，获取多个设备故障运行声纹信号样本，构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，得到m个故障类别；
提取设备故障运行声纹信号样本峰值信号的多尺度熵与功率谱熵，得到特征向量，根据故障类别可得到m个类别的样本数据{X1}，{X2},…,{Xm}，{Xi},1≤i≤m表示第i个故障类别对应所有特征向量组成的集合；
以OVR形式将故障样本数据划分为m个正负样本组合，即({X1},{Xo1})，({X2},{Xo2}),…,({Xm},{Xom})，而{Xoi},1≤i≤m表示随机均匀从除第i个故障类别样本集合外其他类别样本集合中抽取的样本；
使用支持向量机分别对m组样本集进行训练学习，即可得到m个二分类器{f1(x),f2(x),…,fm(x)}，这m个二分类器即可组成设备故障识别模型；
当目标声纹信号检测为设备故障运行声纹信号时，提取对应峰值信号的多尺度熵与功率谱熵，并代入所得设备故障识别模型，即可得到该目标声纹信号各故障类别对应的概率{f1,f2,…,fm}，概率最大的故障类别即为当前目标声纹信号的故障类别。
进一步的，随着设备持续运行，持续获取的设备运行状态声纹信号，将声纹信号分为正常声纹信号或者故障声纹信号，分别加入对应的声纹库，定期更新设备正常运行状态声纹库以及设备故障运行状态声纹库，对于设备故障运行状态声纹库更新，定时或定量对设备故障识别模型进行再训练，保障设备故障识别的准确性与鲁棒性。
本发明的有益效果如下：
1、本发明基于小波变换与峰值抽取的联合噪声抑制方法将峰值抽取与小波变换相结合，先使用小波变换对所采集设备运行声纹信号进行降噪处理，再基于选定时间间隔对所得降噪信号进行峰值抽取，得到峰值信号的离散时间序列，减弱了小波变换中小波基选择这一环节对最终结果的影响，从而避免小波基对后续所有检测环节产生干扰的问题，采用小波变换取代峰值检测中常用的高通滤波，使得降噪环节更加充分。
2、本发明基于多指标融合的设备故障监测方法，以正常状态峰值信号与所构建正常状态声纹库之间的动态时间弯曲距离均值、中线偏移均值、最大值偏移均值、最小值偏移均值作为判定指标，以正常状态声纹库对应特征上限值向量为基准，来判断目标峰值信息与正常状态声纹库是否匹配，若匹配则视为正常状态声纹信号，设备运行状态正常，反之则视为故障状态声纹信号，设备运行状态异常。本发明多指标的融合不仅能够有效描述信号的整体趋势，还能有效避免声纹信号时间序列长度不等的问题，从而使得设备故障监测准确率得到有效保障，且具备较好的鲁棒性。
3、本发明基于联合熵特征与支持向量机的设备故障识别方法，选取故障声纹信号的多尺度熵与功率谱熵作为故障特征参数，即得到，基于故障类别将故障样本以OVR形式将故障样本划分为m个正负样本组合，并使用支持向量机对分别对m组样本集进行训练学习，得到m个二分类器组成的设备故障识别模型，本发明选取能有效表征设备运行状态的多尺度熵与功率谱熵作为特征参数，充分提取声纹信号的多时间尺度与能量分布特征，并使用支持向量机构建设备的故障识别模型，从而得到准确率以及鲁棒性均较高的故障识别模型。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，其中：
图1为本发明的方法整体流程图；
图2为峰值信号与信号中线图；
图3为基于小波变换与峰值抽取的联合噪声抑制流程；
图4为声纹信号进行峰值抽取信号图；
图5为特征上限值选取图。
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，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。
本发明提出了一种基于声纹识别的工业设备运行状态监测方法，具体包括三部分，分别为：
一、针对复杂噪声环境下设备运行状态下有效声纹信号受背景噪声严重干扰的问题。
很多关键设备实际工作环境非常复杂，各零部件相互摩擦以及外部复杂干扰噪声会对提取真正有用的声纹信号造成极大的困难，从而导致设备早期微弱信号难以发现，因此对复杂工况背景下声学传感器采集到的信号进行宽带背景噪声抑制十分必要。
复杂噪声环境下设备运行声纹信号在噪声干扰下体现为非平稳性，小波变换可通过时频域变换对非平稳性信号提取分析，但在小波分解过程中，不同小波基函数的选择会对后续信号处理过程产生较大的影响，且一旦确定小波基，后续分析过程便无法更改，对故障声纹信号的检测与识别都会造成影响。
本发明采用小波变换与峰值抽取来实现声纹信号的背景噪声抑制。首先对所采集声纹信号进行小波变换，基于选定的基函数与分解层数对声纹信号进行小波分解，并按照3sigma准则对小波系数进行处理，去除噪声对应小波系数，再进行小波重构，得到初步的降噪信号；之后基于选定时间间隔对所得降噪信号进行峰值抽取，得到设备运行状态下有效声纹信号对应峰值信号的离散时间序列，减弱小波变换中小波基选择这一环节对最终结果的影响，从而解决小波变换中固定小波基对后续检测产生干扰的问题，另一方面采用小波变换取代峰值检测技术中常用的高通滤波，使得降噪环节更加充分，进一步抑制背景噪声的影响；因此，基于小波变换与峰值抽取的联合噪声抑制方法在复杂背景噪声下具有较强的噪声抑制与信号增强效果。
二、针对设备故障声学样本少，采集困难，无法直接基于故障声学样本实现设备故障监测的问题。
考虑到实际工作中设备故障次数少，从而导致故障样本数据较少，故将设备运行状态划分为故障状态与正常状态，并采用基于设备正常运行状态声纹库的设备故障检测方法。首先不断累积设备正常运行状态下声纹信号对应的用峰值信号，构建设备正常运行状态声纹库，并结合多指标融合的设备故障监测方法，获取目标峰值信号中线值、最大值、最小值，之后计算目标峰值信号与所构建设备正常运行状态声纹库之间的DTW距离均值、中线偏移均值、最大值偏移均值、最小值偏移均值，将其与设备正常运行状态声纹库中对应的特征上限值进行比对，判断目标峰值信号是否为正常峰值信号，若判定为正常峰值信号，则设备运行状态正常，反之即设备运行状态异常。
三、针对设备故障类别众多，且故障类别识别困难的问题。
针对实际工作中设备故障样本较少，故障类别众多，故障识别难度相对较大的问题，选取故障声纹信号的多尺度熵(Multiscale Sample Entropy,MSE)与功率谱熵(PowerSpectral Entropy，PSE)作为特征参数，并结合支持向量机(Support Vector Machines，SVM)实现多类别设备故障的识别。
设备运行状态下的故障声纹信号包含丰富的故障信息，熵是时间序列复杂度的度量，可用来描述设备的随机性，当设备运行状态变化时，声纹信号的熵值也会随着复杂度的升高而变化，时间序列复杂程度与尺度因子下对应的多尺度熵值正相关，且功率谱熵可反映时间序列信号在其频域范围内能量分布的复杂程度，因此选用故障声纹信号的多尺度熵与功率谱熵可以作为故障特征参数。
通过将故障声纹信号样本根据不同的故障类别标注不同的标签，提取设备故障运行声纹信号样本峰值信号的多尺度熵与功率谱熵，以OVR(One VS Rest)形式划分故障声纹信号样，并使用支持向量机进行训练学习，得到由二分类器组成的多分类故障识别模型，从而实现设备的故障识别。
实施例：
本发明是一种基于声纹识别的工业设备运行状态监测方法，其整体流程如图1所示。
1、声纹信号采集
提前设置采样频率(1KHZ)、采样数据时长(2S)、采样间隔(3S)后，基于声学传感器采集设备运行含背景噪声的声纹信号。
2、基于小波变换与峰值抽取的联合噪声抑制
对采集到的含背景噪声声纹信号进行小波变换与峰值抽取操作，得到声纹信号对应峰值信号的离散时间序列，其具体操作流程如图3所示。
针对声学传感器采集的工业设备声纹信号具备明显快速衰减的特性，本实施例选择多贝西小波(Daubechies Wavelet)作为小波变换的基函数，并选取3-5层的分解层数，对含背景噪声声纹信号进行小波分解；之后，基于切比雪夫不等式中3sigma准则进行小波系数处理，去除噪声对应小波系数，再进行小波重构，得到初步降噪的声纹信号，小波系数处理公式如下：
σ＝median({|wi|,i≤k})/0.6745
其中，wσ为经小波系数w经小波系数处理后所得小波系数，sgn(w)为小波系数的正负号，σ为噪声方差估计，即将小波系数位于[-3σ,3σ]区间内的小波系数值设为0，大于3σ的小波系数统一减去3σ，小于-3σ的小波系数统一加上3σ,|wi|,i≤k}为小波分解所得小波系数模的集合，median({|wi|,i≤k})为小波系数模的中位数。
基于选定的时间间隔对小波变换后的声纹信号进行峰值抽取，获取各时间间隔内声纹信号的最大值与最小值，得到设备运行状态下声纹信号对应峰值信号的离散时间序列，峰值抽取如图4所示。
3、设备正常运行状态声纹库构建
不断累积设备正常运行状态下经过基于小波变换与峰值抽取联合噪声抑制后所得的峰值信号Si(n)，构建设备正常运行状态声纹库{Si(n),i≤s}，设定设备正常运行状态声纹库存储s个峰值信息；
计算各峰值信号的中线值mid(Si(n))、最大值max(Si(n))、最小值min(Si(n))，如图2所示，并将所得向量[min(Si(n)),mid(Si(n)),max(Si(n)]与峰值信号进行关联存储；
计算声纹库中各正常状态峰值信号Si(n)与所构建正常状态声纹库之间的动态时间弯曲距离(Dynamic Time Warping Distance，DWT距离)均值di1、中线偏移均值di2、最大值偏移均值di3、最小值偏移均值di4，并将上述所有特征(DWT距离均值、中线偏移均值、最大值偏移均值与最小值偏移均值)分别按照从小到大的顺序进行排序，并进行正态分布拟合，获取各特征值处于指定上限概率(90％，可基于实际场景进行调整)处的特征值作为特征上限值，并组成特征上限值向量Dmax＝[d1,d2,d3,d4]，与设备生产运行状态声纹库关联存储，特征上限值选取如下图5所示，其中di即为上限概率为90％时对应的特征上限值。
其中，DTW是一种用来计算长度不等的时间序列相似度的方法，该算法以动态规划为基础来求取两时间序列之间的最短距离，中线偏移、最大值偏移、最小值偏移用来衡量两个序列幅值与波动范围，对于两峰值信号Si(n)与Si(n)而言，其中线偏移最大值偏移最小值偏移/>如下式所示。
上述特征中，中线偏移、最大值偏移、最小值偏移用来衡量两个序列幅值与波动范围，DWT能有效避免声纹信号时间序列长度不等的问题，通过将这些指标融合的方式来构建设备的故障监测模型能更好的整合峰值信号特征，使得设备故障监测准确率得到有效提升，并具备较好的鲁棒性。
4、基于多指标融合的设备故障监测
实时获取设备运行状态下目标声纹信号的峰值信号Sc(n)，并获取其中线值mid(Sc(n))、最大值max(Sc(n))、最小值min(Sc(n))；计算目标峰值信号Sc(n)与设备正常运行状态声纹库之间的DWT距离均值、中线偏移均值、最大值偏移均值与最小值偏移均值所组成特征向量Dc＝[dc1,dc2,dc3,dc4]；
若目标峰值信号Sc(n)特征向量中的各元素，均小于特征上限值向量Dmax中的对应元素，则认定目标峰值信号Sc(n)与设备正常运行状态声纹库匹配，其为正常峰值信号，当前设备运行状态正常，反之则认定其为故障峰值信号，当前设备运行状态异常。
此外，随着设备的持续运行，可定期更新设备正常运行状态声纹库，从而保证设备正常运行状态声纹库与设备实际状态更贴切，保障基于多指标融合的设备故障监测的准确性与鲁棒性。
5、基于联合熵特征与支持向量机的设备故障识别
随着设备的持续运转，设备故障数量不断新增，获取多个设备故障运行声纹信号样本，构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，得到m个故障类别，当设备各类别故障数量均达到一定要求后，即可基于所得故障样本进行设备故障识别模型的训练。具体训练过程如下：
提取设备故障运行声纹信号样本峰值信号的多尺度熵(Multiscale SampleEntropy,MSE)(基于峰值抽取特点，尺度因子需为2的整数倍，本实施例的尺度因子定为2)与功率谱熵(Power Spectral Entropy，PSE)作为样本特征，即可得到m个类别的样本数据{X1}，{X2},…,{Xm}，{Xi},1≤i≤m表示第i个故障类别对应所有特征向量组成的集合。
以OVR(One VS Rest)形式将故障样本数据划分为m个正负样本组合({X1},{Xo1})，({X2},{Xo2}),…,({Xm},{Xom})，而{Xoi},1≤i≤m表示随机均匀从除第i个故障类别样本集合外其他类别样本集合中抽取的样本；
使用支持向量机分别对m组样本集进行训练学习，即可得到m个二分类器{f1(x),f2(x),…,fm(x)}，这m个二分类器即可组成设备的故障识别模型。
当目标声纹信号检测为设备故障运行声纹信号时，提取对应峰值信号的多尺度熵与功率谱熵，并代入所得设备故障识别模型(m个二分类器)，即可得到各故障类别对应的概率{f1,f2,…,fm}，概率最大的故障类别即为当前最可能的故障类别。
此外，随着设备持续运行过程中不断产生的故障，设备故障运行状态声纹库也不断扩大，可定时或定量对设备故障识别模型进行再训练，从而保障基于联合熵特征与支持向量机的设备故障识别的准确性与鲁棒性。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (10)

1.一种基于声纹识别的工业设备运行状态监测方法，其特征在于，包括以下步骤：
基于声学传感器采集设备运行含背景噪声的声纹信号；
对采集到的含背景噪声声纹信号进行小波变换，得到初步降噪处理后的声纹信号，而后进行峰值抽取，得到对应峰值信号的离散时间序列，进一步抑制背景噪声；
不断累积设备正常运行状态下的峰值信号，构建设备正常运行状态声纹库，计算多个设备正常运行状态峰值信号的指标，结合多指标融合的设备故障监测方法，判断设备当前运行状态对应的目标峰值信号是否与所构建的设备正常运行状态声纹库匹配，若匹配则表示此时设备运行状态正常，反之则视为目标分支信号为故障状态声纹信号，当前设备运行状态故障；
获取若干设备故障运行声纹信号样本，构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，对各个设备故障运行声纹信号样本的峰值信号进行特征提取，划分为多组故障样本数据集，并使用支持向量机分别对多组样本数据集进行训练学习，得到由多个二分类器组成的多分类故障识别模型，实现设备运行的故障识别。
2.根据权利要求1所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，基于声学传感器采集设备运行声纹信号，需提前设置采样频率、采样数据时长以及采样间隔时间。
3.根据权利要求1所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，所述对采集到的含背景噪声声纹信号进行小波变换具体步骤为：
选定的基函数与分解层数对采集的声纹信号进行小波分解，基于切比雪夫不等式中3sigma准则进行小波系数处理，去除噪声对应小波系数，再进行小波重构，得到初步降噪的声纹信号，小波系数处理公式如下：
σ＝median({|wi|,i≤k})/0.6745
其中，wσ为经小波系数w经小波系数处理后所得小波系数，sgn(w)为小波系数的正负号，σ为噪声方差估计，即将小波系数位于[-3σ,3σ]区间内的小波系数值设为0，大于3σ的小波系数统一减去3σ，小于-3σ的小波系数统一加上3σ,|wi|,i≤k}为小波分解所得小波系数模的集合，median({|wi|,i≤k})为小波系数模的中位数。
4.根据权利要求3所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，所述峰值抽取具体为：
基于选定的时间间隔对小波变换后的声纹信号进行峰值抽取，获取各时间间隔内声纹信号的最大值与最小值，得到设备运行状态下声纹信号对应峰值信号的离散时间序列。
5.根据权利要求1所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，不断累积设备正常运行状态下，经过小波变换与峰值抽取联合噪声抑制后所得的峰值信号Si(n)，构建设备正常运行状态声纹库{Si(n),i≤s}，设定设备正常运行状态声纹库存储s个峰值信号；
计算各峰值信号的中线值mid(Si(n))、最大值max(Si(n))、最小值min(Si(n))，并将所得向量[min(Si(n)),mid(Si(n)),max(Si(n)]与对应的峰值信号进行关联存储；
计算设备正常运行状态声纹库中峰值信号Si(n)与所构设备正常运行状态声纹库之间的DWT距离均值di1、中线偏移均值di2、最大值偏移均值di3、最小值偏移均值di4，并将上述特征值分别按照从小到大的顺序进行排序，进行正态分布拟合，获取各特征的特征上限值，并组成特征上限值向量Dmax＝[d1,d2,d3,d4]，与设备正常运行状态声纹库关联存储。
6.根据权利要求5所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，所述特征上限值为对应特征处于指定上限概率处的特征值。
7.根据权利要求5所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，所述DTW是用来计算长度不等的时间序列相似度的算法，以动态规划为基础来求取两时间序列之间的最短距离，中线偏移、最大值偏移、最小值偏移用来衡量两个序列幅值与波动范围，对于两峰值信号Si(n)与Sj(n)而言，其中线偏移最大值偏移/>最小值偏移/>分别如下式：
8.根据权利要求7所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，所述判断设备当前运行状态对应的目标峰值信号是否与所构建的设备正常运行状态声纹库匹配具体步骤为：
实时获取当前设备运行状态下目标声纹信号的峰值信号Sc(n)，并获取其中线值mid(Sc(n))、最大值max(Sc(n))、最小值min(Sc(n))；
计算目标峰值信号Sc(n)与设备正常运行状态声纹库之间的DWT距离均值、中线偏移均值、最大值偏移均值与最小值偏移均值所组成特征向量Dc＝[dc1,dc2,dc3,dc4]；
若目标峰值信号Sc(n)特征向量中的各元素，均小于特征上限值向量Dmax中的对应元素，则认定目标峰值信号Sc(n)与设备正常运行状态声纹库匹配，其为正常峰值信号，当前设备运行状态正常，反之则认定其为故障峰值信号，当前设备运行状态异常。
9.根据权利要求1所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，获取多个设备故障运行声纹信号样本，构建设备故障运行状态声纹库，并为不同的故障类别标注不同的标签，得到m个故障类别；
提取设备故障运行声纹信号样本峰值信号的多尺度熵与功率谱熵，得到特征向量，根据故障类别可得到m个类别的样本数据{X1}，{X2},…,{Xm}，{Xi},1≤i≤m表示第i个故障类别对应所有特征向量组成的集合；
以OVR形式将故障样本数据划分为m个正负样本组合，即({X1},{Xo1})，({X2},{Xo2}),…,({Xm},{Xom})，而{Xoi},1≤i≤m表示随机均匀从除第i个故障类别样本集合外其他类别样本集合中抽取的样本；
使用支持向量机分别对m组样本集进行训练学习，即可得到m个二分类器{f1(x),f2(x),…,fm(x)}，这m个二分类器即可组成设备故障识别模型；
当目标声纹信号检测为设备故障运行声纹信号时，提取对应峰值信号的多尺度熵与功率谱熵，并代入所得设备故障识别模型，即可得到该目标声纹信号各故障类别对应的概率{f1,f2,…,fm}，概率最大的故障类别即为当前目标声纹信号的故障类别。
10.根据权利要求1所述的一种基于声纹识别的工业设备运行状态监测方法，其特征在于，随着设备持续运行，持续获取的设备运行状态声纹信号，将声纹信号分为正常声纹信号或者故障声纹信号，分别加入对应的声纹库，定期更新设备正常运行状态声纹库以及设备故障运行状态声纹库，对于设备故障运行状态声纹库更新，定时或定量对设备故障识别模型进行再训练，保障设备故障识别的准确性与鲁棒性。
CN202310425942.3A 2023-04-20 2023-04-20 一种基于声纹识别的工业设备运行状态监测方法 Pending CN116453544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310425942.3A CN116453544A (zh) 2023-04-20 2023-04-20 一种基于声纹识别的工业设备运行状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310425942.3A CN116453544A (zh) 2023-04-20 2023-04-20 一种基于声纹识别的工业设备运行状态监测方法

Publications (1)

Publication Number Publication Date
CN116453544A true CN116453544A (zh) 2023-07-18

Family

ID=87121679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310425942.3A Pending CN116453544A (zh) 2023-04-20 2023-04-20 一种基于声纹识别的工业设备运行状态监测方法

Country Status (1)

Country Link
CN (1) CN116453544A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686086A (zh) * 2024-02-02 2024-03-12 北京谛声科技有限责任公司 一种设备运行状态监控方法、装置、设备及系统
CN117809696A (zh) * 2024-02-29 2024-04-02 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686086A (zh) * 2024-02-02 2024-03-12 北京谛声科技有限责任公司 一种设备运行状态监控方法、装置、设备及系统
CN117686086B (zh) * 2024-02-02 2024-06-04 北京谛声科技有限责任公司 一种设备运行状态监控方法、装置、设备及系统
CN117809696A (zh) * 2024-02-29 2024-04-02 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和系统
CN117809696B (zh) * 2024-02-29 2024-05-10 南京迅集科技有限公司 基于声学分析的工业设备健康评估与故障预测方法和系统

Similar Documents

Publication Publication Date Title
CN109916628B (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN116453544A (zh) 一种基于声纹识别的工业设备运行状态监测方法
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
Purushotham et al. Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition
CN103968933B (zh) 基于模糊域特征的光纤振动信号识别方法
Goumas et al. Classification of washing machines vibration signals using discrete wavelet analysis for feature extraction
Yiakopoulos et al. Rolling element bearing fault detection in industrial environments based on a K-means clustering approach
JP4846954B2 (ja) 複雑な信号の分解およびモデリング
Gao et al. Total variation on horizontal visibility graph and its application to rolling bearing fault diagnosis
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN115758200A (zh) 一种基于相似度度量的振动信号故障识别方法及系统
CN107563403B (zh) 一种高速列车运行的工况识别方法
CN113345399A (zh) 一种强噪声环境下的机器设备声音监测方法
CN109918417B (zh) 基于小波变换的时序数据自适应分段、降维与表征方法及应用
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN112182912B (zh) 基于概率描述与谱分析的制造装备主轴轴承健康评估方法
Lin et al. Condition monitoring and fault diagnosis of roller element bearing
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
Chen et al. Improved fault diagnosis of railway switch system using energy-based thresholding wavelets (EBTW) and neural networks
Wang et al. Rotating machine fault detection based on HOS and artificial neural networks
CN116776075A (zh) 风机叶片健康监测系统及其监测方法
Lu et al. Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph
CN117782198B (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN112284707B (zh) 一种断路器振动信号的处理方法
CN112560674A (zh) 一种声音信号质量的检测方法及系统

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