CN116741200A - 一种机车风机故障检测方法及装置 - Google Patents
一种机车风机故障检测方法及装置 Download PDFInfo
- Publication number
- CN116741200A CN116741200A CN202310768392.5A CN202310768392A CN116741200A CN 116741200 A CN116741200 A CN 116741200A CN 202310768392 A CN202310768392 A CN 202310768392A CN 116741200 A CN116741200 A CN 116741200A
- Authority
- CN
- China
- Prior art keywords
- fan
- locomotive
- fault
- real
- frequency cepstrum
- 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
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 239000000203 mixture Substances 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
Abstract
本申请提供的一种机车风机故障检测方法及装置,方法包括:获取待测机车风机的实时音频信息;从所述实时音频信息汇总提取梅尔顿频率倒谱系数;将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。从而能够在机车运行的复杂环境下,通过音频诊断算法对实时音频信息进行提取和识别,得到对应的检测结果。
Description
技术领域
本发明涉及音频分析技术领域,尤其涉及一种机车风机故障检测方法及装置。
背景技术
随着列车机车上大功率电器的逐渐增多,且对重量体积的要求逐渐提高,导致机车上电器设备自通风散热能力较差,为解决这一问题,需要机车通风冷却系统进行辅助。
机车通风冷却系统主要通过设置在牵引系统、冷却塔、辅助设备、机械间走廊位置的风机对这些设备进行强制性散热冷却。风机长时间连续工作,引起轴承磨损、零件松动及积灰等现象,容易造成风机运行故障甚至无法工作
目前的风机故障排查主要靠人员的工作经验判断:通过观察或倾听风机运转时是否有异常震动或者异常声响,以及检查安装螺丝有无松动。这种方式不但耗时耗力,且判断结果完全依靠人员的经验,没有固定的标准,并且对于细微的异常震动或者异常声响,即使是有经验的老师傅,也分辨不出来,最重要的是,通过工作经验进行风机故障排查的方式无法在确定故障的情况下及时预警。因此,如何有效识别风机的故障类型并及时预警,有着重要意义。
发明内容
本发明提供一种机车风机故障检测方法及装置,用于有效识别风机的故障类型并及时报警。
第一方面,本发明提供了一种机车风机故障检测方法,包括:
获取待测机车风机的实时音频信息;
从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
可选地,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果,包括:
判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;
若否,则确定所述待测机车风机的检测结果为存在未知故障。
可选地,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果之后,还包括:
若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
可选地,从所述实时音频信息汇总提取梅尔顿频率倒谱系数,包括:
对所述实时音频信息进行预处理;
对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
从所述语谱图中提取所述梅尔顿频率倒谱系数。
可选地,所述高斯混合模型的训练步骤包括:
获取风机音频训练样本;所述风机音频训练样本包括:正常风机音频及其标签,以及故障风机音频及其标签;
从所述风机训练样本中提取对应的梅尔频率倒谱系数;
根据所有所述正常风机音频的梅尔频率倒谱系数及其标签,以及所述故障风机音频的梅尔频率倒谱系数及其标签,对初始建立的高斯混合模型进行训练,得到所述预训练的高斯混合模型。
第二方面,本发明提供了一种机车风机故障检测装置,包括:
获取模块,用于获取待测机车风机的实时音频信息;
提取模块,用于从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
输入模块,用于将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
检测模块,用于根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
匹配模块,用于若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
可选地,所述检测模块包括:
判断子模块,用于判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;若否,则确定所述待测机车风机的检测结果为存在未知故障。
可选地,所述提取模块包括:
预处理子模块,用于对所述实时音频信息进行预处理;
变换子模块,用于对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
提取子模块,用于从所述语谱图中提取所述梅尔顿频率倒谱系数。
可选地,还包括:
样本获取模块,用于获取风机音频训练样本;所述风机音频训练样本包括:正常风机音频及其标签,以及故障风机音频及其标签;
样本系数提取模块,用于从所述风机训练样本中提取对应的梅尔频率倒谱系数;
训练模块,用于根据所有所述正常风机音频的梅尔频率倒谱系数及其标签,以及所述故障风机音频的梅尔频率倒谱系数及其标签,对初始建立的高斯混合模型进行训练,得到所述预训练的高斯混合模型。
第三方面,本申请提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种机车风机故障检测方法及装置,方法包括:获取待测机车风机的实时音频信息;从所述实时音频信息汇总提取梅尔顿频率倒谱系数;将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。从而能够在机车运行的复杂环境下,通过音频诊断算法对实时音频信息进行提取和识别,得到对应的检测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的一种机车风机故障检测方法实施例一的流程步骤图;
图2为本发明的一种机车风机故障检测方法实施例二的流程步骤图;
图3为模型相似度评分示意图;
图4为本发明的一种机车风机故障检测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种机车风机故障检测方法及装置,用于有效识别风机的故障类型并及时报警。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
实施例一,请参阅图1,图1为本发明的一种机车风机故障检测方法实施例一的流程步骤图,包括:
步骤S101,获取待测机车风机的实时音频信息;
步骤S102,从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
需要说明的是,梅尔频率倒谱系数(MFCC)是一种用于语音信号处理和语音识别的特征提取技术,它可以提取语音信号的重要特征并转换到一种更容易分类和识别的表示形式。
步骤S103,将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
需要说明的是,高斯混合模型是一种用于建模概率分布的统计模型,它假设数据由多个高斯分布组成,每个高斯分布称为一个混合成分。与K均值算法相比,高斯混合模型可以更灵活地建模复杂的聚类结构;与单一的高斯模型相比,高斯混合模型可以更好地适应于数据中存在的不同的子群或模式。
步骤S104,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
步骤S105,若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
在本发明实施例所提供的一种机车风机故障检测方法,包括:获取待测机车风机的实时音频信息;从所述实时音频信息汇总提取梅尔顿频率倒谱系数;将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。从而能够在机车运行的复杂环境下,通过音频诊断算法对实时音频信息进行提取和识别,得到对应的检测结果。
实施例二,请参阅图2,图2为本发明的一种机车风机故障检测方法实施例二的流程步骤图,包括:
步骤S201,获取风机音频训练样本;所述风机音频训练样本包括:正常风机音频及其标签,以及故障风机音频及其标签;
在本发明实施例中,风机音频训练样本包括:正常风机音频和故障风机音频,正常风机音频包括所采集一系列正常运转状态下的风机音频文件(刚出厂全新风机的音频为主),以及一些正常运转了一段时间的风机音频,这些音频的标签可默认为“正常”;而故障风机音频包括一系列故障状态下的风机音频文件,且这些风机音频文件依据故障类别命名,以得到其标签。
步骤S202,从所述风机训练样本中提取对应的梅尔频率倒谱系数;
步骤S203,根据所有所述正常风机音频的梅尔频率倒谱系数及其标签,以及所述故障风机音频的梅尔频率倒谱系数及其标签,对初始建立的高斯混合模型进行训练,得到所述预训练的高斯混合模型;
步骤S202和步骤S203为将提取到的梅尔频率倒谱系数,输入高斯混合模型中进行训练的步骤,其中,高斯混合模型训练过程使用EM(Expectation Maximization)算法,不断重复E-step和M-step来更新高斯混合模型的参数。从而得到一系列正常风机转动的和异常风机转动的高斯混合模型。
在具体实现中,在为每一类正常风机音频和故障风机音频训练相应的高斯混合模型后,即可得到一个高斯混合模型库,以供完成分类任务。
步骤S204,获取待测机车风机的实时音频信息;
在本发明实施例中,可通过手持或放置固定位置的方式,在风机正前方录制一段风机音频,从而得到待测机车风机的实时音频信息。
步骤S205,对所述实时音频信息进行预处理;
在本发明实施例中,对实时音频信息进行预处理,即预加重、分帧和加窗。其中预加重可以保护声道信息的完整性,分帧可以减少非稳态时变的影响,而加窗可以使分帧后的信号变得相对连续。
步骤S206,对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
需要说明的是,快速傅里叶变换是一种用于快速计算离散傅里叶变换(DFT)的算法。DFT是一种将时域上的信号转换到频域上的信号的方法。快速傅里叶变换可以在O(nlog n)的时间复杂度内计算DFT,相比直接计算DFT的时间复杂度O(n2)要快。快速傅里叶变换在信号处理、图像处理、数字信号处理和计算机视觉等领域得到广泛应用。
语谱图是一种将语音信号在时间和频率上分解成短时的频域信号的图形表示方式。它将语音信号按照时间分成一帧帧短时信号,对每帧信号使用快速傅里叶变换将其转换为频谱信息并绘制成三维图像。其中,横轴表示时间轴,纵轴表示频率轴,坐标点是语音数据能量幅值,其颜色表示信号能量的大小,可以显示语音信号在不同时间内不同频率声波的分布情况。
步骤S207,从所述语谱图中提取所述梅尔顿频率倒谱系数;
需要说明的是,梅尔频率倒谱系数是基于人类的听觉特征提取出来的特征参数,是对人耳听觉特征的表征。梅尔频率倒谱系数的具体提取流程包括:
对实时音频信息进行预处理;对预处理后的实时音频信息进行傅里叶变换,得到语谱图;对语谱图的幅值进行一个平方或取绝对值的操作;使用Mel滤波器对能量谱的高频信息进行衰减;对语谱图取对数;使用离散余弦变换将基音信息和声道信息进行分离,得到梅尔顿频率倒谱系数,即传递给高斯混合模型的梅尔顿频率倒谱特征向量。
步骤S208,将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
步骤S209,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
在一个可选实施例中,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果,包括:
判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;
若否,则确定所述待测机车风机的检测结果为存在未知故障。
在本发明实施例中,分别与预训练的高斯混合模型计算相似度评分,相似度评分最高的即为预测结果,若小于相似度评分的阈值则判断为未知故障。
在具体实现中,会将待测风机的实时音频信息的梅尔顿频率倒谱特征,与不同的预训练的高斯混合模型做相似度评分。其中,相似度评分会设定一个阈值用以区分待测机车分级的实时音频信息是否存在于模型库内。若相似度评分大于阈值,相似度评分最高的即为预测结果,预测结果分为健康或具体故障类别,其评分示例可参阅图3所示的模型相似度评分示意图。若相似度评分小于阈值则判断为未知故障。未知故障即该风机音频无法与正常风机音频的模型匹配,是属于故障音频,而该风机音频又无法与已知的故障风机音频模型匹配,因此归为未知故障。在定位到故障原因后可将其训练为新的高斯混合模型放入模型库。
步骤S210,若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
本发明实施例中,对于与高斯混合模型库中健康音频模型匹配上的,均输出为健康;对于与具体故障匹配上的,将输出具体故障名称;而对于未知故障,则直接显示未知故障。
在本发明实施例所提供的一种机车风机故障检测方法,通过获取待测机车风机的实时音频信息;从所述实时音频信息汇总提取梅尔顿频率倒谱系数;将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。从而能够在机车运行的复杂环境下,通过音频诊断算法对实时音频信息进行提取和识别,得到对应的检测结果。
实施例三,请参阅图4,图4为本发明的一种机车风机故障检测装置实施例的结构框图,包括:
获取模块301,用于获取待测机车风机的实时音频信息;
提取模块302,用于从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
输入模块303,用于将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
检测模块304,用于根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
匹配模块305,用于若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
在一个可选实施例中,所述检测模块304包括:
判断子模块,用于判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;若否,则确定所述待测机车风机的检测结果为存在未知故障。
在一个可选实施例中,所述提取模块302包括:
预处理子模块,用于对所述实时音频信息进行预处理;
变换子模块,用于对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
提取子模块,用于从所述语谱图中提取所述梅尔顿频率倒谱系数。
在一个可选实施例中,还包括:
校验模块,用于校验所述港口排产调度强化学习模型的所述调度最优解和所述港口排产调度强化学习模型的性能。
本发明实施例还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一实施例所述的一种机车风机故障检测方法的步骤。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如上述任一实施例所述的机车风机故障检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,本发明所揭露的方法、装置、电子设备及存储介质,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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可读存储介质中。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全部或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可读存储介质中,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所述方法的全部或部分步骤。而前述的可读存储介质包括: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。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种机车风机故障检测方法,其特征在于,包括:
获取待测机车风机的实时音频信息;
从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
2.根据权利要求1所述的机车风机故障检测方法,其特征在于,根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果,包括:
判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;
若否,则确定所述待测机车风机的检测结果为存在未知故障。
3.根据权利要求1所述的机车风机故障检测方法,其特征在于,从所述实时音频信息汇总提取梅尔顿频率倒谱系数,包括:
对所述实时音频信息进行预处理;
对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
从所述语谱图中提取所述梅尔顿频率倒谱系数。
4.根据权利要求1所述的机车风机故障检测方法,其特征在于,所述高斯混合模型的训练步骤包括:
获取风机音频训练样本;所述风机音频训练样本包括:正常风机音频及其标签,以及故障风机音频及其标签;
从所述风机训练样本中提取对应的梅尔频率倒谱系数;
根据所有所述正常风机音频的梅尔频率倒谱系数及其标签,以及所述故障风机音频的梅尔频率倒谱系数及其标签,对初始建立的高斯混合模型进行训练,得到所述预训练的高斯混合模型。
5.一种机车风机故障检测装置,其特征在于,包括:
获取模块,用于获取待测机车风机的实时音频信息;
提取模块,用于从所述实时音频信息汇总提取梅尔顿频率倒谱系数;
输入模块,用于将所述梅尔顿频率倒谱系数输入预训练的高斯混合模型,得到对应的相似度评分;
检测模块,用于根据所述相似度评分与预先设定的相似度阈值,确定所述待测机车风机的检测结果;
匹配模块,用于若所述待测机车风机的检测结果为所述存在具体故障类别,则基于所述相似度评分,与具体故障类别进行匹配,输出具体故障类别名称。
6.根据权利要求5所述的机车风机故障检测装置,其特征在于,所述检测模块包括:
判断子模块,用于判断所述相似度评分是否大于所述相似度阈值;
若是,则确定所述待测机车风机的检测结果为健康或存在具体故障类别中的一种;若否,则确定所述待测机车风机的检测结果为存在未知故障。
7.根据权利要求5所述的机车风机故障检测装置,其特征在于,所述提取模块包括:
预处理子模块,用于对所述实时音频信息进行预处理;
变换子模块,用于对预处理后的所述实时音频信息进行快速傅里叶变换,得到对应的语谱图;
提取子模块,用于从所述语谱图中提取所述梅尔顿频率倒谱系数。
8.根据权利要求5所述的机车风机故障检测装置,其特征在于,还包括:
样本获取模块,用于获取风机音频训练样本;所述风机音频训练样本包括:正常风机音频及其标签,以及故障风机音频及其标签;
样本系数提取模块,用于从所述风机训练样本中提取对应的梅尔频率倒谱系数;
训练模块,用于根据所有所述正常风机音频的梅尔频率倒谱系数及其标签,以及所述故障风机音频的梅尔频率倒谱系数及其标签,对初始建立的高斯混合模型进行训练,得到所述预训练的高斯混合模型。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-4任一项所述的方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768392.5A CN116741200A (zh) | 2023-06-27 | 2023-06-27 | 一种机车风机故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768392.5A CN116741200A (zh) | 2023-06-27 | 2023-06-27 | 一种机车风机故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116741200A true CN116741200A (zh) | 2023-09-12 |
Family
ID=87918311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768392.5A Pending CN116741200A (zh) | 2023-06-27 | 2023-06-27 | 一种机车风机故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117162789A (zh) * | 2023-11-03 | 2023-12-05 | 中国第一汽车股份有限公司 | 电池热安全的控制方法、存储介质、处理器及车辆 |
-
2023
- 2023-06-27 CN CN202310768392.5A patent/CN116741200A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117162789A (zh) * | 2023-11-03 | 2023-12-05 | 中国第一汽车股份有限公司 | 电池热安全的控制方法、存储介质、处理器及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109599120B (zh) | 一种基于大规模养殖场厂哺乳动物异常声音监测方法 | |
US20120143363A1 (en) | Audio event detection method and apparatus | |
CN109087670A (zh) | 情绪分析方法、系统、服务器及存储介质 | |
Pillos et al. | A Real-Time Environmental Sound Recognition System for the Android OS. | |
Özseven et al. | SPeech ACoustic (SPAC): A novel tool for speech feature extraction and classification | |
CN109360554A (zh) | 一种基于语深度神经网络的语言识别方法 | |
CN113707173B (zh) | 基于音频切分的语音分离方法、装置、设备及存储介质 | |
CN113314144A (zh) | 声音识别及电力设备故障预警方法、系统、终端及介质 | |
CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
CN108615532A (zh) | 一种应用于声场景的分类方法及装置 | |
CN109243427A (zh) | 一种车辆故障诊断方法及装置 | |
CN110808068A (zh) | 一种声音检测方法、装置、设备和存储介质 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN113740635A (zh) | 电气设备故障诊断方法、终端和多探头传感装置 | |
CN110689885B (zh) | 机器合成语音识别方法、装置、存储介质及电子设备 | |
Rahman et al. | Dynamic time warping assisted svm classifier for bangla speech recognition | |
CN114023353A (zh) | 基于聚类分析和相似度计算的变压器故障分类方法及系统 | |
CN112885379A (zh) | 客服语音评估方法、系统、设备及存储介质 | |
CN113077821A (zh) | 音频质量检测方法、装置、电子设备及存储介质 | |
CN112911072A (zh) | 呼叫中心音量识别方法、装置、电子设备、存储介质 | |
CN114242085A (zh) | 旋转设备的故障诊断方法、装置 | |
CN111696529A (zh) | 一种音频处理方法、音频处理装置及可读存储介质 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
Suhaimy et al. | Classification of ambulance siren sound with MFCC-SVM | |
CN111292767B (zh) | 一种音频事件检测方法和装置以及设备 |
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 |