CN116771662A - 一种基于多特征融合的机泵故障诊断方法 - Google Patents
一种基于多特征融合的机泵故障诊断方法 Download PDFInfo
- Publication number
- CN116771662A CN116771662A CN202310785412.XA CN202310785412A CN116771662A CN 116771662 A CN116771662 A CN 116771662A CN 202310785412 A CN202310785412 A CN 202310785412A CN 116771662 A CN116771662 A CN 116771662A
- Authority
- CN
- China
- Prior art keywords
- pump
- feature
- fault diagnosis
- machine pump
- machine
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000037433 frameshift Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及机泵故障诊断技术领域，特别涉及一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
Description
技术领域
本发明涉及机泵故障诊断技术领域，特别涉及一种基于多特征融合的机泵故障诊断方法。
背景技术
机泵是工业生产中常用的设备，其主要作用是将液体或气体从低压区输送到高压区域，然而，由于机泵长时间运行，其内部零部件容易磨损、老化，导致机泵出现故障，传统的机泵故障诊断方法主要依靠人工检测和经验判断，需要检测人员具有专业技能和丰富的经验，诊断结果容易受人为因素的影响，存在诊断不准确的问题，同时，人工检测需要耗费大量时间和人力，存在诊断效率低下的问题，且传统的机泵故障诊断方法无法实现实时监测和预警，需要在机泵出现严重故障后才能被发现，存在维修更换成本较高的问题。
因此，目前亟需要一种技术方案，以解决现有机泵故障诊断不准确、效率低下且只能在严重故障发生后进行的技术问题。
发明内容
本发明的目的在于：针对现有机泵故障诊断不准确、效率低且只能在严重故障发生后进行的技术问题，提供了一种基于多特征融合的机泵故障诊断方法。
为了实现上述目的，本发明采用的技术方案为：
一种基于多特征融合的机泵故障诊断方法，包括如下步骤：S1、采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库；S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图；S3、对各特征图依次进行CNN特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型；S4、通过机泵故障识别模型对机泵进行故障诊断。
本发明的一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
作为本发明的优选方案，S1中，所述声音信号以WAV格式进行存储。
作为本发明的优选方案，S2中，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。
作为本发明的优选方案，S2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。
作为本发明的优选方案，S2中，所述频谱对比度特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换，得到频谱部分，将频谱部分划分为六个子频段，估算每个子频段的频谱对比度。
作为本发明的优选方案，S3中，所述CNN特征提取采用VGG16模型，所述分类器包括softmax分类器。
作为本发明的优选方案，S3中，所述特征级融合包括：根据包括音高、音色的声音特征进行特征融合。
一种基于多特征融合的机泵故障诊断装置，包括：声音采集单元，用于采集不同故障状态下机泵运行时产生的声音信号；模型训练单元，用于根据采集到的声音信号进行多特征提取和融合，确定机泵故障识别模型；故障诊断单元，用于根据机泵故障识别模型识别的故障类型，实现机泵故障诊断。
一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现如上所述机泵故障诊断方法。
一种计算机存储介质，包括：在计算机程序被处理器执行时，实现如上所述机泵故障诊断方法。
综上所述，由于采用了上述技术方案，本发明的一种基于多特征融合的机泵故障诊断方法的有益效果是：
1、通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理；
2、节省诊断时间和人力成本，提高机泵故障诊断效率；
3、通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
附图说明
图1是实施例1的一种基于多特征融合的机泵故障诊断方法逻辑图；
图2是实施例1中MFCC特征提取过程示意图；
图3是实施例2的一种基于多特征融合的机泵故障诊断装置的结构图。
具体实施方式
下面结合附图，对本发明作详细的说明。
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。
实施例1
本实施例的一种基于多特征融合的机泵故障诊断方法，包括依次进行的如下S1-S4的步骤。
S1、通过声音采集单元采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库。
具体的，所述声音采集单元包括麦克风阵列，所述声音信号以WAV格式进行存储。以通过麦克风阵列采集不同故障下机泵运行时产生的声音信号，并以.WAV格式进行分类存储。
S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图，以通过使用几种不同的音频特征，使音高、音色等不同的声音特征相结合，对声音样本的描述更加丰富，从而提高识别模型的性能。
具体的，通过读取S1存储的声音信号并进行MFCC特征、短时傅里叶变换特征和频谱对比度特征的分别提取。
具体的，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。
其中，S201预加重包括将声音信号通过一个高通滤波器处理，处理原理为：
H(z)＝1-μz-1；
式中，z为声音信号，H()为滤波函数，μ为介于0.9-1.0之间的常数，本实施例优选μ取值为0.97。
其中，S202分帧包括对采集的音频信号进行短时帧处理，本实施例采用0.025s，依据音频信号的采样率，设置每一帧的帧长为采样率与0.025的乘积结果，相邻帧之间重叠区域的长度即帧移为采样率与0.01的乘积结果，本实施例中音频信号的采样率设置为16000Hz，即每一帧的帧长为400，相邻帧之间的帧移为160。
其中，S203汉明窗包括假设分帧后的信号为S(n)，n＝0,1，…，N-1，N为帧长，将每一帧带入窗函数，窗外的值设定为0，消除各个帧两端可能会造成的信号不连续性，处理函数为：
W(n)＝(1-a)-a·cos(2·π·n/N)；
加窗后的信号为：S′(n)＝S(n)×W(n)
式中，W(n)为汉明窗函数，a的取值不同，将会产生不同的汉明窗，本实施例a＝0.46。
其中，S204快速傅里叶变换包括对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱，
式中，S′(n)为输入的语音信号，k为常数，N表示傅里叶变换的点数，本实施例N为256或512。
其中，S205Mel滤波器组滤波包括将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组，采用三角滤波器，中心频率为f(m)，频率响应定义为：
式中，
其中，S206对数运算原理为：
式中，X(k)为快速傅里叶变换后的得到的各帧频谱，Hm(k)为第m个Mel滤波器的频率响应传递函数，m为整数，0≤m≤26。
其中，S207离散余弦变换原理为：
具体的，所述短时傅里叶变换特征提取包括，采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的傅里叶变换，形成不同时间窗口对应的频域信号，拼接成为频率随时间变化的数据，通过将时频信号数据绘图得到语谱图。
具体的，频谱对比度特征提取包括重复S201-S204，得到频谱部分，然后将其划分为六个子频段，再估算每个子频段的频谱对比度。
其中，包括假设第k个子频段的FFT向量是{Xk,1,Xk,2,L,Xk,N}，降序排序表示为{X′k,1,X′k,2,L,X′k,N}，其中X′k,1＞X′k,2＞L＞X′k,N；
计算峰值与谷值的强度估算如下：
差值：
SCk＝Peakk-Valleyk
其中，N是第k个子频段的分量总数，k∈[1,6]，α＝0.02。
具体的，为消除特征之间的一定的相关性，估算得到的频谱对比度通过Kamhunen-Loeve变换得到最终的特征向量与矩阵，同时做图像化处理。
S3、通过模型训练单元对各特征图依次进行CNN特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型。
具体的，S3.1CNN特征提取采用VGG16模型，通过迁移学习的方式对机泵故障进行分类识别，具体包括：将得到的各类图大小调整为224×224，作为网络的输入，采用VGG16的前13层即卷积层对图像进行特征提取，分别得到三个7×7×512的特征图。
具体的，S3.2特征级融合采用级联融合函数，综合利用多种图像特征实现特征互补，将三种特征进行融合，相对于单一特征而言，基于特征融合的图像识别方法具有更好的鲁棒性，此处级联融合函数为：
ycat＝fcat(xa,xb,xc)
式中，fcat(·)为级联融合函数，x(·)为特征向量。
具体的，S3.3分类器分类采用softmax进行分类，得到机泵故障识别模型。
S4、通过内设机泵故障识别模型的故障诊断单元对机泵进行故障诊断。
具体的，将训练好的机泵故障识别模型布置到故障诊断单元，即可通过读取到的故障数据，迅速判断出故障类型，实现机泵的故障诊断。
本实施例的一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，可以增强数据表达，丰富特征信息，结合深度学习网络算法进行模型训练，能够有效提取与机泵故障相关的特征信息，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
实施例2
一种基于多特征融合的机泵故障诊断装置，包括：声音采集单元，用于采集不同故障状态下机泵运行时产生的声音信号；模型训练单元，用于根据采集到的声音信号进行多特征提取和融合，确定机泵故障识别模型；故障诊断单元，用于根据机泵故障识别模型识别的故障类型，实现机泵故障诊断。
一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现如上所述机泵故障诊断方法。
一种计算机存储介质，包括：在计算机程序被处理器执行时，实现如上所述机泵故障诊断方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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)
1.一种基于多特征融合的机泵故障诊断方法，其特征在于，包括如下步骤：
S1、采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库；
S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图；
S3、对各特征图依次进行CNN特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型；
S4、利用机泵故障识别模型对机泵进行故障诊断。
2.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S1中，所述声音信号以WAV格式进行存储。
3.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S2中，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。
4.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。
5.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S2中，所述频谱对比度特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换，得到频谱部分，将频谱部分划分为六个子频段，估算每个子频段的频谱对比度。
6.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S3中，所述CNN特征提取采用VGG16模型，所述分类器包括softmax分类器。
7.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S3中，所述特征级融合包括：根据包括音高、音色的声音特征进行特征融合。
8.一种基于多特征融合的机泵故障诊断装置，其特征在于，包括：
声音采集单元，用于采集不同故障状态下机泵运行时产生的声音信号；
模型训练单元，用于根据采集到的声音信号进行多特征提取和融合，确定机泵故障识别模型；
故障诊断单元，用于根据机泵故障识别模型识别的故障类型，实现机泵故障诊断。
9.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现权利要求1-7任一项所述的机泵故障诊断方法。
10.一种计算机存储介质，其特征在于，包括：在计算机程序被处理器执行时，实现如权利要求1-7任一项所述的机泵故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785412.XA CN116771662A (zh) | 2023-06-29 | 2023-06-29 | 一种基于多特征融合的机泵故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785412.XA CN116771662A (zh) | 2023-06-29 | 2023-06-29 | 一种基于多特征融合的机泵故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116771662A true CN116771662A (zh) | 2023-09-19 |
Family
ID=87985748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310785412.XA Pending CN116771662A (zh) | 2023-06-29 | 2023-06-29 | 一种基于多特征融合的机泵故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116771662A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
-
2023
- 2023-06-29 CN CN202310785412.XA patent/CN116771662A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
| CN117367570B (zh) * | 2023-11-02 | 2024-04-12 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033756B (zh) | 语种识别方法、装置、电子设备及存储介质 | |
| KR20130133858A (ko) | 청각 주의 큐를 사용하여 스피치 음절/모음/음의 경계 검출 | |
| CN113012720B (zh) | 谱减法降噪下多语音特征融合的抑郁症检测方法 | |
| CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
| CN108305639B (zh) | 语音情感识别方法、计算机可读存储介质、终端 | |
| CN110120230B (zh) | 一种声学事件检测方法及装置 | |
| CN108682432B (zh) | 语音情感识别装置 | |
| Reddy et al. | A comparison of cepstral features in the detection of pathological voices by varying the input and filterbank of the cepstrum computation | |
| CN116771662A (zh) | 一种基于多特征融合的机泵故障诊断方法 | |
| CN110992985A (zh) | 识别跑步机异音的识别模型确定方法、识别方法、系统 | |
| CN117095694B (zh) | 一种基于标签层级结构属性关系的鸟类鸣声识别方法 | |
| Zhu et al. | Y-vector: Multiscale waveform encoder for speaker embedding | |
| CN112435686A (zh) | 一种基于数据增强的电力设备故障声音识别方法 | |
| CN115188387A (zh) | 一种有效的海洋哺乳动物声音自动检测和分类方法 | |
| Kamble et al. | PANACEA cough sound-based diagnosis of COVID-19 for the DiCOVA 2021 Challenge | |
| Hasan et al. | Preprocessing of continuous bengali speech for feature extraction | |
| CN111312288A (zh) | 一种广播音频事件处理方法、系统和计算机可读存储介质 | |
| CN108806725A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
| CN115910097A (zh) | 一种高压断路器潜伏性故障可听声信号识别方法及系统 | |
| CN113555038A (zh) | 基于无监督领域对抗学习的说话人无关语音情感识别方法及系统 | |
| CN111179972A (zh) | 一种基于深度学习的人声检测算法 | |
| CN115452378A (zh) | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 | |
| CN115273908A (zh) | 一种基于分类器融合的生猪咳嗽声音识别方法 | |
| Dernbach et al. | Acoustic identification of flat spots on wheels using different machine learning techniques | |
| NAMEIRAKPAM et al. | Singer identification using wavelet transform |
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 |