CN117033983B - 一种无人船自噪声检测识别方法及系统 - Google Patents
一种无人船自噪声检测识别方法及系统 Download PDFInfo
- Publication number
- CN117033983B CN117033983B CN202311300787.9A CN202311300787A CN117033983B CN 117033983 B CN117033983 B CN 117033983B CN 202311300787 A CN202311300787 A CN 202311300787A CN 117033983 B CN117033983 B CN 117033983B
- Authority
- CN
- China
- Prior art keywords
- noise
- self
- detection
- data
- fault
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于自噪声检测技术领域，公开了一种无人船自噪声检测识别方法及系统，利用多种传感器对自噪声信号进行原始数据采集，将采集到的原始数据进行存储；将原始数据划分为两部分后，将部分原始数据分别进行频域变换和时频变换，并将处理后的数据作为验证数据；将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，并进行特征提取后制作训练数据集；基于YOLOv5算法利用数据集训练深度学习模型，挑选出识别性能最好的深度学习模型，并识别验证数据集检测识别结果。本发明的自噪声检测系统覆盖面比较全面，检测指标全面，检测结果更加可靠性；检测模块具有通用性，可以应用于AUV自噪声检测和其他设备的自噪声检测。
Description
技术领域
本发明属于自噪声检测技术领域，尤其涉及一种无人船自噪声检测识别方法及系统。
背景技术
自主式水下航行器（AUV）在海洋探测方向得到广泛应用，在水中自主航行的无人潜水器，具有自主航行、自主导航、自主探测的功能。由于AUV平台较小，其自噪声严重制约搭载于平台的声纳系统系能。如何有效的检测AUV的自噪声，对于平台系统实现最佳性能具有重要实际意义。
对于故障诊断，目前主要包括震动诊断、温度分析等。其中，震动诊断的设计领域较广，理论基础较为雄厚，研究较为充分；随着计算机技术、嵌入式技术以及新兴仪器技术的发展，故障诊断装置和仪器已经由最初的模拟式检测仪发展到现在的基于计算机的实时在线检测。
由于不同的无人潜水器的外观、尺寸以及机械结构等存在很大差异，AUV所造成自噪声包括机械噪声、水动力噪声、螺旋桨噪声都会不同，这也造成现存的自噪声研究，多是对特定船舶或者设备的，并且对这三者的研究大多围绕直接在声学系统中消除这三种噪声例如：上海交通大学的王德禹等人研究了潜艇结构-生辐射优化设计问题，是采用多目标优化设计进行自噪声控制；华中科技大学的石仲堃等人基于神经网络、遗传算法等智能算法的声纳平台自噪声预报研究；西北工业大学的杨云川等人则研究了基于水声物理场的声纳自噪声仿真方法及研究。而专门检测以及存储自噪声的通用平台或者项目的研究很少对于自噪声检测问题，本身具有重要意义，测量自噪声，不仅可以为确定AUV平台提供总体设计方案，而且能对主要机电设备运转进行故障诊断和报警，还可以判断螺旋桨空化的初生与发展从而确定其临界转速。此外，检测自噪声对采用减震降噪技术措施后的评估和探索自噪声、结构噪声、舱室空气噪声、辐射噪声之间的传播规律均有积极作用。
但是，目前对于自噪声的检测系统或模块现存方案很少，没有综合性的检测系统，且缺少对自噪声数据的收集以及存储。现存方案的自噪声检测主要针对单一指标进行检测，且主要针对特定的设备或仪器，缺乏通用性能；同时，对自噪声的检测缺少故障检测方面，检测方面比较局限。对于故障检测模块，现有震动诊断方案成本过高，应用方向主要是大型设备，应用场景比较局限。而基于计算机的实时在线检测，安装传感器往往是长期的装置，这会影响运动部件本身特性参数，且安装成本较高，故亟需一种新的自噪声检测识别方法。
通过上述分析，现有技术存在的问题及缺陷为：
（1）目前对于自噪声的检测系统或模块现存方案很少，没有综合性的检测系统，且缺少对自噪声数据的收集以及存储。现有方案的自噪声检测主要针对单一指标进行检测，且主要针对特定的设备或者仪器，缺乏通用性能；同时，对自噪声的检测缺少故障检测方面，检测方面比较局限。
（2）对于故障检测模块，现有震动诊断方案成本过高，应用方向主要是大型设备，应用场景比较局限。而基于计算机的实时在线检测，安装传感器往往是长期的装置，这会影响运动部件本身特性参数，且安装成本也很高。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种无人船自噪声检测识别方法及系统，所述技术方案如下：
本发明是这样实现的，无人船自噪声检测识别方法，该方法将YOLOv5深度学习算法应用于自噪声模型建立，使自噪声模型建立步骤清晰、操作简易；首次通过检测自噪声来对无人船进行故障检测，使无人船自噪声检测系统化、集成化；该方法包括以下步骤：
S1，利用传感器对自噪声信号进行原始数据采集，并将采集到的原始数据进行存储；
S2，将原始数据划分为两部分，将一部分原始数据进行频域变换和时频变换，并将处理后的数据作为验证数据；
S3，将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，进行特征提取后构建训练数据集；
S4，基于YOLOv5算法，利用数据集训练深度学习模型，挑选出识别准确度达80%及以上的深度学习模型，识别验证数据集检测识别结果。
在步骤S1中，原始数据采集包括：
使用加速度传感器采集自噪声中的震动信号；
通过传声器收集噪声信号。
进一步，震动信号的采集包括对恒流源、加速度传感器、信号调制电路和数据采集卡的采集；
恒流源用于为加速度传感器、信号调制电路和数据采集设备提供恒定电流；加速度传感器采集震动信号，并经过滤波信号放大的信号调制传入采集卡进行A/D转化；将8个加速度传感器分别置于AUV的不同位置，采用八通道IEPE振动传感器数据高速同步网络采集卡IBF288对多传感器信号进行采集。
在步骤S2中，将一部分原始数据进行频域变换和时频变换，包括：
对于故障噪声利用基于残差的故障检测算法进行处理后，再进行频域变换得到谱图；
对非故障信号采用时频变换方式得到声谱图，将噪声谱进行分帧处理，并对每帧进行短时快速傅里叶变换得到频谱图，将频谱旋转90度并映射色彩图，得到最终的声谱图。
进一步，基于残差的故障检测算法利用状态预测值和突变的量测值差异，通过残差信号构造检测函数判断量测值中是否存在故障信号，再将残差振幅的时域信号进行STFT和小波变换得到频域特征。
步骤S3中，将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，进行特征提取后构建训练数据集，包括：修改待标注类型，选择标注图片中特征信号的画框，确定类别标签，对图片进行放大后利用Labellmg软件建立数据库；在进行模型训练前，使用YOLOv5相对应代码将数据集划分为训练集和验证集；准备labels，从XML标注中获取bbox信息，并将数据集格式转换为yolo_txt。
在步骤S4中，基于YOLOv5算法，利用数据集训练深度学习模型，包括：对无人潜水器实测自噪声信号声谱图以及故障噪声频谱图进行模型制作，对比深度学习框架性能后选择PyTorch作为深度学习模型，再进行PC端系统硬件配置，并搭建YOLOv5环境。
进一步，YOLOv5环境为yolov5s.yaml，训练时的参数配置为：图片长640、宽640，device选择使用GPU，线程数woekers设置为8；对训练次数epoch进行改变确定不同性能的模型，训练次数设置为50、100、200、300。
步骤S4中，识别验证数据集检测识别结果，包括：通过对比损失函数对比不同迭代次数下训练模型的性能；
在训练集对深度学习模型训练完毕后，利用验证集对深度学习模型进行测试，检测深度学习模型是否准确，并确定识别效果。
本发明的另一目的在于提供一种无人船自噪声检测识别系统，该系统实施所述的无人船自噪声检测识别方法，该系统包括：
原始数据采集模块，用于利用传感器对自噪声信号进行原始数据采集，并将采集到的原始数据进行存储；
验证数据集构建模块，用于将原始数据划分为两部分，将一部分原始数据进行频域变换和时频变换，并将处理后的数据作为验证数据；
训练数据集构建模块，用于将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，进行特征提取后构建训练数据集；
噪声检测识别模块，基于YOLOv5算法，利用数据集训练深度学习模型，挑选出识别准确度达80%及以上的深度学习模型，识别验证数据集检测识别结果。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果，具体描述如下：本发明提供的无人船自噪声检测识别方法，首先对自噪声信号使用多种传感器进行原始数据采集，将采集到的原始数据进行存储；其次将原始数据分两部分处理，一部分作为验证数据，将此部分验证数据分别进行频域变换和时频变换，将处理后的数据作为验证数据；另一部分原始数据将含故障噪声数据和非含故障噪声分别进行处理，并进行特征提取制作训练数据集；然后使用YOLOv5算法使用数据集训练模型，并挑选出识别性能最好的模型--PyTorch，最后识别验证数据集检测识别效果。因此，本发明解决了无人船自噪声检测问题。
本发明提供的无人船自噪声检测识别系统使用八通道IEPE振动采集模块采集时间同步速度更快，采集数据更加准确。本发明将深度学习应用于自噪声检测模块，检测准确率更高且更加智能化。本发明的无人船自噪声检测识别系统存在自噪声存储模块：建立设备本身特有的自噪声数据库，为之后深度学习以及综合分析提供便利并且做到资源的利用。本发明增加故障检测模块，使得对自噪声的检测更加全面，且检测自噪声降低设备的损坏成本；故障检测模块应用基于残差的故障检测算法，提升神经网络的训练精度，同时故障检测也不再依赖于先验知识，提升检验效果。本发明的自噪声检测系统覆盖面比较全面，检测指标全面，最后的检测结果更加可靠性。本发明的检测模块具有通用性，不仅可以应用于AUV自噪声检测，也可应用于其他设备的自噪声检测。
本发明提供的无人船自噪声检测识别系统增加了自噪声信息存储和故障检测模块，检测指标比较综合全面；系统具有模块化，通用性能较高。本发明解决没有充分利用和分析无人船自噪声问题。本发明通过对无人船自噪声进行分析实现对无人船自噪声特征检测和识别，并且通过自噪声检测无人船是否存在故障问题。使得对无人船自噪声的利用更加规范和系统化。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的无人船自噪声检测识别方法流程图；
图2是本发明实施例提供的无人船自噪声检测识别方法原理图；
图3是本发明实施例提供的数据采集方法流程图；
图4是本发明实施例提供的频域特征提取方法流程图；
图5是本发明实施例提供的声谱图获取方法流程图；
图6是本发明实施例提供的labels设置方法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
实施例，如图1所示，本发明实施例提供的无人船自噪声检测识别方法包括以下步骤：
S1，利用传感器对自噪声信号进行原始数据采集，并将采集到的原始数据进行存储；
S2，将原始数据划分为两部分，将一部分原始数据进行频域变换和时频变换，并将处理后的数据作为验证数据；
S3，将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，进行特征提取后构建训练数据集；
S4，基于YOLOv5算法，利用数据集训练深度学习模型，挑选出识别准确度达80%及以上的深度学习模型，识别验证数据集检测识别结果。
作为优选实施例，如图2所示，本发明提供的无人船自噪声检测识别方法具体包括以下步骤：
1.数据采集（见图3）：
（1）使用加速度传感器采集自噪声中的震动信号；震动信号采集包括恒流源、加速度传感器、信号调制电路、数据采集卡。
恒流源为加速度传感器、信号调制电路、数据采集设备提供必需的恒定电流，加速度传感器采集震动信号，并经过滤波信号放大等信号调制传入采集卡进行A/D转化。系统使用8个加速度传感器分别放在AUV不同位置，采用八通道IEPE振动传感器数据高速同步网络采集卡IBF288对多传感器信号进行采集。
（2）通过传声器手机噪声信号。
2.自噪声处理：本方向可以分为用于进行故障噪声检测的数据部分和用于非故障噪声检测部分。
（1）如图4所示，对于故障噪声首先使用运算量较小的基于残差的故障检测算法进行处理，之后进行频域变换得到谱图。基于残差/>的故障检测算法是利用状态预测值和突变的量测值差异，通过残差信号构造检测函数来判断量测值中是否有故障信号，该方法对大幅值突变故障能够很好的检测，之后将残差振幅的时域信号进行STFT和小波变换得到频域特征。
对于故障噪声利用基于残差的故障检测算法进行处理后，再进行频域变换得到谱图；对非故障信号采用时频变换方式得到声谱图：将噪声谱进行分帧处理，并对每帧进行短时快速傅里叶变换得到频谱图，其中短时快速傅里叶变换的流程为：首先选择合适的时间窗口对信号进行分段，然后按照窗口长度对信号进行分割，并且使用重叠的方式进行信号间的重叠，之后应用窗口函数以突出窗口中的信号，最后对每个窗口进行快速傅里叶变换（FFT）得到频谱。将频谱旋转90度并映射色彩图，得到最终的声谱图。基于残差/>的故障检测算法是利用状态预测值和突变的量测值差异来进行故障检测。其基本步骤为：首先将构造一个合适的模型来描述正常无人平台的自噪声行为并进行相关参数标记，然后使用该模型对时间检测到的无人船自噪声进行预测得到一个残差序列，之后计算残差平方和的统计量，并将结果与指定的阈值进行比较，如果/>超过阈值，表示可能存在故障，否则不存在故障。
（2）如图5所示，对非故障信号采用时频变换方式得到声谱图。将噪声谱进行分帧处理，并对每帧进行短时快速傅里叶变换得到频谱图，之后将频谱旋转90度并映射色彩图，最终得到声谱图。
3.制作训练模型：本部分基于YOLOv5算法，对无人潜水器实测自噪声信号声谱图以及故障噪声频谱图进行模型制作。
（1）如图6所示，使用Labellmg软件建立数据库，在使用软件之前先修改需要标注的类型，再手动选择标注图片中特征信号的画框，确定类别标签，尽可能的完全拟合标注特征，对图片进行放大，利用Labellmg软件建立数据库。在训练之前进行具体数据集划分，使用YOLOv5相对应代码，将数据集划分为训练集和验证集，最后准备labels，先从XML标注中获取bbox信息，并把数据集格式转换成yolo_txt格式。
（2）选择深度学习模型，对比深度学习框架性能后选择PyTorch作为深度学习框架。再进行PC端系统硬件配置，并搭建YOLOv5的环境，本系统基于YOLOv5算法对无人潜水器实测自噪声信号声谱图以及故障噪声频谱图进行模型构建；训练过程通常使用随机梯度下降（SGD）或自适应优化算法（如Adam）进行；对比深度学习框架性能后选择PyTorch作为深度学习模型，再进行PC端系统硬件配置，搭建YOLOv5环境。其中，YOLOv5环境为yolov5s.yaml，训练时的参数配置为：图片长640、宽640，device选择使用GPU，线程数woekers设置为8；对训练次数epoch进行改变确定不同性能的模型，训练次数设置为50、100、200、300。
4.训练模型性能对比：通过对比损失函数对比不同迭代次数下模型的性能。
5.识别验证：验证集是用在训练集对模型训练完毕后，再用验证集对模型进行测试，测试模型是否准确，查看识别效果。
本发明实施例提供的无人船自噪声检测识别系统包括：
原始数据采集模块，用于利用多种传感器对自噪声信号进行原始数据采集，并将采集到的原始数据进行存储；
验证数据集构建模块，用于将原始数据划分为两部分后，将部分原始数据分别进行频域变换和时频变换，并将处理后的数据作为验证数据；
训练数据集构建模块，用于将另一部分原始数据中的含故障噪声数据和非含故障噪声数据分别进行处理，并进行特征提取后构建训练数据集；
噪声检测识别模块，用于基于YOLOv5算法利用数据集训练深度学习模型，挑选出识别准确度达80%及以上的深度学习模型，最后识别验证数据集检测识别结果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
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存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
为进一步证明上述实施例的积极效果，本发明基于上述技术方案进行如下实验。
（1）数据采集：将IBF288采集卡的采集传感器放置在无人船重点位置，包括声呐、发动机、螺旋桨等，设置采集卡采样频率、采样通道数、采样精度等参数。
（2）搭建无人船不同的使用状态，包括静止状态、螺旋桨旋转状态、声呐使用状态、悬停状态等，其中将各个设备突然停止工作以模拟无人船故障状态。采集各个状态的自噪声。
（3）将采集到的数据按照含故障噪声和非含故障状态进行分类。
（4）对不同采样数据分别进行预处理，并将预处理的图片进行使用Labellmg软件进行图片手动标注，特征明显的使用软件进行自动标注。创建一个类型标签文件，列出所有自噪声检测的目标类别。
（5）选择PyTorch作为深度学习框架，设置训练模型具体参数；图片大小为长640和宽640，device选择使用图形处理器（GPU），线程数woekers设置为8。最后设置不同的训练次数分别为：50、100、200、300。根据自噪声数据以及其他相关设置，逐渐调整模型的权重，使其适应自噪声检测任务。在训练过程中需要时刻关注训练过程中的损失函数变化，根据其变化选择深度学习模型。
（6）模型评估：使用上面保留的验证数据集，评估训练后的模型在检测自噪声特征目标的性能，通过计算准确率、召回率等来了解模型在应用于自噪声检测上的表现。同时通过指标来调整模型的超参数、数据增强等方式来继续优化模型。
（7）将训练好的模型部署在PC端以此来方便进行实地自噪声检测。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种无人船自噪声检测识别方法，其特征在于，该方法包括以下步骤：
S1、数据采集，使用加速度传感器采集自噪声中的震动信号；震动信号采集包括恒流源、加速度传感器、信号调制电路、数据采集卡；
S2、自噪声处理，分为用于进行故障噪声检测的数据部分和用于非故障噪声检测部分；
对于故障噪声首先使用基于残差的故障检测算法进行处理，之后进行频域变换得到谱图，基于残差的故障检测算法是利用状态预测值和突变的量测值差异，通过残差信号构造检测函数判断量测值中是否有故障信号，该方法对大幅值突变故障进行检测，将残差振幅的时域信号进行STFT和小波变换得到频域特征；
对非故障信号采用时频变换方式得到声谱图，将噪声谱进行分帧处理，并对每帧进行短时快速傅里叶变换得到频谱图，将频谱旋转90度并映射色彩图，最终得到声谱图；
S3、制作训练模型，使用Labellmg软件建立数据库，在使用软件之前先修改需要标注的类型，再选择标注图片中特征信号的画框，确定类别标签，完全拟合标注特征，对图片进行放大，利用Labellmg软件建立数据库；在训练之前进行具体数据集划分，使用YOLOv5相对应代码，将数据集划分为训练集和验证集，最后准备labels，先从XML标注中获取bbox信息，并把数据集格式转换成yolo_txt格式；
选择深度学习模型，对比深度学习框架性能后选择PyTorch作为深度学习框架，进行PC端系统硬件配置，并搭建YOLOv5的环境，基于YOLOv5算法对无人潜水器实测自噪声信号声谱图以及故障噪声频谱图进行模型构建；训练过程使用随机梯度下降或自适应优化算法进行；对比深度学习框架性能后选择PyTorch作为深度学习模型，再进行PC端系统硬件配置，搭建YOLOv5环境；
S4、训练模型性能对比，通过对比损失函数对比不同迭代次数下模型的性能；
S5、识别验证，验证集是用在训练集对模型训练完毕后，再用验证集对模型进行测试，测试模型是否准确，查看识别效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300787.9A CN117033983B (zh) | 2023-10-10 | 2023-10-10 | 一种无人船自噪声检测识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300787.9A CN117033983B (zh) | 2023-10-10 | 2023-10-10 | 一种无人船自噪声检测识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117033983A CN117033983A (zh) | 2023-11-10 |
| CN117033983B true CN117033983B (zh) | 2024-01-30 |
Family
ID=88623137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311300787.9A Active CN117033983B (zh) | 2023-10-10 | 2023-10-10 | 一种无人船自噪声检测识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033983B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122161A (zh) * | 2019-12-24 | 2020-05-08 | 北京交通大学 | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN114464174A (zh) * | 2022-01-11 | 2022-05-10 | 同济大学 | 一种基于深度学习的制动噪声分类识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9933473B2 (en) * | 2014-05-21 | 2018-04-03 | King Fahd University Of Petroleum And Minerals | Distributed filtering method for fault diagnosis in a sensor network |
| US10324459B2 (en) * | 2016-10-11 | 2019-06-18 | International Business Machines Corporation | System, method and computer program product for fault detection and location in power grid |
-
2023
- 2023-10-10 CN CN202311300787.9A patent/CN117033983B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122161A (zh) * | 2019-12-24 | 2020-05-08 | 北京交通大学 | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN114464174A (zh) * | 2022-01-11 | 2022-05-10 | 同济大学 | 一种基于深度学习的制动噪声分类识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Research on High Robustness Underwater Target Estimation Method Based on Variational Sparse Bayesian Inference";libin Du等;《remote sensing》;全文 * |
| 基于深度学习模型的电力变压器故障声音诊断方法研究;吴帆;刘艳霞;刘力铭;何彦德;;电声技术(01);全文 * |
| 基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法;李恒;张氢;秦仙蓉;孙远韬;;振动与冲击(19);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117033983A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| CN110352349A (zh) | 异常音检测装置、异常度计算装置、异常音生成装置、异常音检测学习装置、异常信号检测装置、异常信号检测学习装置、及它们的方法以及程序 | |
| CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| 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 | |
| Chen et al. | A real-time distributed deep learning approach for intelligent event recognition in long distance pipeline monitoring with DOFS | |
| CN111526119A (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
| CN113822201B (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 | |
| CN115169409B (zh) | 基于滑窗的桥梁结构自振频率识别、预警方法及设备 | |
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| CN112198556A (zh) | 信号处理方法、装置、终端设备及存储介质 | |
| CN114818839B (zh) | 一种基于深度学习的光纤传感水声信号识别方法及装置 | |
| CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
| CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
| CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
| CN111624586A (zh) | 基于特征提取和神经网络的水声目标测距方法 | |
| CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
| CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
| CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
| CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
| CN112907860B (zh) | 一种光纤周界安防系统入侵点检测的方法、系统及其装置 | |
| CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
| CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |