CN117116293A - 一种复杂声场环境中机器设备故障诊断系统 - Google Patents
一种复杂声场环境中机器设备故障诊断系统 Download PDFInfo
- Publication number
- CN117116293A CN117116293A CN202311071545.7A CN202311071545A CN117116293A CN 117116293 A CN117116293 A CN 117116293A CN 202311071545 A CN202311071545 A CN 202311071545A CN 117116293 A CN117116293 A CN 117116293A
- Authority
- CN
- China
- Prior art keywords
- sound
- module
- machine equipment
- sound signal
- signals
- 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 26
- 230000005236 sound signal Effects 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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
- G10L25/18—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 spectral information of each sub-band
-
- 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
-
- 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
-
- 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
-
- 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
- G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
- G10L2021/02166—Microphone arrays; Beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种复杂声场环境中机器设备故障诊断系统，包括依次相连的声音信号采集模块、声音信号处理模块、特征提取及融合模块、分类模块和显示模块，本发明适用于机器设备故障诊断技术领域，采用麦克风阵列对空间中不同位置的声音信号进行采样，并采用自适应波束形成算法，使麦克风阵列在波束形成时在强干扰方向形成零陷，最大抑制干扰信号，实现目标声源采集的最优方案，将声谱图引入到复杂声场环境中声音信号的特征提取方案中，采用特征融合技术，将多维域特征进行融合，提出多维域多特征融合的特征提取方法，很大程度上提高了分类器模型的识别准确率。
Description
技术领域
本发明属于机器设备故障诊断技术领域，具体是一种复杂声场环境中机器设备故障诊断系统。
背景技术
大型机器设备广泛应用于工业生产中，扮演着不可或缺的角色，特别是在石油化工、煤炭、电力和装备制造等行业中，大型机械设备的运行状态对工业生产具有很大的影响。在实际生产过程中，机械设备的性能会随着生产的持续而不断衰退，同时周围的环境如气压、温度和环境湿度等也会对机械设备造成不同程度的损伤，从而导致机械设备出现故障，影响整个生产过程，对企业造成经济损失，甚至造成安全事故，对企业员工的人身安全带来严重威胁。因此，机械设备的性能对保障工业生产顺利进行及工作人员的人身安全至关重要，对机械设备的运行状态进行实时安全监测与故障诊断是保障机械设备正常运行的重要措施。
目前，机械设备故障诊断主要有两种：一是借助传感器获取振动等参考信号进行分析处理。通过传感器获取机器设备的工作状态，并将其传输到计算机中，通过与数据库原始标准健康数据进行比对，初步诊断机械设备的状态。二是智能诊断技术，这类技术是对传感器所采集的数据进一步进行分析处理，设计特征提取方法及分类器模型进行智能诊断。它可以实现基于所测信号机理，设定诊断规则，进行数字信号分析等功能，与传统的简单对比诊断相比，更加科学实用。
然而，随着制造业智能化水平的提高，机器设备的智能化程度和复杂程度也不断加大；此外，在大型生产车间，当多台机器设备同时运行时，不同机器设备发出的声音信号及振动信号相互影响，相互叠加，构成了复杂的声场环境，使采集到的机器设备状态数据复杂多样，数据量也成倍的增加；同时由于机器设备发生故障的几率较小，其故障数据难以在短时间内收集完整，目前的特征提取方法不能完全表征机器设备的故障信息；同时海量数据、小样本的故障数据也限制了现有分类器模型的泛化能力，造成依靠目前的智能诊断技术判断机器设备故障的准确性不高，因此，对工业生产车间这类复杂声场环境中的机器设备智能诊断技术进行研究具有重要的现实意义。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种复杂声场环境中机器设备故障诊断系统。
为实现上述目的，本发明采用了如下技术方案：
一种复杂声场环境中机器设备故障诊断系统，包括依次相连的声音信号采集模块、声音信号处理模块、特征提取及融合模块、分类模块和显示模块；
所述声音信号采集模块，其配置为：采用麦克风阵列采集被监测机器设备运行时候发出的声音信号，并将声音信号传输至所述声音信号处理模块；
所述声音信号处理模块，其配置为：用于将声音信号采集模块采集的声音信号进行处理，然后将处理后的声音信号传输至所述特征提取及融合模块；
所述特征提取及融合模块，其配置为：用于将所述声音信号处理模块处理后的声音信号进行截短及FFT变换，然后分别提取时域特征、Mel域特征及声谱图特征，最后将三维域特征进行融合，最后将融合后的特征信息送入所述分类模块；
所述分类模块，其配置为：根据所述特征提取及融合模块提取的多维域特征对声音信号进行识别，并与模型库中的故障信息进行对比，识别出机器设备的故障类型，然后将故障类型信息传输至所述显示模块；
所述显示模块，其配置为：用于将所述分类模块识别的机器设备故障信息显示在服务器终端。
优选的，所述声音信号采集模块，其进一步配置为：采用麦克风阵列对空间中不同位置的声音信号进行采样，并采用自适应波束形成算法，使麦克风阵列在波束形成时在强干扰方向形成零陷，最大抑制干扰信号，实现目标声源采集的最优方案。
优选的，所述目标声源采集的最优方案中，第i个麦克风接收的信号表示为：
式中，s(t)为被监测的目标声源S发出的信号，K表示多径传播的路径数，wik表示目标声源通过多条路径的混响反射后第k条路径传递给第i个麦克风振元信号强度的衰减，τik表示经过的时间延迟，hi(t)表示当前环境的响应函数，ni(t)表示干扰噪声。
优选的，所述声音信号处理模块将声音信号采集模块采集的声音信号进行处理，具体包括波束形成、分帧加窗、FFT。
优选的，所述声音信号处理模块将声音信号采集模块采集的声音信号进行处理，具体包括以下步骤：
步骤S21：接收麦克风阵列采集的目标声源信号及周围远场噪声；
步骤S22：分别对采集的声音信号进行分帧加窗，并进行快速傅里叶变换，将信号变换至频域；
步骤S23：计算加权系数并分别与频域声音信号进行相乘；
步骤S24：进行傅里叶逆变化，将信号变换至时域。
其中，加权系数Wn的构造方法：
式中，n为帧序号，为目标声源信号在第n帧内的短时功率谱，/>表示第m个噪声在第n帧的短时功率谱。
优选的，所述FFT变换如公式3所示。
式中，x(n)为输入的音频信号，N为傅立叶变换的点数。
优选的，所述提取时域特征中，选取短时平均能量作为所述时域特征参数。
优选的，所述提取Mel域特征中，将MFCC系数作为所述Mel域特征参数，提取过程包括步骤：
步骤S311：求频谱幅度的平方，得到能量谱；
步骤S312：将能量谱通过一组MEL尺度的三角形滤波器组，实现对频谱进行平滑化，消除谐波作用，凸显原先语音的共振峰，同时可以降低运算量；
步骤S313：计算每个滤波器组输出的对数能量S(m)，如公式4所示。
式中，Xa(k)是音频信号的能量谱，Hm(k)是滤波器组，S(m)是对数能量。
步骤S314：经离散余弦变换得到MFCC系数。
式中，C(n)为MFCC系数，M为滤波器个数。
优选的，所述声谱图纹理特征提取实现过程为：
通过频率矩阵及色彩映射把所有截短信号形成的频率幅度值组合一起映射成为声谱图，以声谱图纹理特征作为声音信号的声谱图特征。
其中，声谱图纹理特征的提取采用Gabor滤波器提取，其函数为：
x'＝xcosθ+ysinθ ；
y'＝-xsinθ+ycosθ ；
式中，λ为余弦函数的波长，δ为核函数中高斯函数的标准差，b为半响应空间频率带宽，θ为核函数中平行条带方向0°＜θ＜360°，γ为核函数的椭圆度，余弦函数的相位角-180°＜θ＜180°，x、y为图像像素点的坐标值。
优选的，所述将三维域特征进行融合中，特征融合采用加权熵的策略对多维域特征进行融合，同时通过多次实验，初步确定阈值，最后以识别准确率为衡量标准，根据实际测验调整阈值及权重系数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
(1)本发明中，采用麦克风阵列对空间中不同位置的声音信号进行采样，并采用自适应波束形成算法，使麦克风阵列在波束形成时在强干扰方向形成零陷，最大抑制干扰信号，实现目标声源采集的最优方案。
(2)本发明中，将声谱图引入到复杂声场环境中声音信号的特征提取方案中，采用特征融合技术，将多维域特征进行融合，提出多维域多特征融合的特征提取方法，很大程度上提高了分类器模型的识别准确率。
(3)本发明中，采用深度残差收缩网络作为分类器模型,并在模型基础上引入注意力机制和软阈值，不仅适用于故障声音数据样本较少的情况，同时可以进一步实现降噪功能。
附图说明
图1为本发明一种复杂声场环境中机器设备故障诊断系统组成框图；
图2为本发明实施例中的麦克风阵列接收声音信号示意图；
图3为本发明实施例中的声音信号处理流程图；
图4为本发明实施例中的特征提取及融合流程图；
图5为本发明实施例中的分类器模型结构图示意图。
附图标记：1、声音信号采集模块；2、声音信号处理模块；3、特征提取及融合模块；4、分类模块；5、显示模块。
具体实施方式
以下结合附图1-5，进一步说明本发明一种复杂声场环境中机器设备故障诊断系统的具体实施方式。本发明一种复杂声场环境中机器设备故障诊断系统不限于以下实施例的描述。
实施例：
一种复杂声场环境中机器设备故障诊断系统，如图1所示，包括依次相连的声音信号采集模块1、声音信号处理模块2、特征提取及融合模块3、分类模块4和显示模块5；
声音信号采集模块1，其配置为：采用麦克风阵列采集被监测机器设备运行时候发出的声音信号，并将声音信号传输至声音信号处理模块2；
在一种可能的实施方式中，麦克风阵列接收声音信号示意图如图2所示，声音信号采集模块1，其进一步配置为：采用麦克风阵列对空间中不同位置的声音信号进行采样，并采用自适应波束形成算法，使麦克风阵列在波束形成时在强干扰方向形成零陷，最大抑制干扰信号，实现目标声源采集的最优方案。
在一种可能的实施方式中，目标声源采集的最优方案中，第i个麦克风接收的信号表示为：
式中，s(t)为被监测的目标声源S发出的信号，K表示多径传播的路径数，wik表示目标声源通过多条路径的混响反射后第k条路径传递给第i个麦克风振元信号强度的衰减，τik表示经过的时间延迟，hi(t)表示当前环境的响应函数，ni(t)表示干扰噪声。
声音信号处理模块2，其配置为：用于将声音信号采集模块1采集的声音信号进行处理，然后将处理后的声音信号传输至特征提取及融合模块3；
在一种可能的实施方式中，声音信号处理模块2将声音信号采集模块1采集的声音信号进行处理，具体包括波束形成、分帧加窗、FFT。
在一种可能的实施方式中，如图3所示，声音信号处理模块2将声音信号采集模块1采集的声音信号进行处理，具体包括以下步骤：
步骤S21：接收麦克风阵列采集的目标声源信号及周围远场噪声；
步骤S22：分别对采集的声音信号进行分帧加窗，并进行快速傅里叶变换FFT，将信号变换至频域；
步骤S23：计算加权系数并分别与频域声音信号进行相乘；
步骤S24：进行傅里叶逆变化IFFT，将信号变换至时域。
其中，加权系数Wn的构造方法：
式中，n为帧序号，为目标声源信号在第n帧内的短时功率谱，/>表示第m个噪声在第n帧的短时功率谱。
特征提取及融合模块3，其配置为：用于将声音信号处理模块处理后的声音信号进行截短及FFT变换，然后分别提取时域特征、Mel域特征及声谱图特征，最后将三维域特征进行融合，最后将融合后的特征信息送入分类模块4，如图4所示；
在一种可能的实施方式中，FFT变换如公式3所示。
式中，x(n)为输入的音频信号，N为傅立叶变换的点数。
在一种可能的实施方式中，提取时域特征中，选取短时平均能量作为时域特征参数。
在一种可能的实施方式中，提取Mel域特征中，将MFCC系数作为Mel域特征参数，提取过程包括步骤：
步骤S311：求频谱幅度的平方，得到能量谱；
步骤S312：将能量谱通过一组MEL尺度的三角形滤波器组，实现对频谱进行平滑化，消除谐波作用，凸显原先语音的共振峰，同时可以降低运算量；
步骤S313：计算每个滤波器组输出的对数能量S(m)，如公式4所示。
式中，Xa(k)是音频信号的能量谱，Hm(k)是滤波器组，S(m)是对数能量。
步骤S314：经离散余弦变换Discrete cosine transform,DCT得到MFCC系数。
式中，C(n)为MFCC系数，M为滤波器个数。
在一种可能的实施方式中，声谱图纹理特征提取实现过程为：
通过频率矩阵及色彩映射把所有截短信号形成的频率幅度值组合一起映射成为声谱图，以声谱图纹理特征作为声音信号的声谱图特征。
其中，声谱图纹理特征的提取采用Gabor滤波器提取，其函数为：
x'＝xcosθ+ysinθ (公式7)；
y'＝-xsinθ+ycosθ (公式8)；
式中，λ为余弦函数的波长，δ为核函数中高斯函数的标准差，b为半响应空间频率带宽，θ为核函数中平行条带方向0°＜θ＜360°，γ为核函数的椭圆度，余弦函数的相位角-180°＜θ＜180°，x、y为图像像素点的坐标值。
在一种可能的实施方式中，将三维域特征进行融合中，特征融合采用加权熵的策略对多维域特征进行融合，同时通过多次实验，初步确定阈值，最后以识别准确率为衡量标准，根据实际测验调整阈值及权重系数。
分类模块4，其配置为：根据特征提取及融合模块提取3的多维域特征对声音信号进行识别，并与模型库中的故障信息进行对比，识别出机器设备的故障类型，然后将故障类型信息传输至显示模块5；
进一步的，采用深度残差收缩网络作为分类器模型,并在模型基础上引入注意力机制和软阈值，结构图示意图如图5所示。
显示模块5，其配置为：用于将分类模块4识别的机器设备故障信息显示在服务器终端。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种复杂声场环境中机器设备故障诊断系统，其特征在于：包括依次相连的声音信号采集模块(1)、声音信号处理模块(2)、特征提取及融合模块(3)、分类模块(4)和显示模块(5)；
所述声音信号采集模块(1)，其配置为：采用麦克风阵列采集被监测机器设备运行时候发出的声音信号，并将声音信号传输至所述声音信号处理模块(2)；
所述声音信号处理模块(2)，其配置为：用于将声音信号采集模块(1)采集的声音信号进行处理，然后将处理后的声音信号传输至所述特征提取及融合模块(3)；
所述特征提取及融合模块(3)，其配置为：用于将所述声音信号处理模块处理后的声音信号进行截短及FFT变换，然后分别提取时域特征、Mel域特征及声谱图特征，最后将三维域特征进行融合，最后将融合后的特征信息送入所述分类模块(4)；
所述分类模块(4)，其配置为：根据所述特征提取及融合模块提取(3)的多维域特征对声音信号进行识别，并与模型库中的故障信息进行对比，识别出机器设备的故障类型，然后将故障类型信息传输至所述显示模块(5)；
所述显示模块(5)，其配置为：用于将所述分类模块(4)识别的机器设备故障信息显示在服务器终端。
2.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述声音信号采集模块(1)，其进一步配置为：采用麦克风阵列对空间中不同位置的声音信号进行采样，并采用自适应波束形成算法，使麦克风阵列在波束形成时在强干扰方向形成零陷，最大抑制干扰信号，实现目标声源采集的最优方案。
3.如权利要求2所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述目标声源采集的最优方案中，第i个麦克风接收的信号表示为：
式中，s(t)为被监测的目标声源S发出的信号，K表示多径传播的路径数，wik表示目标声源通过多条路径的混响反射后第k条路径传递给第i个麦克风振元信号强度的衰减，τik表示经过的时间延迟，hi(t)表示当前环境的响应函数，ni(t)表示干扰噪声。
4.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述声音信号处理模块(2)将声音信号采集模块(1)采集的声音信号进行处理，具体包括波束形成、分帧加窗、FFT。
5.如权利要求4所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述声音信号处理模块(2)将声音信号采集模块(1)采集的声音信号进行处理，具体包括以下步骤：
步骤S21：接收麦克风阵列采集的目标声源信号及周围远场噪声；
步骤S22：分别对采集的声音信号进行分帧加窗，并进行快速傅里叶变换(FFT)，将信号变换至频域；
步骤S23：计算加权系数并分别与频域声音信号进行相乘；
步骤S24：进行傅里叶逆变化(IFFT)，将信号变换至时域。
其中，加权系数Wn的构造方法：
式中，n为帧序号，为目标声源信号在第n帧内的短时功率谱，/>表示第m个噪声在第n帧的短时功率谱。
6.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述FFT变换如公式3所示。
式中，x(n)为输入的音频信号，N为傅立叶变换的点数。
7.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述提取时域特征中，选取短时平均能量作为所述时域特征参数。
8.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述提取Mel域特征中，将MFCC系数作为所述Mel域特征参数，提取过程包括步骤：
步骤S311：求频谱幅度的平方，得到能量谱；
步骤S312：将能量谱通过一组MEL尺度的三角形滤波器组，实现对频谱进行平滑化，消除谐波作用，凸显原先语音的共振峰，同时可以降低运算量；
步骤S313：计算每个滤波器组输出的对数能量S(m)，如公式4所示。
式中，Xa(k)是音频信号的能量谱，Hm(k)是滤波器组，S(m)是对数能量。
步骤S314：经离散余弦变换(Discrete cosine transform,DCT)得到MFCC系数。
式中，C(n)为MFCC系数，M为滤波器个数。
9.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述声谱图纹理特征提取实现过程为：
通过频率矩阵及色彩映射把所有截短信号形成的频率幅度值组合一起映射成为声谱图，以声谱图纹理特征作为声音信号的声谱图特征。
其中，声谱图纹理特征的提取采用Gabor滤波器提取，其函数为：
x'＝xcosθ+ysinθ (公式7)；
y'＝-xsinθ+ycosθ (公式8)；
式中，λ为余弦函数的波长，δ为核函数中高斯函数的标准差，b为半响应空间频率带宽，θ为核函数中平行条带方向0°＜θ＜360°，γ为核函数的椭圆度，余弦函数的相位角-180°＜θ＜180°，x、y为图像像素点的坐标值。
10.如权利要求1所述的一种复杂声场环境中机器设备故障诊断系统，其特征在于：所述将三维域特征进行融合中，特征融合采用加权熵的策略对多维域特征进行融合，同时通过多次实验，初步确定阈值，最后以识别准确率为衡量标准，根据实际测验调整阈值及权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311071545.7A CN117116293A (zh) | 2023-08-23 | 2023-08-23 | 一种复杂声场环境中机器设备故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311071545.7A CN117116293A (zh) | 2023-08-23 | 2023-08-23 | 一种复杂声场环境中机器设备故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117116293A true CN117116293A (zh) | 2023-11-24 |
Family
ID=88810514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311071545.7A Pending CN117116293A (zh) | 2023-08-23 | 2023-08-23 | 一种复杂声场环境中机器设备故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117116293A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854245A (zh) * | 2023-12-25 | 2024-04-09 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的异常设备监控方法及系统 |
-
2023
- 2023-08-23 CN CN202311071545.7A patent/CN117116293A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854245A (zh) * | 2023-12-25 | 2024-04-09 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的异常设备监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
| CN110534118A (zh) | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN107748314A (zh) | 基于声波震荡检测的变压器故障分析系统 | |
| US20230152187A1 (en) | Fault signal locating and identifying method of industrial equipment based on microphone array | |
| CN111048114A (zh) | 一种设备异常声音检测的设备及方法 | |
| CN104064186A (zh) | 一种基于独立分量分析的电气设备故障音检测方法 | |
| CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
| CN112201260A (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
| CN113313146B (zh) | 一种设备异常运行状态智能监测的方法 | |
| CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 | |
| CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
| CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
| Zheng et al. | Localized damage detection of structures subject to multiple ambient excitations using two distance measures for autoregressive models | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN112747921A (zh) | 一种基于na-memd的多传感器机械故障诊断的方法 | |
| CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
| CN115909675A (zh) | 一种分布式边缘计算的电力设备声音监测方法 | |
| CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
| CN114487952A (zh) | 一种利用声光纤的失超检测系统和方法 | |
| CN114137410A (zh) | 一种基于声纹检测技术的液压机构断路器故障识别方法 | |
| CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
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 |