CN117153188A - 一种基于声音频率的变功率设备故障分析方法及装置 - Google Patents
一种基于声音频率的变功率设备故障分析方法及装置 Download PDFInfo
- Publication number
- CN117153188A CN117153188A CN202311111218.XA CN202311111218A CN117153188A CN 117153188 A CN117153188 A CN 117153188A CN 202311111218 A CN202311111218 A CN 202311111218A CN 117153188 A CN117153188 A CN 117153188A
- Authority
- CN
- China
- Prior art keywords
- frequency
- space
- sound
- time
- attention
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000005236 sound signal Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声音频率的变功率设备故障分析方法及装置，该方法包括：基于设备旁的拾音器采集设备声音数据；基于设备声音数据获取频率数据，采用水平可见图算法构建频率图谱；基于频率图谱的边获取关联矩阵和潜在空间特征；基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；基于频率空间特征输入频率时空注意力网络提取频率时空特征；将频率时空特征输入分类网络进行声音故障诊断。本发明实现针对变功率设备的全频域动态感知的故障诊断，有效提高对变功率设备故障诊断的准确性。
Description
技术领域
本发明涉及变功率设备故障诊断技术领域，具体涉及一种基于声音频率的变功率设备故障分析方法及装置。
背景技术
随着矿山智能化的逐步推进，矿山设备的全生命周期管理成为了当前研究的热点。其中，声音频率信号作为设备运行过程中的固有属性，被广泛地运用于设备状态检测和故障诊断。特别地，依据设备运行环境，矿山设备可以被分为恒功率设备和变功率设备。(1)以矿井通风机驱动电机为例，恒功率设备的声音频率信号分布均匀且在时间轴上差异较小。矿井通风机驱动电机的声音频率信号如图1a所示。(2)以矿井提升机的驱动电机声音为例，变功率设备在运行过程中会出现运行工况的转换和负载的变化。相较于恒功率设备，变功率设备声音的频率特征分布范围广且时空差异较大。矿井提升机驱动电机的声音频率信号如图1b所示。然而，当前的频率分类模型往往针对恒功率设备，忽视了频率信号的空间分布特征和时间变化特性，使得现有的频率故障诊断模型面对变功率设备的声音频率信号时诊断准确率低。特别地，在运算的过程中，恒功率运行过程可以视为变功率运行过程的一种特殊状态。因此，构建针对变功率设备的全频域感知的故障诊断模型成为了问题的关键。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于声音频率的变功率设备故障分析方法及装置，基于水平可见图构建频率图谱，获取频率点之间的连接关系，进一步基于频率图谱挖掘声音频率的空间特征和时间特征，基于声音频率的时空特征进行变功率设备故障分析，有效的提高了多工况周期性设备的声音故障诊断的准确率。该技术方案如下：
第一方面，提供了一种基于声音频率的变功率设备故障分析方法，包括如下步骤：
基于设备旁的拾音器采集设备声音数据；
基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于频率节点的度确定；
基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
基于频率空间特征输入频率时空注意力网络提取频率时空特征；
将频率时空特征输入分类网络进行声音故障诊断。
在一些实施方式中，考虑到随着图神经网络层数的增加，网络输出的节点特征越来越趋近于节点平均值，被称为过平滑(over-flatting)，特别的，在针对声音频率潜在空间特征信息传递的过程中，空间特征信息由频率波峰向频率波谷方向的传递是造成频率特征平滑化的主要原因。因此，所述频率空间注意力网络采用的频率空间注意力函数为：
其中，a,b＝{0,...,Nf-1}表示频率位置变量；χi[a]和χi[b]分别表示频率节点和/>的潜在空间特征；i表示时间变量即第i时刻；αi(a,b)是频率图谱Gi的关联矩阵Ai中的元素；该频率空间注意力函数/>为频率图谱中连接边赋予权重，用于管理在连接边上即传递方向上频率空间特征信息的传递。从上述频率空间注意力函数的计算公式，可见，频率连接边的注意力权重与连接边两端节点的相对频率位置关系成反比，即距离越远影响力越小。同时，注意力权重与潜在空间特征的差值成正比。空间注意力权重强化了信息由波谷向波峰的传递，而抑制了信息由波峰向波谷的汇集。从而，避免网络出现过平滑现象。
基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征的步骤，包括：
将第i时刻的关联矩阵和潜在空间特征作为图卷积神经网络的输入；
在图卷积神经网络的每层节点特征计算中，利用预设的频率空间注意力函数计算邻居节点的权重值；对邻居节点的权重值进行归一化获取邻居节点的权重系数；基于图卷积神经网络的每层节点的线性变化权重和所述邻居节点的权重系数对节点特征进行更新；
基于图卷积神经网络的输出获取第i时刻的频率空间特征。
具体来说，上述利用预设的频率空间注意力函数计算邻居节点的权重值之后，对邻居节点的权重值进行归一化获取邻居节点的权重系数，该步骤中，采用稀疏矩阵记录归一化后的频率空间注意力参数即邻居节点的权重系数，空间注意力矩阵/>为：其中，a,b表示频率位置变量；Nf表示频率图谱节点的数量；/>是频率连接边/>的归一化频率空间注意力参数，归一化的计算过程：/>其中，αi(a,b)表示频率连接边/>的空间注意力参数；k∈N(a)表示节点/>的邻居节点的频率位置。
在一些实施方式中，所述频率时空注意力网络用于对当前时刻t及之前的连续多个时刻的频率空间特征获取注意力权重系数，并基于注意力权重系数对当前时刻t及之前的连续多个时刻的频率空间特征进行加权平均，获取当前时刻t的声音频率的时空特征。
在一些实施方式中，为了抓取变功率设备声音的频率空间特征，在时间维度上的变化过程，利用时间注意力函数以实现对时间维度上变化不明显的频率分量的抑制，去强化空间特征的时间维度上的变化。所述频率时空注意力网络采用的频率时空注意力函数为：
其中，表示频率位置k在时刻i的频率空间特征的时间注意力值；t是频率空间特征集合输入的时间；i∈{t-τ+1,...,t}；k∈{0,...,Nf-1}表示频率位置变量；/>表示时刻t频率位置k的频率空间特征；/>表示时刻i频率位置k的频率空间特征；
所述基于频率空间特征输入频率时空注意力网络提取频率时空特征，包括：
获取频率位置k在时刻i的频率空间特征的时间注意力值
基于当前时刻t及t之前的连续τ个时刻的频率空间特征的时间注意力值，对频率位置k在τ个时刻的频率空间特征进行加权平均，得到频率位置k的在t时刻的时空特征
在一些实施方式中，所述将频率时空特征输入分类网络进行声音故障诊断，包括：
将t时刻的声音频率的时空特征采用等高滤波器组Hm(k)进行压缩，将滤波器组输出的信号输入分类层进行声音故障诊断；所述等高滤波器组Hm(k)为：
其中，M表示滤波器组的数量；f(m)表示三角滤波器的中心频率，滤波器的中心频率为
在一些实施方式中，所述基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱，包括：
对第i时刻的设备声音数据，采用离散傅里叶获取频率数据，所述频率数据包括频率和频率幅值，记声音频率信号的采样频率为Nf，则频率数据包括Nf个频率和Nf个频率幅值；
对于第i时刻声音的Nf个频率数据，采用水平可见图算法分析任意两个频率之间的连接关系；
以一个频率和频率幅值作为一个图谱节点，以两个频率之间的连接关系作为图谱的连接边，构建频率图谱。
在一些实施方式中，所述基于频率图谱的边获取关联矩阵和潜在空间特征，包括：
构建第i时刻的声音频率关联矩阵为αi(a,b)表示频率a对应的图谱节点/>和频率b对应的图谱节点/>之间的连接关系，/>αi(a,b)表示矩阵Ai中a行b列的一个元素；/>表示一条由节点/>指向节点/>的连接边；
第i时刻的声音频率的潜在空间特征χi＝{dk|k＝{0,...,Nf-1}}；其中，k表示频率位置变量，dk表示节点vk∈V的度特征，A[n]表示矩阵A第n列的元素。
第二方面，提供了一种基于声音频率的变功率设备故障分析装置，该装置包括：
声音采集单元，用于基于设备旁的拾音器采集设备声音数据；
频率图谱构建单元，用于基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
潜在空间特征计算单元，用于基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于频率节点的度确定；
特征空间注意力单元，用于基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
空间特征时间注意力单元，用于基于频率空间特征输入频率时空注意力网络提取频率时空特征；
声音故障分析单元，用于将频率时空特征输入分类网络进行声音故障诊断。
第三方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述第一方面所述的变功率设备故障分析方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现上述第一方面所述的变功率设备故障分析方法的步骤。
本发明的一种基于声音频率的变功率设备故障分析方法及装置，具备如下有益效果：
1、本发明基于水平可视图(HVG)算法将声音频率数据转化为表征频率点之间关联关系的频率图谱，在频率图谱上进一步挖掘空间关联关系特征，包括频率关联矩阵和潜在空间特征，实现了变功率设备声音频率深层特征的挖掘分析。
2.本发明在频率图谱的基础上，以频率关联矩阵和潜在空间特征先后利用空间注意力机制和时间注意力机制进行多维度隐藏特征提取，充分考虑了频率信号的空间分布特征和时间变化特性，实现对变功率设备的声音频率的全频域感知。
3.本发明构建了中间密集两端稀疏的滤波器组，将提取到的声音频率的时空特征输入滤波器组，实现对声音频率信号的时空特征快速且准确的分类。
附图说明
图1是声音频率信号，其中：(a)矿井通风机驱动电机的声音时域信号波形图；(b)矿井提升机驱动电机的声音时域信号波形图；(c)矿井通风机驱动电机声音时频图；(d)矿井提升机驱动电机声音时频图；
图2是图3声音频率的图谱化过程示意图；其中：(a)声音信号的时域波形图；(b)声音信号的时频分布图；(c)采用HVG建立的频率图谱的节点连接示意图；(d)潜在空间特征分布图。
图3是本申请实施例的基于声音频率的变功率设备故障分析方法的流程示意图；
图4是本申请实施例的基于声音频率的变功率设备故障分析装置的结构示意图。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
参见图3，本申请实施例提供了一种基于声音频率的变功率设备故障分析方法，该方法包括如下步骤：
步骤1，基于设备旁的拾音器采集设备声音数据；
步骤2，基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
步骤3，基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于频率节点的度确定；
步骤4，基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
步骤5，基于频率空间特征输入频率时空注意力网络提取频率时空特征；
步骤6，将频率时空特征输入分类网络进行声音故障诊断。
具体来说，对于上述步骤1采集的设备声音数据，记i时刻采集的声音数据为Xi，本申请实施例中，采集当前时刻t及t之前的连续τ个时刻的声音数据，即i∈{t-τ+1,...,t}，则采集的声音数据记为其中，/>是声音信号的时域幅值，N表示声音瞬时信号的长度。示例声音Xi的波形图，如图2a所示。
进一步，上述步骤2中设备声音数据获取频率数据，采用离散傅里叶变化。具体来说，通过离散傅里叶变化，输入的声音时域信号Xt被转化为声音时频域信号Ft。声音时频域信号由τ个声音频率信号Fi组成。有限时间段内的声音频率信号Ft为：其中，i∈{t-τ+1,...,t}表示时间变量。Nf表示声音频率信号的采样频率。第i时刻的声音频率信号被表示为/>其中，P＝{0,...,Nf-1}表示声音频率信号的位置特征；Mi＝Mi[k],k＝{0,...,Nf-1}表示第i时刻的声音频率信号的幅值特征。频率幅值Mi的计算过程如下。
其中，Xi[n]是声音时域信号，ω[n]是窗函数，是傅里叶变化函数。示例声音Xi的频率幅值Mi的分布图，如图2b所示。
最后，声音瞬时频率信号Fi被作为第i时刻频率关联图谱Gi的频率节点Vi。每一个频率图谱的节点特征均包括频率的位置特征和幅值特征，频率图谱的节点特征表示如下。
其中，k是频率位置变量；Mi[k]表示第i时刻的频率节点k的频率幅值；Nf表示频率图谱中频率节点的数量；表示i时刻第k个频率节点。
进一步的，上述步骤2中，基于设备声音频率数据采用水平可见图算法(HVG)构建频率图谱的过程如下：
依据第i时刻的节点特征Vi，采用HVG在频率节点之间建立起连接边，获取频率图谱Gi的连接边集合Ei。第i时刻的频率图谱Gi的连接边Ei是由边的起始节点和目标节点共同构成的集合，频率图谱的连接边的集合为：其中，a表示连接边的起始节点在声音频率信号中的位置；b表示连接边的目标节点在声音频率信号中的位置；表示一条由节点/>指向节点/>的连接边。
根据水平可见图算法的基本原理通过判断两频率节点之间是否满足水平可见性准则，实现频率节点之间连接边的创建。针对声音频率图谱的水平可见性准则为：Mi[a],Mi[b]＞Mi[n],all n∈(a,b)；其中，Mi[a]，Mi[b]和Mi[n]分别表示在i时刻下频率节点和/>的频率幅值特征，n表示a，b之间的任何频率位置。
频率节点之间的连接边的建立，完成了对针对声音频率信号的空间重构，将原本欧式空间中的一维声音频率信号转化为了非欧式空间的关联图谱。进一步，在水平可见性准则的基础上，频率连接边消除了频率幅值空间分布不均的影响。由于声音频率信号的非负性，频率连接边确定了不同频率节点之间的相对位置关系，从而，扩大的频率空间特征的感知范围。频率图谱的连接示意图如图2c所示，其中，圆点表示图谱的节点，箭头表示连接边。
进一步，上述步骤3中，获取频率关联矩阵和潜在空间特征的步骤如下：
基于第i时刻的频率图谱Gi中的连接边的集合Ei提取频率图谱的关联矩阵Ai和空间特征χi。第i时刻的频率关联矩阵为稀疏矩阵用于记录频率节点之间的连接关系。频率关联矩阵的运算过程为：/>其中，αi(a,b)表示矩阵Ai中a行b列的一个元素。
当节点a,b之间存在连接边时，在频率关联矩阵的对应位置记录为1；反之若连接边不存在，则记录为0。致此，我们实现了第i时刻下的频率关联图谱Gi的建立。
为了进一步提取声音频率信号的潜在空间特征，本申请实施例采用频率关联图谱的度特征，去表述声音频率信号的潜在空间特征，频率关联图的度的分布特征如图2d所示。
第i时刻的声音频率的潜在空间特征为χi＝{dk|k＝{0,...,Nf-1}}，其中，k表示频率位置变量，dk表示节点vk∈V的度特征，A[n]表示矩阵A第n列的元素。
从频率变化分布图和度的分布图相互对比可以得出，局部区域内的频率幅值变化的越剧烈，则该点具有越多的连接边。因此，频率关联图谱的度特征有效的表示了频率信号的空间分布特征，消除了原有频率幅值在不同频段上能量的差异，均衡了频率高低频段对于声音故障诊断的影响。频率潜在空间特征的使用有效的避免模型由于特征分布不均而导致的过拟合问题。致此，声音频率图谱化完成了声音频率信号由欧式空间的一维数据向非欧空间的关联矩阵的转变。将频率序列的故障诊断过程转化成了图级的实时分类任务。
进一步，上述步骤4中，采用频率空间注意力网络提取频率空间特征，本申请实施例中采用了基于频率空间注意力函数的图卷积神经网络(FGAT网络)，上述步骤4提取频率空间特征的过程如下。
在FGAT网络第一层：
FGAT网络在接收到第i时刻的关联矩阵和潜在空间特征后，根据频率空间注意力函数获取空间频率注意力矩阵对输入的潜在空间特征/>进行线性变化学习空间表征，获取FGAT网络第一层线性变化后的中间变量/>空间表征学习的公式为 表示的FGAT模型第一层的可训练参数即第一层的线性变化权重参数。
然后，根据空间频率注意力矩阵和中间变量/>计算FGAT网络第一层的输出/>即第一层的空间特征嵌入结果，空间特征嵌入的计算过程为/>其中，/>表示潜在空间特征χi的空间频率注意力矩阵；/>表示单位矩阵，用于强化节点自身的特征影响；σ(·)表示激活函数。
在FGAT网络第l层：
FGAT模型的第l＝{1,...,n}层输出的声音频率空间特征的计算过程为：其中，/>表示第i时刻第l层的输入特征；/>表示第l层的空间注意力矩阵。
相比于传统的图注意力网络的运算公式，本文提出针对一维频率特征数据的频率空间图注意力网络使用频率幅值权重矩阵代替传统图卷积网络运算中的关联矩阵。通过限制图卷积网络运算中的信息流动方向和程度，使频率序列中的幅值特征信息向频率峰值方向汇集。这实现了在图卷积的过程中对频率峰值特征的强化，避免了由于网络层数增加而导致的“过平滑”现象。
进一步的，上述步骤5中，频率时空注意力网络提取频率时空特征，本申请实施例中，频率时空注意力网络采用的频率时空注意力函数为：
其中，表示频率位置k在时刻i的频率空间特征的时间注意力值；t是频率空间特征集合输入的时间；i∈{t-τ+1,...,t}；k∈{0,...,Nf-1}表示频率位置变量；/>表示时刻t频率位置k的频率空间特征；/>表示时刻i频率位置k的频率空间特征；
可以理解，对于当前时刻t及t之前的连续τ个时刻的声音数据，经过上述步骤1-4可以得到当前时刻t及t之前的连续τ个时刻的频率空间特征集合
上述步骤5基于频率空间特征输入频率时空注意力网络提取频率时空特征，包括如下步骤：
步骤51，获取频率位置k在时刻i的频率空间特征的时间注意力值
步骤52，基于当前时刻t及t之前的连续τ个时刻的频率空间特征的时间注意力值，对频率位置k在τ个时刻的频率空间特征进行加权平均，得到频率位置k的在t时刻的时空特征
进一步的，上述步骤6，将频率时空特征输入分类网络进行声音故障诊断，包括如下步骤：
步骤61，将t时刻的声音频率的时空特征采用等高滤波器组Hm(k)进行压缩，所述等高滤波器组Hm(k)为：
其中，M表示滤波器组的数量；f(m)表示三角滤波器的中心频率，滤波器的中心频率为
步骤62，将滤波器组输出的信号输入分类层进行声音故障诊断。
可以理解，本申请实施例中的分类网络采用基于滤波器组的人工神经网络分类网络，该分类网络中先对输入的时空特征采用滤波器组压缩频率时空特征的信息量；然后将滤波器组输出的信号输入分类层，在分类层将频率时空特征的维度Nf压缩至1024维，通过全连接层输出故障类型的特征值，完成当前时t的设备状态诊断。
另外，需要说明的是，上述步骤1-6所采用的神经网络模型的训练和用于测试上述变功率设备故障分析方法有效性采用的数据集包括：
三时间序列公共数据集：ToyADMOS dataset、2020DCASE和轴承故障数据集(CWRU)。以及自建数据集：矿井提升机运行阶段声音数据集，用于评估模型在面对周期性复杂设备的声音信号时的运算准确率。
具体来说，该自建数据集包含了矿井提升机运行全周期的声音信号。声音信号由放置于提升机滚筒旁的拾音器采集。拾音器放置位置如图2所示。数据集中记录了提升机静止、加速、匀速、减速、刹车等5个阶段的运行声音。声音的采样频率均为16kHz。
参见图4，本申请实施例提供了一种基于声音频率的变功率设备故障分析装置，该装置包括：
声音采集单元，用于基于设备旁的拾音器采集设备声音数据；
频率图谱构建单元，用于基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
潜在空间特征计算单元，用于基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于频率节点的度确定；
特征空间注意力单元，用于基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
空间特征时间注意力单元，用于基于频率空间特征输入频率时空注意力网络提取频率时空特征；
声音故障分析单元，用于将频率时空特征输入分类网络进行声音故障诊断。
需要说明的是：本实施例提供的变功率设备故障分析装置在分析变功率设备故障时，仅以上述各功能单元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完成，即将装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。另外，本实施例提供的变功率设备故障分析装置与上述实施例提供的变功率设备故障分析方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上述的变功率设备故障分析方法。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、电子程序和数据库，数据库用于存储变功率设备声音数据(包括实时采集声音和声音样本)。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现上述的变功率设备故障分析方法的步骤。可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机指令来指令相关的硬件来完成，所述的计算机指令可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (10)
1.一种基于声音频率的变功率设备故障分析方法，其特征在于，包括：
基于设备旁的拾音器采集设备声音数据；
基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于所述频率图谱上的节点的度确定；
基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
基于频率空间特征输入频率时空注意力网络提取频率时空特征；
将频率时空特征输入分类网络进行声音故障诊断。
2.根据权利要求1所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述频率空间注意力网络采用的频率空间注意力函数为：
其中，a,b＝{0,...,Nf-1}表示频率位置变量；χi[a]和χi[b]分别表示频率节点和/>的潜在空间特征；i表示时间变量即第i时刻；αi(a,b)是频率图谱Gi的关联矩阵Ai中的元素；
基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征的步骤，包括：
将第i时刻的关联矩阵和潜在空间特征作为图卷积神经网络的输入；
在图卷积神经网络的每层节点特征计算中，利用预设的频率空间注意力函数计算邻居节点的权重值；对邻居节点的权重值进行归一化获取邻居节点的权重系数；基于图卷积神经网络的每层节点的线性变化权重和所述邻居节点的权重系数对节点特征进行更新；
基于图卷积神经网络的输出获取第i时刻的频率空间特征。
3.根据权利要求1所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述频率时空注意力网络用于对当前时刻t及t之前的连续多个时刻的频率空间特征获取注意力权重系数，并基于注意力权重系数对当前时刻t及之前的连续多个时刻的频率空间特征进行加权平均，获取当前时刻t的声音频率的时空特征。
4.根据权利要求3所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述频率时空注意力网络采用的频率时空注意力函数为：
其中，表示频率位置k在时刻i的频率空间特征的时间注意力值；t是频率空间特征集合输入的时间；i∈{t-τ+1,...,t}；k∈{0,...,Nf-1}表示频率位置变量；/>表示时刻t频率位置k的频率空间特征；/>表示时刻i频率位置k的频率空间特征；
所述基于频率空间特征输入频率时空注意力网络提取频率时空特征，包括：
获取频率位置k在时刻i的频率空间特征的时间注意力值
基于当前时刻t及t之前的连续τ个时刻的频率空间特征的时间注意力值，对频率位置k在τ个时刻的频率空间特征进行加权平均，得到频率位置k的在t时刻的时空特征
5.根据权利要求1所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述将频率时空特征输入分类网络进行声音故障诊断，包括：
将t时刻的声音频率的时空特征采用等高滤波器组Hm(k)进行压缩，将滤波器组输出的信号输入分类层进行声音故障诊断；所述等高滤波器组Hm(k)为：
其中，M表示滤波器组的数量；f(m)表示三角滤波器的中心频率，滤波器的中心频率为
6.根据权利要求1所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱，包括：
对第i时刻的设备声音数据，采用离散傅里叶获取频率数据，所述频率数据包括频率和频率幅值，记声音频率信号的采样频率为Nf，则频率数据包括Nf个频率和Nf个频率幅值；
对于第i时刻声音的Nf个频率数据，采用水平可见图算法分析任意两个频率之间的连接关系；
以一个频率和频率幅值作为一个图谱节点，以两个频率之间的连接关系作为图谱的连接边，构建频率图谱。
7.根据权利要求6所述的一种基于声音频率的变功率设备故障分析方法，其特征在于，所述基于频率图谱的边获取关联矩阵和潜在空间特征，包括：
构建第i时刻的声音频率关联矩阵为αi(a,b)表示频率a对应的图谱节点/>和频率b对应的图谱节点/>之间的连接关系，/>αi(a,b)表示矩阵Ai中a行b列的一个元素；/>表示一条由节点/>指向节点/>的连接边；
第i时刻的声音频率的潜在空间特征χi＝{dk|k＝{0,...,Nf-1}}；其中，k表示频率位置变量，dk表示节点vk∈V的度特征，A[n]表示矩阵A第n列的元素。
8.一种基于声音频率的变功率设备故障分析装置，其特征在于，包括：
声音采集单元，用于基于设备旁的拾音器采集设备声音数据；
频率图谱构建单元，用于基于设备声音数据获取频率数据，基于各个频率的幅值采用水平可见图算法构建频率图谱；所述频率图谱上的节点表征频率和频率幅值，边表征两个频率节点之间的连接关系；
潜在空间特征计算单元，用于基于频率图谱的边获取关联矩阵和潜在空间特征，所述关联矩阵中的每个元素表征任意两个频率节点的连接关系，所述潜在空间特征中的特征值基于频率节点的度确定；
特征空间注意力单元，用于基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征；
空间特征时间注意力单元，用于基于频率空间特征输入频率时空注意力网络提取频率时空特征；
声音故障分析单元，用于将频率时空特征输入分类网络进行声音故障诊断。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的变功率设备故障分析方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述变功率设备故障分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111218.XA CN117153188B (zh) | 2023-08-29 | 2023-08-29 | 一种基于声音频率的变功率设备故障分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111218.XA CN117153188B (zh) | 2023-08-29 | 2023-08-29 | 一种基于声音频率的变功率设备故障分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117153188A true CN117153188A (zh) | 2023-12-01 |
| CN117153188B CN117153188B (zh) | 2024-05-28 |
Family
ID=88898187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311111218.XA Active CN117153188B (zh) | 2023-08-29 | 2023-08-29 | 一种基于声音频率的变功率设备故障分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153188B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162196A (zh) * | 2020-08-27 | 2021-01-01 | 浙江工业大学 | 一种基于图注意力网络的电机故障诊断方法 |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| CN113092044A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于加权水平可见图的旋转机械故障诊断方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN114170477A (zh) * | 2021-11-30 | 2022-03-11 | 华东师范大学 | 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法 |
| US20220099527A1 (en) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Method and system for performing fault diagnosis by bearing noise detection |
| CN115376554A (zh) * | 2022-07-21 | 2022-11-22 | 桂林电子科技大学 | 一种域转移的自监督机器异常声音检测方法 |
| CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
-
2023
- 2023-08-29 CN CN202311111218.XA patent/CN117153188B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162196A (zh) * | 2020-08-27 | 2021-01-01 | 浙江工业大学 | 一种基于图注意力网络的电机故障诊断方法 |
| US20220099527A1 (en) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Method and system for performing fault diagnosis by bearing noise detection |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN113092044A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于加权水平可见图的旋转机械故障诊断方法 |
| CN114170477A (zh) * | 2021-11-30 | 2022-03-11 | 华东师范大学 | 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法 |
| CN115376554A (zh) * | 2022-07-21 | 2022-11-22 | 桂林电子科技大学 | 一种域转移的自监督机器异常声音检测方法 |
| CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117153188B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN108319962B (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
| CN106096562B (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| WO2016125256A1 (ja) | 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN104680541B (zh) | 基于相位一致性的遥感图像质量评价方法 | |
| CN112674780A (zh) | 一种心电图异常信号中的房颤信号自动检测方法 | |
| CN104523264A (zh) | 一种心电信号处理方法 | |
| CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
| CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
| CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
| CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
| CN103679710B (zh) | 基于多层神经元群放电信息的图像弱边缘检测方法 | |
| CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| CN117153188B (zh) | 一种基于声音频率的变功率设备故障分析方法及装置 | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
| CN105651526A (zh) | 基于振动信号分析的车辆工况识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |