CN117809696A - 基于声学分析的工业设备健康评估与故障预测方法和系统 - Google Patents
基于声学分析的工业设备健康评估与故障预测方法和系统 Download PDFInfo
- Publication number
- CN117809696A CN117809696A CN202410224602.9A CN202410224602A CN117809696A CN 117809696 A CN117809696 A CN 117809696A CN 202410224602 A CN202410224602 A CN 202410224602A CN 117809696 A CN117809696 A CN 117809696A
- Authority
- CN
- China
- Prior art keywords
- industrial equipment
- industrial
- acoustic
- acoustic data
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000036541 health Effects 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 114
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002035 prolonged effect Effects 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012106 screening analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Abstract
本发明涉及工业设备在线监测技术领域，是基于声学分析的工业设备健康评估与故障预测方法和系统，具体方法包括：实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据；提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；筛选分析原始声学数据集中单个工业设备的异响特征数据，进行工业设备异常判断；调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。本发明解决了现有技术中，工业设备的故障监测误差大，实时性差，常常需要停线检修造成工业园区生产损失巨大的问题。
Description
技术领域
本发明涉及工业设备在线监测技术领域，是基于声学分析的工业设备健康评估与故障预测方法和系统。
背景技术
随着计算机和电子技术的迅速发展，促进了工业生产技术的现代化，生产装备不断向着大型化、高速化、连续化和自动化方向发展，使生产能力不断提高，同时对设备提出了新的要求，如性能要更好，功能要更强，精度要更高，设备状态监测与故障诊断系统在工业领域中扮演着越来越重要的角色。而工业园区的工业设备出现故障的原因却是复杂多样的，工业设备在日常的生产过程中，不仅仅由于所处的自然环境和机器运行老化会产生故障，还会因为工业园区中单个工业设备的目标产能的变化以及不同操作员的人为经验操作误差导致设备故障，例如在新能源汽车电池生产的工序中，使用辊压机对电池极片和集流体材料进行辊压加工的过程中，因为操作员的操作不当往往容易出现电极极片的断带，卡带的现象并因此大大缩短设备使用寿命，使得工业设备故障出现和操作人员受伤概率大幅提升。
在现有已公开的发明技术中，如公开号为CN115186904A的中国专利公开了一种工业设备故障预测方法、设备及介质，包括：获取目标工业设备的健康状态对应的时序数据集；将时序数据集输入训练完成的故障预测模型，输出时序数据集的故障预测值，其中，故障预测模型基于携带有故障预测值标签的训练样本训练得到；在故障预测值大于故障阈值时，判定目标工业设备故障，否则判定目标工业设备运行正常。
上述专利中需要使用带有故障预测值标签的训练样本进行训练，但是获取准确的故障标签可能会面临困难。在实际工业场景中，故障数据可能比较稀少，而且准确的故障发生时间点和类型也可能很难获取，数据实时性和可靠性差，存在背景技术中描述的技术问题。
发明内容
在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对现有技术中，工业设备的故障监测常常需要停线检修造成工业园区生产损失巨大，且工业设备故障监测误差大，数据实时性差的问题。提出了基于声学分析的工业设备健康评估与故障预测方法和系统。
为了达到上述目的，本发明基于声学分析的工业设备健康评估与故障预测方法的技术方案包括如下步骤：
S1：通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
S2：对实时采集的工业园区的生产车间中多个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
S3：筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
S4：调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
S5：动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
具体地，S1包括如下具体步骤：
S11：通过在工业园区的生产车间室内的房顶上均匀排列的组麦克风阵列实时采
集工业园区的生产车间中个工业设备生产过程中的混合声学数据，并通过自适应滤波算
法对混合声学数据进行去噪处理；
S12：对去噪处理后的个工业设备生产过程中的混合声学数据进行分帧加窗和
声波增强处理，完成个工业设备生产过程中的混合声学数据的预处理步骤，其中，混合声
学数据的声波增强处理策略如下：，式中，为第个麦克风阵列
采集到的第个工业设备在生产过程中的混合声学数据经过声波增强处理完成后的混合声
学数据，为第个麦克风阵列采集到的第个工业设备在生产过程中的混合声学数据，第个麦克风阵列采集到的第个工业设备在生产过程中的混合声学数据；为声
波增强因子；
S13：通过计算梅尔倒谱系数从预处理完成后的混合声学数据中获取个工业设
备生产过程中的混合声学数据中不同工业设备的声学信号特征；
S14：根据不同工业设备的声学信号特征进行单个工业设备的回声特征定位，确定
不同工业设备在生产车间不同的摆放方位，获取组不同的单个工业设备生产过程中的混
合声学数据。
具体地，S2中，对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理包括：
S21：识别提取工业园区的生产车间中，单个工业设备在生产过程中，接触该工业
设备的不同的个操作员的发声特征声纹，构成人声特征数据集，其中，为接触该工业设
备的操作员的总个数；
S22：构建声学分析神经网络模型，包括输入层、卷积层、采样层、池化层、全连接层
和输出层，其中，卷积层共有个，每个卷积层包括8个的卷积核；
S23：将人声特征数据集作为神经网络模型的目标训练集，通过声学分析神经网络模型对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行K-means特征聚类；
S24：获取生产过程中个操作员的发声音频和单个工业设备的生产声学数据，并
从工业园区管理后台调取个操作员对应的当日目标产量数据，构成操作员当日目标产量
数据集；
S25：提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集。
具体地，S3中原始声学数据集中单个工业设备的异响特征数据的筛选分析包括：
S31：将单个工业设备当日的原始声学数据集每隔一个小时划分为24个原始声学
数据片段，判断并提取每个原始声学数据片段中出现声学波动的次数，其中，当5分钟内
出现，即为一次声学波动，为5分钟内原始声学数据中出现的声波最大值；为5分钟内原始声学数据中出现的声波最小值，为声学波动判断阈值；
S32：当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S33；
当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S34；
S33：调取操作员当日目标产量数据集中，该工业设备第个操作员的当日目标产
量数据，计算该工业设备第个操作员的产能附加波动率，并与波动阈值进行对
比，其中，；
当时，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段
的监测时间点和对应的操作员信息；
当时，判断该原始声学数据片段正常，返回S32并筛选该工业设备的下一个
原始声学数据片段；
S34：计算24个原始声学数据片段中每小时的声波均值，筛选并记录每个原始声
学数据片段中声波值大于等于或小于等于的声学数据，其中，为声波变量；
当一个原始声学数据片段被记录连续三次大于等于或连续三次小于等于，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段的监测时间
点；
S35：统计该工业设备在本周的生产过程中的原始声学数据片段被标记为异响特征数据的片段总数。
具体地，S33中，所述产能附加波动率的计算策略如下：
；
其中，为单个原始声学数据片段第次出现声学波动时的声波最大值；
为单个原始声学数据片段第次出现声学波动时的声波最小值。
具体地，工业设备的异响故障变化量的预测如下：
；
其中，为第C周的工业设备的异响故障变化量；
为上一周中，该工业设备的原始声学数据片段被标记为异响特征数据的片段
总数；
为第个操作员操作该工业设备时的设备使用影响系数；为上一周工业设备
正常运行的工作日总数；
为上一周中工业设备正常运行的第个工作日，第个操作员的目标产量数
据；
为下一周中工业设备正常运行的第个工作日，第个操作员的目标产量数
据。
具体地，所述单个工业设备剩余使用寿命的动态评估计算策略如下：
；
其中，为该工业设备的出厂使用年限；为该工业设备已投入生产使用的使用年
限；
所述每日的健康状态指数的动态评估计算策略如下：
。
另外，本发明基于声学分析的工业设备健康评估与故障预测系统包括如下模块：
设备定位模块、声学处理模块、异响筛选模块、预测模块、动态预警模块；
所述设备定位模块通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
所述声学处理模块用于对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
所述异响筛选模块用于筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
所述预测模块用于调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
所述动态预警模块用于动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
具体地，所述动态预警模块包括：剩余使用寿命计算单元、每日的健康状态指数更新单元、设备异响预警单元和维修建议可视化单元。
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的基于声学分析的工业设备健康评估与故障预测方法。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在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一项的基于声学分析的工业设备健康评估与故障预测方法。
与现有技术相比，本发明的技术效果如下：
1、本发明通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的声学数据，并通过利用声学数据的分析来实现对工业设备进行健康评估和故障预测，相比于现有技术的监测手段，声学分析是一种非侵入式的监测技术，无需直接接触被监测的设备，因此不会对设备本身造成影响，且适用于各种类型和形状的设备，提高了本发明的普适性；同时声学分析能够实时监测设备运行时产生的声音信号，及时捕捉到设备运行状态的变化和异常声音，可以获得更全面的设备运行状态信息，有效帮助园区管理人员快速识别设备故障，避免停线损失。
2、本发明考虑到不同操作员对工业设备的操作水平的不同，在同样的自然环境下，不同操作员操作工业设备生产过程中设备故障出现次数是不同的，在获取生产过程中操作员的发声音频和单个工业设备的生产声学数据时，同时从工业园区管理后台调取不同的操作员对应的当日目标产量数据，提升了工业设备故障出现率的预测的准确性。
3、本发明将工业设备故障出现的次数和设备健康指数的计算与具体的工业设备实时操作员以及工业设备目标产量融合评估，当工业设备在某一个操作员操作期间故障率显著增加时，维修建议可视化模块输出的维修建议不仅包括：对工业设备进行检修和维修外，还包括对设备故障时的操作员额外增加操作工序培训课程，通过培训和提高操作员的技能水平，减少不正确的操作和操作误差，从而降低故障率，保护设备健康，延长设备的使用寿命，并提高设备的可靠性和生产效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。其中：
图1为本发明的基于声学分析的工业设备健康评估与故障预测方法的流程示意图；
图2为本发明的基于声学分析的工业设备健康评估与故障预测系统的结构示意图；
图3为本发明的一种动态预警模块的结构示意图。
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，下面结合说明书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，但是本发明还可以采用其他不同于在此描述的其它方式来实施，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推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一：
如图1所示，本发明实施例的基于声学分析的工业设备健康评估与故障预测方法，如图1所示，包括如下具体步骤：
S1：通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
S1包括如下具体步骤：
S11：通过在工业园区的生产车间室内的房顶上均匀排列的组麦克风阵列实时采
集工业园区的生产车间中个工业设备生产过程中的混合声学数据，并通过自适应滤波算
法对混合声学数据进行去噪处理；
S12：对去噪处理后的个工业设备生产过程中的混合声学数据进行分帧加窗和
声波增强处理，完成个工业设备生产过程中的混合声学数据的预处理步骤，其中，混合声
学数据的声波增强处理策略如下：，式中，为第个麦克风阵列
采集到的第个工业设备在生产过程中的混合声学数据经过声波增强处理完成后的混合声
学数据，为第个麦克风阵列采集到的第个工业设备在生产过程中的混合声学数据，第个麦克风阵列采集到的第个工业设备在生产过程中的混合声学数据；为声
波增强因子；
S13：通过计算梅尔倒谱系数从预处理完成后的混合声学数据中获取个工业设
备生产过程中的混合声学数据中不同工业设备的声学信号特征；
S14：根据不同工业设备的声学信号特征进行单个工业设备的回声特征定位，确定
不同工业设备在生产车间不同的摆放方位，获取组不同的单个工业设备生产过程中的混
合声学数据。
S2：对实时采集的工业园区的生产车间中多个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
S2中，对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理包括：
S21：识别提取工业园区的生产车间中，单个工业设备在生产过程中，接触该工业
设备的不同的个操作员的发声特征声纹，构成人声特征数据集，其中，为接触该工业设
备的操作员的总个数；
S22：构建声学分析神经网络模型，包括输入层、卷积层、采样层、池化层、全连接层
和输出层，其中，卷积层共有个，每个卷积层包括8个的卷积核；
S23：将人声特征数据集作为神经网络模型的目标训练集，通过声学分析神经网络模型对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行K-means特征聚类；
S24：获取生产过程中个操作员的发声音频和单个工业设备的生产声学数据，并
从工业园区管理后台调取个操作员对应的当日目标产量数据，构成操作员当日目标产量
数据集；
S25：提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集。
S3：筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
S3中原始声学数据集中单个工业设备的异响特征数据的筛选分析包括：
S31：将单个工业设备当日的原始声学数据集每隔一个小时划分为24个原始声学
数据片段，判断并提取每个原始声学数据片段中出现声学波动的次数，其中，当5分钟内
出现，即为一次声学波动，为5分钟内原始声学数据中出现的声波最大值；为5分钟内原始声学数据中出现的声波最小值，为声学波动判断阈值；
S32：当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S33；
当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S34；
S33：调取操作员当日目标产量数据集中，该工业设备第个操作员的当日目标产
量数据，计算该工业设备第个操作员的产能附加波动率，并与波动阈值进行对
比，其中，；
当时，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段
的监测时间点和对应的操作员信息；
当时，判断该原始声学数据片段正常，返回S32并筛选该工业设备的下一个
原始声学数据片段；
S34：计算24个原始声学数据片段中每小时的声波均值，筛选并记录每个原始声
学数据片段中声波值大于等于或小于等于的声学数据，其中，为声波变量；
当一个原始声学数据片段被记录连续三次大于等于或连续三次小于等于，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段的监测时间
点；
S35：统计该工业设备在本周的生产过程中的原始声学数据片段被标记为异响特征数据的片段总数。
其中，S33中，所述产能附加波动率的计算策略如下：
；
其中，为单个原始声学数据片段第次出现声学波动时的声波最大值；
为单个原始声学数据片段第次出现声学波动时的声波最小值。
S4：调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
工业设备的异响故障变化量的预测如下：
；
其中，为第C周的工业设备的异响故障变化量；
为上一周中，该工业设备的原始声学数据片段被标记为异响特征数据的片段
总数；
为第个操作员操作该工业设备时的设备使用影响系数；为上一周工业设备
正常运行的工作日总数；
为上一周中工业设备正常运行的第个工作日，第个操作员的目标产量数
据；
为下一周中工业设备正常运行的第个工作日，第个操作员的目标产量数
据。
S5：动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
所述单个工业设备剩余使用寿命的动态评估计算策略如下：
；
其中，为该工业设备的出厂使用年限；为该工业设备已投入生产使用的使用年
限；
所述每日的健康状态指数的动态评估计算策略如下：
。
实施例二：
如图2、3所示，本发明实施例的基于声学分析的工业设备健康评估与故障预测系统，如图2所示，包括如下模块：
设备定位模块、声学处理模块、异响筛选模块、预测模块、动态预警模块；
所述设备定位模块通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
所述声学处理模块用于对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
所述异响筛选模块用于筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
所述预测模块用于调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
所述动态预警模块用于动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
所述动态预警模块包括：剩余使用寿命计算单元、每日的健康状态指数更新单元、设备异响预警单元和维修建议可视化单元。
实施例三：
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的基于声学分析的工业设备健康评估与故障预测方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的基于声学分析的工业设备健康评估与故障预测方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的基于声学分析的工业设备健康评估与故障预测方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，单元的划分，仅仅为一 种，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。
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。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
综上实施例，与现有技术相比，本发明的技术效果如下：
1、本发明通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的声学数据，并通过利用声学数据的分析来实现对工业设备进行健康评估和故障预测，相比于现有技术的监测手段，声学分析是一种非侵入式的监测技术，无需直接接触被监测的设备，因此不会对设备本身造成影响，且适用于各种类型和形状的设备，提高了本发明的普适性；同时声学分析能够实时监测设备运行时产生的声音信号，及时捕捉到设备运行状态的变化和异常声音，可以获得更全面的设备运行状态信息，有效帮助园区管理人员快速识别设备故障，避免停线损失。
2、本发明考虑到不同操作员对工业设备的操作水平的不同，在同样的自然环境下，不同操作员操作工业设备生产过程中设备故障出现次数是不同的，在获取生产过程中操作员的发声音频和单个工业设备的生产声学数据时，同时从工业园区管理后台调取不同的操作员操作员对应的当日目标产量数据，提升了工业设备故障出现率的预测的准确性。
3、本发明将工业设备故障出现的次数和设备健康指数的计算与具体的工业设备实时操作员以及工业设备目标产量融合评估，当工业设备在某一个操作员操作期间故障率显著增加时，维修建议可视化模块输出的维修建议不仅包括：对工业设备进行检修和维修外，还包括对设备故障时的操作员额外增加操作工序培训课程，通过培训和提高操作员的技能水平，减少不正确的操作和操作误差，从而降低故障率，保护设备健康，延长设备的使用寿命，并提高设备的可靠性和生产效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (11)
1.基于声学分析的工业设备健康评估与故障预测方法，其特征在于，所述方法包括如下具体步骤：
S1：通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
S2：对实时采集的工业园区的生产车间中多个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
S3：筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
S4：调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
S5：动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
2.根据权利要求1所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，S1包括如下具体步骤：
S11：通过在工业园区的生产车间室内的房顶上均匀排列的组麦克风阵列实时采集工业园区的生产车间中/>个工业设备生产过程中的混合声学数据，并通过自适应滤波算法对混合声学数据进行去噪处理；
S12：对去噪处理后的个工业设备生产过程中的混合声学数据进行分帧加窗和声波增强处理，完成/>个工业设备生产过程中的混合声学数据的预处理步骤，其中，混合声学数据的声波增强处理策略如下：/>，式中，/>为第/>个麦克风阵列采集到的第/>个工业设备在生产过程中的混合声学数据经过声波增强处理完成后的混合声学数据，/>为第/>个麦克风阵列采集到的第/>个工业设备在生产过程中的混合声学数据，第/>个麦克风阵列采集到的第/>个工业设备在生产过程中的混合声学数据；/>为声波增强因子；
S13：通过计算梅尔倒谱系数从预处理完成后的混合声学数据中获取个工业设备生产过程中的混合声学数据中不同工业设备的声学信号特征；
S14：根据不同工业设备的声学信号特征进行单个工业设备的回声特征定位，确定不同工业设备在生产车间不同的摆放方位，获取组不同的单个工业设备生产过程中的混合声学数据。
3.根据权利要求2所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，S2中，对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理包括：
S21：识别提取工业园区的生产车间中，单个工业设备在生产过程中，接触该工业设备的不同的个操作员的发声特征声纹，构成人声特征数据集，其中，/>为接触该工业设备的操作员的总个数；
S22：构建声学分析神经网络模型，包括输入层、卷积层、采样层、池化层、全连接层和输出层，其中，卷积层共有个，每个卷积层包括8个/>的卷积核；
S23：将人声特征数据集作为神经网络模型的目标训练集，通过声学分析神经网络模型对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行K-means特征聚类；
S24：获取生产过程中个操作员的发声音频和单个工业设备的生产声学数据，并从工业园区管理后台调取/>个操作员对应的当日目标产量数据，构成操作员当日目标产量数据集；
S25：提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集。
4.根据权利要求3所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，S3中原始声学数据集中单个工业设备的异响特征数据的筛选分析包括：
S31：将单个工业设备当日的原始声学数据集每隔一个小时划分为24个原始声学数据片段，判断并提取每个原始声学数据片段中出现声学波动的次数，其中，当5分钟内出现，即为一次声学波动，/>为5分钟内原始声学数据中出现的声波最大值；/>为5分钟内原始声学数据中出现的声波最小值，/>为声学波动判断阈值；
S32：当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S33；
当单个原始声学数据片段中提取到的声学波动的次数时，执行步骤S34；
S33：调取操作员当日目标产量数据集中，该工业设备第个操作员的当日目标产量数据/>，计算该工业设备第/>个操作员的产能附加波动率/>，并与波动阈值/>进行对比，其中，/>；
当时，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段的监测时间点和对应的操作员信息；
当时，判断该原始声学数据片段正常，返回S32并筛选该工业设备的下一个原始声学数据片段；
S34：计算24个原始声学数据片段中每小时的声波均值，筛选并记录每个原始声学数据片段中声波值大于等于/>或小于等于/>的声学数据，其中，/>为声波变量；
当一个原始声学数据片段被记录连续三次大于等于或连续三次小于等于/>，标记该原始声学数据片段为异响特征数据，记录该原始声学数据片段的监测时间点；
S35：统计该工业设备在本周的生产过程中的原始声学数据片段被标记为异响特征数据的片段总数。
5.根据权利要求4所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，S33中，所述产能附加波动率的计算策略如下：
；
其中，为单个原始声学数据片段第/>次出现声学波动时的声波最大值；/>为单个原始声学数据片段第/>次出现声学波动时的声波最小值。
6.根据权利要求5所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，工业设备的异响故障变化量的预测如下：
；
其中，为第C周的工业设备的异响故障变化量；
为上一周中，该工业设备的原始声学数据片段被标记为异响特征数据的片段总数；
为第/>个操作员操作该工业设备时的设备使用影响系数；/>为上一周工业设备正常运行的工作日总数；
为上一周中工业设备正常运行的第/>个工作日，第/>个操作员的目标产量数据；
为下一周中工业设备正常运行的第/>个工作日，第/>个操作员的目标产量数据。
7.根据权利要求6所述的基于声学分析的工业设备健康评估与故障预测方法，其特征在于，所述单个工业设备剩余使用寿命的动态评估计算策略如下：
；
其中，为该工业设备的出厂使用年限；/>为该工业设备已投入生产使用的使用年限；
所述每日的健康状态指数的动态评估计算策略如下：
。
8.基于声学分析的工业设备健康评估与故障预测系统，其基于如权利要求1-7任一项所述的基于声学分析的工业设备健康评估与故障预测方法实现，其特征在于，所述系统包括以下模块：
设备定位模块、声学处理模块、异响筛选模块、预测模块、动态预警模块；
所述设备定位模块通过麦克风阵列实时采集工业园区的生产车间中多个工业设备生产过程中的混合声学数据，并进行单个工业设备的回声特征定位；
所述声学处理模块用于对实时采集的工业园区的生产车间中单个工业设备生产过程中的混合声学数据进行声学分离处理，并提取分离处理后的单个工业设备的生产声学数据，构成原始声学数据集；
所述异响筛选模块用于筛选分析原始声学数据集中单个工业设备的异响特征数据，并提取异响特征数据对应的工业园区产能信息进行工业设备异常判断；
所述预测模块用于调取下一周的工业园区预计产能信息，预测工业设备的异响故障变化量；
所述动态预警模块用于动态评估计算单个工业设备剩余使用寿命和每日的健康状态指数，并对工业设备进行连续的维修预警监测。
9.根据权利要求8所述的基于声学分析的工业设备健康评估与故障预测系统，其特征在于，所述动态预警模块包括：剩余使用寿命计算单元、每日的健康状态指数更新单元、设备异响预警单元和维修建议可视化单元。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-7中任一所述的基于声学分析的工业设备健康评估与故障预测方法。
11.一种电子设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-7任一项所述的基于声学分析的工业设备健康评估与故障预测方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224602.9A CN117809696B (zh) | 2024-02-29 | 基于声学分析的工业设备健康评估与故障预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224602.9A CN117809696B (zh) | 2024-02-29 | 基于声学分析的工业设备健康评估与故障预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117809696A true CN117809696A (zh) | 2024-04-02 |
| CN117809696B CN117809696B (zh) | 2024-05-10 |
Family
ID=
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
| CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
| CN113344295A (zh) * | 2021-06-29 | 2021-09-03 | 华南理工大学 | 基于工业大数据的设备剩余寿命预测方法、系统及介质 |
| CN113593605A (zh) * | 2021-07-09 | 2021-11-02 | 武汉工程大学 | 一种基于深度神经网络的工业音频故障监测系统和方法 |
| CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
| US20220187789A1 (en) * | 2020-12-10 | 2022-06-16 | Lg Display Co., Ltd. | Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent |
| CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
| CN115273791A (zh) * | 2022-07-29 | 2022-11-01 | 江西科骏实业有限公司 | 一种基于声学特征驱动的工业装备故障检测方法及装置 |
| US20220412845A1 (en) * | 2021-06-29 | 2022-12-29 | Spartan Controls Ltd. | Anomaly detection and failure prediction for predictive monitoring of industrial equipment and industrial measurement equipment |
| US20230152187A1 (en) * | 2020-12-04 | 2023-05-18 | Northeastern University | Fault signal locating and identifying method of industrial equipment based on microphone array |
| CN116453544A (zh) * | 2023-04-20 | 2023-07-18 | 成都航天科工大数据研究院有限公司 | 一种基于声纹识别的工业设备运行状态监测方法 |
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310667A (zh) * | 2019-07-12 | 2019-10-08 | 莫毓昌 | 一种基于声学特征的设备故障检测方法 |
| CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
| US20230152187A1 (en) * | 2020-12-04 | 2023-05-18 | Northeastern University | Fault signal locating and identifying method of industrial equipment based on microphone array |
| US20220187789A1 (en) * | 2020-12-10 | 2022-06-16 | Lg Display Co., Ltd. | Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent |
| CN113344295A (zh) * | 2021-06-29 | 2021-09-03 | 华南理工大学 | 基于工业大数据的设备剩余寿命预测方法、系统及介质 |
| US20220412845A1 (en) * | 2021-06-29 | 2022-12-29 | Spartan Controls Ltd. | Anomaly detection and failure prediction for predictive monitoring of industrial equipment and industrial measurement equipment |
| CN113593605A (zh) * | 2021-07-09 | 2021-11-02 | 武汉工程大学 | 一种基于深度神经网络的工业音频故障监测系统和方法 |
| CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
| CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
| CN115273791A (zh) * | 2022-07-29 | 2022-11-01 | 江西科骏实业有限公司 | 一种基于声学特征驱动的工业装备故障检测方法及装置 |
| CN116453544A (zh) * | 2023-04-20 | 2023-07-18 | 成都航天科工大数据研究院有限公司 | 一种基于声纹识别的工业设备运行状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ATMAJA, B.T.: "Machinery fault diagnosis using independent component analysis (ICA) and instantaneous frequency (IF)", 《2009 INTERNATIONAL CONFERENCE ON INSTRUMENTATION, COMMUNICATIONS, INFORMATION TECHNOLOGY, AND BIOMEDICAL ENGINEERING (ICICI-BME 2009)》, 25 November 2009 (2009-11-25) * |
| 朱梦帆: "基于卷积神经网络的电力设备放电故障声音识别研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2023 (2023-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104970789B (zh) | 心电图分类方法及系统 | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
| CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
| CN117373487B (zh) | 基于音频的设备故障检测方法、装置及相关设备 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN111599376A (zh) | 一种基于空洞卷积循环神经网络的声音事件检测方法 | |
| CN113568774A (zh) | 使用无监督深度神经网络的多维时序数据实时异常检测方法 | |
| CN109448758A (zh) | 语音韵律异常评估方法、装置、计算机设备和存储介质 | |
| CN114707731A (zh) | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN117809696B (zh) | 基于声学分析的工业设备健康评估与故障预测方法和系统 | |
| CN113077821A (zh) | 音频质量检测方法、装置、电子设备及存储介质 | |
| CN117809696A (zh) | 基于声学分析的工业设备健康评估与故障预测方法和系统 | |
| CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
| CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
| Eichinski et al. | Clustering and visualization of long-duration audio recordings for rapid exploration avian surveys | |
| CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
| CN116771662A (zh) | 一种基于多特征融合的机泵故障诊断方法 | |
| CN116502141A (zh) | 一种基于数据驱动的电动螺旋压力机故障预测方法及系统 | |
| CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN116026588A (zh) | 一种基于集成学习的轴承故障诊断与预警方法 | |
| CN115687038A (zh) | 一种基于大数据的硬盘故障预测系统及方法 | |
| CN115184674A (zh) | 一种绝缘测试方法、装置、电子终端及存储介质 |
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 |