CN118155660A - 基于生成对抗网络的水电机组音频信号异常检测方法 - Google Patents
基于生成对抗网络的水电机组音频信号异常检测方法 Download PDFInfo
- Publication number
- CN118155660A CN118155660A CN202410244234.4A CN202410244234A CN118155660A CN 118155660 A CN118155660 A CN 118155660A CN 202410244234 A CN202410244234 A CN 202410244234A CN 118155660 A CN118155660 A CN 118155660A
- Authority
- CN
- China
- Prior art keywords
- audio signal
- discriminator
- audio
- feat
- generating set
- 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
- 230000005236 sound signal Effects 0.000 title claims abstract description 262
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000005856 abnormality Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 239000002131 composite material Substances 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012423 maintenance Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013329 compounding Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于生成对抗网络的水电机组音频信号异常检测方法，包括以下步骤：S1、采集水电机组在不同工作状态下多种声音源的复合音频信号，作为输入数据；S2、对输入数据进行深度预处理；S3、应用生成对抗网络模型鉴别器利用内嵌的特征识别模块区分生成的音频信号与真实音频信号之间的微小差异；S4、通过迭代训练生成对抗网络模型，运用损失函数和优化算法迭代生成音频信号的质量；S5、利用增强后的音频信号，结合异常检测算法识别复合音频信号中频率偏移、幅度变化和特定频率下的谐波异常；S6、根据异常检测结果，判断水电机组的运行状态，是否存在潜在故障或性能问题。本发明有效地支持后续的异常检测过程。
Description
技术领域
本发明涉及水电机组异常检测技术领域，尤其涉及一种基于生成对抗网络的水电机组音频信号异常检测方法。
背景技术
水电机组是水电站正常运行的核心，其性能的好坏直接影响到电站的安全、稳定和经济运行。在现代工业生产和运维领域，尤其是在水电站的运营中，水电机组的健康状态监测和故障诊断显得尤为重要。传统的监测方法主要依赖于定期的物理检查、机械振动分析以及专家经验判断等，这些方法虽然在早期的工业应用中取得了一定的成效，但随着技术的发展和应用场景的复杂化，这些传统方法逐渐暴露出各种缺陷和不足。
一方面，传统的监测和诊断技术往往需要停机检修，这不仅影响生产效率，还可能因为检修不当而引入新的故障。另一方面，这些方法大多依赖于人工经验判断，主观性强，诊断结果易受个人经验和技术水平的限制，难以实现高精度和高可靠性的故障诊断。此外，传统方法在处理复杂信号时，如音频信号的捕获和分析上存在困难，难以有效提取故障特征，导致故障检测和诊断的准确率不高。
随着人工智能技术，特别是深度学习在各个领域的广泛应用，基于深度学习的故障诊断方法开始被研究和应用。这类方法通过学习大量的历史数据，能够自动提取复杂信号中的特征，实现高准确率的故障检测和诊断。然而，现有的基于深度学习的方法在水电机组音频信号处理方面仍存在一定的局限性，首先，深度学习模型需要大量的标记数据进行训练，而在实际应用中，获取大量准确标记的故障音频数据十分困难，其次，水电机组运行环境复杂，背景噪声大，现有的深度学习模型难以有效区分机组正常运行产生的声音和故障声音，影响了故障检测的准确性。
综上所述，虽然现有技术在水电机组的健康监测和故障诊断方面取得了一定的进展，但在音频信号的有效处理、故障特征的准确提取以及高准确率故障诊断等方面仍存在显著的不足，这些不足限制了水电机组故障诊断技术的发展，影响了水电站的安全、稳定和经济运行。因此，如何提供一种基于生成对抗网络的水电机组音频信号异常检测方法是本领域技术人员亟需解决的问题。
发明内容
本发明的一个目的在于提出一种基于生成对抗网络的水电机组音频信号异常检测方法，本发明通过使用生成对抗网络针对水电机组的音频信号进行增强处理，生成器学习模拟真实的机组运行声音，而鉴别器则努力区分真实和生成的音频信号，通过这种方式，生成的音频信号在质量上与真实音频信号无显著差异，从而更有效地支持后续的异常检测过程。
根据本发明实施例的一种基于生成对抗网络的水电机组音频信号异常检测方法，包括以下步骤：
S1、采集水电机组在不同工作状态下综合机械运转、水流冲击及轴承振动多种声音源的复合音频信号，作为输入数据；
S2、对输入数据进行深度预处理，深度预处理包括去噪、标准化、切片处理以及利用短时傅里叶变换提取音频信号中的微弱特征和非线性特征；
S3、应用生成对抗网络模型，其中生成器利用生成对抗网络模型模拟和生成缺失或不完整的音频信号部分，鉴别器利用内嵌的特征识别模块区分生成的音频信号与真实音频信号之间的微小差异；
S4、通过迭代训练生成对抗网络模型，运用损失函数和优化算法迭代生成音频信号的质量，直到鉴别器不能区分生成的音频信号和真实音频信号，使得生成音频信号在质量上与真实信号无差异；
S5、利用增强后的音频信号，结合异常检测算法识别复合音频信号中频率偏移、幅度变化和特定频率下的谐波异常，用于识别潜在的机械故障或性能下降；
S6、根据异常检测结果，判断水电机组的运行状态，是否存在潜在故障或性能问题，并生成包括故障类型、可能的故障位置及建议的维护措施的检测报告。
可选的，所述S1具体包括：
S11、在水电机组的轴承、叶轮和导流机构位置，布置多个捕获不同声音源音频信号的声音传感器；
S12、定义水电机组的工作状态集合为：
W＝{W1,W2,...,Wn}；
其中，Wi表示第i个工作状态；
S13、对于每个工作状态Wi，采集相应的复合音频信号集合：
其中，表示在工作状态Wi下采集的第j个音频信号，mi表示在状态Wi下采集的音频信号总数；
S14、采集的音频信号覆盖机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear并进行音频复合，对每个音频信号进行频率范围F、幅度范围A和时间长度T的多维特征表示；
S15、构建复合音频信号数据集D：
其中，每个都附带有其频率范围F、幅度范围A和时间长度T的特征表示，用于输入生成对抗网络模型的训练和异常检测算法的测试；
S16、对于数据集D中的每一音频信号额外记录与之对应的工作状态Wi、环境条件/>和机组操作参数/>
可选的，所述S2具体包括：
S21、对于数据集D中的每一音频信号应用去噪算法减少背景噪音和干扰，得到去噪后的音频信号/>
S22、对去噪后的音频信号进行标准化处理，使所有音频信号的幅度范围调整到同一标准Astd，标准化的音频信号表示为/>
S23、将标准化后的音频信号进行切片处理，每个音频信号被切割成固定时间长度Ts的多个片段，每个片段记为/>其中，t表示片段的时间序列；
S24、对每个音频片段应用短时傅里叶变换提取音频信号中的微弱特征和非线性特征：
其中，f代表频率，τ代表时间，w(t-τ)是时间窗函数，用于在每个时间点τ处对信号进行局部化分析，每个音频片段/>被转换为一系列频率-时间点上的特征表示。
可选的，所述S3具体包括：
S31、初始化生成对抗网络模型，生成对抗网络模型由生成器G和鉴别器D组成，其中生成器G模拟和重建水电机组音频信号缺失或不完整的音频信号部分，鉴别器D区分水电机组音频信号输入的音频信号是由生成器生成还是真实音频信号；
S32、将预处理后的机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear特征表示的音频信号输入生成器G，生成器G通过学习音频信号的内在特征，输出模拟的音频信号/>
其中，θg表示生成器G的参数；
S33、将包括机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实音频信号和生成器G产生的音频信号/>输入鉴别器D，鉴别器D通过区分这两类信号输出一个用于表示信号为真实音频信号的概率值：
其中，Preal和Pgen分别代表真实音频信号和生成音频信号被判定为真实的概率，θd表示鉴别器D的参数；
S34、通过计算损失函数来优化生成器G和鉴别器D的参数，损失函数包括生成器损失LG和鉴别器损失LD，分别定义为：
目标是最小化生成器损失LG，同时最大化鉴别器损失LD；
S35、通过迭代训练过程，不断更新生成器G和鉴别器D的参数，直到达到平衡点，即鉴别器D不能显著区分生成的音频信号与真实音频信号/>使得生成的音频信号包含机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实特征。
可选的，所述S4具体包括：
S41、设定迭代次数N和学习率α，初始化生成器G和鉴别器D的参数θg和θd；
S42、对于每次迭代n，从预处理后的音频信号数据集中随机抽取一批音频信号片段并生成相应的模拟音频信号/>
S43、计算鉴别器D对于真实音频信号和生成音频信号/>的判别概率和/>
S44、根据鉴别器D的判别概率，更新损失函数LG和LD：
S45、使用梯度下降算法根据损失函数LG和LD更新生成器G和鉴别器D的参数θg和θd，学习率α控制参数更新的速率；
S46、重复步骤S42至步骤S45，直到迭代次数达到N或者鉴别器D对于生成音频信号和真实音频信号/>的判别概率接近0.5，即鉴别器D不能有效区分生成音频信号和真实音频信号；
S47、在迭代结束后，生成的音频信号在质量上与真实音频信号/>无显著差异。
可选的，所述S45具体包括：
S451、采用频谱归一化技术在Adam优化器的基础上对参数进行更新，通过考虑音频信号的频谱特性来调整参数更新步骤，使得学习过程更加符合音频信号的实际分布，参数更新公式保持不变，但在计算梯度时加入了频谱归一化处理：
其中，和/>分别是生成器和鉴别器参数的一阶矩估计，/>和/>是对应的二阶矩估计，αt是时刻t的学习率，∈是一个很小的数以避免除以零，SN(·)表示频谱归一化操作，使参数更新适应音频信号的频谱特性；
S452、实施基于音频特征的动态学习率调整机制，通过音频信号在不同频率上的能量分布，根据在处理低频和高频成分时的不同重要性，动态调整学习率捕捉音频信号，学习率调整策略考虑音频信号的能量分布特性进行优化：
αt＝α0·e-δE(t)；
其中，E(t)表示当前迭代下音频信号的能量分布特征，δ是调整系数，反映了能量分布对学习率调整的敏感度；
S453、采用基于频域的早停策略，除了常规的时间域差异评估，还额外考虑音频信号的频域特性，如果在连续多个迭代中，音频信号在频域内的表现差异没有显著减少，则启动早停机制。
可选的，所述S5具体包括：
S51、将得到的增强后的音频信号中提取频率特征Ffeat、幅度特征Afeat和谐波特征Hfeat，特征向量表示为：
Xfeat＝[Ffeat，Afeat，Hfeat]；
S52、利用深度学习网络作为异常检测模型，异常检测模型网络结构设计为包含多个卷积层和全连接层，捕获音频信号中的复杂特征和模式，网络通过以下函数进行异常分数的计算：
Sanom(Xfeat)＝DLθ(Xfeat)；
其中，DLθ表示深度学习模型，θ表示模型的参数，Xfeat是输入的特征向量，Sanom是输出的异常分数；
S53、深度学习网络的训练过程中，采用损失函数优化模型参数θ，目标是最小化正常状态音频信号与异常状态音频信号在模型输出上的差异：
其中，N是训练样本的数量，yi是音频信号i的真实标签，0表示正常，1表示异常，是音频信号i的特征向量；
S54、在训练完成后，异常检测模型根据输入的特征向量Xfeat输出异常分数Sanom，通过设定阈值τ，如果Sanom＞τ，则认为音频信号存在异常，反之则认为音频信号正常。
可选的，所述S6具体包括：
S61、基于异常分数Sanom及其阈值τ的比较结果，确认是否存在潜在的机械故障或性能下降；
S62、对于识别为异常的音频信号，进一步分析其特征向量Xfeat＝[Ffeat，Afeat，Hfeat]，确定故障的类型和可能的位置；
S63、依据分析结果和水电机组的运维历史记录，利用知识库和专家系统对比历史故障案例推导出针对识别故障的维护和修复建议；
S64、编制维护检测报告，维护检测报告综合反映故障分析的结果和建议的维护措施，维护检测报告包括故障类型Tfault、故障位置Lfault、建议的维护措施Msugestion以及故障信号的分析结果Aanalysis；
S65、将生成的检测报告提供给维护团队，用于指导具体的维护决策和行动。
本发明的有益效果是：
(1)本发明通过使用生成对抗网络针对水电机组的音频信号进行增强处理，生成器学习模拟真实的机组运行声音，而鉴别器则努力区分真实和生成的音频信号，通过这种方式，生成的音频信号在质量上与真实音频信号无显著差异，从而更有效地支持后续的异常检测过程，同时，通过深度学习网络分析增强后的音频信号，能够准确识别出频率偏移、幅度变化和特定频率下的谐波异常等多种潜在的机械故障或性能下降的迹象，比传统的基于规则的故障诊断方法具有更高的灵活性和准确性，因为它能够学习音频信号中的复杂模式，而不仅仅是依靠预设的阈值或简单的特征。
(2)本发明通过实施基于音频特征的动态学习率调整机制和基于频域的早停策略，进一步提高了模型训练的效率和稳定性，意味着模型能够更快地收敛，并且更好地泛化到新的、未见过的音频信号上，从而提高了整个系统的鲁棒性和可靠性。
(3)本发明能够自动化地判断水电机组的运行状态，并生成包含故障类型、可能的故障位置及建议的维护措施的详细检测报告，减少了对专业人员进行现场检查的需求，通过准确及时地识别潜在的故障和性能问题，有助于水电站运营商实施更有效的预防性维护策略，不仅可以减少突发故障导致的停机时间，还可以延长设备的使用寿命，从而降低运营成本并提高能源产出的效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明提出的一种基于生成对抗网络的水电机组音频信号异常检测方法的总体流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
一种基于生成对抗网络的水电机组音频信号异常检测方法，包括以下步骤：
S1、采集水电机组在不同工作状态下综合机械运转、水流冲击及轴承振动多种声音源的复合音频信号，作为输入数据；
本实施方式中，S1具体包括：
S11、在水电机组的轴承、叶轮和导流机构位置，布置多个捕获不同声音源音频信号的声音传感器；
S12、定义水电机组的工作状态集合为：
W＝{W1，W2，...，Wn}；
其中，Wi表示第i个工作状态；
S13、对于每个工作状态Wi，采集相应的复合音频信号集合：
其中，表示在工作状态Wi下采集的第j个音频信号，mi表示在状态Wi下采集的音频信号总数；
S14、采集的音频信号覆盖机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear并进行音频复合，对每个音频信号进行频率范围F、幅度范围A和时间长度T的多维特征表示；
S15、构建复合音频信号数据集D：
其中，每个都附带有其频率范围F、幅度范围A和时间长度T的特征表示，用于输入生成对抗网络模型的训练和异常检测算法的测试；
S16、对于数据集D中的每一音频信号额外记录与之对应的工作状态Wi、环境条件/>和机组操作参数/>
S2、对输入数据进行深度预处理，深度预处理包括去噪、标准化、切片处理以及利用短时傅里叶变换提取音频信号中的微弱特征和非线性特征；
本实施方式中，S2具体包括：
S21、对于数据集D中的每一音频信号应用去噪算法减少背景噪音和干扰，得到去噪后的音频信号/>
S22、对去噪后的音频信号进行标准化处理，使所有音频信号的幅度范围调整到同一标准Astd，标准化的音频信号表示为/>
S23、将标准化后的音频信号进行切片处理，每个音频信号被切割成固定时间长度Ts的多个片段，每个片段记为/>其中，t表示片段的时间序列；
S24、对每个音频片段应用短时傅里叶变换提取音频信号中的微弱特征和非线性特征：
其中，f代表频率，τ代表时间，w(t-τ)是时间窗函数，用于在每个时间点τ处对信号进行局部化分析，每个音频片段/>被转换为一系列频率-时间点上的特征表示。
S3、应用生成对抗网络模型，其中生成器利用生成对抗网络模型模拟和生成缺失或不完整的音频信号部分，鉴别器利用内嵌的特征识别模块区分生成的音频信号与真实音频信号之间的微小差异；
本实施方式中，S3具体包括：
S31、初始化生成对抗网络模型，生成对抗网络模型由生成器G和鉴别器D组成，其中生成器G模拟和重建水电机组音频信号缺失或不完整的音频信号部分，鉴别器D区分水电机组音频信号输入的音频信号是由生成器生成还是真实音频信号；
S32、将预处理后的机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear特征表示的音频信号输入生成器G，生成器G通过学习音频信号的内在特征，输出模拟的音频信号/>
其中，θg表示生成器G的参数；
S33、将包括机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实音频信号和生成器G产生的音频信号/>输入鉴别器D，鉴别器D通过区分这两类信号输出一个用于表示信号为真实音频信号的概率值：
其中，Preal和Pgen分别代表真实音频信号和生成音频信号被判定为真实的概率，θd表示鉴别器D的参数；
S34、通过计算损失函数来优化生成器G和鉴别器D的参数，损失函数包括生成器损失LG和鉴别器损失LD，分别定义为：
目标是最小化生成器损失LG，同时最大化鉴别器损失LD；
S35、通过迭代训练过程，不断更新生成器G和鉴别器D的参数，直到达到平衡点，即鉴别器D不能显著区分生成的音频信号与真实音频信号/>使得生成的音频信号包含机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实特征。
S4、通过迭代训练生成对抗网络模型，运用损失函数和优化算法迭代生成音频信号的质量，直到鉴别器不能区分生成的音频信号和真实音频信号，使得生成音频信号在质量上与真实信号无差异；
本实施方式中，S4具体包括：
S41、设定迭代次数N和学习率α，初始化生成器G和鉴别器D的参数θg和θd；
S42、对于每次迭代n，从预处理后的音频信号数据集中随机抽取一批音频信号片段并生成相应的模拟音频信号/>
S43、计算鉴别器D对于真实音频信号和生成音频信号/>的判别概率和/>
S44、根据鉴别器D的判别概率，更新损失函数LG和LD：
S45、使用梯度下降算法根据损失函数LG和LD更新生成器G和鉴别器D的参数θg和θd，学习率α控制参数更新的速率；
本实施方式中，S45具体包括：
S451、采用频谱归一化技术在Adam优化器的基础上对参数进行更新，通过考虑音频信号的频谱特性来调整参数更新步骤，使得学习过程更加符合音频信号的实际分布，参数更新公式保持不变，但在计算梯度时加入了频谱归一化处理：
其中，和/>分别是生成器和鉴别器参数的一阶矩估计，/>和/>是对应的二阶矩估计，αt是时刻t的学习率，∈是一个很小的数以避免除以零，SN(·)表示频谱归一化操作，使参数更新适应音频信号的频谱特性；
S452、实施基于音频特征的动态学习率调整机制，通过音频信号在不同频率上的能量分布，根据在处理低频和高频成分时的不同重要性，动态调整学习率捕捉音频信号，学习率调整策略考虑音频信号的能量分布特性进行优化：
αt＝α0·e-δE(t)；
其中，E(t)表示当前迭代下音频信号的能量分布特征，δ是调整系数，反映了能量分布对学习率调整的敏感度；
S453、采用基于频域的早停策略，除了常规的时间域差异评估，还额外考虑音频信号的频域特性，如果在连续多个迭代中，音频信号在频域内的表现差异没有显著减少，则启动早停机制。
S46、重复步骤S42至步骤S45，直到迭代次数达到N或者鉴别器D对于生成音频信号和真实音频信号/>的判别概率接近0.5，即鉴别器D不能有效区分生成音频信号和真实音频信号；
S47、在迭代结束后，生成的音频信号在质量上与真实音频信号/>无显著差异，实现了音频信号的质量增强。
S5、利用增强后的音频信号，结合异常检测算法识别复合音频信号中频率偏移、幅度变化和特定频率下的谐波异常，用于识别潜在的机械故障或性能下降；
本实施方式中，S5具体包括：
S51、将得到的增强后的音频信号中提取频率特征Ffeat、幅度特征Afeat和谐波特征Hfeat，特征向量表示为：
Xfeat＝[Ffeat，Afeat，Hfeat]；
S52、利用深度学习网络作为异常检测模型，异常检测模型网络结构设计为包含多个卷积层和全连接层，捕获音频信号中的复杂特征和模式，网络通过以下函数进行异常分数的计算：
Sanom(Xfeat)＝DLθ(Xfeat)；
其中，DLθ表示深度学习模型，θ表示模型的参数，Xfeat是输入的特征向量，Sanom是输出的异常分数；
S53、深度学习网络的训练过程中，采用损失函数优化模型参数θ，目标是最小化正常状态音频信号与异常状态音频信号在模型输出上的差异：
其中，N是训练样本的数量，yi是音频信号i的真实标签，0表示正常，1表示异常，是音频信号i的特征向量；
S54、在训练完成后，异常检测模型根据输入的特征向量Xfeat输出异常分数Sanom，通过设定阈值τ，如果Sanom＞τ，则认为音频信号存在异常，反之则认为音频信号正常。
通过深度学习网络的学习和训练，该异常检测模型能够有效地识别出频率偏移、幅度变化和特定频率下的谐波异常，用于及时发现水电机组的潜在机械故障或性能下降，为维护和修复提供重要依据。
S6、根据异常检测结果，判断水电机组的运行状态，是否存在潜在故障或性能问题，并生成包括故障类型、可能的故障位置及建议的维护措施的检测报告。
本实施方式中，S6具体包括：
S61、基于异常分数Sanom及其阈值τ的比较结果，确认是否存在潜在的机械故障或性能下降；
S62、对于识别为异常的音频信号，进一步分析其特征向量Xfeat＝[Ffeat，Afeat，Hfeat]，确定故障的类型和可能的位置；
S63、依据分析结果和水电机组的运维历史记录，利用知识库和专家系统对比历史故障案例推导出针对识别故障的维护和修复建议；
S64、编制维护检测报告，维护检测报告综合反映故障分析的结果和建议的维护措施，维护检测报告包括故障类型Tfault、故障位置Lfault、建议的维护措施Msugestion以及故障信号的分析结果Aanalysis；
S65、将生成的检测报告提供给维护团队，用于指导具体的维护决策和行动，通过这一报告，维护团队可以更有效地识别和解决水电机组中的潜在问题，从而预防故障发生，确保设备的稳定运行。
实施例1：
在四川省的一个大型水电站，机组长期运行导致设备老化，维护和故障诊断成为了日常维护的重要任务，过去，该水电站依赖于传统的物理检测和定期维护计划来预防和解决机械故障，但这种方法耗时且成本高昂，有时还会因为检测不及时导致机组意外停机，影响电站的正常运行。
为了解决这一问题，水电站在某几组发电机组上采用本发明的系统进行实验，通过收集机组运行时的音频数据，利用深度学习技术进行信号增强和异常检测，以实现对机械故障和性能下降的早期识别。
具体应用中，首先，在水电站的关键机组上安装了高灵敏度的音频采集设备。这些设备能够实时捕捉到机组运行时产生的声音信号，包括正常运行的背景噪音和可能指示故障的异常声音，收集到的音频数据随后通过预处理环节，包括去噪、标准化和切片处理，以准备后续的增强和分析过程。
接下来，利用训练好的生成对抗网络对预处理后的音频信号进行增强，目的是提升信号中与机械故障相关的特征，同时压制背景噪音，增强后的音频信号表现出更明显的故障特征，如频率偏移、幅度变化和特定频率下的谐波异常。
通过深度学习网络对增强后的音频信号进行特征提取和异常检测，模型能够识别出复合音频信号中的异常模式，并计算出异常分数，当异常分数超过预设的阈值时，系统会判定为潜在的机械故障或性能下降，并自动生成包括故障类型、可能的故障位置及建议的维护措施的检测报告。
在2023年的一次实地应用中成功预测了一个即将发生的轴承故障，在故障发生前一周，系统检测到的异常分数突然升高，通过分析异常检测报告，维护团队迅速定位到问题所在，并在不影响电站正常运行的情况下完成了维修，与此同时，通过对比分析，同期使用传统检测方法的对比组在同类故障发生时，平均需要停机12小时进行紧急维修。
表1水电机组音频信号增强与异常检测方法的效果对比
由上表1所示，在为期六个月的试运行期间共识别出30起潜在故障，其中28起通过后续检查确认为真实故障，故障识别准确率达到了93.3％，与此同时，维护成本相比于采用传统方法的前一年度下降了18.56％，设备的平均无故障运行时间提高了15.23％。
本发明通过使用生成对抗网络针对水电机组的音频信号进行增强处理，生成器学习模拟真实的机组运行声音，而鉴别器则努力区分真实和生成的音频信号，通过这种方式，生成的音频信号在质量上与真实音频信号无显著差异，从而更有效地支持后续的异常检测过程，同时，通过深度学习网络分析增强后的音频信号，能够准确识别出频率偏移、幅度变化和特定频率下的谐波异常等多种潜在的机械故障或性能下降的迹象，比传统的基于规则的故障诊断方法具有更高的灵活性和准确性，因为它能够学习音频信号中的复杂模式，而不仅仅是依靠预设的阈值或简单的特征。
本发明通过实施基于音频特征的动态学习率调整机制和基于频域的早停策略，进一步提高了模型训练的效率和稳定性，意味着模型能够更快地收敛，并且更好地泛化到新的、未见过的音频信号上，从而提高了整个系统的鲁棒性和可靠性。
本发明能够自动化地判断水电机组的运行状态，并生成包含故障类型、可能的故障位置及建议的维护措施的详细检测报告，减少了对专业人员进行现场检查的需求，通过准确及时地识别潜在的故障和性能问题，有助于水电站运营商实施更有效的预防性维护策略，不仅可以减少突发故障导致的停机时间，还可以延长设备的使用寿命，从而降低运营成本并提高能源产出的效率。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，包括以下步骤：
S1、采集水电机组在不同工作状态下综合机械运转、水流冲击及轴承振动多种声音源的复合音频信号，作为输入数据；
S2、对输入数据进行深度预处理，深度预处理包括去噪、标准化、切片处理以及利用短时傅里叶变换提取音频信号中的微弱特征和非线性特征；
S3、应用生成对抗网络模型，其中生成器利用生成对抗网络模型模拟和生成缺失或不完整的音频信号部分，鉴别器利用内嵌的特征识别模块区分生成的音频信号与真实音频信号之间的差异；
S4、通过迭代训练生成对抗网络模型，运用损失函数和优化算法迭代生成音频信号的质量，直到鉴别器不能区分生成的音频信号和真实音频信号，使得生成音频信号在质量上与真实信号无差异；
S5、利用增强后的音频信号，结合异常检测算法识别复合音频信号中频率偏移、幅度变化和特定频率下的谐波异常，用于识别潜在的机械故障或性能下降；
S6、根据异常检测结果，判断水电机组的运行状态，是否存在潜在故障或性能问题，并生成包括故障类型、可能的故障位置及建议的维护措施的检测报告。
2.根据权利要求1所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S1具体包括：
S11、在水电机组的轴承、叶轮和导流机构位置，布置多个捕获不同声音源音频信号的声音传感器；
S12、定义水电机组的工作状态集合为：
W＝{W1,W2,...,Wn}；
其中，Wi表示第i个工作状态；
S13、对于每个工作状态Wi，采集相应的复合音频信号集合：
其中，表示在工作状态Wi下采集的第j个音频信号，mi表示在状态Wi下采集的音频信号总数；
S14、采集的音频信号覆盖机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear并进行音频复合，对每个音频信号进行频率范围F、幅度范围A和时间长度T的多维特征表示；
S15、构建复合音频信号数据集D：
其中，每个都附带有其频率范围F、幅度范围A和时间长度T的特征表示，用于输入生成对抗网络模型的训练和异常检测算法的测试；
S16、对于数据集D中的每一音频信号额外记录与之对应的工作状态Wi、环境条件和机组操作参数/>
3.根据权利要求2所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S2具体包括：
S21、对于数据集D中的每一音频信号应用去噪算法减少背景噪音和干扰，得到去噪后的音频信号/>
S22、对去噪后的音频信号进行标准化处理，使所有音频信号的幅度范围调整到同一标准Astd，标准化的音频信号表示为/>
S23、将标准化后的音频信号进行切片处理，每个音频信号被切割成固定时间长度Ts的多个片段，每个片段记为/>其中，t表示片段的时间序列；
S24、对每个音频片段应用短时傅里叶变换提取音频信号中的微弱特征和非线性特征：
其中，f代表频率，τ代表时间，w(t-τ)是时间窗函数，用于在每个时间点τ处对信号进行局部化分析，每个音频片段/>被转换为一系列频率-时间点上的特征表示。
4.根据权利要求3所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S3具体包括：
S31、初始化生成对抗网络模型，生成对抗网络模型由生成器G和鉴别器D组成，其中生成器G模拟和重建水电机组音频信号缺失或不完整的音频信号部分，鉴别器D区分水电机组音频信号输入的音频信号是由生成器生成还是真实音频信号；
S32、将预处理后的机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear特征表示的音频信号输入生成器G，生成器G通过学习音频信号的内在特征，输出模拟的音频信号/>
其中，θg表示生成器G的参数；
S33、将包括机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实音频信号和生成器G产生的音频信号/>输入鉴别器D，鉴别器D通过区分这两类信号输出一个用于表示信号为真实音频信号的概率值：
其中，Preal和Pgen分别代表真实音频信号和生成音频信号被判定为真实的概率，θd表示鉴别器D的参数；
S34、通过计算损失函数来优化生成器G和鉴别器D的参数，损失函数包括生成器损失LG和鉴别器损失LD，分别定义为：
目标是最小化生成器损失LG，同时最大化鉴别器损失LD；
S35、通过迭代训练过程，不断更新生成器G和鉴别器D的参数，直到达到平衡点，即鉴别器D不能显著区分生成的音频信号与真实音频信号/>使得生成的音频信号包含机械运转声音Smech、水流冲击声音Shydro和轴承振动声音Sbear的真实特征。
5.根据权利要求4所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S4具体包括：
S41、设定迭代次数N和学习率α，初始化生成器G和鉴别器D的参数θg和θd；
S42、对于每次迭代n，从预处理后的音频信号数据集中随机抽取一批音频信号片段并生成相应的模拟音频信号/>
S43、计算鉴别器D对于真实音频信号和生成音频信号/>的判别概率和/>
S44、根据鉴别器D的判别概率，更新损失函数LG和LD：
S45、使用梯度下降算法根据损失函数LG和LD更新生成器G和鉴别器D的参数θg和θd，学习率α控制参数更新的速率；
S46、重复步骤S42至步骤S45，直到迭代次数达到N或者鉴别器D对于生成音频信号和真实音频信号/>的判别概率接近0.5，即鉴别器D不能有效区分生成音频信号和真实音频信号；
S47、在迭代结束后，生成的音频信号在质量上与真实音频信号/>无显著差异。
6.根据权利要求5所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S45具体包括：
S451、采用频谱归一化技术在Adam优化器的基础上对参数进行更新，通过考虑音频信号的频谱特性来调整参数更新步骤，使得学习过程更加符合音频信号的实际分布，参数更新公式保持不变，但在计算梯度时加入了频谱归一化处理：
其中，和/>分别是生成器和鉴别器参数的一阶矩估计，/>和/>是对应的二阶矩估计，αt是时刻t的学习率，∈是一个很小的数以避免除以零，SN(·)表示频谱归一化操作，使参数更新适应音频信号的频谱特性；
S452、实施基于音频特征的动态学习率调整机制，通过音频信号在不同频率上的能量分布，根据在处理低频和高频成分时的不同重要性，动态调整学习率捕捉音频信号，学习率调整策略考虑音频信号的能量分布特性进行优化：
αt＝α0·e-δE(t)；
其中，E(t)表示当前迭代下音频信号的能量分布特征，σ是调整系数，反映了能量分布对学习率调整的敏感度；
S453、采用基于频域的早停策略，除了常规的时间域差异评估，还额外考虑音频信号的频域特性，如果在连续多个迭代中，音频信号在频域内的表现差异没有显著减少，则启动早停机制。
7.根据权利要求5所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S5具体包括：
S51、将得到的增强后的音频信号中提取频率特征Ffeat、幅度特征Afeat和谐波特征Hfeat，特征向量表示为：
Xfeat＝[Ffeat,Afeat,Hfeat]；
S52、利用深度学习网络作为异常检测模型，异常检测模型网络结构设计为包含多个卷积层和全连接层，捕获音频信号中的复杂特征和模式，网络通过以下函数进行异常分数的计算：
Sanom(Xfeat)＝DLθ(Xfeat)；
其中，DLθ表示深度学习模型，θ表示模型的参数，Xfeat是输入的特征向量，Sanom是输出的异常分数；
S53、深度学习网络的训练过程中，采用损失函数优化模型参数θ，目标是最小化正常状态音频信号与异常状态音频信号在模型输出上的差异：
其中，N是训练样本的数量，yi是音频信号i的真实标签，0表示正常，1表示异常，是音频信号i的特征向量；
S54、在训练完成后，异常检测模型根据输入的特征向量Xfeat输出异常分数Sanom，通过设定阈值τ，如果Sanom>τ，则认为音频信号存在异常，反之则认为音频信号正常。
8.根据权利要求7所述的一种基于生成对抗网络的水电机组音频信号异常检测方法，其特征在于，所述S6具体包括：
S61、基于异常分数Sanom及其阈值τ的比较结果，确认是否存在潜在的机械故障或性能下降；
S62、对于识别为异常的音频信号，进一步分析其特征向量Xfeat＝[Ffeat,Afeat,Hfeat]，确定故障的类型和可能的位置；
S63、依据分析结果和水电机组的运维历史记录，利用知识库和专家系统对比历史故障案例推导出针对识别故障的维护和修复建议；
S64、编制维护检测报告，维护检测报告综合反映故障分析的结果和建议的维护措施，维护检测报告包括故障类型Tfault、故障位置Lfault、建议的维护措施Msugestion以及故障信号的分析结果Aanalysis；
S65、将生成的检测报告提供给维护团队，用于指导具体的维护决策和行动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410244234.4A CN118155660A (zh) | 2024-03-04 | 2024-03-04 | 基于生成对抗网络的水电机组音频信号异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410244234.4A CN118155660A (zh) | 2024-03-04 | 2024-03-04 | 基于生成对抗网络的水电机组音频信号异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118155660A true CN118155660A (zh) | 2024-06-07 |
Family
ID=91300338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410244234.4A Pending CN118155660A (zh) | 2024-03-04 | 2024-03-04 | 基于生成对抗网络的水电机组音频信号异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118155660A (zh) |
-
2024
- 2024-03-04 CN CN202410244234.4A patent/CN118155660A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11474163B2 (en) | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| Martin-del-Campo et al. | Dictionary learning approach to monitoring of wind turbine drivetrain bearings | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
| CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
| CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
| CN116735170A (zh) | 一种基于自注意力多尺度特征提取的智能故障诊断方法 | |
| CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
| CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
| CN118155660A (zh) | 基于生成对抗网络的水电机组音频信号异常检测方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| Shi et al. | Condition monitoring and fault diagnosis of rolling element bearings based on wavelet energy entropy and SOM | |
| CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
| CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
| CN115114955B (zh) | 一种基于声音与振动信号的设备故障检测方法 | |
| CN117423345A (zh) | 一种电力设备声纹识别监测系统 | |
| CN117764167A (zh) | 一种逆变器智能故障推理的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |