CN107013449A - 基于深度学习的声音信号识别压缩机故障的方法及*** - Google Patents
基于深度学习的声音信号识别压缩机故障的方法及*** Download PDFInfo
- Publication number
- CN107013449A CN107013449A CN201710253920.8A CN201710253920A CN107013449A CN 107013449 A CN107013449 A CN 107013449A CN 201710253920 A CN201710253920 A CN 201710253920A CN 107013449 A CN107013449 A CN 107013449A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- compressor
- framing
- sampled points
- 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 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000009432 framing Methods 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000005236 sound signal Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于深度学习的声音信号识别压缩机故障的方法及***；声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N‑P采样点；从而每秒钟的数据能够划分为有重叠的新数据集；神经网络模型搭建：对卷积神经网络进行搭建；模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与数据重叠分帧方法分割后，对卷积神经网络进行训练；故障识别：将采集的压缩机实时工作声音，按照数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出当前的工作状态。
Description
技术领域
本发明涉及基于深度学习的声音信号识别压缩机故障的方法及***。
背景技术
在实际工程应用中，使用振动信号分析诊断压缩机故障是目前的主流方法，它通过采集压缩机在运行过程中的振动信号，进行特征提取后进行故障判断。常用的振动信号处理方法主要包括时域分析、频域分析、时频分析、多分辨分析、经验模态分析等。这类方法的特点是利用经典的信号处理方法提取大量特征，然后使用机器学习进行特征分类，这类方法需要掌握特定领域的信号处理方法并与实际工程结合，对技术人员要求较高。
与此同时，复杂的特征工程也是此类方法的难点之一，如何提取到有效的能区分不同故障类型的特征，是一项繁琐且艰巨的任务，好的特征对识别效果影响很大，实际上，很多故障分类方法要靠良好的特征进行识别，如果能自动从采集到的原始数据中获取到不同的特征，将大大减少特征工程工作量。
发明内容
本发明的目的就是为了解决上述问题，提供基于深度学习的声音信号识别压缩机故障的方法及***，利用深度学习，自动从原始声音信号中提取出不同故障下的特征，简化了识别过程，使得非专业人员在不需要专业知识的前提下，通过非接触式的声音检测，识别出压缩机的故障。
为了实现上述目的，本发明采用如下技术方案：
基于深度学习的声音信号识别压缩机故障的方法，包括：
步骤(1)：声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；
步骤(2)：数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；
步骤(3)：神经网络模型搭建：对卷积神经网络进行搭建；
步骤(4)：模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；
步骤(5)：故障识别：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。
所述步骤(1)的采样率为50KHz。
所述步骤(2)的步骤为：将每秒钟采集的50K个采样点重新规整，增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为10K采样点，分帧步长2K采样点，重叠8K采样点，第1帧数据为第0K到第10K采样点；第2帧数据为第2K到第12K采样点；第3帧数据为第4K到第14K采样点；第4帧数据为第6K-第16K采样点；第5帧数据为第8K到第18K采样点；依次类推，第20帧数据为第38K-第48K采样点；第21帧数据为第40K-第50K采样点；每秒钟的数据能够划分为21帧有重叠的新数据集。
所述步骤(3)的步骤为：
第一层为输入层，使用原始声音信号的10K个采样点；
第二层为卷积层，卷积核尺寸为32，卷积核数量为16，卷积步长为8，使用ReLU激活函数，随后加入最大池化层，池化尺寸4，步长2，第二层网络结束，网络输出连接至第三层；
第三层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第三层网络结束，网络输出连接至第四层；
第四层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第四层网络结束，网络输出进行展平操作；
第五层为全连接层，数据维数64；
第六层为输出层，输出维数与设定故障类型个数一致，使用softmax激活函数。
所述步骤(4)的步骤为：所述四种工作状态包括：正常运转、进气阀故障、出气阀故障和轴承故障；
利用压缩机的四种工作状态下事先采集的声音数据对卷积神经网络进行训练：
每种状态在50K采样率下采集5分钟原始数据，将数据按照50K采样点分割，得到300组时长为1秒的数据；
然后每秒数据按照步骤(2)的数据分帧方法，重新分割为21帧有重叠的原始数据，5分钟能够得到6300组有重叠的原始数据；
每种状态下6300组数据，则4种状态下共有25200组数据；
将数据集按照2:1比例随机划分为训练集与验证集，网络训练时，将每组数据的10000个采样点与对应的状态类型输入，使用误差反向传播算法进行多轮遍历，达到设定工作状态类型识别准确率时，结束训练。
所述步骤(5)的步骤为：
采集1秒原始声音实时数据，然后将实时数据按照步骤(2)的数据分帧方法分割为有重叠的21帧数据，每帧数据10000采样点，将21帧数据输入训练好的卷积神经网络模型进行故障识别，输出21个判断结果，然后，统计21个输出类型中每种类型的数目，将最大数目的类型作为最终识别结果输出。
基于深度学习的声音信号识别压缩机故障的***，包括：
声音信号采集模块：采用麦克风对压缩机的工作声音进行采集；设定采样率M；
数据重叠分帧模块：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；
神经网络模型搭建模块：对卷积神经网络进行搭建；
模型训练模块：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；
故障识别模块：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。
本发明的有益效果：
1设备运行时的声音信号是反映运行状态的重要信息，经验丰富的工程师可通过听觉判断出故障部位和类型，从本质上讲，声音信号是由振动引起的，不过相对振动信号而言，声音信号更容易采集。一般情况下，采集振动信号时传感器需要直接与压缩机接触，而采集声音信号时完全不需要与设备接触，而且，使用声音信号这种非接触式传感，对设备本身损伤更小。
2本发明通过采集压缩机运行的声音信号，利用深度学习，自动从原始声音信号中提取出不同故障下的特征，简化了识别过程，使得非专业人员在不需要专业知识的前提下，通过非接触式的声音检测，识别出压缩机的故障。
3使用本发明所述的压缩机故障识别方法，可以降低技术人员在压缩机故障识别方面需要的专业知识，本发明采用的直接使用麦克风采集压缩机运行时声音信号的方法也更加方便，对运行中的设备影响更小。当模型训练好之后，技术人员只需将麦克风靠近运行中的压缩机，采集其声音信号，另一端的电脑便可直接观察到其对应的运行状态。
4本发明的拓展性很强，当需要检测的状态增多时，可以简单地通过增加新状态的训练集的方法进行拓展，最终的输出层也只需增加对应状态输出，理论上，可以增加任意多类型的状态，只要训练集足够大。
附图说明
图1为本方案采用的数据预处理方法，该图以1s数据量为例，说明数据的分帧方法；
图2为卷积神经网络的基本结构；
图3为网络训练和识别过程。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
本发明主要采用两种方法，对现有的压缩机故障识别进行改进和简化。首先，本发明直接使用麦克风采集压缩机的声音信号，这简化了信号的采集方法，其次，本发明通过使用深度学习中的卷积神经网络，实现了故障特征的自动提取，避免了复杂的特征工程。这样，即使是非专业人员也可以使用训练好的识别模型进行故障判断。
本发明最大的优点是，通过充分利用卷积神经网络优秀的自动特征提取功能和非线性映射功能，使得数据预处理简单，同时避免人为特征提取。本发明的核心是深度卷积神经网络的设计。
如图3所示，本发明技术方案包含四个方面的内容：数据采集，数据预处理，网络设计与模型训练，故障识别。
数据直接使用成本低，实施容易的麦克风进行采集，采样率为50KHz。
数据预处理只需进行有重叠的数据分帧工作，具体来说，就是将每秒钟采集的50K个采样点重新规整，其目的是增大数据量，为卷积神经网络的输入增加样本，实施方式如图1所示。在本发明中，每帧数据的长度设置为10K采样点，分帧步长2K采样点(即重叠8K采样点)，这样，每秒钟的数据可以划分为21帧有重叠的新数据集。
本发明直接使用采集的原始声音数据进行简单的分帧操作便可以进行识别，不包含特征提取工作，因为本发明使用的卷积神经网络可以自动进行特征提取，这是本发明与其他任何以特征提取为前提的相关识别方法的最大不同。
下一步进行卷积神经网络的设计，本发明使用的卷积神经网络基本结构如图2所示，本结构设计简单，效果却很好。每层网络参数具体如下：
第一层为输入层，使用原始声音信号的10K个采样点；
第二层为卷积层，卷积核尺寸为32，卷积核数量为16，卷积步长为8，使用ReLU激活函数，随后加入最大池化层，池化尺寸4，步长2，第二层网络结束，网络输出连接至第三层；
第三层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第三层网络结束，网络输出连接至第四层；
第四层卷积层网络所有参数与第三层一致，不同的是网络输出要进行展平操作；
第五层为全连接层，数据维数64；
第六层为输出层，输出维数与故障类型数一致，本发明中为4，使用softmax激活函数。
以上便是本发明使用的深度卷积神经网络的具体设计参数，从中可以看出，本网络结构清晰简单。
在设计好网络之后，需要对网络进行训练，本发明主要针对压缩机的四种状态进行训练，包括：正常运转，进气阀故障，出气阀故障，轴承故障。
训练数据使用事先采集到的四种状态下的声音数据。具体来说，每种状态在50K采样率下采集5分钟原始数据，将数据按照50K采样点分割，得到300组时长为1秒的数据，然后每秒数据按照前述数据分帧方法，重新分割为21帧有重叠的原始数据，这样5分钟可以得到6300组有重叠的原始数据。
每种状态下6300组数据，则4种状态下共有25200组数据。将数据集按照2:1比例随机划分为训练集与验证集，网络训练时，将每组数据的10000个采样点与对应的状态类型输入，使用经典的误差反向传播算法进行多轮遍历。最终，本发明在所用数据集上实现了训练集、测试集上98％以上的准确率。
在故障识别阶段，本发明采用以下方法：
首先，采集1秒原始声音数据，然后将数据按照前述方法分割为有重叠的21帧数据，每帧数据10000采样点，将21帧数据输入训练好的模型进行故障识别，输出21个判断结果，然后，统计21个输出类型中每种类型的数目，将最大数目的类型作为最终识别结果输出。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.基于深度学习的声音信号识别压缩机故障的方法，其特征是，包括：
步骤(1)：声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；
步骤(2)：数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；
步骤(3)：神经网络模型搭建：对卷积神经网络进行搭建；
步骤(4)：模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；
步骤(5)：故障识别：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。
2.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，
所述步骤(1)的采样率为50KHz。
3.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，
所述步骤(2)的步骤为：将每秒钟采集的50K个采样点重新规整，增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为10K采样点，分帧步长2K采样点，重叠8K采样点，第1帧数据为第0K到第10K采样点；第2帧数据为第2K到第12K采样点；第3帧数据为第4K到第14K采样点；第4帧数据为第6K-第16K采样点；第5帧数据为第8K到第18K采样点；依次类推，第20帧数据为第38K-第48K采样点；第21帧数据为第40K-第50K采样点；每秒钟的数据能够划分为21帧有重叠的新数据集。
4.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，
所述步骤(3)的步骤为：
第一层为输入层，使用原始声音信号的10K个采样点；
第二层为卷积层，卷积核尺寸为32，卷积核数量为16，卷积步长为8，使用ReLU激活函数，随后加入最大池化层，池化尺寸4，步长2，第二层网络结束，网络输出连接至第三层；
第三层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第三层网络结束，网络输出连接至第四层；
第四层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第四层网络结束，网络输出进行展平操作；
第五层为全连接层，数据维数64；
第六层为输出层，输出维数与设定故障类型个数一致，使用softmax激活函数。
5.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，
所述步骤(4)的步骤为：所述四种工作状态包括：正常运转、进气阀故障、出气阀故障和轴承故障；
利用压缩机的四种工作状态下事先采集的声音数据对卷积神经网络进行训练：
每种状态在50K采样率下采集5分钟原始数据，将数据按照50K采样点分割，得到300组时长为1秒的数据；
然后每秒数据按照步骤(2)的数据分帧方法，重新分割为21帧有重叠的原始数据，5分钟能够得到6300组有重叠的原始数据；
每种状态下6300组数据，则4种状态下共有25200组数据；
将数据集按照2:1比例随机划分为训练集与验证集，网络训练时，将每组数据的10000个采样点与对应的状态类型输入，使用误差反向传播算法进行多轮遍历，达到设定工作状态类型识别准确率时，结束训练。
6.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，
所述步骤(5)的步骤为：
采集1秒原始声音实时数据，然后将实时数据按照步骤(2)的数据分帧方法分割为有重叠的21帧数据，每帧数据10000采样点，将21帧数据输入训练好的卷积神经网络模型进行故障识别，输出21个判断结果，然后，统计21个输出类型中每种类型的数目，将最大数目的类型作为最终识别结果输出。
7.基于深度学习的声音信号识别压缩机故障的***，其特征是，包括：
声音信号采集模块：采用麦克风对压缩机的工作声音进行采集；设定采样率M；
数据重叠分帧模块：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；
神经网络模型搭建模块：对卷积神经网络进行搭建；
模型训练模块：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；
故障识别模块：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710253920.8A CN107013449B (zh) | 2017-04-18 | 2017-04-18 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710253920.8A CN107013449B (zh) | 2017-04-18 | 2017-04-18 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107013449A true CN107013449A (zh) | 2017-08-04 |
| CN107013449B CN107013449B (zh) | 2018-08-24 |
Family
ID=59448416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710253920.8A Active CN107013449B (zh) | 2017-04-18 | 2017-04-18 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107013449B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872960A (zh) * | 2018-05-09 | 2018-11-23 | 南京航空航天大学 | 用于hrrp目标识别的滑动分帧方法 |
| CN109065030A (zh) * | 2018-08-01 | 2018-12-21 | 上海大学 | 基于卷积神经网络的环境声音识别方法及*** |
| CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
| CN109348086A (zh) * | 2018-11-05 | 2019-02-15 | 重庆大学 | 智能无线摄影机高效能图像同步识别与压缩方法 |
| CN109615083A (zh) * | 2017-10-02 | 2019-04-12 | 宏达国际电子股份有限公司 | 机器学习***、机器学习方法及其非暂态电脑可读媒体 |
| CN109754359A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 一种应用于卷积神经网络的池化处理的方法及*** |
| CN109959889A (zh) * | 2017-12-25 | 2019-07-02 | 通用电气公司 | 磁共振成像***冷头工作状态的监测方法和*** |
| CN110360091A (zh) * | 2019-06-05 | 2019-10-22 | 合肥通用机械研究院有限公司 | 一种基于神经网络的制冷压缩机测控***及测控方法 |
| CN110608148A (zh) * | 2018-06-14 | 2019-12-24 | Lg电子株式会社 | 线性压缩机 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110992985A (zh) * | 2019-12-02 | 2020-04-10 | 中国科学院声学研究所东海研究站 | 识别跑步机异音的识别模型确定方法、识别方法、*** |
| CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
| CN111581425A (zh) * | 2020-04-28 | 2020-08-25 | 上海鼎经自动化科技股份有限公司 | 一种基于深度学习的设备声音分类方法 |
| CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学（保定） | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
| CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
| CN114371649A (zh) * | 2022-01-10 | 2022-04-19 | 江苏大学 | 一种基于卷积神经网络的喷雾流量调控***与方法 |
| CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及*** |
| CN115288994A (zh) * | 2022-08-03 | 2022-11-04 | 西安安森智能仪器股份有限公司 | 一种基于改进dcgan的压缩机异常状态检测方法 |
| CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
| US11906112B2 (en) | 2022-12-19 | 2024-02-20 | Chengdu Qinchuan Iot Technology Co., Ltd | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
| CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断*** |
| CN103603794A (zh) * | 2013-11-19 | 2014-02-26 | 中国石油天然气集团公司 | 一种储气库注采压缩机组自适应故障诊断方法及设备 |
| CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
| US20160245279A1 (en) * | 2015-02-23 | 2016-08-25 | Biplab Pal | Real time machine learning based predictive and preventive maintenance of vacuum pump |
| CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
-
2017
- 2017-04-18 CN CN201710253920.8A patent/CN107013449B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
| CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断*** |
| CN103603794A (zh) * | 2013-11-19 | 2014-02-26 | 中国石油天然气集团公司 | 一种储气库注采压缩机组自适应故障诊断方法及设备 |
| CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
| US20160245279A1 (en) * | 2015-02-23 | 2016-08-25 | Biplab Pal | Real time machine learning based predictive and preventive maintenance of vacuum pump |
| CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI742312B (zh) * | 2017-10-02 | 2021-10-11 | 宏達國際電子股份有限公司 | 機器學習系統、機器學習方法及其非暫態電腦可讀媒體 |
| CN109615083A (zh) * | 2017-10-02 | 2019-04-12 | 宏达国际电子股份有限公司 | 机器学习***、机器学习方法及其非暂态电脑可读媒体 |
| CN109615083B (zh) * | 2017-10-02 | 2021-03-30 | 宏达国际电子股份有限公司 | 机器学习***、机器学习方法及其非暂态电脑可读媒体 |
| US11734554B2 (en) | 2017-11-01 | 2023-08-22 | Tencent Technology (Shenzhen) Company Limited | Pooling processing method and system applied to convolutional neural network |
| US11537857B2 (en) | 2017-11-01 | 2022-12-27 | Tencent Technology (Shenzhen) Company Limited | Pooling processing method and system applied to convolutional neural network |
| CN109754359A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 一种应用于卷积神经网络的池化处理的方法及*** |
| CN109959889A (zh) * | 2017-12-25 | 2019-07-02 | 通用电气公司 | 磁共振成像***冷头工作状态的监测方法和*** |
| CN108872960A (zh) * | 2018-05-09 | 2018-11-23 | 南京航空航天大学 | 用于hrrp目标识别的滑动分帧方法 |
| CN110608148A (zh) * | 2018-06-14 | 2019-12-24 | Lg电子株式会社 | 线性压缩机 |
| CN110608148B (zh) * | 2018-06-14 | 2022-01-21 | Lg电子株式会社 | 线性压缩机 |
| US11231031B2 (en) | 2018-06-14 | 2022-01-25 | Lg Electronics Inc. | Linear compressor and method for controlling linear compressor |
| CN109065030A (zh) * | 2018-08-01 | 2018-12-21 | 上海大学 | 基于卷积神经网络的环境声音识别方法及*** |
| CN109065030B (zh) * | 2018-08-01 | 2020-06-30 | 上海大学 | 基于卷积神经网络的环境声音识别方法及*** |
| CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
| CN109348086B (zh) * | 2018-11-05 | 2020-09-15 | 重庆大学 | 智能无线摄影机图像同步识别与压缩方法 |
| CN109348086A (zh) * | 2018-11-05 | 2019-02-15 | 重庆大学 | 智能无线摄影机高效能图像同步识别与压缩方法 |
| CN110360091A (zh) * | 2019-06-05 | 2019-10-22 | 合肥通用机械研究院有限公司 | 一种基于神经网络的制冷压缩机测控***及测控方法 |
| CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学（保定） | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
| CN110852154B (zh) * | 2019-09-29 | 2022-10-14 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110992985A (zh) * | 2019-12-02 | 2020-04-10 | 中国科学院声学研究所东海研究站 | 识别跑步机异音的识别模型确定方法、识别方法、*** |
| CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
| CN111581425A (zh) * | 2020-04-28 | 2020-08-25 | 上海鼎经自动化科技股份有限公司 | 一种基于深度学习的设备声音分类方法 |
| CN112857767B (zh) * | 2021-01-18 | 2022-03-11 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
| CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
| CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及*** |
| CN114371649A (zh) * | 2022-01-10 | 2022-04-19 | 江苏大学 | 一种基于卷积神经网络的喷雾流量调控***与方法 |
| CN115288994A (zh) * | 2022-08-03 | 2022-11-04 | 西安安森智能仪器股份有限公司 | 一种基于改进dcgan的压缩机异常状态检测方法 |
| CN115288994B (zh) * | 2022-08-03 | 2024-01-19 | 西安安森智能仪器股份有限公司 | 一种基于改进dcgan的压缩机异常状态检测方法 |
| US11906112B2 (en) | 2022-12-19 | 2024-02-20 | Chengdu Qinchuan Iot Technology Co., Ltd | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof |
| CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
| CN117367570B (zh) * | 2023-11-02 | 2024-04-12 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107013449B (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及*** | |
| CN108181107B (zh) | 计及多分类目标的风电机组轴承机械故障诊断方法 | |
| CN110567720B (zh) | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 | |
| CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
| CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| CN104655423B (zh) | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 | |
| CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
| CN102302370B (zh) | 一种跌倒检测方法和装置 | |
| CN110031226A (zh) | 一种轴承故障的诊断方法及装置 | |
| CN110867196A (zh) | 一种基于深度学习及声音识别的机器设备状态监测*** | |
| CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测*** | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、***、终端及介质 | |
| CN106769052A (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
| CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
| CN106228200A (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
| CN108008287A (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
| CN106096562A (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 | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN103900824A (zh) | 基于瞬时转速聚类分析的柴油机故障诊断方法 | |
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| CN102179722A (zh) | 基于比例故障率模型的数控机床运行可靠性评估方法 | |
| CN113532848A (zh) | 一种行星齿轮箱故障诊断*** | |
| CN110333074A (zh) | 基于卷积神经网络的多测点传动机构故障诊断方法和*** |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Shao Peng Inventor after: Zhang Zhen Inventor after: Shi Yunfei Inventor after: Liang Bo Inventor before: Zhang Zhen Inventor before: Shi Yunfei Inventor before: Liang Bo |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Zhen Inventor after: Shao Peng Inventor after: Shi Yunfei Inventor after: Liang Bo Inventor before: Shao Peng Inventor before: Zhang Zhen Inventor before: Shi Yunfei Inventor before: Liang Bo |
|
| CB03 | Change of inventor or designer information | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 250103 room 1-101, office building, 2269 development road, high tech Zone, Ji'nan, Shandong Patentee after: Shandong Wanteng Digital Technology Co.,Ltd. Address before: 250103 room 1-101, office building, 2269 development road, high tech Zone, Ji'nan, Shandong Patentee before: SHANDONG WANTENG ELECTRONIC TECHNOLOGY CO.,LTD. |
|
| CP01 | Change in the name or title of a patent holder |