CN109997023A - 用于工业设备的外部故障检测***的内部故障检测 - Google Patents

用于工业设备的外部故障检测***的内部故障检测 Download PDF

Info

Publication number
CN109997023A
CN109997023A CN201780069484.7A CN201780069484A CN109997023A CN 109997023 A CN109997023 A CN 109997023A CN 201780069484 A CN201780069484 A CN 201780069484A CN 109997023 A CN109997023 A CN 109997023A
Authority
CN
China
Prior art keywords
energy converter
signal
relevant parameter
fault detection
source
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
Application number
CN201780069484.7A
Other languages
English (en)
Other versions
CN109997023B (zh
Inventor
弗洛里安·佩罗丹
乔尔·布塞特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deaston Stock Co
Original Assignee
Deaston Stock Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Deaston Stock Co filed Critical Deaston Stock Co
Publication of CN109997023A publication Critical patent/CN109997023A/zh
Application granted granted Critical
Publication of CN109997023B publication Critical patent/CN109997023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/12—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing elastic covers or coatings, e.g. soapy water
    • G01M3/14—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing elastic covers or coatings, e.g. soapy water for pipes, cables or tubes; for pipe joints or seals; for valves; for welds; for containers, e.g. radiators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/27—Testing of devices without physical removal from the circuit of which they form part, e.g. compensating for effects surrounding elements
    • G01R31/275—Testing of devices without physical removal from the circuit of which they form part, e.g. compensating for effects surrounding elements for testing individual semiconductor components within integrated circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R19/00—Electrostatic transducers
    • H04R19/005—Electrostatic transducers using semiconductor materials
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R19/00—Electrostatic transducers
    • H04R19/02—Loudspeakers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
    • H04R2201/003—Mems transducers or their use
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2430/00—Signal processing covered by H04R, not provided for in its groups
    • H04R2430/20—Processing of the output signals of the acoustic transducers of an array for obtaining a desired directivity characteristic

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Otolaryngology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

一种用于工业设备的外部故障检测***的内部故障检测方法，所述外部故障检测***包括换能器阵列，该方法包括：(a)接收(3011，3012，……)多个信号，每个信号由换能器阵列中的相应换能器测量；(b)针对多个换能器对中的每个换能器对，通过关联在步骤(a)在所述换能器对处接收到的信号或所述信号的可逆变换的至少一部分，计算(302)在步骤(a)在所述换能器对处接收到的信号对之间的至少一个相关参数的值；(c)针对所述多个换能器对中的至少一个换能器，根据在步骤(b)计算的相关参数的值估计(303，304)所述换能器是否正常工作。

Description

用于工业设备的外部故障检测***的内部故障检测
本发明涉及工业设备内的故障检测。
特别地，超声气体泄漏检测用在使用加压气体的环境中。检测器包括单个或多个超声换能器，如果声级超过某个阈值，则该超声换能器触发警报。
申请人设计了故障检测设备，该故障检测设备包括用于检测工业设备的气体泄漏或其他可能的故障例如轴承的磨损的换能器阵列。
每个换能器能够测量声音信号，并且由多个换能器测量的信号被处理以定位可能的泄漏。
确保这些***正常工作非常重要，因为未检测气体泄漏可能会导致物质损耗、损伤和死亡。
因此，在大多数设备中实施自检以在检测器故障的情况下警告用户。
自检通常使用规则间隔(例如，15分钟)的有源发射器例如模拟气体泄漏或声换能器来实施。
除了放置有源发射器的额外成本以及使其具有防爆的复杂性之外，这样的发射器还增加了故障点：发射器及其电子器件也可能发生故障。此外，来自发射器的功耗不可忽略，特别是在能源匮乏的设施中。其他问题包括检测器由于相邻检测器的自测试功能而触发警报。
可以考虑执行无源自检，例如检查背景噪声的演变，但是难以知道背景的变化是由于环境的变化还是由于换能器的故障。
需要一种用于工业设备的外部故障检测***的可靠内部故障检测，该内部故障检测将在没有专用源的情况下进行操作。
提供了一种用于工业设备的外部故障检测***的内部故障检测方法，所述外部故障检测***包括换能器阵列，该方法包括：
(a)接收多个信号，每个信号由换能器阵列中的相应换能器测量，
(b)针对多个换能器对中的每个换能器对，通过关联在步骤(a)在所述换能器对处接收到的信号或所述信号的可逆变换的至少一部分，计算在步骤(a)在所述换能器对处接收到的信号对之间的至少一个相关参数的值，
(c)针对换能器阵列中的至少一个换能器，根据在步骤(b)计算的相关参数的值估计所述换能器是否正常工作。
该方法允许在没有专用源的情况下检测可能的故障。
因此，该方法能够节省成本和空间。
此外，由于不需要提供专用源，因此设计可能更容易。
此外，防爆可能更容易，因为较少的部分暴露于气体并且较少的能量存储在设备中。
同样，降低了电力消耗(发射比接收消耗更多的电力)，并且抑制了与有源自测试相关的问题(例如触发附近的检测器)。
本发明还通过不具有可能发生故障的附加有源部件来降低检测的失败率。
对测量信号或其可逆变换进行关联，即对原始信号或至少对包含详细信息的信号进行关联，而不对从每个信号单独获得的特征进行关联，从而实现精细可靠的内部故障检测。
这种方法使得能够区分环境变化和内部变化，从而提供用于检查换能器的健康状态的可靠方法。
只要使用信号之间的相移(等效地，时间延迟)信息来获得相关参数，就可以通过执行传统意义上的互相关或其等效物来获得相关参数。例如，可以通过波束形成、通过执行卷积、互相关或通过计算互谱密度来获得相关参数。
有利地，至少两个换能器并且优选地所有换能器具有交叠的视场。在声源在该交叠视场中并且在换能器灵敏度的范围内进行发射时，相应信号被多个换能器感知。交叉检查来自一个换能器的信号与来自另一个换能器的信号可以使得能够检查这两个换能器是否正常工作。利用更多的换能器，可以进一步检查换能器信号的一致性。
有利地，换能器阵列可以是高度冗余的。如果声换能器发生故障，则可以将其标记为故障，而其他换能器仍然可以起作用。可以禁用故障换能器，这将以可预测的方式影响检测器灵敏度的变化。
有利地，该方法还可以包括：在步骤(b)之前，对接收到的信号执行可逆频率变换，例如，短时傅立叶变换、快速傅立叶变换、余弦变换、小波变换或其他。
这可以使得仅对变换信号的与相关频率对应的部分执行步骤(b)的关联。例如，对于气体泄漏检测，换能器可以有利地在20kHz至40kHz的频带内工作。可以基于在该20kHz至40kHz的频带内的接收到的信号的频率变换的样本来完成关联。
在一个实施方式中，该方法可以包括例如通过增加相关值来降维的步骤。但是可替选地，可以在不丢失信息的情况下执行估计。
有利地，该方法还可以包括：根据在步骤(b)计算的相关参数确定声源的数目，以及依赖于所确定的源的数目选择换能器状况估计方法。
本发明不限于确定源的数目。
例如，该方法可以包括波束形成分析而无需估计源的数目。例如，在步骤(a)之后，步骤(b)可以包括例如使用可控响应功率(SRP)方法对若干换能器子集执行波束形成(无需知道源的数目)。也就是说，在步骤(b)计算的相关参数可以是时移接收信号的乘积随时间的和。源位置可以根据相关参数获得，以及步骤(c)可以包括检查被找到的源位置是彼此一致的，并且可能在不一致的情况下检测换能器故障。参考图2特别是块208更详细地描述该算法的部分。如果外部检测设备处于具有一个或更多个声源的环境中，则该方法可以很好地适应。
根据另一个示例，该方法可以包括在步骤(a)之后，使故障检测基于扩散噪声场，如在参考块206更详细地说明的算法中一样。在步骤(b)计算的相关参数可以例如包括互谱密度。针对至少一个换能器，可以将根据所述换能器处的信号的傅立叶变换和另一换能器处的信号的傅立叶变换而获得的互谱值与理论值进行比较，以估计所述换能器是正常工作还是故障。
有利地，在确定源的数目时，确定声源的数目可以包括：
有利地，选择时间间隔和频带，
在步骤(b)，针对取自阵列中的一组换能器的每个换能器对，有利地根据相应信号的可逆变换的一部分来计算相关参数，所述部分对应于所选时间间隔和频带，
估计具有在步骤(b)计算的相关参数例如互谱矩阵作为系数的相关矩阵的特征值，
对高于阈值例如最高特征值的百分比或预定阈值的估计特征值的数目进行计数，
如果所述计数高于另一阈值例如8或10或者等于零，则认为源的数目为零，
否则，认为源的数目等于所述计数。
有利地，在所确定的声源的数目等于零时，该方法可以包括：针对在步骤(b)计算的至少一个相关参数，将所计算的相关参数与基于扩散噪声场模型获得的理论值进行比较。
有利地，该比较可以包括根据在步骤(b)计算的相关参数来计算相关参数的归一化值。
有利地，该比较可以包括计算所述归一化相关参数的理论值。
有利地，该比较可以包括计算绝对平方差之和。
在可替选的实施方式中，该方法还可以包括：在所确定的声源的数目等于零时，针对至少一个换能器，将在步骤(b)根据在所述换能器处接收到的信号并且根据在被认为位于所述换能器附近的不同换能器处接收到的信号而获得的至少一个相关参数与阈值例如预定阈值或所计算的阈值进行比较，以及/或者将在步骤(b)根据在所述换能器处接收到的信号并且根据在被认为远离所述换能器的不同换能器处接收到的信号而获得的至少一个相关参数与阈值例如预定阈值或所计算的阈值进行比较。对于该换能器，如果其与近集的相关性高并且其与远集的相关性低，则可以认为该换能器工作正常。
有利地，在所确定的声源的数目等于一个或更多个时，该方法可以包括：
选择至少两个不同的换能器子集，每个换能器子集包括小于阵列内的有效换能器的数目的多个换能器，
对于每个所选择的换能器子集，并且对于至少一个检测到的源(有利地，对于每个检测到的源)，根据在步骤(a)在所述子集中的换能器处接收到的信号估计所述源的位置，以及
检查所述源的至少两个估计位置是一致的。
有利地，位置估计可以使用可控响应功率(或SRP)算法来完成。
有利地，在所确定的声源的数目等于一时，该方法可以包括：
-针对至少一对两个换能器，根据在所述换能器处接收到的信号计算卷积乘积，
-根据至少一个所计算的卷积乘积来确定至少一个换能器的信噪比，
-将所确定的信噪比与阈值进行比较以估计相应换能器的状态。
有利地，基于在换能器对中的换能器处接收到的信号模型来估计信噪比(或SNR)。
有利地，在换能器处接收到的信号可以被建模为：
mi(t)＝αis(t-δi)+η(t)
其中，mi(t)是在时间t处麦克风i的输出，s是缩放使得其方差等于1的输入信号，αi＞0是麦克风i的增益与输入信号的方差的乘积，δi是传播的时间延迟，以及ηi是中心二阶平稳过程，其中方差ni表示麦克风i的自噪声，假定独立于每个麦克风。
也就是说，确定每个麦克风处的SNR可以包括确定比率
有利地，在步骤(b)根据在换能器对处接收到的信号计算的相关参数可以是所述接收到的信号之间的互谱密度。
有利地，在步骤(b)，相关参数可以根据以下计算：
其中，
i和j是换能器的索引，
mi，t(f)是频率f附近和时间t附近的麦克风响应；其可以例如使用例如短时傅立叶变换根据接收到的信号来计算，
运算符表示埃尔米特(Hermitian)转置运算符，
φij(f)是换能器i、j的相关参数。
还提供了一种存储计算机可执行代码的计算机可读介质，该计算可执行代码在由处理器执行时，使处理器执行上文所描述的方法。介质可以是任何能够存储程序的实体或设备。例如，介质可以包括存储装置例如ROM、例如CD-ROM或微电子电路ROM，或者磁记录装置例如磁盘(软盘)或硬盘。
还提供了一种包括指令的计算机程序产品，所述指令用于在由处理器执行程序时执行上文所描述的方法。这些程序可以使用任何编程语言，并且可以是源代码、二进制代码的形式或者源代码与目标代码之间的中间代码的形式，例如部分编译的形式，或者用于实现根据本发明的方法的任何其他期望的形式。
还提供了一种针对用于工业设备的外部故障检测***的内部故障检测设备，所述外部故障检测***包括换能器阵列，内部故障检测设备包括：
-接收装置，其用于接收多个信号，每个信号由换能器阵列中的相应换能器测量，
-处理装置，其被布置成：针对多个换能器对中的每个换能器对，通过关联与所述换能器对对应的信号或所述信号的可逆变换的至少一部分来计算与所述换能器对对应的信号对之间的至少一个相关参数的值，并且针对多个换能器中的至少一个换能器，根据所计算的相关参数的值估计该换能器是否正常工作，以及
-发送装置，其用于发送根据该估计结果而生成的信号以报告可能的换能器故障。
该设备可以例如包括一个或若干个处理器或者是一个或若干个处理器的一部分。例如，该设备可以是卡或处理器。
接收装置可以例如包括输入引脚、输入端口、通信模块或其他。
处理装置可以例如包括CPU(中央处理单元)核或其他。
发送装置可以例如包括输出引脚、输出端口、通信模块或其他。
还提供了一种用于工业设备的外部故障检测***，该外部故障检测***包括换能器阵列和如上文所描述的用于检测所述阵列中的换能器中的一个或若干个换能器的可能故障的内部故障检测设备。
外部故障检测***可以例如被布置成检测工业设备的气体泄漏。
可替选地，该***可以被布置成检测由滚珠、滚轴或摩擦轴承发出的噪声的变化，并且估计磨损和撕裂的状态。
有利地，外部检测可以基于对在换能器处记录的声音信号的分析。
有利地，该***可以被布置成用于基于换能器处的音频和超声信号的无源记录对工业设备进行非破坏性试验。
有利地，换能器可以是麦克风，例如MEMS(微机电***)麦克风。
有利地，换能器在超声频率范围内有利地在20kHz至40kHz的频带内具有良好的灵敏度。
可替选地，换能器可以包括霍尔效应传感器、气流传感器、光电二极管、摄像装置或其他。
作为示例，参考附图进一步详细地说明本发明，在附图中：
图1示意性地示出了根据本发明的实施方式的示例***。
图2示意性地示出了根据本发明的实施方式的示例设备。
图3示出了根据本发明的实施方式的示例方法的步骤。
以下是对说明性实施方式的描述，说明性实施方式在与以下附图结合使用时将证明上述特征和优点以及其他特征和优点。在以下描述中，出于说明而非限制的目的，阐述了诸如架构、接口、技术、元素属性等的说明性细节。然而，对于本领域普通技术人员明显的是，偏离这些细节的其他实施方式仍将被理解为在本发明的范围内。此外，出于清楚的目的，省略了对公知设备、电路、工具、技术和方法的详细描述，以免模糊对本***的描述。应该清楚地理解，附图是出于说明性目的而包括的，并不代表本***的范围。在附图中，不同附图中的相似附图标记可以表示类似的元件。
如图1所示的外部故障检测***1可以包括换能器阵列4，换能器阵列4包括多个换能器2，例如多个MEMS麦克风2。
MEMS麦克风分散在二维板5上的不同位置处，即阵列4是平面的。
在可替选的未示出的实施方式中，换能器阵列可以是3D形状的。
可以布置MEMS麦克风2以记录音频和超声信号。
***1允许对工业设备例如管道、容器等进行非破坏性试验。
外部检测基于音频信号和超声信号在MEMS麦克风2处的无源记录，被称为“无源发射”。
MEMS麦克风允许测量由经由高压壳体壁内的裂缝而来自高压壳体的气体流生成的可能的声压波。
***1包括具有无线通信模块31和处理器32的电子板3，无线通信模块31被布置成接收来自MEMS麦克风2的信号，处理器32与无线通信模块31通信。
处理器32被布置成基于在MEMS麦克风2处接收的信号来执行泄漏检测。该处理器32可以基于例如波束形成例如SRP来执行源定位算法，因此使得不仅能够检测到泄漏的存在，而且还能够提供被检测到的泄漏的定位。
例如在由Petr Eret和Craig Meskell在Berlin Beamforming Conference 2012(BeBeC 2012)上发表的Microphone Array for Air Leakage Detection中描述了这样的算法。在该论文中，使用一种类型的波束形成算法即正交波束形成来定位空气泄漏。来自数字摄像装置的光学图像和声学图像(波束形成算法的输出)的叠加允许实时显示潜在的泄漏位置，该泄漏位置对应于图像的最大值。虽然使用了驻极体麦克风，但这种麦克风技术并没有任何特定之处，并且本领域普通技术人员将容易利用MEMS麦克风实现这种方法。在由Barry D.Van Veen和Kevin M.Buckley在1988年4月的IEEE ASSP杂志上发表的Beamforming:a versatile approach to spatial filtering中描述了其他可能的波束形成的类型，其提出了依赖于不同使用情况而具有最佳的性能和特性的不同类型的波束形成器。
处理器32连接至输出端口33，输出端口33例如经由诸如因特网34的网络与终端(未示出)进行通信。
在检测到泄漏的情况下，处理器32生成警报消息，该警报消息被发送至该终端以报告问题。
确保***正常工作至关重要，因为未检测气体泄漏可能导致物质损耗、损伤或死亡。
在检测***无声地故障时会发生危险情况：用户认为他受到保护但实际上没有受到保护。
可能发生的故障包括：电源的一部分或整个的故障、部分传感元件或整个传感元件的机械故障或电气故障、部分传感元件或整个传感元件的外部机械阻塞(冰、灰尘)。
通过已知的技术例如主动地查验设备可以容易地处理电源故障。
在图1的实施方式中，使用多个独立的电源为MEMS麦克风2供电，从而使***相当稳健。
在该示例中，使用了四个电源A、B、C和D。应当理解，由给定源A、B、C或D供电的MEMS麦克风分散在整个板5上。
在选择将哪个电源连接至哪个传感器时，优选的是使用不同的电源为附近的传感器供电。因此，附近的换能器具有不同的电源。因此，两个附近的换能器之间的相关性仅由来自环境的声音引起(扩散噪声模型)，而不是由于电源噪声引起的。
在所示的示例中，使用4个不同的电源为不同的换能器供电。可以看出，所有附近的换能器在可能的情况下具有不同的电源。
这种电源布置可以使由于电源而可能发生的潜在问题能够与由于换能器而可能发生的问题去耦。
在一个实施方式中，待测试的每个麦克风在例如比1厘米近的邻近的邻域中具有至少一个邻居(针对f＝14kHz，c＝343m.s-1)。
布置卡3以执行被称为内部检测的自检，以检查MEMS麦克风2在正常工作。
由卡3执行的自测试可以在没有专用源的情况下完成。
将在MEMS麦克风2处接收到的信号的傅立叶变换彼此关联以检测可能故障的麦克风。
有利地，定期例如每15分钟或每小时执行自测试。
现在参照图2，图2示出了示例性自测试设备，块2011、2012、…、201N允许接收由N个MEMS麦克风记录的信号。
每个MEMS麦克风可以连接至模拟至数字转换器(未示出)，并且在块2011、2012、…、201N处接收到的信号可能已经是数字形式。
块2011、2012、…、201N可以例如是图1中被标记为31的无线通信模块的一部分。
该设备还包括例如在图1中被标记为32的处理器内的滤波器块2021、2022、…、202N。
每个单通道滤波器允许针对不重要的故障情况测试相应的MEMS麦克风：无效输出、麦克风与其他麦克风之间的大的差异(例如，单个麦克风的声压级与其他麦克风的平均值的差异阈值)。
然后，每个接收到的信号在相应块2031、2032、…、203N中经历可逆变换，例如短时傅立叶变换。
在可逆变换块2031、2032、…、203N的输出处的在时间t附近的频率f处的所有频率信号m1，t(f)、m2，t(f)、……、mN，t(f)被收集在处理器32的协方差块204处。
例如，该方法可以包括选择时间间隔和频带F。
在该协方差块204中，估计互谱矩阵φ(f，T)＝[φij(f)]i，j，其中
i和j从1到N运行，N是阵列中的尚未被标记为故障的MEMS麦克风的数目，
以及φij是在MEMS麦克风i和j处接收到的信号之间的相关参数，此处是互谱密度。
可以使用以下来计算给定频率f的互谱密度φij(f)：
在协方差块204中，可以例如预先固定协方差估计时间。
协方差矩阵被发送至源数目估计块205，在源数目估计块205中对协方差矩阵进行处理以估计声源的数目。
估计源的数目可以通过本领域技术人员已知的多种技术来完成，例如在P.J.Chung，J.F.Bohme，C.F.Mecklenbrauker和A.O.Hero，“Detection of the Number ofSignals Using the Benjamini-Hochberg Procedure”，in IEEE Transactions onSignal Processing，卷55，第6期，2497-2508页，2007年六月中描述的一种技术。
例如，该方法可以包括估计协方差矩阵φ的特征值{ei}1≤i≤N(例如使用奇异值分解方法)。
可以将每个特征值与阈值进行比较，并且可以将高于该阈值的特征值的数目写入存储器中。
阈值可以例如被选择成等于δ·eo，其中δ∈]0，1[，以及eo是所计算的特征值中的最高特征值。例如δ＝0.2。
该数目表示为
如果高于另外的阈值，例如8，则可以将场合理地建模为扩散噪声场，并且可以将协方差矩阵发送至块206，块206将在下文中描述。在不存在主导声源时(室内非常安静)，可以使用扩散噪声场模型。
否则，认为源的数目M等于
如果M＝l，则可以将协方差矩阵发送至块207和/或块208。
如果M等于2或更大，则仅将协方差矩阵发送至块208。
块206、207、208输出关于MEMS麦克风完整性的决策。
现在将描述在没有检测到源(扩散噪声场模型)的情况下如何执行检查。
在文献中扩散噪声场被称为各向同性声场，其中来自每个方向的声音具有相同的功率。
由i和j索引的两个不同的MEMS麦克风之间的在频率f处的复杂相干函数可以定义为
其中，φij是信号i与信号j之间的互谱密度。
来自扩散噪声场的理论互相关可以被分析地导出为：
其中，c是声音在介质例如空气中的速度，
以及dij是MEMS麦克风i与MEMS麦克风j之间的距离，以及sinc是正弦基数函数。
这依赖于两个换能器的距离和所考虑的频率。
该方法可以包括：
-限定一组麦克风对(可以是所有对，或者如果计算能力有限则可以是子集)、将在其处测试换能器的频域F以及时域T。
-针对每个对(i，j)并且针对一组频率{f|f∈F}，使用公式(1)和(2)来根据φij(f)、φii(f)和φjj(f)估计Γij(f)，并且使用公式(3)估计理论互相关，
-根据以下估计差Qij
-如果Qij低于阈值α，则将该MEMS麦克风对添加至一组工作对W。
可以针对多个对重复这些步骤。针对每个MEMS麦克风，确定该麦克风是否属于W中的至少一对。如果不是这种情况，则MEMS麦克风被标记为故障。
因此，这种方法允许检测麦克风是否正在工作。将理论扩散噪声场互相关函数与实际扩散噪声场互相关函数进行匹配并且计算绝对平方差之和(SASD)。
如果结果高于阈值，则被检查的对中的一个换能器出现故障。通过使用至少3个麦克风(组成两对)可以隔离有故障的麦克风。
使用随机抽样一致方法(RANSAC)可以使该方法更加稳健。
使用扩散噪声场的另一种方法是通过拟合互相关函数并检查麦克风之间的距离是否被正确确定来确定麦克风之间的距离。(I.McCowan，M.Lincoln和I.Himawan，“Microphone array calibration in diffuse noise fields”，IEEE Trans.on Audio，Speech，and Language Processing，卷16，666-670页，2008)。
在可替选的实施方式中，该方法可以包括：针对每个麦克风i，拆分那些位于麦克风i附近的麦克风Ni＝{k|dik＜β}与那些位于远处的麦克风Fi＝{k|dik≥β}之间的一组其他的麦克风。
通过找到最小距离d使得来确定限值β，其中K为正常数，优选地大于(以避免由于sinc函数的非单调性而引起的不确定性)。
在麦克风与近集的相关性高并且与远集的相关性低时，认为麦克风正常工作。
其他每种情况都表示故障：低近相关性和低远相关性指示麦克风具有较低的SNR；高远相关性指示发生由电气问题引起的相关信号。
针对每个麦克风i，优选地具有非空近集Ni。例如，如果K＝0，2，则对于c＝343m.s-1，f＝14kHz给出β＝1厘米。因此，每个待测试的麦克风可能具有比1厘米近的至少一个邻居。
为了提高抗故障性，如图1所示，附近麦克风的电源应该是不同的以避免附近的麦克风具有相关的电力输入。
现在将描述在检测到一个或更多个源时如何执行故障检测(块208)。
在存在多个声源时，可以使用与RANSAC组合的可控响应功率(SRP)类算法来对麦克风组进行分类。SRP算法旨在通过找到被引导在空间中的可变位置处的波束形成器的最大值来定位声源。
块208可以包括选择装置，用于在N个换能器中选择换能器的子集以确定源的位置并且确定所有麦克风在位置上是否一致。
麦克风之间的良好一致性指示所选择的MEMS麦克风组正在工作。
在J.P.Dmochowski，J.Benesty和S.Affes，“A Generalized Steered ResponsePower Method for Computationally Viable Source Localization”，in IEEETransactions on Audio，Speech，and Language Processing，卷15，第8期，2510-2526页，2007年11月中介绍了源定位技术的示例。
可以布置块208以实现基本源定位技术。例如，可以调整波束形成器的焦点(例如延迟与求和)使得波束形成器的输出功率最大化。
因此，优化问题有三个变量要优化。
使功能最大化(本地)的焦点是声源。
多个初始化点使得能够找到多个声源。
典型地可以使用梯度下降算法或更复杂的技术来解决优化。
确定故障麦克风的方法可以包括：
(步骤1)随机选择K个麦克风(测试集)。
(步骤2)使用SRP算法(或任何其他声源定位算法)来找到位置和M个有效源LM＝{l1，l2...lM}。
(步骤3)针对不在测试集中的每个麦克风，使用测试集和麦克风计算源位置以找到L′M＝{l′1，l′2...l′M}。
(步骤4)如果低于阈值μ，则将其添加至正常数据集。
(步骤5)如果有足够数量的正常数据(通常为麦克风数目的90％或依赖于独立电源的数目的数目)，则使用所有正常数据来改进模型并且确定异常数据，即故障的麦克风。如果没有足够的正常数据，则重复步骤1至5。
K应该尽可能小以确定源位置，但是应该足够高以能够确定源的各个位置。
通常可以使用以下公式选择K：K＝3+M，其中M是正在研究的时间和频带处的有效声源的数目。
可能发生所有换能器的同时劣化，例如如果灰尘阻塞了MEMS麦克风的膜(或声学路径的任何部分)。这可以通过估计输入信号的SNR来检测。
更准确地，MEMS麦克风信号中的与其他MEMS麦克风不相关的部分可以被解释为麦克风的自噪声。
如果麦克风的自噪声与所有MEMS麦克风感知的一般信号相比太高，则可以推断出麦克风的劣化。
给定通过上述方法找到的M个声源的位置LM＝{l1，l2...lM}，可以针对每个源s估计每个源s在麦克风i中表示的信号部分：
首先，使用波束形成器(例如，延迟与求和波束形成器)估计s的信号；该信号被归一化使得其功率等于1。该信号与麦克风i的信号相关，并且互相关的最大值由γi，s表示。然后SNR被计算为
其中，是麦克风i输出的功率。
现在将描述在检测到单个源的情况下可以使用的替选方法。该方法可以由图2的块207执行。
计算到达时间差(TDOA)的方法是本领域技术人员所熟知的(参见例如M.Azaria和D.Hertz，“Time Delay estimation by generalized cross correlation methods”，inIEEE Transactions on Acoustics，Speech，and Signal Processing，卷32，第2卷，280-285页，1984年4月.)。
使用这些TDOA，可以使用换能器元件的子集——三维空间中的至少4个——来确定声源的位置。
可以使用RANSAC检测异常数据(即，故障的声换能器)。
另一种方法是估计每个麦克风处的SNR，如下所述。该方法可以与RANSAC组合。
在设备附近存在声源(例如气体泄漏)时，声波将在不同的时间到达麦克风，不同的时间被称为到达时间(TOA)后。因此，在换能器处接收到的信号可以被建模为：
mi(t)＝αis(t-δi)+η(t) (5)
其中，mi(t)是在时间t处MEMS麦克风i的输出，
s是缩放使得其方差等于1的输入信号，
αi＞0是麦克风i的增益与输入信号的方差的乘积，
δi是传播的时间延迟，以及
ηi是中心二阶平稳过程，其中方差ni表示麦克风i的自噪声，假定独立于每个麦克风。
确定每个麦克风处的SNR可以通过确定比率来完成。
在两个信号互相关时，最大值出现在与两个麦克风之间的信号的到达时间差(TDOA)δi-δj对应的横坐标处。
其中，cxy是两个函数x与y之间的互相关，
I是积分域。
该函数在δi-δj处具有全局最大值，该最大值的值为
cM，i，j＝αiαj+nij
其中，
因此，求解下式
向***提供个等式和N个未知数，其中N是麦克风的数目。
可以通过取对数并求解线性方程组(使用例如线性最小二乘法)来求解该***。
值ni可以通过简单的减法来扣除，并且可以计算每个麦克风的SNR。
在MEMS麦克风的SNR反复低于固定阈值时，该麦克风可能无效。
在有利的实施方式中，该***还包括警报模块(图2中未表示)，该警报模块接收来自块206、207、208的信息。
该警报模块根据块206、207、208的输出来生成消息。这些消息被发送至图1上被标记为33的输出端口以报告可能的问题。
这使得在MEMS麦克风出现故障时能够通知用户：因此可以进行更换和维护。
警报模块可以包括用于每个MEMS麦克风的计数器。警报模块可以被布置成使得每当相应的MEMS麦克风被块206、207、208之一检测为故障时每个计数器递增。在计数器达到阈值时，可以向处理块发送消息以通知泄漏检测不应该再基于由该麦克风测量的信号，以及/或者可以向终端发送消息以通知用户该MEMS麦克风不再工作。
外部故障可能是暂时的，例如冰形成在传感器上，这会妨碍换能器感知声音。
部分故障情况通过上述方法全部均能检测到。在本部分中处理不明显地应用于所有传感器的总故障情况或传感元件劣化。
例如由于电气(浪涌)或机械应力(冲击波)引起的所有传感器的总故障可能导致无效的传感器输出、随机噪声、相关输出。
利用阈值或对每个传感元件的测试可以容易地检测到无效的传感器输出。
可以用先前描述的方法处理随机噪声和相关输出，因为在这两种情况下，不同信号的相干性不依赖于阵列的几何结构也不依赖于外部声音的位置：
(i)对于随机噪声情况，将不会检测到显著的相关性并且将找到随机TDOA，指示故障；
(ii)对于相关输出情况(最普通的情况是所有换能器输出了相同的信号)，所有TDOA将等于0，同样地指示故障。
对于平面阵列的情况，它还可以对应于完全位于设备前方的声源，这在大多数情况下可以被排除在外。也可以使用非平面阵列来避免这种情况。
可以使用上述多通道SNR技术估计来处理类似地发生在所有传感器上的部分信号劣化：在给定时间(例如10分钟)内没有感知到具有高于阈值的SNR的信号时，则可以发出警报。
使用扩散噪声假设，可以(基于上述绝对差的和)计算分数并且可以使用类似的阈值化技术。
图3是对应于根据本发明的实施方式的示例方法的流程图。
在步骤3011、3012、…中，例如在无线模块、输入端口等处接收在相应的MEMS麦克风处测量的压力信号。
然后(步骤302)，执行直接信号组合(也称作相关)。也就是说，计算相关参数，每个相关参数例如互相关函数是根据从一对MEMS麦克风接收到的信号而获得的。
然后在步骤303例如使用支持向量机(SVM)、聚类、主成分分析(PCA)等组合这样的特征，以检测出可能故障的麦克风。
依赖于在步骤303进行的特征分析的结果，可以在步骤304做出决策。
例如，决策过程可以以关于每个换能器是否具有有效输出的扩散噪声块或SRP块的输出开始。对于每个换能器，如果换能器具有无效输出(有效性是例如由上述算法确定的)，则与换能器相关联的错误计数器递增；否则，错误计数器被设置为0。如果换能器错误计数器大于预定义阈值，则麦克风被标记为故障并且在将来的所有计算中被排除在外。
如果麦克风被禁用，则传感器可以在给定的新的有效换能器组的情况下计算仿真，该仿真估计传感器的检测能力。如果能力优于传感器安装时设置的限制，则传感器可以继续其操作。否则，传感器可能会发出警报以指示其故障。
使用接收到的信号(或其可逆变换)的直接相关性的该方法可能比比较多个换能器的输出功率、频谱或频带子集更有效。例如，如果存在声源并且其在地面上的回声被麦克风感知到，则将出现干涉条纹，形成声功率可能变化很大的相长区域和相消区域。
之前呈现的所有方法都可以在频域中实现，因此限制于某个频带内。这允许在每个子带中检查传感器的灵敏度和噪声的最终损耗。

Claims (11)

1.一种用于工业设备的外部故障检测***的内部故障检测方法，所述外部故障检测***包括换能器阵列，所述方法包括：
(a)接收(3011，3012，……)多个信号，每个信号由所述换能器阵列中的相应换能器测量，
(b)针对多个换能器对中的每个换能器对，通过关联在步骤(a)在所述换能器对处接收到的信号或所述信号的可逆变换的至少一部分，计算(302)在步骤(a)在所述换能器对处接收到的信号对之间的至少一个相关参数的值，
(c)针对所述多个换能器对中的至少一个换能器，根据在步骤(b)计算的相关参数的值估计(303，304)所述换能器是否正常工作。
2.根据权利要求1所述的方法，还包括：
根据在步骤(b)计算的相关参数确定声源的数目，以及
依赖于所确定的源的数目选择换能器状况估计方法。
3.根据权利要求2所述的方法，其中，确定声源的数目包括：
在步骤(b)，针对取自一组换能器的每个换能器对计算相关参数，
估计在步骤(b)计算的相关参数的相关矩阵的特征值，
对高于阈值的估计特征值的数目进行计数，
如果所述计数高于数目阈值，或者等于零，则认为源的数目为零，
否则，认为源的数目等于所述计数。
4.根据权利要求1、2或3所述的方法，其中，所述方法包括：
特别地在所确定的声源的数目等于零时，针对在步骤(b)计算的至少一个相关参数，将所述计算的相关参数与基于扩散噪声场模型获得的理论值进行比较。
5.根据权利要求1、2、3或4所述的方法，其中，所述方法包括：
特别地在所确定的声源的数目等于零时，针对至少一个换能器，将在步骤(b)根据在所述换能器处接收到的信号并根据在被认为位于所述换能器附近的不同换能器处接收到的信号而获得的至少一个相关参数与阈值进行比较。
6.根据权利要求1至5中任一项所述的方法，其中，所述方法包括：特别地在所确定的声源的数目等于一个或更多个时，
选择至少两个不同的换能器子集，每个换能器子集包括少于所述阵列内的有效换能器的数目的多个换能器，
对于每个所选择的换能器子集，针对至少一个检测到的源，根据在步骤(a)在所述子集中的换能器处接收到的信号估计所述源的位置，
检查所述源的至少两个估计位置是一致的。
7.根据权利要求1至6中任一项所述的方法，其中，特别地在所确定的声源的数目等于一时，所述方法包括：
针对至少一对两个换能器，根据在所述换能器处接收到的信号计算卷积乘积，
根据至少一个所计算的卷积乘积确定至少一个换能器的信噪比，
将所确定的信噪比与阈值进行比较以估计相应换能器的状态。
8.根据权利要求1至7中任一项所述的方法，其中，在步骤(b)根据在换能器对处接收到的信号计算的相关参数可以是所述接收到的信号之间的互谱密度。
9.一种存储计算机可执行代码的计算机可读介质，所述计算可执行代码在由处理器执行时，使所述处理器执行根据权利要求1至8中任一项所述的方法。
10.一种针对用于工业设备的外部故障检测***的内部故障检测设备，所述外部故障***包括换能器阵列，所述内部故障检测设备包括：
接收装置(2011，2012，……，201N)，其接收多个信号，每个信号由所述换能器阵列中的相应换能器测量，
处理装置(204，205，206，207，208)，其被布置成：针对多个换能器对中的每个换能器对，通过关联与所述换能器对对应的接收到的信号或所述信号的可逆变换的至少一部分，计算与所述换能器对对应的接收到的信号之间的至少一个相关参数的值，并且针对多个换能器中的至少一个换能器，根据所计算的相关参数的值估计该换能器是否正常工作，以及
发送装置，其发送根据估计的结果而生成的信号以报告可能的换能器故障。
11.一种用于工业设备的外部故障检测***(1)，所述外部故障检测***(1)包括换能器(2)的阵列(4)和根据权利要求10所述的内部故障检测设备(3)，所述内部故障检测设备(3)用于检测所述阵列中的换能器中的一个或若干个换能器的可能故障。
CN201780069484.7A 2016-11-11 2017-10-30 用于工业设备的外部故障检测***的内部故障检测方法 Active CN109997023B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CH01499/16 2016-11-11
CH14992016 2016-11-11
PCT/IB2017/056733 WO2018087622A1 (en) 2016-11-11 2017-10-30 Internal failure detection of an external failure detection system for industrial plants

Publications (2)

Publication Number Publication Date
CN109997023A true CN109997023A (zh) 2019-07-09
CN109997023B CN109997023B (zh) 2021-09-28

Family

ID=60388099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780069484.7A Active CN109997023B (zh) 2016-11-11 2017-10-30 用于工业设备的外部故障检测***的内部故障检测方法

Country Status (4)

Country Link
US (1) US11635341B2 (zh)
EP (1) EP3538860B1 (zh)
CN (1) CN109997023B (zh)
WO (1) WO2018087622A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110677780A (zh) * 2019-09-26 2020-01-10 北京小米移动软件有限公司 音频输入模组的检测方法及装置、存储介质
CN111781555A (zh) * 2020-06-10 2020-10-16 厦门市派美特科技有限公司 具有校正功能的有源降噪耳机声源定位方法和装置
CN115035698A (zh) * 2022-06-06 2022-09-09 大牧人机械(胶州)有限公司 一种猪场集中报警设备冗余***及自检方法
CN117388644A (zh) * 2023-06-27 2024-01-12 国网宁夏电力有限公司电力科学研究院 一种电力设备局部放电定位方法与***
CN117723894A (zh) * 2024-02-08 2024-03-19 南方电网数字电网研究院股份有限公司 基于微弱行波信号特征提取的故障检测方法和装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3531090A1 (en) 2018-02-27 2019-08-28 Distran AG Estimation of the sensitivity of a detector device comprising a transducer array
WO2019238799A1 (en) * 2018-06-15 2019-12-19 Widex A/S Method of testing microphone performance of a hearing aid system and a hearing aid system
CN112613484B (zh) * 2021-01-06 2022-05-20 西南石油大学 一种基于奇异谱分析和支持向量机的输气管道泄漏识别方法
EP4145100A1 (en) 2021-09-05 2023-03-08 Distran Ltd Acoustic detection device and system with regions of interest

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090296946A1 (en) * 2008-05-27 2009-12-03 Fortemedia, Inc. Defect detection method for an audio device utilizing a microphone array
CN102150061A (zh) * 2008-09-10 2011-08-10 皇家飞利浦电子股份有限公司 用于紧急情况存在检测的***、装置和方法
US20120045068A1 (en) * 2010-08-20 2012-02-23 Korea Institute Of Science And Technology Self-fault detection system and method for microphone array and audio-based device
CN102456419A (zh) * 2010-10-22 2012-05-16 中国核动力研究设计院 核反应堆屏蔽泵运行故障监测方法及其监测***
CN103908271A (zh) * 2012-12-28 2014-07-09 通用电气公司 容错检测器组件
US9229837B1 (en) * 2013-01-24 2016-01-05 The United States Of America As Represented By The Secretary Of The Navy Sensor array evaluation tool and method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3863323B2 (ja) * 1999-08-03 2006-12-27 富士通株式会社 マイクロホンアレイ装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090296946A1 (en) * 2008-05-27 2009-12-03 Fortemedia, Inc. Defect detection method for an audio device utilizing a microphone array
CN102150061A (zh) * 2008-09-10 2011-08-10 皇家飞利浦电子股份有限公司 用于紧急情况存在检测的***、装置和方法
US20120045068A1 (en) * 2010-08-20 2012-02-23 Korea Institute Of Science And Technology Self-fault detection system and method for microphone array and audio-based device
CN102456419A (zh) * 2010-10-22 2012-05-16 中国核动力研究设计院 核反应堆屏蔽泵运行故障监测方法及其监测***
CN103908271A (zh) * 2012-12-28 2014-07-09 通用电气公司 容错检测器组件
US9229837B1 (en) * 2013-01-24 2016-01-05 The United States Of America As Represented By The Secretary Of The Navy Sensor array evaluation tool and method

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110677780A (zh) * 2019-09-26 2020-01-10 北京小米移动软件有限公司 音频输入模组的检测方法及装置、存储介质
CN110677780B (zh) * 2019-09-26 2021-12-14 北京小米移动软件有限公司 音频输入模组的检测方法及装置、存储介质
CN111781555A (zh) * 2020-06-10 2020-10-16 厦门市派美特科技有限公司 具有校正功能的有源降噪耳机声源定位方法和装置
CN111781555B (zh) * 2020-06-10 2023-10-17 厦门市派美特科技有限公司 具有校正功能的有源降噪耳机声源定位方法和装置
CN115035698A (zh) * 2022-06-06 2022-09-09 大牧人机械(胶州)有限公司 一种猪场集中报警设备冗余***及自检方法
CN115035698B (zh) * 2022-06-06 2024-04-26 大牧人机械(胶州)有限公司 一种猪场集中报警设备冗余***及自检方法
CN117388644A (zh) * 2023-06-27 2024-01-12 国网宁夏电力有限公司电力科学研究院 一种电力设备局部放电定位方法与***
CN117388644B (zh) * 2023-06-27 2024-04-16 国网宁夏电力有限公司电力科学研究院 一种电力设备局部放电定位方法与***
CN117723894A (zh) * 2024-02-08 2024-03-19 南方电网数字电网研究院股份有限公司 基于微弱行波信号特征提取的故障检测方法和装置
CN117723894B (zh) * 2024-02-08 2024-05-07 南方电网数字电网研究院股份有限公司 基于微弱行波信号特征提取的故障检测方法和装置

Also Published As

Publication number Publication date
EP3538860A1 (en) 2019-09-18
US20190271610A1 (en) 2019-09-05
EP3538860B1 (en) 2023-02-01
US11635341B2 (en) 2023-04-25
CN109997023B (zh) 2021-09-28
WO2018087622A1 (en) 2018-05-17

Similar Documents

Publication Publication Date Title
CN109997023A (zh) 用于工业设备的外部故障检测***的内部故障检测
US11846567B2 (en) Method and apparatus for determining the sensitivity of an acoustic detector device
Eaton et al. Direct-to-reverberant ratio estimation using a null-steered beamformer
WO2020163611A1 (en) Indoor occupancy estimation, trajectory tracking and event monitoring and tracking system
KR20210129942A (ko) 이음 검사 장치 및 그 검사 방법
Ahmad et al. Industrial fluid pipeline leak detection and localization based on a multiscale Mann-Whitney test and acoustic emission event tracking
JPWO2016208173A1 (ja) 信号検知装置、信号検知方法およびプログラム
CN109916612A (zh) 基于声学成像的gis机械故障带电检测***
Zhu et al. Sound source localization in three-dimensional space in real time with redundancy checks
Ding et al. DOA estimation of multiple speech sources by selecting reliable local sound intensity estimates
Pirinen et al. Toward intelligent sensors-reliability for time delay based direction of arrival estimates
Georganti et al. Extracting sound-source-distance information from binaural signals
Moschioni et al. Sound source identification using coherence-and intensity-based methods
Canclini et al. Distributed 3D source localization from 2D DOA measurements using multiple linear arrays
Fernandez Comesana et al. Adapting beamforming techniques for virtual sensor arrays
US20240230598A1 (en) Method and device for detecting and locating a fault point of a housing
JP2024518938A (ja) ハウジングの故障点を検出および位置特定するための方法および装置
Bogusławski et al. Determination of sound power level by using a microphone array and conventional methods
Son et al. Design and Implementation of an Indoor Ambient Noise Monitoring System with Localization
Salehin et al. Lung sound localization using array of acoustic sensors
MATSUMOTO et al. Analysis of T-phase and tsunami signals associated with the 2011 tohoku earthquake acquired by CTBT water-column hydrophone triplets
Scionti et al. Soundfactory: a framework for generating datasets for deep learning seld algorithms
CN105889052A (zh) 用于泥浆泵故障诊断的噪声分离方法
Weikel Bayesian framework for direction of arrival analysis using spherical harmonics
Chen Localization and characterization of the fault in wheel/rail system

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