CN112326210A - 一种声振信号联合1d-cnn的大型电机故障诊断方法 - Google Patents
一种声振信号联合1d-cnn的大型电机故障诊断方法 Download PDFInfo
- Publication number
- CN112326210A CN112326210A CN201910643288.7A CN201910643288A CN112326210A CN 112326210 A CN112326210 A CN 112326210A CN 201910643288 A CN201910643288 A CN 201910643288A CN 112326210 A CN112326210 A CN 112326210A
- Authority
- CN
- China
- Prior art keywords
- cnn
- signals
- sound
- frequency
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000005086 pumping Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 230000000295 complement effect Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000023886 lateral inhibition Effects 0.000 claims description 3
- 230000003278 mimic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 239000003607 modifier Substances 0.000 claims description 2
- 230000004075 alteration Effects 0.000 claims 1
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声振信号联合一维卷积神经网络(1D‑CNN)故障诊断方法,该方法包括以下内容:首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波(7kHz‑20kHz),叠加低频振动信号(7kHz内)形成频带更完整的电动机状态表征信息。再对经过滤波提纯处理后信息进行重叠式数据扩容,获取1D‑CNN训练所需大量数据。最后将数据样本输入1D‑CNN进行学习训练,采用局部均值归一化(LRN)和核函数去相关性改进1D‑CNN模型结构,降低了抽油机正负半周工况波动对电动机诊断准确性影响。这是一种针对复杂运行环境下大功率电动机故障诊断的新方法,诊断准确率高,泛化性能好,与传统的电动机故障诊断方法相比优势明显。
Description
技术领域
本发明涉及油田电气设备故障诊断技术领域,具体的,涉及一种声音振动信号联合一维卷积神经网络(1D-CNN)的大型电机故障诊断方法。
背景技术
电动机的可靠运行是游梁式采油机正常工作的基础。采油井所处背景环境复杂,加之三相电机驱动大型游梁式采油机工况的特殊性,对其进行准确故障诊断实际上更为困难。
对于电动机机械故障辨识,前人的研究大多集中在电机振动信号和定子电流信号。对于电流信号分析诊断故障而言,由于与故障存在相关性的频率分量较小,直接对电动机机械故障不够敏感;非侵入式振动信号通常采用压电式加速度传感器采集,但传感器安装和耦合方式影响信号频率响应范围。与振动同源的声信号由于测量频带宽可以有效避免饱和失效现象,并且拾音器安装方便,信号不受安装方式的影响。但是声振信号如何进行有效联合互补处理,发挥各自优势,对大型异步电机进行故障诊断具有重要研究价值。
诸多研究对声振联合进行了探索,但仅限于断路器设备,并且将声振信号两者进行机械地联合,未考虑背景情况和声振信号差异性互补,导致诊断的准确率不够高。在分布式油井所处的恶劣环境下,如何发挥声振信号联合优势进行设备故障诊断更具有挑战性。
常见的主流故障模式识别算法主观性过强,容易造成故障信息的遗漏和丢失。遴选、提取特征后再选择合适的分类器进行故障分类,样本数据变动时需要有针对性的不断对特征提取方法和阈值进行调整,诊断模型及算法总体泛化能力差。
发明内容
本发明的目的是提供一种提高大型电动机准确率和泛化性的诊断方法,利用声振信号频段互补优势,依靠深度学习强大的自学习能力进行特征提取和故障诊断,其中的重点是大型电机的声振信号预处理以及1D-CNN模型优化。
为实现上述目的,本发明采用了如下技术方案:
一种声振信号联合1D-CNN的大型电机故障诊断方法,首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波(7kHz-20kHz),叠加低频振动信号(7kHz内)形成频带更完整的电动机状态表征信息。再对经过滤波提纯处理后信号进行重叠式数据扩容,获取1D-CNN训练所需大量数据。最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化(LRN)和核函数去相关性改进1D-CNN模型结构,降低了抽油机正负半周工况波动对电动机诊断准确性影响,提高了故障诊断的准确率和泛化性。步骤如下:
(1)考虑采油井现场声振信号的频带特点,对声音信号进行背景噪声库联合稀疏表示去噪。首先建立背景噪声库去除模板噪声,然后训练有效反映残余噪声信号结构特征的超完备字典,用OMP算法将字典原子进行线性组合来重构原始信号去除噪声。最后将振动和声音有机联合控制表征故障信息的频率范围,为电机故障诊断准确率提高奠定基础。
(2)将去噪后的声振信号进行频带互补处理,先采用带通滤波器滤除低频噪声和高频噪声信号,再采用低通滤波器滤除高频失真的振动信号,将两者互补特性联合从可以而精准的掌握整个故障阶段的信息,为卷积神经网络准确诊断故障提供精准的样本数据。
(3)采用有重叠的样本数据扩容提供1D-CNN所需大量的一维训练样本,数据扩容后模型在相同的采样率下获得同等数量样本所需的时间更短,效率更高。
(4)对于采油机而言,电动机通过皮带拖动减速箱使游梁做上下冲程运动导致数据变动很大,限制了1D-CNN泛化性能和准确率的提高。故针对上述特点对核函数去相关性且增加局部响应归一化层改进CNN结构。验证1D-CNN准确率和泛化性。
步骤(1)所述的背景噪声库联合稀疏表示去噪,需要预先建立背景噪声库模板,然后将采集的声音信号进行噪声模板匹配去除模板噪声。进行模板匹配时需要用到Mel倒谱系数(MFCC),其过程如下。
设声音信号的离散傅里叶变换为:
式中x(n)为声信号,N表示傅里叶变换的点数。计算每个滤波器组输出的对数能量:
其中Hm(k)为三角滤波器的频域响应函数。对S(m)经过离散余弦变换(DCT)得到MFCC系数。
针对仍有残余噪声、信噪比不高的电机声音信号,根据其尖峰和突变形态特征差异明显特点,第二步利用广义K-奇异值分解算法(K-SVD)算法求得基于稀疏和冗余的训练字典,用正交匹配追踪算法(OMP)算法把一定数量的字典原子进行线性组合来构成原始信号,从而得到降噪后的信号。
步骤(2)所述的声振信号进行频带互补处理采用有限长单位冲激响应(FIR)带通滤波器滤除低于7kHz和高于20kHz声音信号,再采用低通滤波器滤除7kHz以上振动信号,二者互补联合构造完整的频带信息。
步骤(3)所述的重叠式数据扩容:对长度为N的信号x,设置样本长度为L,重叠率为λ,扩容分割方法如下:
求取每个分割样本。第i个样本在原信号的位置表示如下:
xi=X[(i-1)×L×(1-λ)+(0:1)×L],i∈[1,n]
样本分割长度太短可以提高模型收敛速度,节省训练时间,但是易造成非线性特征信息缺失;样本分割长度太长会降低模型收敛速度,影响诊断的实时性。故要选择适合的样本长度和重叠率。
步骤(4)所述的1D-CNN模型由输入层、卷积层、池化层、全连接层和输出层组成。每一层的权值矩阵与特征矩阵进行卷积,前一层的卷积结果经过激活函数运算会输出成为下一个神经元,以便构造下一层对应的特征。
卷积层通过卷积核对输入数据进行卷积,利用非线性激活函数构造特征矢量。同一个卷积核在卷积过程中共享参数得到一类特征,计算过程公式为:
其中代表第l层输入,Nj代表输入特征矢量,l代表第l层网络,k代表卷积核,b代表卷积核的偏置。常选择修正线性单元(ReLU)作为非线性激活函数,可以使得一部分的神经元输出为0,减少参数的相互依赖,提高网络的稀疏性,有效抑制过拟合问题。ReLU的计算如下:
池化层通过池化核对输入数据进行缩放映射,对数据降维同时提取特征。池化包含平均池化和最大池化,其变换函数为:
CNN的输出层对最后一个池化层的输出进行全连接,然后采用Soft-Max分类器解决多分类问题,模型如下:
O=f(bo+fvwo)
其中:bo为偏差向量,fv为特征矢量,wo为权值矩阵。
考虑到电动机通过皮带拖动减速箱使游梁做上下冲程运动导致数据变动很大,泛化性能和准确率受限。本专利对1D-CNN核函数进行去相关性保障特征信息提取的独立性,与此同时在每个卷积-池化层之后增加一个局部响应归一化(LRN)降低模型所需参数较多的影响。LRN层可以模仿生物的“侧抑制”机制,使响应较大的值变得更大,响应归一化表示为:
附图说明
图1是电机故障诊断流程图
图2是电机声振信号载荷过重频谱图
图3是传感器频响曲线图
图4是声振信号数据扩容示意图
图5是CNN模型训练示意图
图6是学习特征可视化图
图7是1D-CNN诊断结果图
具体实施方式
以Y2-280M-8型45KW三相电动机为例,电机故障诊断流程见图1。本发明的具体实施方式如下:
第1步,安装频率范围1-10000Hz压电式(CK 8605)传感器和频率范围20-20kHz的(WM-025N)拾音器。其中振动传感器吸附在电机底座上,拾音器放置距离音源0.5米处。采样率设置40kHz,每类样本采集600组数据,每组数据包含50000个采样点,2/3组数据样本用作训练,1/3组数据样本作为测试。
第2步,背景噪声库包含采油机工作现场夹杂的风声、打雷声、汽笛声、人语声、抽油机皮带摩擦、减速箱异响和游梁机械运行等二十余种噪声。第一步将拾音器获得声音信号进行双门限端点检测计算起始点,再使用MFCC获取频域分布信息。获取频域分布时将声信号通过一组Mel尺度的三角形滤波器组,中心频率为f(m),m=1,2,…,M,M在本***取值为35,具体计算公式参见步骤(1)。提取背景信号特征后采用动态时间规整(DTW)进行模板匹配去除模板噪声。K-SVD训练能够有效反应信号结构,首先选用冲击原子字典(D),设定训练信号集合稀疏表示系数向量。信号分解表示为:为dk(D的第k列向量)对应的系数矩阵X中的第k行向量,Ek是去掉dk后的信号集Y的分解误差。最后将Ek进行SVD分解,得到Ek=UΔVT。不断更新D的列,直到生成新的字典。然后再用0范数贪婪算法中的正交匹配追踪(OMP)算法选择原子进行模型逼近,初始化分解系数、索引集和迭代因子等参数,当迭代因子大于最大迭代次数时停止迭代。设置迭代次数50次,求解出分解系数与超完备字典合成信号去除噪声。
第3步,对采集的电动机声振信号频谱分析,由图2可以看出,振动频谱只出现在3kHz以下,显然无法全面反应电机的多类型故障。而声音信号的频谱分布于全频带,可以准确反映故障信息。
实际上,传感器频率响应曲线是出厂时刚性连接下测得,而在实际压电式加速度应用强磁吸附或胶粘很难达到刚性连接,其频响曲线差异如图3所示。横坐标是实测频率值,纵坐标是“比较值dB”,dB=20log(A2/A1),A2为所测点频率振幅,A1为所测全部数据平均振幅。非刚性方式连的接传感器频响范围减小30%,最佳频率响应范围0.1-7kHz,测电机高频振动容易造成信号失真。电机故障诊断中声振信号同源,振动传感器直接与电机本体吸附,信号在7kHz以内有很强抗扰性;声音传感器置于电机附近,信号频率范围可达20kHz。本文将去噪后的声音信号,先采用FIR带通滤波器滤除低于7kHz和高于20kHz声音信号,再采用低通滤波器滤除7kHz以上振动信号,将两者互补特性联合为1D-CNN准确诊断故障提供精准的样本数据。
第4步,采用重叠式样本数据扩容可以完整保留相邻样本的相关性,避免样本截断导致的特征丢失,缩短数据获取时间。扩容示意图见图4所示。通过多次试验验证,设定样本长度为1024,重叠率λ为0.5。
第5步,本文对核函数进行小波分解得到多分辨率小波系数,选取相互正交方向的小波分解系数对卷积核误差修改量处理去除核函数的相关性。与此同时,对每个卷积-池化层之后增加一个局部响应归一化(LRN)降低模型所需参数较多的影响。LRN层可以模仿生物的“侧抑制”机制,使响应较大的值变得更大,响应归一化表示为:
训练过程中为了避免发生过拟合现象,在模型全连接层中引入Early-Stopping机制,其系数分别为0.5和0.01;本文的模型结构如表1所示。
表1 1D-CNN结构表
第6步,模型采用软件Python与Tensorflow;操作***为MacOS,处理器为Intel(R)Core(TM)i5-4440 [email protected],运行内存为8GB。对本模型进行了500次训练,采用最小均方误差(mean square error,MSE)作为损失函数,公式为
1D-CNN的特征提取层由卷积层和池化层组成,在进行池化操作前,选择ReLU作为激活函数增加模型的非线性。选定两个特征提取层,其特征提取层设置卷积核数量分别为32和64,设定卷积核尺寸为1×15,池化层采用大小为1×2,步长为2的最大池化,两个全连接层的节点分别设置为256和64。采用RMSprop优化器,初始学习率设置为0.03,衰减率为0.99;迭代次数500次,模型的训练步骤如图5所示。
利用主成分分析(PCA)对倒数第二层(全连接层)的学习特征进行可视化,如图6所示。
采用Soft-Max作为分类器进行分类,识别效果如图7所示。随着训练次数的增加,模型的识别准确率逐渐上升,在训练350次后准确率趋于稳定并不在提高。与此同时,损失值逐渐下降,此时卷积神经网络的训练效果最佳。虽然本文设定训练次数500次,但迭代400次后准确率不再提高以及损失值相应降为最低。由于引入Early-Stopping机制,当模型的准确率和损失值不在显著变化时停止模型的训练,有效的避免了过拟合现象。
为了验证本方法基于声振信号频带互补联合诊断优势,可以采用声振机械联合的方式进行对比。将所提方法与SVM、BP和RVM等智能算法进行对比,凸显本发明深度学习算法的优势。并且在实际的油田作业中数据的来源和结构不同,需要对同种类型、不同表征的故障数据进行分类。泛化性验证方法:换用不同型号的设备和传感器,更改采样参数和传感器位置等。使用原模型进行比较,突显改进CNN模型的泛化性。
Claims (6)
1.一种通过声音振动信号联合一维卷积神经网络(1D-CNN)的大型电机故障诊断方法,其特征在于,包括步骤:
(1)考虑采油井现场声振信号的频带特点,对声音信号进行背景噪声库联合稀疏表示去噪。首先建立背景噪声库去除模板噪声,然后训练有效反映残余噪声信号结构特征的超完备字典,用OMP算法将字典原子进行线性组合来重构原始信号去除噪声。最后将振动和声音有机联合控制表征故障信息的频率范围,为电机故障诊断准确率提高奠定基础。
(2)将去噪后的声振信号进行频带互补处理,先采用带通滤波器滤除低频噪声和高频噪声信号,再采用低通滤波器滤除高频失真的振动信号,将两者互补特性联合从可以而精准的掌握整个故障阶段的信息,为卷积神经网络准确诊断故障提供精准的样本数据。
(3)采用有重叠的样本数据扩容提供1D-CNN所需大量的一维训练样本,数据扩容后模型在相同的采样率下获得同等数量样本所需的时间更短,效率更高。
(4)对于采油机而言,电动机通过皮带拖动减速箱使游梁做上下冲程运动导致数据变动很大,限制了1D-CNN泛化性能和准确率的提高。故针对上述特点对核函数去相关性且增加局部响应归一化层改进CNN结构。
2.根据权利要求1所述的声振信号联合1D-CNN的大型电机故障诊断方法,其特征在于对声音信号进行背景噪声库联合稀疏表示去噪。首先建立由采油机工作现场夹杂的风声、打雷声、汽笛声、人语声、抽油机皮带摩擦、减速箱异响和游梁机械运行等二十余种噪声组成的背景噪声库。然后将拾音器获得声音信号进行双门限端点检测计算起始点,再使用MFCC获取频域分布信息,提取背景信号特征后采用动态时间规整(DTW)进行模板匹配去除模板噪声。最后利用广义K-奇异值分解算法(K-SVD)算法求得基于稀疏和冗余的训练字典,用正交匹配追踪算法(OMP)算法把一定数量的冲击原子进行线性组合来构成原始信号,从而得到降噪后的信号。
3.根据权利要求1所述的声振信号联合1D-CNN的大型电机故障诊断方法,其特征在于根据传感器安装和耦合方式和声振信号频带差异,将去噪后的声振信号进行频带互补处理。将去噪后的声音信号先采用有限长单位冲激响应(FIR)带通滤波器滤除低于7kHz和高于20kHz声音信号,再采用低通滤波器滤除7kHz以上振动信号,将两者互补特性联合为卷积神经网络准确诊断故障提供精准的样本数据。
5.根据权利要求1所述的声振信号联合1D-CNN的大型电机故障诊断方法,其特征在于对核函数进行小波分解得到多分辨率小波系数,选取相互正交方向的小波分解系数对卷积核误差修改量处理去除核函数的相关性。与此同时,对每个卷积-池化层之后增加一个局部响应归一化(LRN)降低模型所需参数较多的影响。LRN层可以模仿生物的“侧抑制”机制,使响应较大的值变得更大,响应归一化表示为:
6.根据权利要求1所述的方法步骤,其他电气设备同样在本专利权利要求范围内。对于步骤1提到步骤的相关调整、变更、增删等属本专利要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643288.7A CN112326210A (zh) | 2019-07-17 | 2019-07-17 | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643288.7A CN112326210A (zh) | 2019-07-17 | 2019-07-17 | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112326210A true CN112326210A (zh) | 2021-02-05 |
Family
ID=74319204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643288.7A Pending CN112326210A (zh) | 2019-07-17 | 2019-07-17 | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326210A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241605A (zh) * | 2019-07-17 | 2021-01-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN113108898A (zh) * | 2021-05-08 | 2021-07-13 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113539298A (zh) * | 2021-07-19 | 2021-10-22 | 中通服咨询设计研究院有限公司 | 一种基于云边端的声音大数据分析计算图像化*** |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
CN114609410A (zh) * | 2022-03-25 | 2022-06-10 | 西南交通大学 | 一种基于声学信号的便携式风特性测量设备及智能算法 |
CN114812796A (zh) * | 2022-04-22 | 2022-07-29 | 中国人民解放军63811部队 | 设备状况评估方法以及相关设备 |
CN115424635A (zh) * | 2022-11-03 | 2022-12-02 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN116026586A (zh) * | 2023-01-31 | 2023-04-28 | 东华大学 | 一种谐波减速器出厂合格性判定方法及装置 |
CN116359642A (zh) * | 2023-03-10 | 2023-06-30 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测***与方法 |
CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07190849A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | 回転軸受け振動診断装置 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
JP2019086464A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
-
2019
- 2019-07-17 CN CN201910643288.7A patent/CN112326210A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07190849A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | 回転軸受け振動診断装置 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及*** |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
JP2019086464A (ja) * | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
曲建岭;余路;袁涛;田沿平;高峰;: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 仪器仪表学报, no. 07, 15 July 2018 (2018-07-15) * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241605A (zh) * | 2019-07-17 | 2021-01-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN112241605B (zh) * | 2019-07-17 | 2023-12-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN113252323A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种基于人耳听觉特性的断路器机械故障识别方法及*** |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113297922B (zh) * | 2021-04-30 | 2023-05-05 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113108898B (zh) * | 2021-05-08 | 2023-03-31 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
CN113108898A (zh) * | 2021-05-08 | 2021-07-13 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
CN113539298A (zh) * | 2021-07-19 | 2021-10-22 | 中通服咨询设计研究院有限公司 | 一种基于云边端的声音大数据分析计算图像化*** |
CN113539298B (zh) * | 2021-07-19 | 2023-11-14 | 中通服咨询设计研究院有限公司 | 一种基于云边端的声音大数据分析计算图像化*** |
CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
CN114609410A (zh) * | 2022-03-25 | 2022-06-10 | 西南交通大学 | 一种基于声学信号的便携式风特性测量设备及智能算法 |
CN114812796A (zh) * | 2022-04-22 | 2022-07-29 | 中国人民解放军63811部队 | 设备状况评估方法以及相关设备 |
CN114812796B (zh) * | 2022-04-22 | 2024-05-31 | 中国人民解放军63811部队 | 设备状况评估方法以及相关设备 |
CN115424635B (zh) * | 2022-11-03 | 2023-02-10 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN115424635A (zh) * | 2022-11-03 | 2022-12-02 | 南京凯盛国际工程有限公司 | 一种基于声音特征的水泥厂设备故障诊断方法 |
CN116026586A (zh) * | 2023-01-31 | 2023-04-28 | 东华大学 | 一种谐波减速器出厂合格性判定方法及装置 |
CN116359642A (zh) * | 2023-03-10 | 2023-06-30 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测***与方法 |
CN116359642B (zh) * | 2023-03-10 | 2024-01-23 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测***与方法 |
CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
CN116520143B (zh) * | 2023-07-03 | 2023-09-12 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
Wang et al. | An engine-fault-diagnosis system based on sound intensity analysis and wavelet packet pre-processing neural network | |
Ding et al. | Fast time-frequency manifold learning and its reconstruction for transient feature extraction in rotating machinery fault diagnosis | |
CN111879397B (zh) | 高压断路器储能机构故障诊断方法 | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及*** | |
Heydarzadeh et al. | Gear fault diagnosis using discrete wavelet transform and deep neural networks | |
CN104819846A (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
Yao et al. | A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
CN113555038B (zh) | 基于无监督领域对抗学习的说话人无关语音情感识别方法及*** | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及*** | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
Wang et al. | Identification of the defective transmission devices using the wavelet transform | |
CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其*** | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及*** | |
Zhang et al. | Improved sparse representation of rolling bearing fault features based on nested dictionary |
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 |