CN113724726A - 一种基于全连接神经网络的机组运行噪声抑制的处理方法 - Google Patents
一种基于全连接神经网络的机组运行噪声抑制的处理方法 Download PDFInfo
- Publication number
- CN113724726A CN113724726A CN202110950443.7A CN202110950443A CN113724726A CN 113724726 A CN113724726 A CN 113724726A CN 202110950443 A CN202110950443 A CN 202110950443A CN 113724726 A CN113724726 A CN 113724726A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fully
- connected neural
- acoustic
- normalization
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000010977 unit operation Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000001629 suppression Effects 0.000 title description 5
- 239000002184 metal Substances 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000005236 sound signal Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于全连接神经网络的机组运行噪声抑制的处理方法,使用水轮发电机组停机时设备发生金属碰撞典型故障的声学样本以及机组运行时的背景噪声样本,训练一个包含两个隐含层的全连接神经网络,用以抑制机组正常运行时的背景噪声。与传统方法相比,使用全连接神经网络抑制机组运行噪声,异常声音信号的信噪比显著提高,可以识别出水轮发电机组运行时发生的金属碰撞等故障,可以应用于水轮发电机组运行的声学监测;可通过噪声识别自动生成对应的声学样本进行抑制降噪。
Description
技术领域
本发明属于水轮发电机组设备运行在线监测领域,特别涉及一种基于全连接神经网络的机组运行噪声抑制的处理方法。
背景技术
在水轮发电机组运行时的声学监测环境下,对异常声学信号的信噪比要求较高;由于机组运行时的背景噪声大且频域范围广,传统的信号处理方法处理后的信噪比情况并不理想;在利用全连接神经网络进行信号处理后可以良好的对机组运行噪声进行抑制,并得到清晰的敲击、碰撞等异常声音信号;由此可以对机组运行时发生的设备异常状态进行报警;因此,需要设计一种基于全连接神经网络的机组运行噪声抑制的处理方法。
发明内容
本发明所要解决的技术问题是提供一种基于全连接神经网络的机组运行噪声抑制的处理方法,与传统方法相比,使用全连接神经网络抑制机组运行噪声,异常声音信号的信噪比显著提高,可以识别出水轮发电机组运行时发生的金属碰撞等故障,并且根据识别生成对应的声音样本进行抑制降噪。
为实现上述技术效果,本发明所采用的技术方案是:一种基于全连接神经网络的机组运行噪声抑制的处理方法,它包括以下步骤:
S1,训练全连接神经网络:通过收集声音样本,创建一个包含两个隐藏层的全连接神经网络:
S2,收集制作声音样本:
a. 传声器收集64KHz采样率的声学信号,将信号降采样至16KHz采样率;
b. 将信号以窗口长度为256个点、重叠率75%,窗口形状为汉明窗进行短时傅里叶变换,形成一个数组;并将数组按照神经网络要求进行归一化处理;
S3,应用神经网络降噪:
a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测,得到新的数组,并将数组反归一化;
b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换,得到采样率为16KHz的抑制机组运行噪声的声学信号。
优选地,所述步骤S1中全连接神经网络的训练方法如下:
S101,在机组停机状态下,采集机组停机时设备发生金属碰撞故障的声学样本;将声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗,进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的目标集;
S201,在水轮发电机组正常运行状态下,采集水轮发电机组运行时的背景噪声样本;将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加;将叠加后的声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的预测集;
S301,将目标集和预测集所对应的声学样本一一对应,抽取其中10%作为验证集;
S401,将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络,进行训练重复3~5轮;
S501,记录全连接神经网络结构和参数,得到用于抑制组运行噪声的全连接神经网络。
优选地,所述S101和S201中归一化运算使用L2正则化作为归一化方法。
优选地,所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。
本发明的有益效果为:
本发明公开了一种机组运行噪声抑制全连接神经网络的训练方法,使用水轮发电机组停机时设备发生金属碰撞典型故障的声学样本以及机组运行时的背景噪声样本,训练一个包含两个隐含层的全连接神经网络,用以抑制机组正常运行时的背景噪声。与传统方法相比,使用全连接神经网络抑制机组运行噪声,异常声音信号的信噪比显著提高,可以识别出水轮发电机组运行时发生的金属碰撞等故障,可以应用于水轮发电机组运行的声学监测;可通过噪声识别自动生成对应的声学样本进行抑制降噪。
附图说明
图1为本发明的流程框图示意图;
图2为本发明中全连接神经网络训练的流程框图;
图3为本发明实施例中机组停机状态下一段典型零件敲击声音样本的时域图;
图4为本发明实施例中机组正常运转时风洞内的一段背景噪声样本的时域图;
图5为本发明实施例中一段叠加机组背景噪声后的典型金属敲击声音样本的时域图;
图6为全连接神经网络降噪后的典型零件敲击、碰撞声音的时域图。
具体实施方式
实施例1:
如图1中,一种基于全连接神经网络的机组运行噪声抑制的处理方法,它包括以下步骤:
S1,训练全连接神经网络:通过收集声音样本,创建一个包含两个隐藏层的全连接神经网络:
S2,收集制作声音样本:
a. 传声器收集64KHz采样率的声学信号,将信号降采样至16KHz采样率;
b. 将信号以窗口长度为256个点、重叠率75%,窗口形状为汉明窗进行短时傅里叶变换,形成一个数组;并将数组按照神经网络要求进行归一化处理;
S3,应用神经网络降噪:
a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测,得到新的数组,并将数组反归一化;
b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换,得到采样率为16KHz的抑制机组运行噪声的声学信号。
优选地,所述步骤S1中全连接神经网络的训练方法如下:
S101,在机组停机状态下,采集机组停机时设备发生金属碰撞故障的声学样本;将声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗,进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的目标集;
S201,在水轮发电机组正常运行状态下,采集水轮发电机组运行时的背景噪声样本;将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加;将叠加后的声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的预测集;
S301,将目标集和预测集所对应的声学样本一一对应,抽取其中10%作为验证集;
S401,将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络,进行训练重复3~5轮;
S501,记录全连接神经网络结构和参数,得到用于抑制组运行噪声的全连接神经网络。
优选地,所述S101和S201中归一化运算使用L2正则化作为归一化方法。
优选地,所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。
实施例2:
如图2所示训练全连接神经网络:
S1,使用水轮发电机噪声监测仪以64KHz采样率16bit采样精度采集机组停机状态下几种典型金属敲击、碰撞挡风板、定子铁芯、转子的声学样本,共23段,并将声学样本降采样率至16KHz;敲击样本如图2所示。
S2,使用水轮发电机噪声监测仪以64KHz采样率16bit采样精度采集机组正常运转时风洞内的背景噪声,从中抽取机组在147MW、130MW、110MW、100MW有功功率工况下的4段背景噪声样本,并将声音样本降采样率至16KHz。此处展示某一段机组运行背景噪声样本,敲击样本如图3所示。
S3,将机组背景噪声样本和典型金属敲击、碰撞声音样本组合叠加,得到92段带背景噪声的典型金属敲击、碰撞声音样本。此处展示某一段叠加后的声音样本,敲击样本如图3所示。
S4,将叠加后的声音样本以窗口长度为256个点、重叠率为75%进行短时傅里叶变换,并将变换结果进行归一化处理,得到的二维数组作为全连接神经网络的预测集;使用L2正则化作为归一化方法,参数为输入均值为15.0355,输入标准差为73.0891;将未叠加背景噪声的原始敲击、碰撞声音样本做相同傅里叶变换和归一化处理后得到的二维数组作为全连接神经网络的目标集。
S5,创建一个含两个隐含层的全连接神经网络。
S6,将预测集与目标集样本一一对应,抽取其中部分作为测试验证集;将预测集、目标集、验证集输入全连接神经网络进行训练,重复3轮,训练最终得到的均方差RMSE值为6.7257。
S7,存储训练好的网络结构、权值参数和归一化参数。
实时例3:
如图3~图6所示:
S1,将叠加了机组背景噪声的典型金属敲击、碰撞声音以窗口长度为256个点、重叠率为75%进行短时傅里叶变换,并将变换结果进行归一化处理,得到的二维数组输入训练好的全连接神经网络进行预测;
S2,将全连接神经网络输出的数组按之前保存的归一化参数进行反归一化处理,得到新的数组;
S3,将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换,得到采样率为16KHz的声学信号,该声音为抑制机组运行噪声后的典型金属敲击、碰撞声音;背景噪声抑制效果如图6所示;可以看出,通过本方法得到的抑制机组背景噪声后的典型金属敲击、碰撞声音波形与原始未叠加背景噪声的金属敲击、碰撞声音波形一致,机组背景噪声抑制效果较好。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (4)
1.一种基于全连接神经网络的机组运行噪声抑制的处理方法,其特征在于:它包括以下步骤:
S1,训练全连接神经网络:通过收集声音样本,创建包含两个隐藏层的全连接神经网络:
S2,收集制作声音样本:
a. 传声器收集64KHz采样率的声学信号,将信号降采样至16KHz采样率;
b. 将信号以窗口长度为256个点、重叠率75%,窗口形状为汉明窗进行短时傅里叶变换,形成一个数组;并将数组按照神经网络要求进行归一化处理;
S3,应用神经网络降噪:
a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测,得到新的数组,并将数组反归一化;
b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换,得到采样率为16KHz的抑制机组运行噪声的声学信号。
2.根据权利要求1所述的一种基于全连接神经网络的机组运行噪声抑制的处理方法,其特征在于:步骤S1中全连接神经网络的训练方法如下:
S101,在机组停机状态下,采集机组停机时设备发生金属碰撞故障的声学样本;将声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗,进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的目标集;
S201,在水轮发电机组正常运行状态下,采集水轮发电机组运行时的背景噪声样本;将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加;将叠加后的声学样本降采样至16KHz采样率,将数据以窗口长度为256点、75%重叠率,窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组,并对这个二维数组做归一化运算并记录归一化参数,作为训练网络的预测集;
S301,将目标集和预测集所对应的声学样本一一对应,抽取其中10%作为验证集;
S401,将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络,进行训练重复3~5轮;
S501,记录全连接神经网络结构和参数,得到用于抑制组运行噪声的全连接神经网络。
3.根据权利要求2所述的一种基于全连接神经网络的机组运行噪声抑制的处理方法,其特征在于:所述S101和S201中归一化运算使用L2正则化作为归一化方法。
4.根据权利要求2所述的一种基于全连接神经网络的机组运行噪声抑制的处理方法,其特征在于:所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950443.7A CN113724726A (zh) | 2021-08-18 | 2021-08-18 | 一种基于全连接神经网络的机组运行噪声抑制的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950443.7A CN113724726A (zh) | 2021-08-18 | 2021-08-18 | 一种基于全连接神经网络的机组运行噪声抑制的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724726A true CN113724726A (zh) | 2021-11-30 |
Family
ID=78676741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950443.7A Pending CN113724726A (zh) | 2021-08-18 | 2021-08-18 | 一种基于全连接神经网络的机组运行噪声抑制的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724726A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859767A (zh) * | 2019-03-06 | 2019-06-07 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、***及存储介质 |
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 |
-
2021
- 2021-08-18 CN CN202110950443.7A patent/CN113724726A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859767A (zh) * | 2019-03-06 | 2019-06-07 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、***及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
CN110534118A (zh) | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测*** | |
CN112857767B (zh) | 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 | |
CN106546892A (zh) | 基于深度学习的局部放电超声音频识别方法及*** | |
CN108490349A (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
CN106771598B (zh) | 一种自适应谱峭度信号处理方法 | |
CN105698922A (zh) | 基于改进emd和谱峭度法变压器振动故障特征提取方法 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
Li et al. | Weak crack detection for gearbox using sparse denoising and decomposition method | |
CN107886078A (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
CN108036940A (zh) | 一种轴承故障诊断方法 | |
CN108869145A (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
CN113790911B (zh) | 一种基于声音频谱统计学规律的异响检测方法 | |
Geng et al. | Mechanical fault diagnosis of power transformer by GFCC time-frequency map of acoustic signal and convolutional neural network | |
Yao et al. | Multiband weights-induced periodic sparse representation for bearing incipient fault diagnosis | |
CN113724726A (zh) | 一种基于全连接神经网络的机组运行噪声抑制的处理方法 | |
Yao et al. | Radiation Noise Separation of Internal Combustion Engine Based on Gammatone‐RobustICA Method | |
CN110412366B (zh) | 一种基于动态时间算法的变压器带电检测方法 | |
Yang et al. | Iterative Morlet wavelet with SOSO boosting strategy for impulsive feature extraction | |
Li et al. | Envelope analysis by wavelet-filter based spectral kurtosis for bearing health monitoring |
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 |