CN115424635B - 一种基于声音特征的水泥厂设备故障诊断方法 - Google Patents

一种基于声音特征的水泥厂设备故障诊断方法 Download PDF

Info

Publication number
CN115424635B
CN115424635B CN202211365485.5A CN202211365485A CN115424635B CN 115424635 B CN115424635 B CN 115424635B CN 202211365485 A CN202211365485 A CN 202211365485A CN 115424635 B CN115424635 B CN 115424635B
Authority
CN
China
Prior art keywords
sound
noise
signal
segment
follows
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.)
Active
Application number
CN202211365485.5A
Other languages
English (en)
Other versions
CN115424635A (zh
Inventor
韩亮
李慧霞
张成伟
年军
王权华
陈晨
张冠鹏
卓海龙
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.)
Sinoma Intelligent Technology Chengdu Co ltd
Original Assignee
Nanjing Kisen International Engineering Co Ltd
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 Nanjing Kisen International Engineering Co Ltd filed Critical Nanjing Kisen International Engineering Co Ltd
Priority to CN202211365485.5A priority Critical patent/CN115424635B/zh
Publication of CN115424635A publication Critical patent/CN115424635A/zh
Application granted granted Critical
Publication of CN115424635B publication Critical patent/CN115424635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声音特征的水泥厂设备故障诊断方法，步骤包括：在工厂设备上安装声音采集设备以采集设备声音及环境噪声；对声音段及环境噪声进行预加重处理；使用算法对预加重处理后的声音段及环境噪声进行估计，得到噪声幅度谱；加入控制因子，建立优化目标函数；采用梯度下降法，对目标函数进行求解，并对声音段去噪；提高算法噪声阈值下限，再次进行去噪；从二次去噪后的声音段中提取梅尔频谱特征，得到梅尔频谱矩阵，并进行标准化；搭建自编码器网络，输入特征矩阵进行训练，得到重构误差，并改进评估指标；根据期望评估指标分数，迭代计算得到最优重构阈值。本发明经过自编码器模型判断，改进阈值选择方法，识别异常声音。

Description

一种基于声音特征的水泥厂设备故障诊断方法
技术领域
本发明涉及设备故障诊断模型的建模方法，特别是一种基于声音特征的水泥厂设备故障诊断方法。
背景技术
水泥行业是典型的传统流程制造业，生产操作过程较为粗犷。由于生产工艺的特殊性，许多设备工作在高温、高压、高强度的工作环境下，如辊压机、回转窑、高温风机等，还有部分设备安装在高出、狭隘空间等检修人员不易到达的位置。对于这部分设备的故障诊断与维护，传统的巡检方法效率较低，亟需效率更高的巡检方式替代。
因为设备发生异常或故障时，往往伴随着明显的异响，或较大的震动，或有规律的噪声。缺少经验的操作人员，往往会忽略这种声音，当故障扩大之后才发觉，也就错过了及时挽救的机会。最终导致设备停机或损坏，甚至带来重大财产和人员安全损失。所以，通过采集声音特征判断设备工作状况具有相当的优势，也是设备预知性维护的关键一环。通过正常运转的声音与异常声音的比对，判断出设备是否发生故障，以帮助巡检人员快速定位故障点位置，并进行及时有效的处理，防止故障扩大，保证正常生产活动。
随着数字化与智能化的不断推进，在设备故障诊断领域，已出现了许多基于声音技术的研究应用。主要分为基于声音频域信号分析的传统诊断方法和基于人工智能算法的智能诊断方法。传统方法借助频域信号处理方法，如傅里叶变换、经验模态分解、小波分解等方法，将声音信号从时域转换成频域。根据频谱分析结果，提取频域信号特征，如重心频率、均方频率、平均频率等。再通过设置阈值与相关性分析，判断当前采集声音是否为故障声音。智能诊断方法，是目前在设备故障诊断领域所使用的主要方法，相比传统诊断方法，智能诊断方法通过将声音特征输入到智能算法模型进行训练，将训练得到的算法模型代替人工经验进行诊断识别。很大程度上弥补了传统诊断方法对于主观经验过于依赖、识别准确率低、缺乏普适性等缺陷。
目前，常用的智能诊断方法主要分为两种，一种是有监督分类方法，一种是无监督分类方法。有监督分类方法，如支持向量机、随机森林、逻辑回归等，预先收集设备的异常样本标签，使用分类的方法，训练分类模型。无监督分类方法，预先不需要收集异常样本，而通过聚类算法、神经网络等算法模型，学习样本之间的差异性，通过误差分析，来有效区分异常样本与正常样本。
由于水泥厂生产环境的特殊性，设备生产状况较为复杂，难以实现完备的异常样本收集，因此有监督方法缺乏一定的适用性。而基于神经网络的无监督方法应用也存在如下痛点：1、水泥厂生产环境复杂且嘈杂，一般的声音去噪方法，很难从嘈杂的噪声中提取到完整的声音信号； 2、对于分类模型评价及声音信号的重构阈值选择，缺乏较为科学、准确的选择策略。
对比已有技术，可以总结相关技术在水泥行业应用的应用情况：
中国专利CN109599126B： 一种基于mel能量谱和卷积神经网络的声音故障识别方法。通过预加重、分帧加窗、快速傅里叶变换等预处理，提取到梅尔频谱特征，再输入到卷积神经网络进行训练。最后根据预先设置的类别标签，经模型对数据的标签进行分类预测。
中国专利CN110706720B： 一种端到端无监督深度支撑网络的声学异常检测方法。采用无监督算法深度支撑网络，训练一种端到端的异常检测模型，抛弃了常用的恢复误差阈值，而采用优化权重与超球面半径表征数据异常度，最后设置异常度阈值对数据是否异常进行识别。
上述专利应用在水泥行业的实践中，存在如下问题：
1、中国专利CN109599126B预先需对声音数据进行了标签化处理，标识其异常与正常类别，所以采用的是有监督方法，不满足水泥厂设备缺少完备异常标签的情况。
2、深度学习模型效果，往往取决于训练数据量大小，训练集规模较小，往往在深度学习模型上会过拟合，也无法真是表征模型的实际效果。而中国专利CN110706720B实施例中使用的数据集规模过小，可能出现了过拟合，无法正确表征模型效果。且数据预处理时，许多算法假设声音段的开始声音只包括噪声信号，不包括设备运转声音。而在实际情况中，水泥厂设备将会持续性运转较长时间，采集的声音片段由噪声信号与设备声音信号堆叠而成。所以在此情况下，许多去噪算法在水泥厂应用时具有较大偏差。
3、上述技术在进行重构阈值选择时，大多是根据模型收敛后的损失函数值，依照人工经验上下浮动取值作为最优重构阈值，缺少一定的准确性。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于声音特征的水泥厂设备故障诊断方法，借助自编码器算法模型，采集设备的正常运转声音，通过改进噪声估计方法去除声音信号中的嘈杂噪声，再进行预处理步骤，获取声音的声音特征。经过自编码器模型判断，改进阈值选择方法，识别异常声音。
本发明的目的通过以下技术方案实现。
一种基于声音特征的水泥厂设备故障诊断方法，步骤包括：
1）在工厂设备上安装声音采集设备以采集设备声音及环境噪声，所采集声音包括设备启机声音、运转声音、停机声音、静默声音；对声音段及环境噪声进行预加重处理；
2）使用
Figure DEST_PATH_IMAGE001
算法对预加重处理后的声音段及环境噪声进行估计，得到噪声幅度谱；
3）加入控制因子，建立优化目标函数；
4）采用梯度下降法，对目标函数进行求解，并对声音段去噪；
5）提高
Figure 200543DEST_PATH_IMAGE001
算法噪声阈值下限，再次进行去噪；
6）从二次去噪后的声音段中提取梅尔频谱特征，得到梅尔频谱矩阵，并进行标准化；
7）搭建自编码器网络，输入特征矩阵进行训练，得到重构误差，并改进评估指标；
8）根据期望评估指标分数，迭代计算得到最优重构阈值。
步骤1）具体为：在工厂设备上安装声音采集设备以采集设备声音，所采集声音包括设备启机声音、运转声音、停机声音及静默声音，以
Figure DEST_PATH_IMAGE002
表示拾音器采集的设备工作声音，表示如下：
Figure DEST_PATH_IMAGE003
，其中
Figure DEST_PATH_IMAGE004
代表环境噪音，
Figure DEST_PATH_IMAGE005
代表设备工作时除环境噪音之外发生的其他噪音，
Figure DEST_PATH_IMAGE006
代表设备本身的工作声音，
Figure DEST_PATH_IMAGE007
表示采集到的声音段序号，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为声音段总数；对声音
Figure DEST_PATH_IMAGE010
进行预加重处理，增加声音的高频分辨率，公式如下：
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
表示声音段
Figure DEST_PATH_IMAGE013
预加重后的第
Figure DEST_PATH_IMAGE014
个数据点，
Figure DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
为声音段
Figure DEST_PATH_IMAGE017
的长度，
Figure DEST_PATH_IMAGE018
为预加重系数。
步骤2）具体为：对于预加重后的数据
Figure DEST_PATH_IMAGE019
，分帧加窗后得到使用
Figure DEST_PATH_IMAGE020
算法
Figure DEST_PATH_IMAGE021
，其中
Figure DEST_PATH_IMAGE022
，I为总帧数，
Figure DEST_PATH_IMAGE023
为第
Figure 124260DEST_PATH_IMAGE017
段声音的第
Figure DEST_PATH_IMAGE024
帧信号数据，使用
Figure 337285DEST_PATH_IMAGE020
算法，经傅里叶变换获得到带噪信号幅度谱
Figure DEST_PATH_IMAGE025
，对声音段的噪声进行估计，得到带噪信号的先验信噪比
Figure DEST_PATH_IMAGE026
，后验信噪比
Figure DEST_PATH_IMAGE027
，干净信号幅度谱估计
Figure DEST_PATH_IMAGE028
及估计噪声幅度谱
Figure DEST_PATH_IMAGE029
，其中
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
、
Figure 671444DEST_PATH_IMAGE028
计算公式如下：
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
计算公式近似如下：
Figure DEST_PATH_IMAGE037
，其中增益
Figure DEST_PATH_IMAGE038
主要由先验信噪比和后验信噪比计算而成，
Figure DEST_PATH_IMAGE039
表示干净声音信号的第
Figure DEST_PATH_IMAGE040
个频谱分量方差，
Figure DEST_PATH_IMAGE041
表示噪声信号的第
Figure 55458DEST_PATH_IMAGE040
个频谱分量方差，
Figure DEST_PATH_IMAGE042
表示叠加噪声后的声音信号的第
Figure 726522DEST_PATH_IMAGE040
个频谱分量方差，噪声幅度谱由先验信噪比与后验信噪比估计得到，从而估计纯净信号幅度谱，再经傅里叶逆变换得到重构后的声音信号。
步骤3）具体为：从采集的声音段中，挑选出设备静默时的环境噪声
Figure DEST_PATH_IMAGE043
，进行预加重后得到
Figure DEST_PATH_IMAGE044
，分帧加窗后，通过傅里叶变换，得到噪声谱估计
Figure DEST_PATH_IMAGE045
，基于均方误差
Figure DEST_PATH_IMAGE046
，建立如下目标函数：
Figure DEST_PATH_IMAGE047
，为控制目标函数的寻优方向及控制噪声误差，在上式中加入控制因子
Figure DEST_PATH_IMAGE048
，得到目标函数如下：
Figure DEST_PATH_IMAGE049
，其中
Figure DEST_PATH_IMAGE050
为误差限度，防止过收敛。
步骤4）具体为：采用梯度下降法，对上述目标函数进行求解：设置迭代次数与误差阈值，计算收敛时的控制因子
Figure DEST_PATH_IMAGE051
，并将最终的先验信噪比
Figure DEST_PATH_IMAGE052
和后验信噪比
Figure DEST_PATH_IMAGE053
，带入到
Figure DEST_PATH_IMAGE054
算法当中，用改进后的
Figure 907404DEST_PATH_IMAGE054
算法，重新对声音段
Figure DEST_PATH_IMAGE055
进行去噪，将声音段中
Figure 345120DEST_PATH_IMAGE043
噪声进行剔除。
步骤5）具体为：对剔除
Figure DEST_PATH_IMAGE056
噪声后的声音段
Figure DEST_PATH_IMAGE057
，再次进行
Figure 910269DEST_PATH_IMAGE054
算法去噪，去除
Figure 169212DEST_PATH_IMAGE056
的噪声残留与
Figure DEST_PATH_IMAGE058
噪声，为避免噪声过估计，适当提高
Figure 568882DEST_PATH_IMAGE054
算法中的噪声阈值
Figure DEST_PATH_IMAGE059
下限，对微弱噪声不做处理，最终得到去噪后的声音段
Figure DEST_PATH_IMAGE060
。
步骤6）具体为：从声音段
Figure 132325DEST_PATH_IMAGE060
中提取梅尔频谱特征，根据声音具有短时平稳的特性，首先将声音段
Figure 639399DEST_PATH_IMAGE060
进行分帧加窗，随后对每帧信号进行短时傅里叶变换，对获得的短时幅度谱，构建梅尔滤波器组得到梅尔频谱
Figure DEST_PATH_IMAGE061
，
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
为梅尔滤波器的个数；由于声音具有时序属性，设备的异常声也具有连续性，为避免特征过于离散，而丢失细节信息，将连续的
Figure DEST_PATH_IMAGE064
帧梅尔频谱特征作为当前帧的特征，构建特征矩阵
Figure DEST_PATH_IMAGE065
，
Figure DEST_PATH_IMAGE066
代表第
Figure 615050DEST_PATH_IMAGE017
段声音的帧数，
Figure DEST_PATH_IMAGE067
代表连续
Figure 783906DEST_PATH_IMAGE064
帧的梅尔特征数，并对特征矩阵
Figure DEST_PATH_IMAGE068
进行标准化，将特征规约成均值为零，方差为1的矩阵
Figure DEST_PATH_IMAGE069
，以消除特征间的差异，加快权重参数的收敛速度，提高模型的计算效率。
步骤7）具体为： 搭建自编码器网络，以均方误差
Figure 619882DEST_PATH_IMAGE046
为损失函数，设置批样本规模和迭代次数，对特征矩阵进行训练；减少声音段的重构误差
Figure DEST_PATH_IMAGE070
，减少信息损失；并通过混淆矩阵及
Figure DEST_PATH_IMAGE071
曲线下面积
Figure DEST_PATH_IMAGE072
与曲线下部分面积
Figure DEST_PATH_IMAGE073
对模型的效果进行评估。
步骤8）具体为：由于水泥厂异常样本数量较少，正样本与异常样本数量不均衡，一些分类指标容易以偏概全，如精确度指标，在样本数大多为正样本的情况下，即使异常样本全被误分类为正样本的情况下，精确度指标依然很高；
F1分数虽为精确度与召回率的调和平均数，但依然受到正样本与异常样本数量的影响，F1分数的计算公式如下：
Figure DEST_PATH_IMAGE074
，其中presicion为精确度指标，recall为召回率指标 ，
Figure DEST_PATH_IMAGE075
为统计学领域常取用的数值参数，取值为1；
基于F1指标的计算方法，提出一种权重参数
Figure DEST_PATH_IMAGE076
，能够综合表征异常样本与正常样本分类的准确度；
Figure DEST_PATH_IMAGE077
表达式如下：
Figure DEST_PATH_IMAGE078
，其中
Figure DEST_PATH_IMAGE079
为正负样本的准确度，
Figure DEST_PATH_IMAGE080
为正样本的准确度，
Figure DEST_PATH_IMAGE081
为负样本的准确度，计算出参数
Figure 825471DEST_PATH_IMAGE076
之后，带入F1分数的计算公式，得到改进指标
Figure DEST_PATH_IMAGE082
，表示如下：
Figure DEST_PATH_IMAGE083
随后根据
Figure 383141DEST_PATH_IMAGE070
的分布特性设置变化区间，进行迭代计算，得到期望分数
Figure 830172DEST_PATH_IMAGE082
下的最优阈值
Figure DEST_PATH_IMAGE084
作为正常声音与异常声音的评判指标。
相比于现有技术，本发明的优点在于：1、弥补现场操作人员经验不足，为设备的故障诊断提供了科学有效的诊断方法；
2、及时发现设备隐患，并帮助确定故障类型与故障节点，防止故障扩大，保证设备正常运转，减少财产损失。
3、改进噪声去除方法，可有效过滤环境噪音，使之更能适用水泥厂等嘈杂的生产环境，为算法模型提供准确的数据特征。
4、提出的重构阈值方法，可以减少误报率，使得故障诊断更科学、准确、合理。
附图说明
图1为本发明流程图。
图2为原始声音信号的对数梅尔频谱。
图3为logmmse算法去噪后的对数梅尔频谱。
图4为改进logmmse算法去噪后的对数梅尔频谱。
图5 F1阈值=0.32分类混淆矩阵。
图6 改进F1阈值=0.26分类混淆矩阵。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
如图1所示，步骤1：在工厂设备上安装声音采集设备以采集设备声音，所采集声音包括设备启机声音、运转声音、停机声音及静默声音。以
Figure 95937DEST_PATH_IMAGE002
表示拾音器采集的设备工作声音，表示如下：
Figure DEST_PATH_IMAGE085
，其中
Figure 374340DEST_PATH_IMAGE004
代表环境噪音，
Figure 490912DEST_PATH_IMAGE005
代表设备工作时除环境噪音之外发生的其他噪音，
Figure 566185DEST_PATH_IMAGE006
代表设备本身的工作声音，
Figure 370061DEST_PATH_IMAGE007
表示采集到的声音段序号，
Figure 253704DEST_PATH_IMAGE008
，
Figure 55307DEST_PATH_IMAGE009
为声音段总数。
对声音
Figure 149033DEST_PATH_IMAGE010
进行预加重处理，增加声音的高频分辨率，公式如下：
Figure DEST_PATH_IMAGE086
，
Figure 949411DEST_PATH_IMAGE012
表示声音段
Figure 733565DEST_PATH_IMAGE010
预加重后的第
Figure 795150DEST_PATH_IMAGE014
个数据点，
Figure 905668DEST_PATH_IMAGE015
，
Figure 506807DEST_PATH_IMAGE016
为声音段
Figure 966040DEST_PATH_IMAGE017
的长度，
Figure DEST_PATH_IMAGE087
为预加重系数。
步骤2：对于预加重后的数据
Figure 506784DEST_PATH_IMAGE019
，分帧加窗后得到使用
Figure 371841DEST_PATH_IMAGE020
算法
Figure 39320DEST_PATH_IMAGE021
，其中
Figure 17641DEST_PATH_IMAGE022
，I为总帧数，
Figure 778618DEST_PATH_IMAGE023
为第
Figure 475178DEST_PATH_IMAGE017
段声音的第
Figure 149611DEST_PATH_IMAGE024
帧信号数据，使用
Figure 716859DEST_PATH_IMAGE020
算法，经傅里叶变换获得到带噪信号幅度谱
Figure 654596DEST_PATH_IMAGE025
，对声音段的噪声进行估计，得到带噪信号的先验信噪比
Figure 703367DEST_PATH_IMAGE026
，后验信噪比
Figure 135485DEST_PATH_IMAGE027
，干净信号幅度谱估计
Figure 586933DEST_PATH_IMAGE028
及估计噪声幅度谱
Figure 916413DEST_PATH_IMAGE029
，其中
Figure 836833DEST_PATH_IMAGE030
、
Figure 72642DEST_PATH_IMAGE031
、
Figure 4695DEST_PATH_IMAGE028
计算公式如下：
Figure 753077DEST_PATH_IMAGE032
Figure 708264DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE088
Figure 721000DEST_PATH_IMAGE036
计算公式近似如下：
Figure 851767DEST_PATH_IMAGE037
，其中增益
Figure 911996DEST_PATH_IMAGE038
主要由先验信噪比和后验信噪比计算而成，
Figure 275850DEST_PATH_IMAGE039
表示干净声音信号的第
Figure 909919DEST_PATH_IMAGE040
个频谱分量方差，
Figure 410040DEST_PATH_IMAGE041
表示噪声信号的第
Figure 488109DEST_PATH_IMAGE040
个频谱分量方差，
Figure 43986DEST_PATH_IMAGE042
表示叠加噪声后的声音信号的第
Figure 354183DEST_PATH_IMAGE040
个频谱分量方差，噪声幅度谱由先验信噪比与后验信噪比估计得到，从而估计纯净信号幅度谱，再经傅里叶逆变换得到重构后的声音信号。
步骤3：从采集的声音段中，挑选出设备静默时的环境噪声
Figure 198159DEST_PATH_IMAGE043
，进行预加重后得到
Figure 833146DEST_PATH_IMAGE044
。分帧加窗后，通过傅里叶变换，得到噪声谱估计
Figure DEST_PATH_IMAGE089
。基于均方误差
Figure 824455DEST_PATH_IMAGE046
，建立如下目标函数。
Figure DEST_PATH_IMAGE090
，为控制目标函数的寻优方向及控制噪声误差，在上式中加入控制因子
Figure 789875DEST_PATH_IMAGE048
，得到目标函数如下：
Figure DEST_PATH_IMAGE091
，其中
Figure 389221DEST_PATH_IMAGE050
为误差限度，防止过收敛。
步骤4：采用梯度下降法，对上述目标函数进行求解。设置迭代次数与误差阈值，计算收敛时的控制因子
Figure 30330DEST_PATH_IMAGE051
，并将最终的先验信噪比
Figure DEST_PATH_IMAGE092
和后验信噪比
Figure 590494DEST_PATH_IMAGE053
，带入到
Figure 782440DEST_PATH_IMAGE054
算法当中。用改进后的
Figure 642818DEST_PATH_IMAGE054
算法，重新对声音段
Figure DEST_PATH_IMAGE093
进行去噪，将声音段中
Figure 122339DEST_PATH_IMAGE043
噪声进行剔除。
步骤5：对剔除
Figure 186110DEST_PATH_IMAGE056
噪声后的声音段
Figure 962174DEST_PATH_IMAGE057
，再次进行
Figure 693370DEST_PATH_IMAGE054
算法去噪，去除
Figure 467159DEST_PATH_IMAGE056
的噪声残留与
Figure 945457DEST_PATH_IMAGE058
噪声。为避免噪声过估计，适当提高
Figure 915425DEST_PATH_IMAGE054
算法中的噪声阈值
Figure 370634DEST_PATH_IMAGE059
下限，对微弱噪声不做处理，最终得到去噪后的声音段
Figure 18389DEST_PATH_IMAGE060
。
步骤6：从声音段
Figure 411412DEST_PATH_IMAGE060
中提取梅尔频谱特征。根据声音具有短时平稳的特性，首先将声音段
Figure 830411DEST_PATH_IMAGE060
进行分帧加窗，随后对每帧信号进行短时傅里叶变换，对获得的短时幅度谱，构建梅尔滤波器组得到梅尔频谱
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE095
，
Figure 612615DEST_PATH_IMAGE063
为梅尔滤波器的个数。
由于声音具有时序属性，设备的异常声也具有连续性，为避免特征过于离散，而丢失细节信息，将连续的
Figure 790524DEST_PATH_IMAGE064
帧梅尔频谱特征作为当前帧的特征。构建特征矩阵
Figure DEST_PATH_IMAGE096
，
Figure 305731DEST_PATH_IMAGE066
代表第
Figure 273294DEST_PATH_IMAGE017
段声音的帧数，
Figure DEST_PATH_IMAGE097
代表连续
Figure 404892DEST_PATH_IMAGE064
帧的梅尔特征数。并对特征矩阵
Figure 691386DEST_PATH_IMAGE068
进行标准化，将特征规约成均值为零，方差为1的矩阵
Figure 563396DEST_PATH_IMAGE069
，以消除特征间的差异，加快权重参数的收敛速度，提高模型的计算效率。
步骤7： 搭建自编码器网络，以均方误差
Figure 773798DEST_PATH_IMAGE046
为损失函数，设置批样本规模和迭代次数，对特征矩阵进行训练。减少声音段的重构误差
Figure 985336DEST_PATH_IMAGE070
，减少信息损失。并通过混淆矩阵及
Figure 708310DEST_PATH_IMAGE071
曲线下面积
Figure 807896DEST_PATH_IMAGE072
与曲线下部分面积
Figure DEST_PATH_IMAGE098
对模型的效果进行评估。
步骤8：由于水泥厂异常样本数量较少，正样本与异常样本数量不均衡，一些分类指标容易以偏概全。如精确度指标，在样本数大多为正样本的情况下，即使异常样本全被误分类为正样本的情况下，精确度指标依然很高。F1分数虽为精确度与召回率的调和平均数，但依然受到正样本与异常样本数量的影响。F F1分数的计算公式如下：
Figure 336836DEST_PATH_IMAGE074
，其中presicion为精确度指标，recall为召回率指标 ，
Figure 606143DEST_PATH_IMAGE075
为统计学领域常取用的数值参数，取值为1；
为使重构误差阈值
Figure 296756DEST_PATH_IMAGE084
的选择更符合水泥厂设备诊断的实际情况，尽量避免样本误分类，减少误报，也不能将过多的异常样本误检为正样本，而产生安全隐患。因此，基于F1指标的计算方法，提出一种权重参数
Figure 927980DEST_PATH_IMAGE076
，能够综合表征异常样本与正常样本分类的准确度。
Figure 880850DEST_PATH_IMAGE076
表达式如下：
Figure 461390DEST_PATH_IMAGE078
，
其中
Figure 618177DEST_PATH_IMAGE079
为正负样本的准确度，
Figure 604938DEST_PATH_IMAGE080
为正样本的准确度，
Figure 115160DEST_PATH_IMAGE081
为负样本的准确度，计算出参数
Figure 907796DEST_PATH_IMAGE076
之后，带入F1分数的计算公式，得到改进指标
Figure 674633DEST_PATH_IMAGE082
，表示如下：
Figure DEST_PATH_IMAGE099
，
随后根据
Figure 390435DEST_PATH_IMAGE070
的分布特性设置变化区间，进行迭代计算，得到期望分数
Figure 471392DEST_PATH_IMAGE082
下的最优阈值
Figure 163274DEST_PATH_IMAGE084
作为正常声音与异常声音的评判指标。
实施例1
以某水泥厂四台高温风机设备工作声音监测数据为分析阐述对象，进行实例展示及效果对比，如下：
效果对比表
不同去噪效果下，机器异常声识别结果对比如下表1：
表1
Figure DEST_PATH_IMAGE100
从表1中可看出，logmmse算法对高温风机这种平稳性声音的噪声估计效果较差，导致了过估计而使声音信息丢失。而改进logmmse算法在风机0与风机3上识别效果更优，在其他设备上也能保证声音信息基本不丢失。由此可证明，本发明的logmmse算法具有先进性与可行性。
不同阈值选择方法下，机器异常声识别结果对比如下表2：
表2
Figure DEST_PATH_IMAGE101
从表2中可看出，在设备0、2上，本技术提出的阈值选择方法，能够有效平衡正负样本的分类准确度，避免为了过度提高正样本的识别准确度，而忽略异常样本的识别度。在设备1、3上，改进F1分数确定的阈值结果与F1分数确定的阈值结果相同，但改进F1分数较低也更为严厉，能够避免分类识别结果的过度乐观。也证明改进F1分数所筛选出的重构误差阈值，更能有效表征模型正负样本分类结果的平衡度与有效性。
仿真对比图：去噪方法仿真对比，如图2-图4，对比图2-图4中标记1、2处的声音信息可知，相比logmmse算法，改进logmmse算法能够很好的保留声音信息，并从标记2出可知，改进方法也能很好的去除环境噪音，突显声音信号。
以设备0为例，不同阈值选择方法下模型分类混淆矩阵，如图5、图6所示：对比图5、图6，改进F1阈值方法的分类混淆矩阵中，异常样本的分类准确度更高，虽然一定程度上增加了正样本的误报，但大大提高了异常样本的检测精度，使得检测模型更具有工程应用价值。
以某水泥厂高温风机设备为例，进行实施例描述。各声音样本时长10s，采样频率16KHZ。
带噪声音样本S(1)=[0.01370239 0.01940918 0.0211792... 0.012512210.00820923 0.01022339]
环境噪声样本N=[-0.00671387 -0.00656128 -0.00735474 ...0.008697510.00918579 0.0093689]
（1）数据预处理
1、预加重
S(1)经预加重后得到Sp(1),Sp(1)=[0.021698 0.00611786 0.00235229 ... -0.00317688 -0.00392761 0.00226044]
N经预加重后得到Np,Np= [-1.3580322e-02 -4.8827846e-05 -9.9029532e-04... -7.7514723e-04 7.4920617e-04 4.5867916e-04]
2、分帧加窗
帧长设置为1024，帧移设置为512，窗函数选择汉明窗。
经过分帧加窗后，带噪信号的第一帧为Sp(1,1)= [ 0.00000000e+001.73583984e-03 4.57592756e-04 ... 3.69287133e-04 -3.78417969e-04 -2.37280279e-04]
噪声信号的第一帧为Np(1)= [ 0.00000000e+00 -1.08642578e-03 -1.31909177e-04 ... 1.01733431e-04 2.64160335e-05 8.38378910e-05]
（2）、数据去噪
1、将Sp(1)的数据进行傅里叶变换，得到幅度谱估计S(1)=[5.42929323e-049.65235022e-04 -6.31917522e-05 … -5.04950701e-05 2.61355294e-05 5.83772432e-06]。
2、将Sp(1)分帧加窗后的数据输入至logmmse算法中，得到干净信号幅度谱估计Sc(1)=[7.4423857e-05 3.9877096e-04 -1.7672163e-04 ... 1.3016727e-03 7.5531390e-04 9.8195786e-05]。
3、相减得到带噪信号的噪声估计Se（1）=[4.68505466e-04 5.66464062e-041.13529878e-04 … -1.35216777e-03 -7.29178371e-04 -9.23580617e-05]
4、将Np进行傅里叶变换，得到幅度谱估计Ne=[-2.67731747e-04 -2.48170836e-04 3.25833054e-04 … 1.19796789e-04 7.46472938e-05 -4.57024653e-05]
5、建立目标函数，使用梯度下降法进行求解，设置步长为0.05，迭代次数为500.得到最优解控制因子
Figure 813261DEST_PATH_IMAGE048
与
Figure 43123DEST_PATH_IMAGE050
。
6、将
Figure 209662DEST_PATH_IMAGE051
和
Figure 146263DEST_PATH_IMAGE050
带入logmmse，去Sp进行去噪，得到Sc(1)=[-0.00028294 -0.00022260.00046137 ... 0.00026528 0.00084921 0.00047266]
（3）、建立分类模型
1、提取梅尔特征矩阵，第一帧的梅尔特征矩阵Mel(1,1)=[2.0817704e-051.3024290e-05 4.5626848e-06 ... 1.2111783e-04 7.0874565e-05 6.7604942e-06]。
2、进行标准化，将特征矩阵规约成均值为0，方差为1的矩阵Fks。
3、搭建自编码器模型。学习率设置为0.001，批大小设置为512，训练迭代次数为50次。
4、计算AUC分数与pAUC分数
（4）、阈值选择
改进F1分数计算公式，如下所示，其中pression为精确度指标，recall为召回率：
Figure DEST_PATH_IMAGE102
其中w的计算公式如下
Figure 401707DEST_PATH_IMAGE078
。

Claims (7)

1.一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤包括：
1）在工厂设备上安装声音采集设备以采集设备声音及环境噪声，所采集声音包括设备启机声音、运转声音、停机声音、静默声音；对声音段及环境噪声进行预加重处理；
2）使用
Figure 816677DEST_PATH_IMAGE001
算法对预加重处理后的声音段及环境噪声进行估计，得到噪声幅度谱；
3）加入控制因子，建立优化目标函数；
4）采用梯度下降法，对目标函数进行求解，并对声音段去噪；
5）提高
Figure 343605DEST_PATH_IMAGE001
算法噪声阈值下限，再次进行去噪；
6）从二次去噪后的声音段中提取梅尔频谱特征，得到梅尔频谱矩阵，并进行标准化；
7）搭建自编码器网络，输入特征矩阵进行训练，得到重构误差，并改进评估指标；
8）根据期望评估指标分数，迭代计算得到最优重构阈值；
步骤1）具体为：在工厂设备上安装声音采集设备以采集设备声音，所采集声音包括设备启机声音、运转声音、停机声音及静默声音，以
Figure 497243DEST_PATH_IMAGE002
表示拾音器采集的设备工作声音，表示如下：
Figure 439923DEST_PATH_IMAGE003
，其中
Figure 631126DEST_PATH_IMAGE004
代表环境噪音，
Figure 328955DEST_PATH_IMAGE005
代表设备工作时除环境噪音之外发生的其他噪音，
Figure 969889DEST_PATH_IMAGE006
代表设备本身的工作声音，
Figure 778576DEST_PATH_IMAGE007
表示采集到的声音段序号，
Figure 406043DEST_PATH_IMAGE008
，
Figure 274773DEST_PATH_IMAGE009
为声音段总数；对声音
Figure 403004DEST_PATH_IMAGE010
进行预加重处理，增加声音的高频分辨率，公式如下：
Figure 15382DEST_PATH_IMAGE011
，
Figure 915598DEST_PATH_IMAGE013
表示声音段
Figure 486388DEST_PATH_IMAGE014
预加重后的第n个数据点，n=(1,2,…,B)，
Figure 508439DEST_PATH_IMAGE015
为声音段
Figure 658929DEST_PATH_IMAGE016
的长度，
Figure 679231DEST_PATH_IMAGE017
为预加重系数；
步骤2）具体为：对于预加重后的数据
Figure 624184DEST_PATH_IMAGE018
，分帧加窗后得到使用
Figure 727007DEST_PATH_IMAGE019
算法
Figure 477926DEST_PATH_IMAGE020
，其中
Figure 87155DEST_PATH_IMAGE021
，I为总帧数，
Figure 389960DEST_PATH_IMAGE022
为第
Figure 12703DEST_PATH_IMAGE016
段声音的第
Figure 472372DEST_PATH_IMAGE023
帧信号数据，使用
Figure 496959DEST_PATH_IMAGE019
算法，经傅里叶变换获得到带噪信号幅度谱
Figure 828057DEST_PATH_IMAGE024
，对声音段的噪声进行估计，得到带噪信号的先验信噪比
Figure 547883DEST_PATH_IMAGE025
，后验信噪比
Figure 873560DEST_PATH_IMAGE026
，干净信号幅度谱估计
Figure 221496DEST_PATH_IMAGE027
及估计噪声幅度谱
Figure 866104DEST_PATH_IMAGE028
，其中
Figure 168165DEST_PATH_IMAGE029
、
Figure 2260DEST_PATH_IMAGE030
、
Figure 781866DEST_PATH_IMAGE027
计算公式如下：
Figure 862955DEST_PATH_IMAGE031
Figure 386733DEST_PATH_IMAGE032
Figure 86836DEST_PATH_IMAGE033
Figure 48845DEST_PATH_IMAGE034
计算公式近似如下：
Figure 848305DEST_PATH_IMAGE035
，其中增益
Figure 124959DEST_PATH_IMAGE036
主要由先验信噪比和后验信噪比计算而成，
Figure 97594DEST_PATH_IMAGE037
表示干净声音信号的第
Figure 773163DEST_PATH_IMAGE038
个频谱分量方差，
Figure 930475DEST_PATH_IMAGE039
表示噪声信号的第
Figure 724119DEST_PATH_IMAGE038
个频谱分量方差，
Figure 459033DEST_PATH_IMAGE040
表示叠加噪声后的声音信号的第
Figure 631519DEST_PATH_IMAGE038
个频谱分量方差，噪声幅度谱由先验信噪比与后验信噪比估计得到，从而估计纯净信号幅度谱，再经傅里叶逆变换得到重构后的声音信号。
2.根据权利要求1所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤3）具体为：从采集的声音段中，挑选出设备静默时的环境噪声
Figure 536896DEST_PATH_IMAGE041
，进行预加重后得到
Figure 880153DEST_PATH_IMAGE042
，分帧加窗后，通过傅里叶变换，得到噪声谱估计
Figure 430476DEST_PATH_IMAGE043
，基于均方误差
Figure 316524DEST_PATH_IMAGE044
，建立如下目标函数：
Figure 861643DEST_PATH_IMAGE045
，为控制目标函数的寻优方向及控制噪声误差，在上式中加入控制因子
Figure 147656DEST_PATH_IMAGE047
，得到目标函数如下：
Figure 593681DEST_PATH_IMAGE048
，其中
Figure 36032DEST_PATH_IMAGE049
为误差限度，防止过收敛。
3.根据权利要求2所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤4）具体为：采用梯度下降法，对上述目标函数进行求解：设置迭代次数与误差阈值，计算收敛时的控制因子
Figure 50256DEST_PATH_IMAGE050
，并将最终的先验信噪比
Figure 276094DEST_PATH_IMAGE051
和后验信噪比
Figure 932334DEST_PATH_IMAGE052
，带入到
Figure 25930DEST_PATH_IMAGE053
算法当中，用改进后的
Figure 679896DEST_PATH_IMAGE053
算法，重新对声音段
Figure 670329DEST_PATH_IMAGE054
进行去噪，将声音段中
Figure 599102DEST_PATH_IMAGE041
噪声进行剔除。
4.根据权利要求3所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤5）具体为：对剔除
Figure 219308DEST_PATH_IMAGE041
噪声后的声音段
Figure 575334DEST_PATH_IMAGE055
，再次进行
Figure 41344DEST_PATH_IMAGE053
算法去噪，去除
Figure 773808DEST_PATH_IMAGE041
噪声残留与
Figure 999252DEST_PATH_IMAGE056
噪声，为避免噪声过估计，适当提高
Figure 759136DEST_PATH_IMAGE053
算法中的噪声阈值
Figure 679818DEST_PATH_IMAGE057
下限，对微弱噪声不做处理，最终得到去噪后的声音段
Figure 451859DEST_PATH_IMAGE058
。
5.根据权利要求4所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤6）具体为：从声音段
Figure 407176DEST_PATH_IMAGE058
中提取梅尔频谱特征，根据声音具有短时平稳的特性，首先将声音段
Figure 869120DEST_PATH_IMAGE058
进行分帧加窗，随后对每帧信号进行短时傅里叶变换，对获得的短时幅度谱，构建梅尔滤波器组得到梅尔频谱
Figure 277098DEST_PATH_IMAGE059
，
Figure 56092DEST_PATH_IMAGE060
，
Figure 600337DEST_PATH_IMAGE061
为梅尔滤波器的个数；由于声音具有时序属性，设备的异常声也具有连续性，为避免特征过于离散，而丢失细节信息，将连续的
Figure 233181DEST_PATH_IMAGE062
帧梅尔频谱特征作为当前帧的特征，构建特征矩阵
Figure 597297DEST_PATH_IMAGE063
，
Figure 965001DEST_PATH_IMAGE064
代表第
Figure 363752DEST_PATH_IMAGE016
段声音的帧数，
Figure 167498DEST_PATH_IMAGE065
代表连续
Figure 753331DEST_PATH_IMAGE062
帧的梅尔特征数，并对特征矩阵
Figure 15073DEST_PATH_IMAGE066
进行标准化，将特征规约成均值为零，方差为1的矩阵
Figure 32445DEST_PATH_IMAGE067
，以消除特征间的差异，加快权重参数的收敛速度，提高模型的计算效率。
6.根据权利要求5所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤7）具体为：搭建自编码器网络，以均方误差
Figure 242978DEST_PATH_IMAGE044
为损失函数，设置批样本规模和迭代次数，对特征矩阵进行训练；减少声音段的重构误差
Figure 348730DEST_PATH_IMAGE068
，减少信息损失；并通过混淆矩阵及
Figure 568490DEST_PATH_IMAGE069
曲线下面积
Figure 440369DEST_PATH_IMAGE070
与曲线下部分面积
Figure 556224DEST_PATH_IMAGE071
对模型的效果进行评估。
7.根据权利要求6所述的一种基于声音特征的水泥厂设备故障诊断方法，其特征在于步骤8）具体为： F1分数为精确度与召回率的调和平均数，F1分数的计算公式如下：
Figure 303600DEST_PATH_IMAGE072
，其中presicion为精确度指标，recall为召回率指标 ，
Figure 172723DEST_PATH_IMAGE073
为统计学领域常取用的数值参数，取值为1；
基于F1指标的计算方法，提出一种权重参数
Figure 633529DEST_PATH_IMAGE074
，能够综合表征异常样本与正常样本分类的准确度；
Figure 451444DEST_PATH_IMAGE075
表达式如下：
Figure 590428DEST_PATH_IMAGE076
，其中
Figure 807783DEST_PATH_IMAGE077
为正负样本的准确度，
Figure 998462DEST_PATH_IMAGE078
为正样本的准确度，
Figure 924960DEST_PATH_IMAGE079
为负样本的准确度，计算出参数
Figure 492601DEST_PATH_IMAGE074
之后，带入F1分数的计算公式，得到改进指标
Figure 123434DEST_PATH_IMAGE080
，表示如下：
Figure 824412DEST_PATH_IMAGE081
随后根据
Figure 984129DEST_PATH_IMAGE068
的分布特性设置变化区间，进行迭代计算，得到期望分数
Figure 927814DEST_PATH_IMAGE080
下的最优阈值
Figure 801485DEST_PATH_IMAGE082
作为正常声音与异常声音的评判指标。
CN202211365485.5A 2022-11-03 2022-11-03 一种基于声音特征的水泥厂设备故障诊断方法 Active CN115424635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211365485.5A CN115424635B (zh) 2022-11-03 2022-11-03 一种基于声音特征的水泥厂设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211365485.5A CN115424635B (zh) 2022-11-03 2022-11-03 一种基于声音特征的水泥厂设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN115424635A CN115424635A (zh) 2022-12-02
CN115424635B true CN115424635B (zh) 2023-02-10

Family

ID=84207656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211365485.5A Active CN115424635B (zh) 2022-11-03 2022-11-03 一种基于声音特征的水泥厂设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN115424635B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403597B (zh) * 2023-06-08 2023-09-05 武汉惠强新能源材料科技有限公司 用于大屏看板的数据自动抓取及状态更新方法
CN117059128A (zh) * 2023-09-04 2023-11-14 深圳远大科技工程有限公司 基于声音识别的机房异常监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111564154A (zh) * 2020-03-23 2020-08-21 北京邮电大学 基于语音增强算法的对抗样本攻击防御方法及装置
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
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***
CN113257249A (zh) * 2021-04-22 2021-08-13 中国能源建设集团广东省电力设计研究院有限公司 一种基于声纹识别的电力设备故障诊断方法、装置和设备
CN113405825A (zh) * 2021-06-11 2021-09-17 曲阜师范大学 一种基于声音信号的带式输送机故障诊断方法
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法
CN113948067A (zh) * 2021-10-08 2022-01-18 北京计算机技术及应用研究所 一种具有听觉高保真度特点的语音对抗样本修复方法
CN114186878A (zh) * 2021-12-15 2022-03-15 南京凯盛国际工程有限公司 一种基于模型池的流程工业质量数据预测算法
CN114333773A (zh) * 2021-12-10 2022-04-12 重庆邮电大学 一种基于自编码器的工业场景异常声音检测与识别方法
CN115035913A (zh) * 2022-08-11 2022-09-09 合肥中科类脑智能技术有限公司 一种声音异常检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9449610B2 (en) * 2013-11-07 2016-09-20 Continental Automotive Systems, Inc. Speech probability presence modifier improving log-MMSE based noise suppression performance
JP7385381B2 (ja) * 2019-06-21 2023-11-22 株式会社日立製作所 異常音検知システム、擬似音生成システム、および擬似音生成方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111564154A (zh) * 2020-03-23 2020-08-21 北京邮电大学 基于语音增强算法的对抗样本攻击防御方法及装置
CN113257249A (zh) * 2021-04-22 2021-08-13 中国能源建设集团广东省电力设计研究院有限公司 一种基于声纹识别的电力设备故障诊断方法、装置和设备
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***
CN113405825A (zh) * 2021-06-11 2021-09-17 曲阜师范大学 一种基于声音信号的带式输送机故障诊断方法
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法
CN113948067A (zh) * 2021-10-08 2022-01-18 北京计算机技术及应用研究所 一种具有听觉高保真度特点的语音对抗样本修复方法
CN114333773A (zh) * 2021-12-10 2022-04-12 重庆邮电大学 一种基于自编码器的工业场景异常声音检测与识别方法
CN114186878A (zh) * 2021-12-15 2022-03-15 南京凯盛国际工程有限公司 一种基于模型池的流程工业质量数据预测算法
CN115035913A (zh) * 2022-08-11 2022-09-09 合肥中科类脑智能技术有限公司 一种声音异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进谱减法和MFCC的电机异常噪声识别方法;易子馗等;《微特电机》(第02期);全文 *

Also Published As

Publication number Publication date
CN115424635A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN115424635B (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN110940539A (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
CN112660745B (zh) 托辊故障智能诊断方法、***及可读存储介质
CN111354366B (zh) 一种异常声音检测方法及异常声音检测装置
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN112504673B (zh) 基于机器学习的托辊故障诊断方法、***及存储介质
CN110890102A (zh) 一种基于rnn声纹识别的发动机缺陷检测算法
CN106650576A (zh) 一种基于噪声特征统计量的矿山设备健康状态判决方法
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及***
Mechefske et al. Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及***
CN110738255A (zh) 一种基于聚类算法的设备状态监测方法
CN114462475A (zh) 一种基于单分类算法的无监督机器异常声检测方法和装置
TW201638932A (zh) 聲頻訊號的訊號擷取方法與裝置
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114418042B (zh) 一种基于聚类分析的工业机器人运行趋势诊断方法
CN115392284A (zh) 一种基于机器学习的场地微振动振源识别方法
Mai et al. Explaining the decisions of anomalous sound detectors
KR102028845B1 (ko) 원전설비의 예측 진단 방법 및 시스템
CN112104340B (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法
CN112660746B (zh) 基于大数据技术的托辊故障诊断方法、***及存储介质
CN112419304B (zh) 一种面向一维数据的多阶段目标检测方法及装置
CN115114955B (zh) 一种基于声音与振动信号的设备故障检测方法
Zhao et al. Fault Diagnosis of Rolling Bearings based on GA-SVM model

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
TR01 Transfer of patent right

Effective date of registration: 20230808

Address after: No. 320 and 436 Pingtang East Road, Puxing Street, Xinjin District, Chengdu City, Sichuan Province, 611400

Patentee after: Sinoma Intelligent Technology (Chengdu) Co.,Ltd.

Address before: 303 Hanzhongmen street, Gulou District, Nanjing City, Jiangsu Province

Patentee before: NANJING KISEN INTERNATIONAL ENGINEERING Co.,Ltd.

TR01 Transfer of patent right