CN116520143B - 基于声纹数据的旋转设备监测方法、装置、设备及介质 - Google Patents
基于声纹数据的旋转设备监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116520143B CN116520143B CN202310799871.3A CN202310799871A CN116520143B CN 116520143 B CN116520143 B CN 116520143B CN 202310799871 A CN202310799871 A CN 202310799871A CN 116520143 B CN116520143 B CN 116520143B
- Authority
- CN
- China
- Prior art keywords
- signal
- sound signal
- noise ratio
- equipment
- rotating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000005236 sound signal Effects 0.000 claims abstract description 181
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Electric Motors In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于声纹数据的旋转设备监测方法、装置、设备及介质，该方法通过获取在旋转设备运行时实时录取到的第一声音信号，并对第一声音信号进行预处理，得到第一声音信号对应的第一信噪比和第一声纹数据；将第一信噪比和第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到第一声音信号对应的设备状态标签，其中，设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；基于设备状态标签确定旋转设备的设备状态。如此，本发明采用上述技术方案实现了对旋转设备进行实时监测，以对旋转设备出现的设备故障进行及时识别。
Description
技术领域
本发明属于旋转设备技术领域，尤其涉及一种基于声纹数据的旋转设备监测方法、装置、设备及介质。
背景技术
随着机械工业的不断发展，旋转设备在石化、冶金、核能、煤炭以及电力等行业中，都起着至关重要的作用。
目前，正是因为旋转设备在日常生活和生产中的应用越来越广泛，所以对旋转设备运行状态进行监测，实时了解旋转设备的运行状态非常重要。常见的旋转设备的主要结构有电机定子、电机转子以及电机定子和电机转子之间的气隙，在实际应用中，由于旋转设备可能需要长时间运作，所以难免出现设备组成元件的损坏或者设备老化的情况，但是，如果安排技术人员对旋转设备进行定期故障排查，那么不仅要将旋转设备进行停机检查，还要浪费一定的人力资源。
综上，如何对旋转设备进行实时监测，以对旋转设备出现的设备故障进行及时识别，已经成为旋转设备技术领域亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于声纹数据的旋转设备监测方法、装置、设备及介质。旨在实现对旋转设备进行实时监测，以对旋转设备出现的设备故障进行及时识别。
为了实现上述目的，本发明提供一种基于声纹数据的旋转设备监测方法，所述基于声纹数据的旋转设备监测方法包括：
获取在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；
将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，其中，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
基于所述设备状态标签确定所述旋转设备的设备状态。
可选地，所述对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据的步骤，包括：
对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；
对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据。
可选地，所述方法还包括：
计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；
将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；
通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；
基于所述第二信噪比、所述频率信号、所述幅度信号和所述谐波信号，确定所述第二声音信号对应的设备状态标签；
基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到所述目标深度神经网络模型。
可选地，所述基于所述第二信噪比、所述频率信号、所述幅度信号和所述谐波信号，确定所述第二声音信号对应的设备状态标签的步骤，包括：
若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；
若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；
若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障。
可选地，在所述若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障的步骤之前，所述方法还包括：
计算所述第二信噪比与标准信噪比之间的差值，并检测所述差值是否大于预设差值，其中，所述标准信噪比为在所述旋转设备的设备状态为正常运行状态的情况下，实时录取到的第三声音信号的信噪比；
在所述差值大于所述预设差值，且，所述第二信噪比小于所述标准信噪比时，确定所述第二信噪比满足第一预设条件。
可选地，在所述若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障的步骤之前，所述方法还包括：
检测所述频率信号是否在预设频率范围内；
在检测到所述频率信号未在所述预设频率范围内，且，所述谐波信号为非周期性信号时，确定所述频率信号和所述谐波信号满足第二预设条件。
可选地，在所述若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障的步骤之前，所述方法还包括：
检测所述幅度信号是否在预设幅度范围内；
在检测到所述幅度信号在预设幅度范围内，且，所述谐波信号为周期性信号时，确定所述幅度信号和所述谐波信号满足第三预设条件。
此外，为实现上述目的，本发明还提供一种基于声纹数据的旋转设备监测装置，所述基于声纹数据的旋转设备监测装置包括：
预处理模块，获取在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；
设备状态标签模块，将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
设备状态模块，基于所述设备状态标签确定所述旋转设备的设备状态。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于声纹数据的旋转设备监测程序，所述终端设备的基于声纹数据的旋转设备监测程序被所述处理器执行时实现如上所述的基于声纹数据的旋转设备监测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于声纹数据的旋转设备监测程序，所述基于声纹数据的旋转设备监测程序被处理器执行时实现如上所述的基于声纹数据的旋转设备监测方法的步骤。
本发明实施例提出的一种基于声纹数据的旋转设备监测方法、装置、设备及介质，所述方法通过获取在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；基于所述设备状态标签确定所述旋转设备的设备状态。
本发明实施例通过在旋转设备运行时对该旋转设备发出的声音进行实时录取，得到第一声音信号，对该第一声音信号进行预处理，得到第一声音信号的信噪比和该第一声音信号中的声纹数据，即第一信噪比和第一声纹数据，将第一信噪比和第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到第一声音信号对应的设备状态标签，其中，该设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行，最后，基于得到的设备状态标签确定该旋转设备此时的设备状态，如此，本发明通过实时录取旋转设备在运行时发出的声音信号，提取该声音信号中的声纹数据，基于该声纹数据确定该旋转设备的设备状态，以对旋转设备出现的设备故障进行及时识别。
附图说明
图1是本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图；
图2为本发明基于声纹数据的旋转设备监测方法第一实施例的步骤流程示意图；
图3为本发明基于声纹数据的旋转设备监测方法的一实施例所涉及的旋转设备监测整体流程示意图；
图4为本发明基于声纹数据的旋转设备监测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及终端设备的硬件运行环境的设备结构示意图。
本发明实施例终端设备可以是应用于旋转设备技术领域的终端设备。具体地，该终端设备可以是智能手机、PC（PerSonal Computer，个人计算机）、平板电脑、便携计算机等等。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（DiSplay）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于声纹数据的旋转设备监测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，并执行如下操作：
在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；
将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，其中，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
基于所述设备状态标签确定所述旋转设备的设备状态。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，并执行如下操作：
对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；
对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，还执行如下操作：
计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；
将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；
通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；
基于所述第二信噪比、所述频率信号、所述幅度信号和所述谐波信号，确定所述第二声音信号对应的设备状态标签；
基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到所述目标深度神经网络模型。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，并执行如下操作：
若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；
若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；
若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，在所述若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障的步骤之前，还执行如下操作：
计算所述第二信噪比与标准信噪比之间的差值，并检测所述差值是否大于预设差值，其中，所述标准信噪比为在所述旋转设备的设备状态为正常运行状态的情况下，实时录取到的第三声音信号的信噪比；
在所述差值大于所述预设差值，且，所述第二信噪比小于所述标准信噪比时，确定所述第二信噪比满足第一预设条件。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，在所述若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障的步骤之前，还执行如下操作：
检测所述频率信号是否在预设频率范围内；
在检测到所述频率信号未在所述预设频率范围内，且，所述谐波信号为非周期性信号时，确定所述频率信号和所述谐波信号满足第二预设条件。
可选地，处理器1001还可以用于调用存储器1005中存储的基于声纹数据的旋转设备监测程序，在所述若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障的步骤之前，还执行如下操作：
检测所述幅度信号是否在预设幅度范围内；
在检测到所述幅度信号在预设幅度范围内，且，所述谐波信号为周期性信号时，确定所述幅度信号和所述谐波信号满足第三预设条件。
基于上述的终端设备，提出本发明基于声纹数据的旋转设备监测方法的各实施例。
请参照图2，图2为本发明基于声纹数据的旋转设备监测方法第一实施例的流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，本发明基于声纹数据的旋转设备监测方法当然也可以以不同于此处的顺序执行所示出或描述的步骤。为便于描述，以下内容采用省略执行主体的方式进行说明。
在本发明基于声纹数据的旋转设备监测方法的第一实施例中，本发明基于声纹数据的旋转设备监测方法包括：
步骤S10，获取在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；
在本实施例中，在旋转设备运行时对该旋转设备发出的声音进行实时录取，得到第一声音信号，对该第一声音信号进行预处理，得到第一声音信号的信噪比（以下称为第一信噪比以示区分）和该第一声音信号中的声纹数据（以下称为第一声纹数据以示区分）。
需要说明的是，在本发明基于声纹数据的旋转设备检测方法中，旋转设备的内部设置有声音信号采集装置，该声音信号采集装置用于在旋转设备启动时，跟随启动，并在旋转设备的运行过程中不断地录取该旋转设备发出的声音信号。
示例性地，在旋转设备的运行过程中，通过旋转设备内部的声音信号采集装置持续录取该旋转设备发出的声音信号，得到第一声音信号，该第一声音信号的时长设置为10分钟，也就是说，每间隔十分钟获取一次录取到的声音信号，然后对获取到的第一声音信号进行预处理，得到该第一声音信号的信噪比以及该第一声音信号中的声纹数据。
需要说明的是，本发明基于声纹数据的旋转设备检测方法，将第一声音信号的时长设置为10分钟，但应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中,声音信号的时长可以是任何符合实际需求的时长，本发明基于声纹数据的旋转设备监测方法并不针对该声音信号的时长进行限定。
进一步地，在一种可行的实施例中，上述步骤S10中，“对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据”的步骤，包括：
步骤S101，对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；
在本实施例中，对第一声音信号进行傅里叶变换，得到该第一声音信号的第一信噪比。
示例性地，基于功率谱对第一声音信号进行傅里叶变换，然后计算信号和噪声的功率谱密度，从而得到该第一声音信号的信噪比。
步骤S102，对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据。
在本实施例中，对第一声音信号进行去噪处理和声纹识别处理，得到第一声音信号中的第一声纹数据。
示例性地，对该第一声音信号的去噪方式可以是均值滤波、中值滤波核小波去噪方式，在得到去噪后的声音信号后，使用声纹识别算法对去噪后的声音信号进行声纹数据的提取，其中，常见的声纹识别算法基于时域的自相关函数、互相关函数和短时傅里叶变换等方法，基于频域的功率谱密度、频率谱和倒谱等方法，以及基于小波变换的小波分解和小波包分解等方法。
步骤S20，将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
在本实施例中，通过将第一信噪比和第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到第一声音信号对应的设备状态标签，其中，该设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行。
示例性地，将第一信噪比和第一声纹数据输入到预先训练好的目标深度神经网络模型中，通过目标深度神经网络模型基于输入，输出该第一声音信号对应的设备状态标签，该设备状态标签可以是电机定子故障、电机转子故障、气隙故障和正常运行，其中，在设备状态标签为正常运行时，表示该旋转设备无故障情况。
需要说明的是，上述电机定子故障的情况可能是定子绕组中出现短路、开路、接地等问题，导致电流异常、温度升高，进而引发设备故障；上述电机转子故障的情况可能是转子失衡、轴承磨损、轴承过热等问题，导致旋转不平衡、振动增大，进而引发设备故障；上述气隙故障的情况可能是电机定子和电机转子之间的气隙过大或过小，导致设备运转不稳定、噪声增加、能效下降，进而引发设备故障。
步骤S30，基于所述设备状态标签确定所述旋转设备的设备状态。
在本实施例中，基于目标深度神经网络模型输出的设备状态标签确定该旋转设备的设备状态。
示例性地，在将近十分钟的第一声音信号输入至预先训练好的目标深度神经网络模型后，得到了代表近十分钟内的旋转设备的设备状态标签，具体的，目标深度神经网络模型输出的设备状态标签可以是正常运行或者电机定子故障、电机转子故障和气隙故障中的至少一个。
示例性地，如图3所示，旋转设备监测的整体流程示意图，首先，在旋转设备启动后，开始实时录取旋转设备发出的声音，得到录取到的声音信号，然后每间隔预设时长获取一次近预设时长的声音信号，然后计算该声音信号的信噪比，提取该声音信号中的声纹数据，将该信噪比和该声纹数据作为目标深度神经网络模型的输入，并得到该模型输出的设备状态标签，最后，根据设备状态标签确定旋转设备在近预设时长内的设备状态。
在本实施例中，本发明基于声纹数据的旋转设备监测方法通过在旋转设备运行时对该旋转设备发出的声音进行实时录取，得到第一声音信号；对第一声音信号进行傅里叶变换，得到该第一声音信号的第一信噪比；对第一声音信号进行去噪处理和声纹识别处理，得到第一声音信号中的第一声纹数据；将第一信噪比和第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到第一声音信号对应的设备状态标签，其中，该设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；基于目标深度神经网络模型输出的设备状态标签确定该旋转设备的设备状态。
如此，本发明实施例通过在旋转设备运行时对该旋转设备发出的声音进行实时录取，得到第一声音信号，对该第一声音信号进行预处理，得到第一声音信号的信噪比和该第一声音信号中的声纹数据，即第一信噪比和第一声纹数据，将第一信噪比和第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到第一声音信号对应的设备状态标签，其中，该设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行，最后，基于得到的设备状态标签确定该旋转设备此时的设备状态，如此，本发明通过实时录取旋转设备在运行时发出的声音信号，提取该声音信号中的声纹数据，基于该声纹数据确定该旋转设备的设备状态，以对旋转设备出现的设备故障进行及时识别。
进一步地，基于上述本发明基于声纹数据的旋转设备监测方法的第一实施例，提出本发明基于声纹数据的旋转设备监测方法的第二实施例。
在本实施例中，本发明基于声纹数据的旋转设备监测方法，还可以包括：
步骤A10，计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；
在本实施例中，计算已知设备状态标签的声音信号（以下称为第二声音信号以示区分）对应的信噪比（以下称为第二信噪比以示区分）和声纹数据（以下称为第二声纹数据以示区分）。
示例性地，通过实验制造各种故障情况，且分别试验单独一种故障出现的情况和一种以上的故障出现的情况，同时在每一组实验条件下录取该旋转设备发出的声音信号，即上述第二声音信号，然后基于功率谱对第二声音信号进行傅里叶变换，然后计算信号和噪声的功率谱密度，从而得到该第二声音信号的信噪比，即上述第二信噪比。对该第二声音信号进行去噪处理，在得到去噪后的声音信号后，使用声纹识别算法对去噪后的声音信号进行声纹数据的提取，得到第二声纹数据。
步骤A20，将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；
在本实施例中，将第二信噪比和第二声纹数据输入至预先构建的初始深度神经网络模型中。
步骤A30，通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；
在本实施例中，通过预先构建的初始深度神经网络模型的特征提取模块获取该第二声纹数据中的声学特征，其中，声学特征包括频率信号、幅度信号和谐波信号。
需要说明的是，声纹数据中包括频率信号、幅度信号和谐波信号等声学特征。具体来说，频率信号包括声音的基频和共振峰等；幅度信号指声音的振幅大小；谐波信号是指声音中不同频率成分的幅度比例。不同的声纹识别算法可以提取不同的声学特征，具体需要根据实际应用来选择合适的算法。
步骤A40，基于所述第二信噪比、所述频率信号、所述幅度信号和所述谐波信号，确定所述第二声音信号对应的设备状态标签；
在本实施例中，基于第二声音信号的信噪比和第二声纹数据中的频率信号、幅度信号和谐波信号，确定该第二声音信号对应的设备状态标签。
进一步地，在一种可行的实施例中，上述步骤A40，包括：
步骤A401，若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；
步骤A402，若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；
步骤A403，若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障。
在本实施例中，检测第二信噪比是否满足第一预设条件，若第二信噪比满足第一预设条件，则确定第二声音信号对应的设备状态标签为气隙故障，检测频率信号和谐波信号满足第二预设条件，若频率信号和谐波信号满足第二预设条件，则确定第二声音信号对应的设备状态标签为电机定子故障，检测幅度信号和谐波信号满足第三预设条件，若幅度信号和谐波信号满足第三预设条件，则确定第二声音信号对应的设备状态标签为电机转子故障。
需要说明的是，在上述三种故障均未出现时，则确定该旋转设备的设备状态标签为正常运行。
进一步地，在一种可行的实施例中，在上述步骤A401之前，还可以包括：
步骤B10，计算所述第二信噪比与标准信噪比之间的差值，并检测所述差值是否大于预设差值，其中，所述标准信噪比为在所述旋转设备的设备状态为正常运行状态的情况下，实时录取到的第三声音信号的信噪比；
在本实施例中，计算第二信噪比与标准信噪比之间的差值，其中，该标准信噪比为旋转设备的设备状态为正常运行状态时，旋转设备发出的声音信号（以下称为第三声音信号以示区分）的信噪比，然后检测差值是否大于预设差值。
示例性地，预先计算该旋转设备在正常运行状态下发出的声音信号的信噪比，被记为标准信噪比，然后计算第二信噪比与标准信噪比之间的差值。
步骤B20，在所述差值大于所述预设差值，且，所述第二信噪比小于所述标准信噪比时，确定所述第二信噪比满足第一预设条件。
在本实施例中，在差值大于预设差值，且，第二信噪比小于标准信噪比时，确定第二信噪比满足第一预设条件。
需要说明的是，在旋转设备的电机定子和电机转子之间的气隙过大或者过小时，导致设备运转不稳定、噪声增加、能效下降，进而引发设备故障。
示例性地，预先通过实验得出旋转设备在正常运行状态下的标准信噪比，并计算出可接受的信噪比范围，从而得出预设差值的具体大小。在第二信噪比与标准信噪比之间的差值超过预设差值，且第二信噪比小于标准信噪比时，确定设备故障标签为气隙故障，具体的，第二信噪比小于标准信噪比，则表示当前旋转设备在运作时发出的噪声比正常运行状态下的旋转设备发出的噪声更大，而且，噪声增量大于预设差值，那么可以确定该旋转设备出现了故障，并可以定位为气隙故障。
需要说明的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，上述预设差值可以是任何符合实际需求的数值，本发明不对上述预设差值的大小进行限定。
进一步地，在一种可行的实施例中，在上述步骤A402之前，还可以包括：
步骤C10，检测所述频率信号是否在预设频率范围内；
在本实施例中，检测从第二声纹数据中提取出的频率信号是否在预设频率范围内。
需要说明的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，上述预设频率范围可以是任何符合实际需求的数值，本发明不对上述预设频率范围的大小进行限定。
示例性地，预先通过实验计算出旋转设备在正常运行时，声纹数据中提取出的频率信号的频率范围，作为上述预设频率范围，然后在实际监测中，检测实际频率信号是否在该预设频率范围内。
步骤C20，在检测到所述频率信号未在所述预设频率范围内，且，所述谐波信号为非周期性信号时，确定所述频率信号和所述谐波信号满足第二预设条件。
在本实施例中，在检测到频率信号未在预设频率范围内，且，谐波信号为非周期性信号时，确定频率信号和谐波信号满足第二预设条件。
需要说明的是，定子故障通常会导致声音的频率发生变化，可能会出现更高或更低的频率成分。同时，定子故障还会导致声音中出现一些不规则的谐波成分。所以，当检测到实际频率信号不在预设频率范围内，且出现了非周期性的谐波成分时，可以确定该旋转设备可能存在电机定子故障。
进一步地，在一种可行的实施例中，在上述步骤A403之前，还可以包括：
步骤D10，检测所述幅度信号是否在预设幅度范围内；
在本实施例中，检测从第二声纹数据中提取出的幅度信号是否在预设幅度范围内。
需要说明的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，上述预设幅度范围可以是任何符合实际需求的数值，本发明不对上述预设幅度范围的大小进行限定。
示例性地，预先通过实验计算出旋转设备在正常运行时，声纹数据中提取出的幅度信号的幅度范围，作为上述预设幅度范围，然后在实际监测中，检测实际幅度信号是否在该预设幅度范围内。
步骤D20，在检测到所述幅度信号在预设幅度范围内，且，所述谐波信号为周期性信号时，确定所述幅度信号和所述谐波信号满足第三预设条件。
在本实施例中，在检测到幅度信号在预设幅度范围内，且，谐波信号为周期性信号时，确定幅度信号和谐波信号满足第三预设条件。
需要说明的是，转子故障通常会导致声音的幅度发生变化，可能会变得更小或更大。同时，转子故障还会导致声音中出现一些周期性的谐波成分，所以，当检测到实际幅度信号不在预设幅度范围内，且出现了周期性的谐波成分时，可以确定该旋转设备可能存在电机转子故障。
步骤A50，基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到所述目标深度神经网络模型。
在本实施例中，基于第二声音信号对应的设备状态标签对初始深度神经网络模型的模型参数进行调整，得到目标深度神经网络模型。
示例性地，确定该初始深度神经网络模型的损失函数，通过损失函数将已知的设备状态标签和初始深度神经网络模型输出的设备状态标签进行比对，得到比对结果，基于该比对结果对模型参数进行优化，得到目标深度神经网络模型。
在本实施例中，本发明基于声纹数据的旋转设备监测方法通过计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；将第二信噪比和第二声纹数据输入至预先构建的初始深度神经网络模型中；通过预先构建的初始深度神经网络模型的特征提取模块获取该第二声纹数据中的声学特征，其中，声学特征包括频率信号、幅度信号和谐波信号；计算第二信噪比与标准信噪比之间的差值，其中，该标准信噪比为旋转设备的设备状态为正常运行状态时，旋转设备发出的第三声音信号的信噪比，然后检测差值是否大于预设差值；在差值大于预设差值，且，第二信噪比小于标准信噪比时，确定第二信噪比满足第一预设条件，从而确定第二声音信号对应的设备状态标签为气隙故障；检测从第二声纹数据中提取出的频率信号是否在预设频率范围内，在检测到频率信号未在预设频率范围内，且，谐波信号为非周期性信号时，确定频率信号和谐波信号满足第二预设条件，从而确定第二声音信号对应的设备状态标签为电机定子故障；检测从第二声纹数据中提取出的幅度信号是否在预设幅度范围内，在检测到幅度信号在预设幅度范围内，且，谐波信号为周期性信号时，确定幅度信号和谐波信号满足第三预设条件，从而确定第二声音信号对应的设备状态标签为电机转子故障；基于第二声音信号对应的设备状态标签对初始深度神经网络模型的模型参数进行调整，得到目标深度神经网络模型。
如此，本发明通过基于各故障情况在信噪比和声纹数据上的体现，预先构建初始深度神经网络模型，并通过实验数据对该初始深度神经网络模型进行模型训练，得到目标深度神经网络模型，用于根据输入的声音信号的信噪比和声音信号中的声纹数据，输出该声音信号对应的设备状态标签，从而可以通过实时录取到的旋转设备运行过程中发出的声音，对旋转设备的工作状态进行监测，进而及时发现设备故障点以便维护人员对故障点进行维修。
此外，本发明实施例还提供一种基于声纹数据的旋转设备监测装置。
请参照图4，图4为本发明基于声纹数据的旋转设备监测装置一实施例的功能模块示意图，如图4所示，本发明基于声纹数据的旋转设备监测装置包括：
预处理模块10，用于获取在旋转设备运行时实时录取到的第一声音信号，并对所述第一声音信号进行预处理，得到所述第一声音信号对应的第一信噪比和第一声纹数据；
设备状态标签模块20，用于将所述第一信噪比和所述第一声纹数据输入至预先训练好的目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
设备状态模块30，用于基于所述设备状态标签确定所述旋转设备的设备状态。
可选地，预处理模块10，包括：
第一信噪比单元，用于对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；
第一声纹数据单元，用于对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据。
可选地，本发明基于声纹数据的旋转设备监测装置，还包括：
第二声音信号模块，用于计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；
初始模型模块，用于将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；
声学特征模块，用于通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；
映射关系模块，用于基于所述第二信噪比、所述频率信号、所述幅度信号和所述谐波信号，确定所述第二声音信号对应的设备状态标签；
目标模型模块，用于基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到所述目标深度神经网络模型。
可选地，映射关系模块，包括：
气隙故障单元，用于若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；
电机定子故障单元，用于若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；
电机转子故障单元，用于若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障。
可选地本发明基于声纹数据的旋转设备监测装置，还包括：
第一检测模块，用于计算所述第二信噪比与标准信噪比之间的差值，并检测所述差值是否大于预设差值，其中，所述标准信噪比为在所述旋转设备的设备状态为正常运行状态的情况下，实时录取到的第三声音信号的信噪比；
第一判断模块，用于在所述差值大于所述预设差值，且，所述第二信噪比小于所述标准信噪比时，确定所述第二信噪比满足第一预设条件。
可选地，本发明基于声纹数据的旋转设备监测装置，还包括：
第二检测模块，用于检测所述频率信号是否在预设频率范围内；
第二判断模块，用于在检测到所述频率信号未在所述预设频率范围内，且，所述谐波信号为非周期性信号时，确定所述频率信号和所述谐波信号满足第二预设条件。
可选地，本发明基于声纹数据的旋转设备监测装置，还包括：
第三检测模块，用于检测所述幅度信号是否在预设幅度范围内；
第三判断模块，用于在检测到所述幅度信号在预设幅度范围内，且，所述谐波信号为周期性信号时，确定所述幅度信号和所述谐波信号满足第三预设条件。
本发明还提供一种计算机存储介质，该计算机存储介质上存储有基于声纹数据的旋转设备监测程序，上述基于声纹数据的旋转设备监测程序被处理器执行时实现如以上任一项实施例所述的基于声纹数据的旋转设备监测程序方法的步骤。
本发明计算机存储介质的具体实施例与上述本发明基于声纹数据的旋转设备监测程序方法各实施例基本相同，在此不作赘述。
本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如以上任一项实施例所述的本发明基于声纹数据的旋转设备监测方法的步骤，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是TWS耳机等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于声纹数据的旋转设备监测方法，其特征在于，所述基于声纹数据的旋转设备监测方法包括：
获取声音信号采集装置在旋转设备运行时实时录取到的第一声音信号，其中，所述声音信号采集装置设置在所述旋转设备内部；
对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；
对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据；
计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；
将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；
通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；
若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；
若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；
若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障；
基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到目标深度神经网络模型；
将所述第一信噪比和所述第一声纹数据输入至所述目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，其中，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
基于所述设备状态标签确定所述旋转设备的设备状态。
2.如权利要求1所述的基于声纹数据的旋转设备监测方法，其特征在于，在所述若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障的步骤之前，所述方法还包括：
计算所述第二信噪比与标准信噪比之间的差值，并检测所述差值是否大于预设差值，其中，所述标准信噪比为在所述旋转设备的设备状态为正常运行状态的情况下，实时录取到的第三声音信号的信噪比；
在所述差值大于所述预设差值，且，所述第二信噪比小于所述标准信噪比时，确定所述第二信噪比满足第一预设条件。
3.如权利要求1所述的基于声纹数据的旋转设备监测方法，其特征在于，在所述若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障的步骤之前，所述方法还包括：
检测所述频率信号是否在预设频率范围内；
在检测到所述频率信号未在所述预设频率范围内，且，所述谐波信号为非周期性信号时，确定所述频率信号和所述谐波信号满足第二预设条件。
4.如权利要求1所述的基于声纹数据的旋转设备监测方法，其特征在于，在所述若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障的步骤之前，所述方法还包括：
检测所述幅度信号是否在预设幅度范围内；
在检测到所述幅度信号在预设幅度范围内，且，所述谐波信号为周期性信号时，确定所述幅度信号和所述谐波信号满足第三预设条件。
5.一种基于声纹数据的旋转设备监测装置，其特征在于，所述基于声纹数据的旋转设备监测装置，包括：
预处理模块，获取声音信号采集装置在旋转设备运行时实时录取到的第一声音信号，其中，所述声音信号采集装置设置在所述旋转设备内部；对所述第一声音信号进行傅里叶变换，得到所述第一声音信号的第一信噪比；对所述第一声音信号进行去噪处理和声纹识别处理，得到所述第一声音信号中的第一声纹数据；
设备状态标签模块，计算已知设备状态标签的第二声音信号对应的第二信噪比和第二声纹数据；将所述第二信噪比和所述第二声纹数据输入至预先构建的初始深度神经网络模型；通过所述初始深度神经网络模型的特征提取模块获取所述第二声纹数据中的声学特征，其中，所述声学特征包括频率信号、幅度信号和谐波信号；若所述第二信噪比满足第一预设条件，则确定所述第二声音信号对应的设备状态标签为气隙故障；若所述频率信号和所述谐波信号满足第二预设条件，则确定所述第二声音信号对应的设备状态标签为电机定子故障；若所述幅度信号和所述谐波信号满足第三预设条件，则确定所述第二声音信号对应的设备状态标签为电机转子故障；基于所述第二声音信号对应的设备状态标签对所述初始深度神经网络模型的模型参数进行调整，得到目标深度神经网络模型；将所述第一信噪比和所述第一声纹数据输入至所述目标深度神经网络模型中，得到所述第一声音信号对应的设备状态标签，所述设备状态标签包括电机定子故障、电机转子故障、气隙故障和正常运行；
设备状态模块，基于所述设备状态标签确定所述旋转设备的设备状态。
6.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于声纹数据的旋转设备监测程序，所述基于声纹数据的旋转设备监测程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于声纹数据的旋转设备监测方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于声纹数据的旋转设备监测程序，所述基于声纹数据的旋转设备监测程序被处理器执行时实现如权利要求1至4中任一项所述的基于声纹数据的旋转设备监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799871.3A CN116520143B (zh) | 2023-07-03 | 2023-07-03 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799871.3A CN116520143B (zh) | 2023-07-03 | 2023-07-03 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520143A CN116520143A (zh) | 2023-08-01 |
| CN116520143B true CN116520143B (zh) | 2023-09-12 |
Family
ID=87392543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310799871.3A Active CN116520143B (zh) | 2023-07-03 | 2023-07-03 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520143B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3246674A1 (en) * | 2016-05-19 | 2017-11-22 | Monhart Akustik s.r.o. | Method for diagnostic of magnetic circuits in large electric machines |
| CN110910897A (zh) * | 2019-12-05 | 2020-03-24 | 四川超影科技有限公司 | 一种用于电机异常声音识别的特征提取方法 |
| CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学（保定） | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
| CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
| CN114371353A (zh) * | 2021-12-09 | 2022-04-19 | 国网安徽省电力有限公司怀远县供电公司 | 一种基于声纹识别的电力设备异常监测方法及*** |
| CN114636929A (zh) * | 2022-03-29 | 2022-06-17 | 安徽理工大学 | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测*** |
| CN115467787A (zh) * | 2022-08-23 | 2022-12-13 | 湖北青云优信科技开发有限公司 | 一种基于音频分析的电机状态检测***及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7127076B2 (en) * | 2003-03-03 | 2006-10-24 | Phonak Ag | Method for manufacturing acoustical devices and for reducing especially wind disturbances |
| CN109061474A (zh) * | 2018-10-15 | 2018-12-21 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| US20200233397A1 (en) * | 2019-01-23 | 2020-07-23 | New York University | System, method and computer-accessible medium for machine condition monitoring |
-
2023
- 2023-07-03 CN CN202310799871.3A patent/CN116520143B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3246674A1 (en) * | 2016-05-19 | 2017-11-22 | Monhart Akustik s.r.o. | Method for diagnostic of magnetic circuits in large electric machines |
| 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 |
| CN110910897A (zh) * | 2019-12-05 | 2020-03-24 | 四川超影科技有限公司 | 一种用于电机异常声音识别的特征提取方法 |
| CN112857767A (zh) * | 2021-01-18 | 2021-05-28 | 中国长江三峡集团有限公司 | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 |
| CN114371353A (zh) * | 2021-12-09 | 2022-04-19 | 国网安徽省电力有限公司怀远县供电公司 | 一种基于声纹识别的电力设备异常监测方法及*** |
| CN114636929A (zh) * | 2022-03-29 | 2022-06-17 | 安徽理工大学 | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测*** |
| CN115467787A (zh) * | 2022-08-23 | 2022-12-13 | 湖北青云优信科技开发有限公司 | 一种基于音频分析的电机状态检测***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李平川 等.《洗衣机故障维修369例》.人民邮电出版社,1996,第83页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520143A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
| Jiang et al. | Study on Hankel matrix-based SVD and its application in rolling element bearing fault diagnosis | |
| CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
| Su et al. | Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement | |
| US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
| CN108731921B (zh) | 一种设备连接件故障监测方法及*** | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| Grebenik et al. | Roller element bearing acoustic fault detection using smartphone and consumer microphones comparing with vibration techniques | |
| JP2023513641A (ja) | ロバストな減衰信号分離に基づく故障検出のシステムおよび方法 | |
| Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
| Aburakhia et al. | A hybrid method for condition monitoring and fault diagnosis of rolling bearings with low system delay | |
| US11409873B2 (en) | Detection of cyber machinery attacks | |
| US11506717B1 (en) | System and method for diagnosing stator inter-turn faults in synchronous motors | |
| CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
| CN116520143B (zh) | 基于声纹数据的旋转设备监测方法、装置、设备及介质 | |
| CN114242085A (zh) | 旋转设备的故障诊断方法、装置 | |
| CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
| Babu et al. | Review on various signal processing techniques for predictive maintenance | |
| CN113505898A (zh) | 一种基于ai技术的设备预测性维护方法 | |
| CN113805105A (zh) | 三相变压器检测方法和*** | |
| CN112287775A (zh) | 一种电机故障诊断方法、装置及相关组件 | |
| Thapliyal et al. | Application of DWT and PDD for bearing fault diagnosis using vibration signal | |
| CN116717461B (zh) | 一种真空泵运行状态的智能监测方法及*** | |
| JP7236572B2 (ja) | 異音検査方法、異音検査プログラム、異音検査機能付モータ | |
| CN113654652B (zh) | 一种直流控保装置故障识别方法及相关装置 |
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 |