RU2488815C2 - Способ и устройство для классификации генерирующих звук процессов - Google Patents

Способ и устройство для классификации генерирующих звук процессов Download PDF

Info

Publication number
RU2488815C2
RU2488815C2 RU2010149800/28A RU2010149800A RU2488815C2 RU 2488815 C2 RU2488815 C2 RU 2488815C2 RU 2010149800/28 A RU2010149800/28 A RU 2010149800/28A RU 2010149800 A RU2010149800 A RU 2010149800A RU 2488815 C2 RU2488815 C2 RU 2488815C2
Authority
RU
Russia
Prior art keywords
processes
sound
generating
signal
signals
Prior art date
Application number
RU2010149800/28A
Other languages
English (en)
Other versions
RU2010149800A (ru
Inventor
Харальд ХЕГЕ
Original Assignee
Сименс Акциенгезелльшафт
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 Сименс Акциенгезелльшафт filed Critical Сименс Акциенгезелльшафт
Publication of RU2010149800A publication Critical patent/RU2010149800A/ru
Application granted granted Critical
Publication of RU2488815C2 publication Critical patent/RU2488815C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Использование: для классификации генерирующих звук процессов. Сущность: заключается в том, что для классификации генерирующих звук процессов (P) выполняют следующие этапы: определение (S1) звуковых сигналов, которые вызываются генерирующими звук процессами (H), извлечение (S2) признаков (m) из определенных звуковых сигналов для соответствующего генерирующего звук процесса (P), вычисление (S3) подобия между определенными звуковыми сигналами на основе извлеченных признаков (m) для группирования процессов (P) со сходными друг с другом звуковыми сигналами в кластеры (C) процессов, адаптация (S4) статистических параметров распределения опорной модели в зависимости от статистических параметров распределения тех процессов (P), которые содержатся в кластере (C) процессов с максимальным количеством (Z) сгруппированных в нем процессов (P), для выработки адаптированной модели, и классификация (S5) генерирующих звук процессов (P) на основе адаптированной модели. Технический результат: обеспечение возможности классификации генерирующих звук процессов, осуществляя адаптацию модели автоматически с незначительными вычислительными затратами, гарантируя безошибочную классификацию генерирующих звук процессов также при быстро изменяющихся условиях окружающей среды. 3 н. и 17 з.п. ф-лы, 10 ил.

Description

Изобретение относится к способу и устройству для классификации генерирующих звук процессов, например, звуковых сигналов, которые генерируются при рабочих процессах машины или при химических процессах установки.
В большинстве процессов генерируются звуковые или вибрационные сигналы, которые характеризуют процесс. Например, при химических процессах могут возникать пузырьки газа, которые в устройствах резервуаров или в трубах вызывают шумы. Другим примером являются машины или компоненты машин, которые в процессе изготовления или производства в зависимости от их рабочего состояния и, при обстоятельствах, от условий окружающей среды генерируют характеристические звуковые или вибрационные сигналы.
Анализ измеренных данных технических процессов используется, в том числе, для обнаружения дефектных компонентов. Анализ измеренных данных, в частности, генерирующих звук процессов, может проводиться посредством физических моделей или посредством статистических моделей соответствующих процессов. Эти модели, как правило, разрабатываются в процессе-прототипе в лабораторных условиях и применяются в условиях эксплуатации, например, во время использования прибора в цеху. При этом может иметь место то, что измеренные данные, которые получают на основе генерирующих звук процессов, подвергаются влиянию изменяющихся сигналов окружающей среды, например, на основе изменяющейся акустики помещения. Кроме того, может иметь место то, что исследуемая машина или исследуемый процесс работают при других рабочих условиях или с модифицированными деталями машины. Если полученные из процесса-прототипа физические или статистические модели использовать в неизменном виде в условиях эксплуатации, то качество анализа может снизиться настолько, что не сможет быть получена удовлетворительная классификация исследуемых процессов или исследуемой машины. Например, дефектная деталь машины не будет своевременно классифицирована как дефектная.
Поэтому обычно физические или статистические модели исследуемого процесса адаптируются к изменяющимся условиям, чтобы гарантировать достаточное качество анализа. Если, например, исследуется рабочий процесс детали машины, то, на основе вызванного деталью машины звукового сигнала, определенный признак полученного звукового сигнала может использоваться для классификации. Возможным признаком звукового сигнала является сила звука звукового сигнала или шумового сигнала. Если сила звука звукового сигнала превышает заданное пороговое значение, то исследуемая деталь машины классифицируется как дефектная, и выдается соответствующее сообщение об ошибке. Но если изменяются условия окружающей среды, например, из-за установленного рядом с деталью машины дополнительного прибора, например, вентилятора, который вызывает дополнительный шумовой сигнал, то уровень громкости или предварительно установленный порог превышается и исправная деталь машины ошибочным образом классифицируется как дефектная. Поэтому при обычном способе действий установка содержательного порогового значения или критерия классификации связана с затратами и требует большого времени, так как при обстоятельствах также шумовые сигналы от дефектных деталей машин, которые для этого дополнительно устанавливаются в машине, должны измеряться для установки подходящего порогового значения. Другим недостатком обычного способа действий является то, что при быстром изменении сигналов окружающей среды необходимая адаптация физических и статистических моделей часто происходит слишком медленно, так что необходимое качество анализа не может быть своевременно достигнуто.
Поэтому задачей настоящего изобретения является создание способа и устройства для классификации генерирующих звук процессов, которые осуществляют адаптацию модели автоматически с незначительными вычислительными затратами и гарантируют безошибочную классификацию генерирующих звук процессов также при быстро изменяющихся условиях окружающей среды.
Эта задача в соответствии с изобретением решается способом с признаками, приведенными в пункте 1 формулы изобретения.
Изобретение создает способ для классификации генерирующих звук процессов со следующими этапами:
- определение звуковых сигналов, которые вызываются генерирующими звук процессами,
- извлечение заданных признаков из определенных звуковых сигналов для соответствующего генерирующего звук процесса,
- вычисление подобия между определенными звуковыми сигналами на основе извлеченных признаков для группирования процессов со сходными друг с другом звуковыми сигналами в кластеры процессов,
- адаптация статистических параметров распределения опорной модели в зависимости от статистических параметров распределения тех процессов, которые содержатся в кластере процессов с максимальным количеством сгруппированных в нем процессов, для выработки адаптированной модели,
- классификация генерирующих звук процессов на основе адаптированной модели.
В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется посредством рабочего процесса машины.
В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется химическим процессом установки.
В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется воздушным звуковым сигналом или корпусным звуковым сигналом.
В форме выполнения соответствующего изобретению способа полученный звуковой сигнал преобразуется сенсором в электрический сигнал.
В форме выполнения соответствующего изобретению способа полученный звуковой сигнал подвергается фильтрации нижних частот.
В форме выполнения соответствующего изобретению способа аналоговый звуковой сигнал преобразуется посредством аналого-цифрового преобразователя в цифровой сигнал.
В форме выполнения соответствующего изобретению способа заданные временные интервалы оцифрованного звукового сигнала подвергаются частотному преобразованию для генерации спектра звукового сигнала.
В форме выполнения соответствующего изобретению способа признаки звукового сигнала извлекаются из временной области или из частотной области.
В форме выполнения соответствующего изобретению способа для каждого генерирующего звук процесса в различные моменты времени измерений формируются векторы признаков, которые имеют извлеченные признаки.
В форме выполнения соответствующего изобретению способа из нескольких векторов признаков процесса для каждого признака вычисляются статистические параметры распределения.
В форме выполнения соответствующего изобретению способа статистические параметры распределения признака имеют среднее значение и дисперсию соответствующего признака.
В форме выполнения соответствующего изобретению способа расстояние между статистическими параметрами распределения различных звуковых сигналов вычисляется для определения подобия между звуковыми сигналами.
В форме выполнения соответствующего изобретению способа подобные друг другу звуковые сигналы процессов, у которых статистические параметры распределения обнаруживают незначительное расстояние друг от друга, группируются в кластер процессов.
В форме выполнения соответствующего изобретению способа вычисляются статистические параметры распределения опорной модели на основе извлеченных признаков звукового сигнала, который выдается прототипом.
В форме выполнения соответствующего изобретению способа определяется количество процессов внутри различных сформированных кластеров процессов.
В форме выполнения соответствующего изобретению способа выбирается кластер процессов, у которого количество сгруппированных в нем процессов максимально.
В форме выполнения соответствующего изобретению способа классификация генерирующих звук процессов осуществляется на основе адаптированной модели посредством способа максимального правдоподобия.
Изобретение также создает устройство для классификации генерирующих звук процессов с
- по меньшей мере одним сенсором для определения звуковых сигналов, которые вызываются генерирующими звук процессами,
- запоминающим устройством для хранения опорной модели, которая имеет статистические параметры распределения для заданных признаков звукового сигнала,
- блоком адаптации для извлечения признаков из определенных звуковых сигналов процессов и для вычисления подобия между определенными звуковыми сигналами на основе извлеченных признаков для группирования процессов в различные кластеры процессов с подобными друг другу звуковыми сигналами,
- причем блок адаптации адаптирует сохраненную опорную модель в зависимости от статистических параметров распределения тех процессов, которые содержатся в кластере процессов с максимальным количеством процессов,
- и с блоком классификации, который классифицирует генерирующие звук процессы на основе адаптированной модели.
Далее описаны предпочтительные формы выполнения соответствующего изобретению способа и соответствующего изобретению устройства для классификации генерирующих звук процессов со ссылками на приложенные чертежи для пояснения существенных признаков изобретения.
На чертежах показано следующее:
Фиг.1 - простой пример применения для иллюстрации соответствующего изобретению способа;
Фиг.2 - диаграмма возможной формы выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;
Фиг.3 - блок-схема примера выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;
Фиг.4 - пример выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;
Фиг.5А, 5В - диаграммы для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов;
Фиг.6 - простой пример для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов;
Фиг.7А, 7В - диаграммы для пояснения соответствующего изобретению способа на основе изображенного на фиг.6 примера;
Фиг.8 - абстрактная модель для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов.
На фиг.1 изображен простой пример применения для соответствующего изобретению способа для классификации генерирующих звук процессов. Несколько вагонов W поезда двигаются по рельсу S. Вагоны W перемещаются на колесах R, которые в процессе качения, ввиду трения, генерируют звуковой сигнал. Этот звуковой сигнал содержит, с одной стороны, воздушный звуковой сигнал и, с другой стороны, корпусной звуковой сигнал. Если колеса R перемещаются над возвышением или шпалой рельса, то амплитуда звукового сигнала повышается. В показанном примере переднее колесо второго вагона W2 является дефектным. Это дефектное колесо или эта дефектная деталь машины генерирует звуковой сигнал, иной, чем остальные недефектные колеса поезда. С помощью соответствующего изобретению способа возможно подобную дефектную деталь машины классифицировать как неисправную. В простом примере выполнения, представленном на фиг.6, осуществляется классификация генерирующих звук процессов различных подобных деталей машин. В представленном примере процессом является генерирующий звук рабочий процесс. Соответствующий изобретению способ вообще пригоден для каждого типа процессов, при которых генерируется звуковой или вибрационный сигнал. Например, может также осуществляться классификация генерирующих звук химических процессов, при которых, например, возникают газы, которые вызывают звуковые или вибрационные сигналы в трубах или резервуарах.
На фиг.2 показана диаграмма возможной формы выполнения соответствующего изобретению способа классификации генерирующих звук процессов.
На этапе S1 воспринимаются выработанные звуковые сигналы процессов, например, генерирующих звук процессов, которые вызываются шестью показанными на фиг.1 колесами R. Звуковые сигналы воспринимаются, например, посредством приемников звука или датчиков вибрации, которые находятся вблизи того места, в котором имеет место генерирующий звук процесс Р.
На этапе S2 извлекаются определенные признаки m из воспринятых звуковых сигналов для соответствующего процесса Р. Звуковой сигнал может иметь множество различных признаков m. Возможный признак m является, например, силой звука или уровнем громкости звука звукового сигнала. Другими возможными признаками являются амплитуды или уровни громкости звука различных частот, в особенности частот модуляции. Эти частоты могут, например, определяться частотой вращения frot поворотного или вращающегося тела. В показанном на фиг.1 простом примере применения возможный признак m является амплитудой A(f) звукового сигнала при частоте вращения (числе оборотов) frot колес R. Если, например, в плоскости качения колеса R по радиусу в некотором месте имеется дефект, то он вызывает при каждом полном обороте колеса характеристическое изменение звукового сигнала. Количество предварительно определенных признаков m может варьироваться. Например, может задаваться от 10 до 500 признаков m звукового сигнала. Эти различные признаки m образуют вектор V признаков звукового сигнала.
На следующем этапе S3 соответствующего изобретению способа вычисляется подобие между воспринятыми звуковыми сигналами на основе извлеченных признаков для группировки процессов со сходными между собой звуковыми сигналами в кластеры С процессов. При этом вычисляется, например, дистанция Δ или расстояние (степень подобия) между векторами V признаков в многомерном векторном пространстве.
На этапе S4 статистические параметры распределения опорной модели адаптируются в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в тех кластерах С процессов, которые имеют максимальное количество сгруппированных в них процессов.
Адаптированная на этапе S4 опорная модель на этапе S5 применяется для классификации генерирующих звук процессов Р. Классификация на этапе S5 может осуществляться, например, посредством алгоритма максимального правдоподобия.
Фиг.3 показывает пример выполнения соответствующего изобретению устройства 1 для классификации генерирующих звук процессов. Устройство 1 содержит по меньшей мере один сенсор 2 для восприятия звуковых или вибрационных сигналов, которые вызываются генерирующим звук процессом Р. Сенсор 2 является, например, микрофоном для восприятия звукового сигнала. В альтернативной форме выполнения сенсор 2 определяет корпусной звуковой сигнал и размещен, например, на корпусе машины. В возможной форме выполнения сенсор является датчиком ускорения. Сенсор 2 преобразует акустический или вибрационный сигнал в электрический сигнал и выдает его в качестве измеренных данных М по линии 3 на блок 4 адаптации. Блок 4 адаптации извлекает определенный признак m из воспринятых звуковых сигналов процессов Р и вычисляет подобие между воспринятыми звуковыми сигналами на основе извлеченных признаков m. На основе вычисленного подобия между звуковыми сигналами процессы Р группируются в кластеры С процессов, которые имеют подобные друг другу звуковые сигналы. Затем блок 4 адаптации адаптирует опорную модель, которая, например, считывается по линии 5 из запоминающего устройства 6 в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в том кластере С процессов, который имеет максимальное количество сгруппированных в нем процессов Р.
Блок 7 классификации, который по линиям 8 соединен с блоком 4 адаптации, классифицирует затем генерирующие звук процессы Р на основе модели, адаптированной блоком 4 адаптации, и измеренных данных М процессов Р.
На фиг.4 показан возможный пример выполнения соответствующего изобретению устройства 1 для классификации генерирующих звук процессов Р.
В машине генерирующий звук процесс Р вырабатывает звуковой или вибрационный сигнал, который воспринимается микрофоном 2. Воздушный звуковой сигнал преобразуется с помощью микрофона 2 в электрический сигнал и подвергается фильтрации нижних частот с помощью фильтра нижних частот (ФНЧ) 9. Прошедший фильтрацию нижних частот сигнал дискретизируется аналого-цифровым преобразователем (АЦП) 10 с определенной частотой дискретизации и преобразуется в цифровую форму. Фиг.5А показывает пример оцифрованного звукового сигнала, который выдается аналого-цифровым преобразователем 10. Блок 11 оконной обработки образует временные окна (интервалы) или вырезки оцифрованного сигнала. В примере, показанном на фиг.5А, во временном окне выданы семь дискретных значений или выборок s1-s7. Длительность или величина временного окна предпочтительно является регулируемой. Временное окно, которое содержит несколько дискретных значений s, подается на блок 12 частотного преобразования. Временное окно оцифрованного звукового сигнала с помощью блока 12 частотного преобразования подвергается частотному преобразованию для формирования спектра звукового сигнала. Например, выделенный посредством временного окна звуковой сигнал подвергается быстрому преобразованию Фурье (БПФ), чтобы сформировать соответствующий спектр звукового сигнала временного окна. Затем блок 13 суммирования определяет сумму спектра звукового сигнала. Фиг.5В показывает пример для спектра, который обусловлен вращающимся телом с определенной частотой вращения frot. На основной частоте frot и гармонических составляющих частотный спектр имеет типичным образом амплитудные максимумы.
В примере осуществления, показанном на фиг.4, как из временного звукового сигнала, так и из частотного спектра извлекаются признаки m звукового сигнала. Для этого блок 4 адаптации содержит блок 4-1 для извлечения временных признаков и блок 4-2 для извлечения частотных признаков. В случае признаков m во временной области речь может идти, например, о просуммированных амплитудах различных дискретных значений во временном окне или о силе звука звукового сигнала. В случае частотных признаков могут, например, оцениваться амплитуды на основной частоте frot и гармонических составляющих, то есть кратных значениях основной частоты. В качестве альтернативы, может также, например, в качестве признака привлекаться энергия сигнала внутри частотного диапазона FB спектра. Для каждого частотного диапазона FB может вычисляться соответствующее расчетное значение энергии и, которое получается, например, из амплитуды спектральных составляющих. Если спектр, например, охватывает 30 частотных диапазонов, то тем самым получаются 30 различных частотных признаков mF. Полученные из временной области признаки mZ и полученные из частотной области признаки mF подаются на блок 4-3 обработки данных блока 4 адаптации. Блок 4 обработки данных представляет собой, например, микропроцессор, на котором исполняется программа. Блок 4 обработки данных выгружает из запоминающего устройства 6 сохраненную опорную модель. Блок 4 обработки данных вычисляет на основе признаков mZ, mF воспринятого звукового сигнала процессов Р расстояние Δ между воспринятыми звуковыми сигналами в многомерном пространстве признаков, причем те процессы, которые по отношению друг к другу имеют подобные звуковые сигналы или у которых вычисленное расстояние Δ по отношению друг к другу незначительно, группируются в кластер С процессов. Затем блок 4 обработки данных выбирает тот кластер С процессов, который содержит максимальное число Zmax процессов Р. Выгруженная из запоминающего устройства 6 опорная модель затем адаптируется к статистическим параметрам распределения тех процессов Р, которые содержатся в наибольшем кластере С процессов. Блок 7 классификации классифицирует затем генерирующие звук процессы Р на основе адаптированной модели. Определенное с помощью блока 7 классификации рабочее состояние или дефектное состояние выдается.
Фиг.6 показывает простой пример для наглядной иллюстрации соответствующего изобретению способа. После восприятия звуковых сигналов на этапе S1 извлекаются предварительно определенные признаки m различных процессов Р. Например, воспринимаются звуковые сигналы шести различных колес R, как они представлены на фиг.1. В показанном на фиг.6 простом примере каждый вектор V признаков имеет три признака m1, m2, m3, например, сигнальный уровень звукового сигнала в качестве признака m1, амплитуду A(f) при определенной частоте f, такой как частота frot вращения на фиг.5, в качестве признака m2 и энергию Е сигнала в определенном частотном диапазоне FB в качестве признака m3.
На основе вектора V признаков различных генерированных процессов Р1-Р6 или различных деталей машин осуществляется вычисление подобия. Для этого рассчитываются дистанции или расстояния (меры сходства) между признаками m. В возможной форме выполнения в различные моменты времени t1-tM вычисляются вектора V признаков для различных процессов Р и отсюда вычисляется вектор V или матрица статистических параметров распределения. Следующее уравнение показывает наглядно способ действия.
Figure 00000001
В приведенном примере статистический параметр распределения является средним значением µ признака m по заданному числу точек ti измерений. Наряду со статистическим параметром распределения - средним значением µ - могут вычисляться другие статистические параметры распределения, как, например, дисперсия σ. При этом, например, в основе статистического распределения лежит гауссово распределение согласно фиг.7В. Также возможны другие статистические распределения с другими статистическими параметрами распределения.
На основе определенных статистических параметров распределения различных процессов Р можно попарно между процессами вычислить расстояние. Например, расстояние Δ между двумя процессами Р1, Р2 вычисляется следующим образом:
Расстояние (Р1/Р2) = |µ1p1 - µ1p2|2 +|µ2p1 - µ1p2|2 + |µ3p1 - µ3p2|2
(2)
После того как подобие между различными звуковыми сигналами различных процессов Р или расстояния Δ между звуковыми сигналами на основе статистических параметров распределения рассчитаны, те процессы Р, которые имеют подобные друг другу звуковые сигналы, могут группироваться в кластеры С процессов. Фиг.7А показывает простой пример для различных процессов Р1-Р6 в трехмерном пространстве признаков, которое проходит через признаки m1, m2, m3. В примере, показанном на фиг.7А, звуковые сигналы процессов Р1 Р2, Р4, Р5 подобны друг другу и образуют кластер СА, в то время как звуковые сигналы или статистические параметры распределения звуковых сигналов процессов Р3, Р6 отличаются от них и образуют собственный, отличный от него кластер СВ процессов. Ввиду вероятности того, что число не являющихся дефектными деталей машин или процессов Р больше, чем число дефектных или становящихся дефектными деталей машин или процессов, можно исходить из того, что генерирующие звук процессы Р1 Р2, Р4, Р5 большего кластера СА представляют не дефектные детали машин. Так как число ZA сгруппированных внутри кластера СА процессов Р больше, чем число ZB сгруппированных внутри кластера СВ процессов Р, выбирается кластер СА процессов, и опорная модель детали машины, как представлено на фиг.6, адаптируется на основе признаков m процессов Р, содержащихся в кластере СА процессов. Например, в качестве статистических параметров сохраненной опорной модели среднее значение µ формируется посредством среднего значения признаков m процессов Р внутри кластера СА процессов. В возможной форме выполнения вычисление адаптированной опорной модели осуществляется в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в большем кластере процессов, и в зависимости от прежнего статистического параметра распределения опорной модели. В этой форме выполнения адаптация осуществляется итеративно или эволюционно.
Фиг.8 показывает абстрактную математическую модель для пояснения соответствующего изобретению способа. От различных однотипно выполненных деталей машин, например, от показанных на фиг.1 колес R, получают измеренные данные М, которые подвергаются анализу на подобие для выбора подобных измеренных данных. Подобные измеренные данные или подобные друг другу звуковые сигналы выбираются и используются для адаптации модели. Классификация процесса Р осуществляется затем на основе измеренных данных М соответствующего процесса Р и статистических параметров q модели. Это приводит к результатам Е классификации, которые, например, указывают, является ли деталь машины дефектной или нет. При такой адаптации модели параметры q модели или статистические параметры распределения, такие как среднее значение µ и дисперсия σ статистического распределения непрерывно адаптируются на основе подобных измеренных данных М. Все измеренные сигналы или измеренные данные М классифицируются посредством блока 7 классификации на основе адаптированной модели. Соответствующий изобретению способ использует тот факт, что в машинах, в которых встроено множество однотипных деталей машин, большинство деталей машин являются не дефектными, и их измеренные данные могут использоваться для адаптации модели. За счет соответствующего изобретению способа отпадает необходимость в связанных с высокими затратами мероприятиях по согласованию для анализа дефектных деталей машин. В частности, в соответствующем изобретению способе не требуется встраивать заведомо дефектные детали машин и проводить адаптацию модели на основе их шумовых сигналов. В случае статистических моделей, используемых в соответствующем изобретению способе, можно определить подобие, например, на основе оценок логарифма вероятности измеренных данных, причем из подобия оценок можно сделать вывод, принадлежат ли измеренные данные к не дефектной детали машины или процессу, или нет. Так как множество деталей машины принимают участие в измерении, в случае ненадежной ситуации с данными, в соответствующем изобретению способе не требуется учитывать каждое измеренное значение.

Claims (20)

1. Способ классификации генерирующих звук процессов (P) со следующими этапами:
(a) определение (S1) звуковых сигналов, которые вызываются генерирующими звук процессами (P),
(b) извлечение (S2) признаков (m) из определенных звуковых сигналов для соответствующего генерирующего звук процесса (P),
(c) вычисление (S3) подобия между определенными звуковыми сигналами на основе извлеченных признаков (m) для группирования процессов (P) со сходными друг с другом звуковыми сигналами в кластеры (C) процессов,
(d) адаптация (S4) статистических параметров распределения опорной модели в зависимости от статистических параметров распределения тех процессов (P), которые содержатся в кластере (C) процессов с максимальным количеством (Z) сгруппированных в нем процессов (P), для выработки адаптированной модели, и
(e) классификация (S5) генерирующих звук процессов (P) на основе адаптированной модели.
2. Способ по п.1, причем звуковой сигнал генерируется посредством рабочего процесса машины.
3. Способ по п.1, причем звуковой сигнал генерируется химическим процессом установки.
4. Способ по п.1, причем звуковой сигнал генерируется воздушным звуковым сигналом или корпусным звуковым сигналом.
5. Способ по п.1, причем полученный звуковой сигнал преобразуется сенсором (2) в электрический сигнал.
6. Способ по п.5, причем полученный электрический сигнал подвергается фильтрации нижних частот посредством фильтра (9) нижних частот.
7. Способ по п.6, причем аналоговый звуковой сигнал преобразуется посредством аналого-цифрового преобразователя (10) в цифровой сигнал.
8. Способ по п.7, причем заданные временные интервалы оцифрованного звукового сигнала подвергаются частотному преобразованию для генерации спектра звукового сигнала.
9. Способ по п.8, причем признаки (m) звукового сигнала извлекаются из временной области или из частотной области.
10. Способ по п.1, причем для каждого генерирующего звук процесса (P) в различные моменты времени (t) измерений формируются векторы (V) признаков, которые имеют извлеченные признаки (m).
11. Способ по п.10, причем из нескольких векторов (V) признаков процесса (P) для каждого признака (m) вычисляются статистические параметры распределения.
12. Способ по п.11, причем статистические параметры распределения признака (m) имеют среднее значение (µ) и дисперсию (Г2) соответствующего признака (m).
13. Способ по п.1, причем расстояние (Δ) между статистическими параметрами распределения различных звуковых сигналов вычисляются для определения подобия между звуковыми сигналами.
14. Способ по п.13, причем подобные друг другу звуковые сигналы процессов (P), у которых статистические параметры распределения имеют незначительное расстояние друг от друга, группируются в кластер C процессов.
15. Способ по п.1, причем вычисляются статистические параметры распределения опорной модели на основе извлеченных признаков звукового сигнала, который выдается прототипом.
16. Способ по п.14, причем определяется соответствующее количество (Z) процессов (P) внутри различных сформированных кластеров (C) процессов.
17. Способ по п.16, причем выбирается кластер (C) процессов, у которого количество (Z) сгруппированных в нем процессов (P) максимально.
18. Способ по п.1, причем классификация генерирующих звук процессов (P) осуществляется на основе адаптированной модели посредством способа максимального правдоподобия.
19. Устройство для классификации генерирующих звук процессов с
(a) по меньшей мере одним сенсором (2) для определения звуковых сигналов, которые вызываются генерирующими звук процессами (P),
(b) запоминающим устройством (6) для хранения опорной модели, которая имеет статистические параметры распределения для заданных признаков (m) звукового сигнала,
(c) блоком (4) адаптации для извлечения признаков (m) из определенных звуковых сигналов процессов (P) и для вычисления подобия между определенными звуковыми сигналами на основе извлеченных признаков (m) для группирования процессов (P) в различные кластеры (C) процессов с подобными друг другу звуковыми сигналами, причем блок (4) адаптации адаптирует сохраненную опорную модель в зависимости от статистических параметров распределения тех процессов (P), которые содержатся в кластере (C) процессов с максимальным количеством (Z) процессов (P),
(d) и с блоком (7) классификации, который классифицирует генерирующие звук процессы (P) на основе адаптированной модели.
20. Носитель данных, который хранит компьютерную программу для выполнения способа по п.18.
RU2010149800/28A 2008-05-05 2009-03-12 Способ и устройство для классификации генерирующих звук процессов RU2488815C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102008022125A DE102008022125A1 (de) 2008-05-05 2008-05-05 Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen
DE102008022125.2 2008-05-05
PCT/EP2009/052938 WO2009135719A1 (de) 2008-05-05 2009-03-12 Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen

Publications (2)

Publication Number Publication Date
RU2010149800A RU2010149800A (ru) 2012-06-20
RU2488815C2 true RU2488815C2 (ru) 2013-07-27

Family

ID=40638009

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2010149800/28A RU2488815C2 (ru) 2008-05-05 2009-03-12 Способ и устройство для классификации генерирующих звук процессов

Country Status (9)

Country Link
US (1) US8533131B2 (ru)
EP (1) EP2277039B9 (ru)
CN (1) CN102317770B (ru)
BR (1) BRPI0912434A2 (ru)
DE (1) DE102008022125A1 (ru)
ES (1) ES2549183T3 (ru)
MX (1) MX2010010905A (ru)
RU (1) RU2488815C2 (ru)
WO (1) WO2009135719A1 (ru)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008022125A1 (de) 2008-05-05 2009-11-19 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen
DE202010007655U1 (de) 2010-06-07 2011-09-08 Ulrich Seuthe Vorrichtung zur Überwachung und Optimierung von Spritzgießprozessen
EP2619697A1 (en) * 2011-01-31 2013-07-31 Walter Rosenbaum Method and system for information recognition
US8849663B2 (en) 2011-03-21 2014-09-30 The Intellisis Corporation Systems and methods for segmenting and/or classifying an audio signal from transformed audio information
US9142220B2 (en) 2011-03-25 2015-09-22 The Intellisis Corporation Systems and methods for reconstructing an audio signal from transformed audio information
US8548803B2 (en) 2011-08-08 2013-10-01 The Intellisis Corporation System and method of processing a sound signal including transforming the sound signal into a frequency-chirp domain
US8620646B2 (en) 2011-08-08 2013-12-31 The Intellisis Corporation System and method for tracking sound pitch across an audio signal using harmonic envelope
US9183850B2 (en) 2011-08-08 2015-11-10 The Intellisis Corporation System and method for tracking sound pitch across an audio signal
US8657507B2 (en) * 2011-10-17 2014-02-25 The Alba Group, Ltd. System for camera stabilization
US9058820B1 (en) 2013-05-21 2015-06-16 The Intellisis Corporation Identifying speech portions of a sound model using various statistics thereof
US9484044B1 (en) 2013-07-17 2016-11-01 Knuedge Incorporated Voice enhancement and/or speech features extraction on noisy audio signals using successively refined transforms
US9530434B1 (en) 2013-07-18 2016-12-27 Knuedge Incorporated Reducing octave errors during pitch determination for noisy audio signals
US9208794B1 (en) 2013-08-07 2015-12-08 The Intellisis Corporation Providing sound models of an input signal using continuous and/or linear fitting
CN103487513B (zh) * 2013-09-06 2016-01-13 中国运载火箭技术研究院 一种空间碎片撞击毁伤声发射信号类型识别方法
US9870785B2 (en) 2015-02-06 2018-01-16 Knuedge Incorporated Determining features of harmonic signals
US9922668B2 (en) 2015-02-06 2018-03-20 Knuedge Incorporated Estimating fractional chirp rate with multiple frequency representations
US9842611B2 (en) 2015-02-06 2017-12-12 Knuedge Incorporated Estimating pitch using peak-to-peak distances
EP3153834B1 (en) 2015-10-08 2020-04-01 Carrier Corporation Acoustic profile recognition for discriminating between hazardous emissions and non-hazardous emissions
US20190332958A1 (en) * 2018-04-30 2019-10-31 General Electric Company System and process for pattern matching bearing vibration diagnostics
AT524371A1 (de) * 2020-11-02 2022-05-15 Sensideon Gmbh Verfahren zum Bestimmen des Auslesewertes eines SAW-Sensors

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4208735A (en) * 1977-04-15 1980-06-17 Nippon Hoso Kyokai Moving sound source identifying system
RU2005102831A (ru) * 2002-07-05 2005-07-20 Нокиа Корпорейшн (Fi) Способ и устройство, предназначенные для эффективной передачи сигналов размерности и пачки в полосе частот и работы с максимальной половинной скоростью при широкополосном кодировании речи с переменной скоростью передачи битов для беспроводных систем мдкр
RU2006129870A (ru) * 2004-02-23 2008-03-27 Нокиа Корпорейшн (Fi) Классификация звуковых сигналов
RU2006129871A (ru) * 2004-02-23 2008-03-27 Нокиа Корпорейшн (Fi) Выбор модели кодирования

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4901575A (en) * 1988-11-30 1990-02-20 Gp Taurio, Inc. Methods and apparatus for monitoring structural members subject to transient loads
DE4207728A1 (de) * 1992-03-11 1993-09-23 Fraunhofer Ges Forschung Verfahren zur qualitaetspruefung von pruefobjekten
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
EP0816860B1 (en) * 1996-06-28 2003-01-29 Siemens Corporate Research, Inc. Detecting anomalies in electrical equipment operation
DK1088211T3 (da) * 1998-04-17 2003-10-20 Siemens Ag Akustisk diagnosesystem og -fremgangsmåde
US6227036B1 (en) * 1998-10-28 2001-05-08 The Regents Of The University Of Michigan Multiple microphone photoacoustic leak detection and localization system and method
EP1299783A2 (en) * 2000-06-19 2003-04-09 The Dow Chemical Company Rotating equipment diagnostic system and adaptive controller
US6990453B2 (en) * 2000-07-31 2006-01-24 Landmark Digital Services Llc System and methods for recognizing sound and music signals in high noise and distortion
WO2004113557A2 (en) * 2003-06-18 2004-12-29 Applera Corporation Methods and systems for the analysis of biological sequence data
DE102004023824B4 (de) * 2004-05-13 2006-07-13 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts
DE602004009676T2 (de) * 2004-07-09 2008-08-07 Sony Deutschland Gmbh Verfahren zur Musikklassifikation
KR100636317B1 (ko) * 2004-09-06 2006-10-18 삼성전자주식회사 분산 음성 인식 시스템 및 그 방법
JP2007199017A (ja) * 2006-01-30 2007-08-09 Omron Corp 異音明瞭化方法、異音明瞭化装置および異音検査装置
US7842874B2 (en) * 2006-06-15 2010-11-30 Massachusetts Institute Of Technology Creating music by concatenative synthesis
US8036767B2 (en) * 2006-09-20 2011-10-11 Harman International Industries, Incorporated System for extracting and changing the reverberant content of an audio input signal
DE102006056106A1 (de) 2006-11-24 2008-05-29 Hübner, Sebastian System und Verfahren zur Herstellung und Anwendung von Signal-Klassifikatoren
JP4241818B2 (ja) * 2006-12-14 2009-03-18 パナソニック電工株式会社 内部検査装置
US8164484B2 (en) * 2007-10-03 2012-04-24 University Of Southern California Detection and classification of running vehicles based on acoustic signatures
DE102008022125A1 (de) 2008-05-05 2009-11-19 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4208735A (en) * 1977-04-15 1980-06-17 Nippon Hoso Kyokai Moving sound source identifying system
RU2005102831A (ru) * 2002-07-05 2005-07-20 Нокиа Корпорейшн (Fi) Способ и устройство, предназначенные для эффективной передачи сигналов размерности и пачки в полосе частот и работы с максимальной половинной скоростью при широкополосном кодировании речи с переменной скоростью передачи битов для беспроводных систем мдкр
RU2006129870A (ru) * 2004-02-23 2008-03-27 Нокиа Корпорейшн (Fi) Классификация звуковых сигналов
RU2006129871A (ru) * 2004-02-23 2008-03-27 Нокиа Корпорейшн (Fi) Выбор модели кодирования

Also Published As

Publication number Publication date
US20110060564A1 (en) 2011-03-10
EP2277039A1 (de) 2011-01-26
ES2549183T3 (es) 2015-10-23
CN102317770B (zh) 2013-12-18
US8533131B2 (en) 2013-09-10
RU2010149800A (ru) 2012-06-20
WO2009135719A1 (de) 2009-11-12
DE102008022125A1 (de) 2009-11-19
EP2277039B1 (de) 2015-06-17
CN102317770A (zh) 2012-01-11
BRPI0912434A2 (pt) 2015-12-29
EP2277039B9 (de) 2015-11-18
MX2010010905A (es) 2010-11-04

Similar Documents

Publication Publication Date Title
RU2488815C2 (ru) Способ и устройство для классификации генерирующих звук процессов
KR101436190B1 (ko) 롤링 베어링 대미지 검측 및 자동 식별 방법
AU2018228866B2 (en) Methods and apparatus to analyze recordings in leak detection
CN110816588B (zh) 一种机车车轮失圆检测方法、装置、设备及***
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及***
US6591682B1 (en) Device and process for signal analysis
CN111859732B (zh) 船闸闸门及其支承运转件损伤程度自动监测***及监测方法
US20150308920A1 (en) Adaptive baseline damage detection system and method
Tian et al. Rolling element bearing fault diagnosis using simulated annealing optimized spectral kurtosis
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
Liguori et al. Towards the evaluation of the measurement uncertainty of environmental acoustic noise
CN114739671A (zh) 一种基于改进广义s变换的轴承故障诊断方法
JP3885297B2 (ja) 異音判定装置及び異音判定方法
CN113392874A (zh) 轨道车辆异常状态诊断方法、装置及终端设备
CN113139430A (zh) 用于故障检测的声信号分析方法、故障检测的方法、装置
CN104568137B (zh) 噪声测试中特定噪声源贡献率的判定方法
WO2013190551A1 (en) Method of classifying glass break sounds in an audio signal
CN116364108A (zh) 变压器声纹检测方法及装置、电子设备、存储介质
JP2008140222A (ja) 異常検知装置及び方法
JP5900296B2 (ja) 振動解析装置、振動解析方法、及び振動解析プログラム
Jeong et al. Enhanced DET‐Based Fault Signature Analysis for Reliable Diagnosis of Single and Multiple‐Combined Bearing Defects
EP3104152B1 (en) Method and controller for determining an undesired condition in an electrical drive system
JP7334457B2 (ja) 異常検知システム、異常検知装置、異常検知方法およびプログラム
JP2000046893A (ja) 異常診断装置および異常診断方法
JP2002196783A (ja) 時系列信号の識別方法及び装置

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20160313