Nothing Special   »   [go: up one dir, main page]

CN116186523A - 一种基于声纹分析的设备故障识别方法及系统 - Google Patents

一种基于声纹分析的设备故障识别方法及系统 Download PDF

Info

Publication number
CN116186523A
CN116186523A CN202310467375.8A CN202310467375A CN116186523A CN 116186523 A CN116186523 A CN 116186523A CN 202310467375 A CN202310467375 A CN 202310467375A CN 116186523 A CN116186523 A CN 116186523A
Authority
CN
China
Prior art keywords
equipment
acoustic signal
real
signal
acoustic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310467375.8A
Other languages
English (en)
Inventor
侯立东
宋淑萍
王海滨
邢恩奎
侴华强
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.)
Heli Tech Energy Co ltd
Original Assignee
Heli Tech Energy 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 Heli Tech Energy Co ltd filed Critical Heli Tech Energy Co ltd
Priority to CN202310467375.8A priority Critical patent/CN116186523A/zh
Publication of CN116186523A publication Critical patent/CN116186523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (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)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及设备故障检测技术领域，提供了一种基于声纹分析的设备故障识别方法及系统，包括：进行声信号采集，得到实时设备声信号；进行信号扩展，获取实时扩展声信号；进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；将所述类间差异特征和所述自身差异特征进行概率线性判别分析；根据概率线性判别分析模型，输出故障判别结果；当所述故障判别结果为返回值不为空的结果，向异常声信号的设备控制终端发送预警信号。能够解决复杂声音环境下通过声音识别设备故障准确率低的问题，可以提高设备在复杂声音环境下故障识别的准确率。

Description

一种基于声纹分析的设备故障识别方法及系统
技术领域
本申请涉及设备故障检测技术领域，具体涉及一种基于声纹分析的设备故障识别方法及系统。
背景技术
设备在运行过程中产生的震动或者噪声是由于发生一些异常病症引起的，因此，通过对设备运行过程中的声音进行辨别，就可以对一些设备的情况进行判断，识别设备是否发生故障。
在设备运行过程中，通常是多台设备一起运行，所产生的声音也是混杂在一起的，在复杂声音环境下，由于很难对单个设备产生的声音进行单独提取，因此造成通过声音来识别设备故障的准确性较低。
综上所述，现有技术中存在复杂声音环境下通过声音识别设备故障准确率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于声纹分析的设备故障识别方法及系统。
一种基于声纹分析的设备故障识别方法，所述方法应用于一种设备故障识别系统，所述系统与巡检机器人通信连接，所述巡检机器人包括声信号采集模块、声信号扩展模块和声信号比对模块，所述方法包括：根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
在一个实施例中，还包括：调用所述巡检机器人的历史信号数据库，获取异常样本声信号，其中，所述异常样本声信号与设备映射；通过对所述异常样本声信号进行识别，确定标识设备属类的类间差异特征和标识设备工况异常的自身差异特征；将所述标识设备属类的类间差异特征和标识设备工况异常的自身差异特征输入至所述声信号比对模块中，辅助输出所述故障判别结果。
在一个实施例中，还包括：将所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征输入至所述声信号比对模块作为预设比对特征；将所述实时设备声信号所对应的类间差异特征和自身差异特征输入所述声信号比对模块中，分别与所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征进行似然度判别，输出所述故障判别结果。
在一个实施例中，还包括：定义所述概率线性判别分析模型：
Figure SMS_1
其中，
Figure SMS_2
标识第i个设备的声信号；
Figure SMS_3
为所述实时设备声信号的均值，F表征设备属性，
Figure SMS_4
表征具体的一个设备的属性；G表的误差空间，包含同一设备不同声信号的变化信息；
Figure SMS_5
表征所述巡检机器人距离第i个设备的位置；
Figure SMS_6
表征所述实时设备声信号的噪声。
在一个实施例中，还包括：根据所述实时设备声信号，训练所述概率线性判别分析模型，其中，所述概率线性判别模型用于输出可以最大程度上表示所述实时设备声信号的参数，所述参数包括表征类间差异的参数
Figure SMS_7
，以及表征自身差异的参数
Figure SMS_8
。
在一个实施例中，还包括：对所述实时设备声信号进行均值处理，获取N个均值计算结果，其中，N为所述实时设备声信号中所涉及的设备数量；基于所述N个均值计算结果进行最大期望迭代优化，更新所述实时设备声信号特征的参数
Figure SMS_9
。
在一个实施例中，还包括：将所述实时设备声信号作为第一信号，将所述异常样本声信号作为第二信号输入所述概率线性判别分析模型进行似然度判别，得到第一似然度和第二似然度；其中，所述第一似然度标识类间差异比对的似然度，所述第二似然度标识自身差异比对的似然度；基于所述第一似然度和所述第二似然度，输出所述故障判别结果。
一种基于声纹分析的设备故障识别系统，所述系统与巡检机器人通信连接，所述巡检机器人包括声信号采集模块、声信号扩展模块和声信号比对模块，所述系统包括：
实时设备声信号得到模块，所述实时设备声信号得到模块用于所述声信号采集模块用于根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；
实时扩展信号获取模块，所述实时扩展信号获取模块用于根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；
特征分析模块，所述特征分析模块用于基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；
概率线性判别分析模块，所述概率线性判别分析模块用于将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；
故障判别结果输出模块，所述故障判别结果输出模块用于根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；
预警信号发送模块，所述预警信号发送模块用于当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
上述一种基于声纹分析的设备故障识别方法及系统，能够解决复杂声音环境下通过声音识别设备故障准确率低的问题，通过巡检机器人的声信号采集模块对设备进行声信号采集，获得实时设备声信号；根据声信号扩展模块对所述实时设备声信号进行信号扩展，可以将实时设备声信号进行放大，方便对所述实施设备声信号进行特征采集，获得实时扩展声信号；然后对所述扩展声信号进行特征分析，获得不同设备声信号的类间差异特征和同一设备声信号的自身差异特征；构建概率线性判别分析模型，并将所述类间差异特征和所述自身差异特征输入所述概率线性判别分析模型进行似然度判别，并根据所述似然度判别结果输出故障判别结果，其中所述故障判别结果包括返回值为0和返回值为1；当所述返回值为1时，通过巡检机器人向异常声信号的设备控制终端发送预警信号。可以提高设备在复杂声音环境下故障识别的准确率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种基于声纹分析的设备故障识别方法的流程示意图；
图2为本申请提供了一种基于声纹分析的设备故障识别方法中辅助输出故障判别结果的流程示意图；
图3为本申请提供了一种基于声纹分析的设备故障识别方法中基于第一似然度和第二似然度输出故障判别结果的流程示意图；
图4为本申请提供了一种基于声纹分析的设备故障识别系统的结构示意图。
附图标记说明：实时设备声信号得到模块1、实时扩展信号获取模块2、特征分析模块3、概率线性判别分析模块4、故障判别结果输出模块5、预警信号发送模块6。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于声纹分析的设备故障识别方法，所述方法应用于一种设备故障识别系统，所述系统与巡检机器人通信连接，所述巡检机器人包括声信号采集模块、声信号扩展模块和声信号比对模块，所述方法包括：
步骤S100：根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；
步骤S200：根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；
具体而言，本申请提供的方法用于通过声纹分析对设备故障进行识别，具体实施于一种设备故障识别系统。所述巡检机器人是指一款智能巡检设备，例如：工业巡检机器人。所述巡检机器人用于对工厂或车间内运行的设备进行智能巡检，其中包括声信号采集模块、声信号扩展模块和声信号比对模块，所述声信号采集模块用于对设备运行声音信息进行实时采集，所述声信号扩展模块用于对声信号进行相位扩展，将声信号进行放大便于特征识别和提取，所述声信号比对模块用于将实时设备声信号与历史异常声信号进行比对，并输出比对结果。所述巡检机器人通过自身信号传输模块与所述设备故障识别系统进行数据传输与交互。
通过所述巡检机器人的声信号采集模块对工厂或车间内运行设备进行实时声信号采集，获得实时设备声信号，所述实时设备声信号是指车间内所述巡检机器人当前位置采集的声音，其中包括多台设备一起运行的声音、工人说话噪音、车间外其他的影响噪音等。然后将所述实时设备声信号输入所述声信号扩展模块进行声信号相位扩展，所述声信号相位扩展是指将单位时间内波动不大的声信号进行相位展开，对声信号进行扩大和加强，获取实时扩展声信号。通过声信号扩展模块对实时设备声信号进行信号扩展，可以使实时设备声信号更容易进行特征识别和提取。
步骤S300：基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；
具体而言，构建历史信号数据库，所述历史信号数据库中存储有多个设备类型和对应的设备正常运行时的声信号和异常运行时的声信号，所述历史信号数据库嵌入于所述巡检机器人内部。根据所述历史信号数据库对所述扩展声信号进行特征比对识别，确定多个运行设备的类型和同一设备声信号的自身差异特征，所述自身差异特征是指同一设备声信号与所述历史信号数据库中同一设备正常运行声信号之间的差值，所述差值可以用声信号的频率、振幅、谐波的差值来表示。并根据所述多个运行设备类型确定不同运行设备声信号的类间差异特征。通过获得所述类间差异特征和所述自身差异特征，为下一步进行异常声信号比对提供了原始数据支持。
步骤S400：将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；
如图2所示，在一个实施例中，本申请步骤S400还包括：
步骤S410：调用所述巡检机器人的历史信号数据库，获取异常样本声信号，其中，所述异常样本声信号与设备映射；
步骤S420：通过对所述异常样本声信号进行识别，确定标识设备属类的类间差异特征和标识设备工况异常的自身差异特征；
步骤S430：将所述标识设备属类的类间差异特征和标识设备工况异常的自身差异特征输入至所述声信号比对模块中，辅助输出所述故障判别结果。
具体而言，对所述巡检机器人的历史信号数据库中的异常样本声信号进行提取，获得异常样本声信号，所述异常样本声信号是指设备异常运行时发出的声信号，其中每个设备包含一个或多个异常样本声信号，所述异常样本声信号与设备具有映射关系。对所述异常样本声信号进行声信号识别，所述声信号识别是指根据声音的频率、振幅、谐波对所述异常样本声信号进行识别，获得标识设备属类的类间差异特征和标识设备工况异常的自身差异特征，所述类间差异特征是指不同设备异常声信号之间频率、振幅、谐波的差异。所述自身差异特征是指设备异常声信号的频率、振幅、谐波。
将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中所述声信号比对模块内嵌有概率线性判别分析模型，所述概率线性判别分析模型用于对所述类间差异特征、所述自身差异特征进行似然度判别。
在一个实施例中，本申请步骤S430还包括：
步骤S431：将所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征输入至所述声信号比对模块作为预设比对特征；
步骤S432：将所述实时设备声信号所对应的类间差异特征和自身差异特征输入所述声信号比对模块中，分别与所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征进行似然度判别，输出所述故障判别结果。
具体而言，将所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征输入至所述声信号比对模块进行存储并作为预设比对特征。然后将所述实时设备声信号所对应的类间差异特征和自身差异特征输入所述声信号比对模块中，将所述实时设备声信号所对应的类间差异特征进行似然度判别，将所述实时设备声信号所对应的自身差异特征与所述标识设备工况异常的自身差异特征进行似然度判别。
如图3所示，在一个实施例中，本申请步骤S432还包括：
步骤S4321：将所述实时设备声信号作为第一信号，将所述异常样本声信号作为第二信号输入所述概率线性判别分析模型进行似然度判别，得到第一似然度和第二似然度；
在一个实施例中，本申请步骤S4321还包括：
步骤S43211：定义所述概率线性判别分析模型：
Figure SMS_10
其中，
Figure SMS_11
标识第i个设备的声信号；
Figure SMS_12
为所述实时设备声信号的均值，F表征设备属性，
Figure SMS_13
表征具体的一个设备的属性；G表的误差空间，包含同一设备不同声信号的变化信息；
Figure SMS_14
表征所述巡检机器人距离第i个设备的位置；
Figure SMS_15
表征所述实时设备声信号的噪声。
具体而言，在所述概率判别分析模型
Figure SMS_18
中，
Figure SMS_20
标识第i个设备的声信号；
Figure SMS_22
为所述实时设备声信号的均值，F表征设备属性，
Figure SMS_17
表征具体的一个设备的属性，通过
Figure SMS_19
可以表示类间差异特征；G表的误差空间，包含同一设备不同声信号的变化信息；
Figure SMS_21
表征所述巡检机器人距离第i个设备的位置；
Figure SMS_23
表征所述实时设备声信号的噪声，通过
Figure SMS_16
可以表示自身差异特征。
在一个实施例中，本申请步骤S4321还包括：
步骤S43212：根据所述实时设备声信号，训练所述概率线性判别分析模型，其中，所述概率线性判别模型用于输出可以最大程度上表示所述实时设备声信号的参数，所述参数包括表征类间差异的参数
Figure SMS_24
，以及表征自身差异的参数
Figure SMS_25
。
在一个实施例中，本申请步骤S43212还包括：
步骤S432121：对所述实时设备声信号进行均值处理，获取N个均值计算结果，其中，N为所述实时设备声信号中所涉及的设备数量；
步骤S432122：基于所述N个均值计算结果进行最大期望迭代优化，更新所述实时设备声信号特征的参数
Figure SMS_26
。
具体而言，对所述实时设备声信号进行均值处理，所述均值处理是指将所述实时设备声信号中涉及设备的一段时间内声信号的频率、振幅、谐波进行平均，获得N个一段时间内稳定的声信号即所述N个均值计算结果，其中N为所述实时设备声信号中所涉及的设备数量。通过对所述实时设备声信号进行均值处理，可以使模型训练的结果更加准确。
所述概率线性判别分析模型用于输出可以最大程度上表示所述实时设备声信号的参数，所述实时设备声信号的参数是指每个语音的声信号结构的参数，所述参数包括表征类间差异的参数
Figure SMS_27
，以及表征自身差异的参数
Figure SMS_28
。根据所述N个均值计算结果对所述概率线性判别分析模型
Figure SMS_29
进行训练，根据所述N个均值计算结果进行最大期望迭代优化，首先，随机初始化所述实时设备声信号特征的参数
Figure SMS_30
；然后对于每一个i计算根据上一次迭代的模型参数来计算隐性变量的期望，来作为隐藏变量的现估计值；求得使现估计值获得极大值时的参数取值，将似然函数最大化以获得新的参数值；最后循环迭代直到模型收敛，根据输出结果对所述实时设备声信号特征的参数
Figure SMS_31
进行更新。通过对概率线性判别分析模型进行最大期望迭代优化，可以解决所述概率线性判别分析模型中存在隐变量的问题。
步骤S4322：其中，所述第一似然度标识类间差异比对的似然度，所述第二似然度标识自身差异比对的似然度；
步骤S4323：基于所述第一似然度和所述第二似然度，输出所述故障判别结果。
具体而言，将所述实时设备声信号作为第一信号，将所述异常样本声信号作为第二信号输入所述概率线性判别分析模型进行似然度判别，获得第一似然度和第二似然度。其中所述第一似然度用参数
Figure SMS_32
之间的关系表示，所述第一似然度用于标识类间差异比对的似然度，所述第二似然度用
Figure SMS_33
之间的关系表示，所述第二似然度用于标识自身差异比对的似然度。预设第一似然度阈值和第二似然度阈值，所述第一似然度阈值和所述第二似然度阈值本领域技术人员可基于实际情况自定义设置。根据所述第一似然度阈值和所述第二似然度阈值对所述第一似然度和所述第二似然度进行判断，输出故障识别结果。
步骤S500：根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；
步骤S600：当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
具体而言，根据所述概率线性判别分析模型，输出故障判别结果，当所述第一似然度满足所述第一似然度阈值且所述第二似然度满足所述第二似然度阈值时，则输出故障识别结果为所述返回值为空的结果，所述返回值为空即所述返回值为0的结果，所述返回值为空的结果用于表示设备运行正常。当所述第一似然度和所述第二似然度两者中有一个或者都不满足所述似然度阈值时，则输出故障识别结果为所述返回值不为空的结果，所述返回值不为空的结果即所述返回值为1的结果，所述返回值不为空的结果用于表示设备运行异常。当所述故障判别结果为返回值不为空的结果时，即判断设备运行异常，并通过所述巡检机器人向异常声信号的设备控制终端发送预警信号，所述预警信号用于提醒设备负责人进行设备维护。通过上述方法解决了复杂声音环境下通过声音识别设备故障准确率低的问题，可以提高设备在复杂声音环境下故障识别的准确率。
在一个实施例中，如图4所示提供了一种基于声纹分析的设备故障识别系统，包括：实时设备声信号得到模块1、实时扩展信号获取模块2、特征分析模块3、概率线性判别分析模块4、故障判别结果输出模块5、预警信号发送模块6、其中：
实时设备声信号得到模块1，所述实时设备声信号得到模块1用于所述声信号采集模块用于根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；
实时扩展信号获取模块2，所述实时扩展信号获取模块2用于根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；
特征分析模块3，所述特征分析模块3用于基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；
概率线性判别分析模块4，所述概率线性判别分析模块4用于将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；
故障判别结果输出模块5，所述故障判别结果输出模块5用于根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；
预警信号发送模块6，所述预警信号发送模块6用于当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
在一个实施例中，所述系统还包括：
异常样本声信号获取模块，所述异常样本声信号获取模块用于调用所述巡检机器人的历史信号数据库，获取异常样本声信号，其中，所述异常样本声信号与设备映射；
异常样本声信号识别模块，所述异常样本声信号识别模块用于通过对所述异常样本声信号进行识别，确定标识设备属类的类间差异特征和标识设备工况异常的自身差异特征；
故障判别结果辅助输出模块，所述故障判别结果辅助输出模块用于将所述标识设备属类的类间差异特征和标识设备工况异常的自身差异特征输入至所述声信号比对模块中，辅助输出所述故障判别结果。
在一个实施例中，所述系统还包括：
预设比对特征获取模块，所述预设比对特征获取模块用于将所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征输入至所述声信号比对模块作为预设比对特征；
故障判别结果输出模块，所述故障判别结果输出模块用于将所述实时设备声信号所对应的类间差异特征和自身差异特征输入所述声信号比对模块中，分别与所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征进行似然度判别，输出所述故障判别结果。
在一个实施例中，所述系统还包括：
概率线性判别分析模型定义模块，所述概率线性判别分析模型定义模块用于定义所述概率线性判别分析模型：
Figure SMS_34
其中，
Figure SMS_35
标识第i个设备的声信号；
Figure SMS_36
为所述实时设备声信号的均值，F表征设备属性，
Figure SMS_37
表征具体的一个设备的属性；G表的误差空间，包含同一设备不同声信号的变化信息；
Figure SMS_38
表征所述巡检机器人距离第i个设备的位置；
Figure SMS_39
表征所述实时设备声信号的噪声。
在一个实施例中，所述系统还包括：
概率线性判别分析模型训练模块，所述概率线性判别分析模型训练模块用于根据所述实时设备声信号，训练所述概率线性判别分析模型，其中，所述概率线性判别模型用于输出可以最大程度上表示所述实时设备声信号的参数，所述参数包括表征类间差异的参数
Figure SMS_40
，以及表征自身差异的参数
Figure SMS_41
。
在一个实施例中，所述系统还包括：
均值计算结果获取模块，所述均值计算结果获取模块用于对所述实时设备声信号进行均值处理，获取N个均值计算结果，其中，N为所述实时设备声信号中所涉及的设备数量；
参数更新模块，所述参数更新模块用于基于所述N个均值计算结果进行最大期望迭代优化，更新所述实时设备声信号特征的参数
Figure SMS_42
。
在一个实施例中，所述系统还包括：
似然度判别模块，所述似然度判别模块用于将所述实时设备声信号作为第一信号，将所述异常样本声信号作为第二信号输入所述概率线性判别分析模型进行似然度判别，得到第一似然度和第二似然度；
似然度概括模块，所述似然度概括模块是指其中，所述第一似然度标识类间差异比对的似然度，所述第二似然度标识自身差异比对的似然度；
故障判别结果输出模块，所述故障判别结果输出模块用于基于所述第一似然度和所述第二似然度，输出所述故障判别结果。
综上所述，本申请提供了一种基于声纹分析的设备故障识别方法及系统具有以下技术效果：
1.解决了复杂声音环境下通过声音识别设备故障准确率低的问题，可以提高设备在复杂声音环境下故障识别的准确率。
2.通过声信号扩展模块对实时设备声信号进行信号扩展，可以使实时设备声信号更容易进行特征识别和提取。
3.通过对概率线性判别分析模型进行最大期望迭代优化，可以解决所述概率线性判别分析模型中存在隐变量的问题。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于声纹分析的设备故障识别方法，其特征在于，所述方法应用于一种设备故障识别系统，所述系统与巡检机器人通信连接，所述巡检机器人包括声信号采集模块、声信号扩展模块和声信号比对模块，所述方法包括：
根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；
根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；
基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；
将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；
根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；
当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
调用所述巡检机器人的历史信号数据库，获取异常样本声信号，其中，所述异常样本声信号与设备映射；
通过对所述异常样本声信号进行识别，确定标识设备属类的类间差异特征和标识设备工况异常的自身差异特征；
将所述标识设备属类的类间差异特征和标识设备工况异常的自身差异特征输入至所述声信号比对模块中，辅助输出所述故障判别结果。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
将所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征输入至所述声信号比对模块作为预设比对特征；
将所述实时设备声信号所对应的类间差异特征和自身差异特征输入所述声信号比对模块中，分别与所述标识设备属类的类间差异特征和所述标识设备工况异常的自身差异特征进行似然度判别，输出所述故障判别结果。
4.如权利要求1所述的方法，其特征在于，定义所述概率线性判别分析模型：
Figure QLYQS_1
其中，
Figure QLYQS_2
标识第i个设备的声信号；
Figure QLYQS_3
为所述实时设备声信号的均值，F表征设备属性，
Figure QLYQS_4
表征具体的一个设备的属性；G表的误差空间，包含同一设备不同声信号的变化信息；
Figure QLYQS_5
表征所述巡检机器人距离第i个设备的位置；
Figure QLYQS_6
表征所述实时设备声信号的噪声。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
根据所述实时设备声信号，训练所述概率线性判别分析模型，其中，所述概率线性判别模型用于输出可以最大程度上表示所述实时设备声信号的参数，所述参数包括表征类间差异的参数
Figure QLYQS_7
，以及表征自身差异的参数
Figure QLYQS_8
。
6.如权利要求4所述的方法，其特征在于，通过最大期望算法对所述实时设备声信号进行求解，输出可以最大程度上表示所述实时设备声信号特征的参数，包括：
对所述实时设备声信号进行均值处理，获取N个均值计算结果，其中，N为所述实时设备声信号中所涉及的设备数量；
基于所述N个均值计算结果进行最大期望迭代优化，更新所述实时设备声信号特征的参数
Figure QLYQS_9
。
7.如权利要求3所述的方法，其特征在于，输出所述故障判别结果，方法还包括：
将所述实时设备声信号作为第一信号，将所述异常样本声信号作为第二信号输入所述概率线性判别分析模型进行似然度判别，得到第一似然度和第二似然度；
其中，所述第一似然度标识类间差异比对的似然度，所述第二似然度标识自身差异比对的似然度；
基于所述第一似然度和所述第二似然度，输出所述故障判别结果。
8.一种基于声纹分析的设备故障识别系统，其特征在于，所述系统与巡检机器人通信连接，所述巡检机器人包括声信号采集模块、声信号扩展模块和声信号比对模块，所述系统包括：
实时设备声信号得到模块，所述实时设备声信号得到模块用于所述声信号采集模块用于根据所述巡检机器人的声信号采集模块进行声信号采集，得到实时设备声信号；
实时扩展信号获取模块，所述实时扩展信号获取模块用于根据所述声信号扩展模块对所述实时设备声信号进行信号扩展，获取实时扩展声信号；
特征分析模块，所述特征分析模块用于基于所述扩展声信号进行特征分析，获取不同设备声信号的类间差异特征以及同一设备声信号的自身差异特征；
概率线性判别分析模块，所述概率线性判别分析模块用于将所述类间差异特征和所述自身差异特征输入所述声信号比对模块中进行概率线性判别分析，其中，所述声信号比对模块嵌有概率线性判别分析模型；
故障判别结果输出模块，所述故障判别结果输出模块用于根据所述概率线性判别分析模型，输出故障判别结果，其中，所述故障判别结果包括返回值为空的结果和返回值不为空的结果；
预警信号发送模块，所述预警信号发送模块用于当所述故障判别结果为返回值不为空的结果，通过所述巡检机器人向异常声信号的设备控制终端发送预警信号。
CN202310467375.8A 2023-04-27 2023-04-27 一种基于声纹分析的设备故障识别方法及系统 Pending CN116186523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310467375.8A CN116186523A (zh) 2023-04-27 2023-04-27 一种基于声纹分析的设备故障识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310467375.8A CN116186523A (zh) 2023-04-27 2023-04-27 一种基于声纹分析的设备故障识别方法及系统

Publications (1)

Publication Number Publication Date
CN116186523A true CN116186523A (zh) 2023-05-30

Family

ID=86434878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310467375.8A Pending CN116186523A (zh) 2023-04-27 2023-04-27 一种基于声纹分析的设备故障识别方法及系统

Country Status (1)

Country Link
CN (1) CN116186523A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016027996A1 (ko) * 2014-08-21 2016-02-25 호원대학교산학협력단 전력설비 음향 진단 시스템
CN107085164A (zh) * 2017-03-22 2017-08-22 清华大学 一种电网故障类型确定方法及装置
CN111613230A (zh) * 2020-06-24 2020-09-01 泰康保险集团股份有限公司 声纹验证方法、装置、设备及存储介质
CN112259106A (zh) * 2020-10-20 2021-01-22 网易（杭州）网络有限公司 声纹识别方法、装置、存储介质及计算机设备
CN113740635A (zh) * 2021-07-21 2021-12-03 国网河北省电力有限公司电力科学研究院 电气设备故障诊断方法、终端和多探头传感装置
CN116013362A (zh) * 2022-12-09 2023-04-25 杭州海康威视数字技术股份有限公司 故障类型的确定方法、装置、计算机设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016027996A1 (ko) * 2014-08-21 2016-02-25 호원대학교산학협력단 전력설비 음향 진단 시스템
CN107085164A (zh) * 2017-03-22 2017-08-22 清华大学 一种电网故障类型确定方法及装置
CN111613230A (zh) * 2020-06-24 2020-09-01 泰康保险集团股份有限公司 声纹验证方法、装置、设备及存储介质
CN112259106A (zh) * 2020-10-20 2021-01-22 网易（杭州）网络有限公司 声纹识别方法、装置、存储介质及计算机设备
CN113740635A (zh) * 2021-07-21 2021-12-03 国网河北省电力有限公司电力科学研究院 电气设备故障诊断方法、终端和多探头传感装置
CN116013362A (zh) * 2022-12-09 2023-04-25 杭州海康威视数字技术股份有限公司 故障类型的确定方法、装置、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109300483B (zh) 一种智能化音频异音检测方法
JP2004501465A (ja) 回転装置診断システム及び適応コントローラ
CN112052871B (zh) 一种基于支持向量机的火箭发动机健康诊断方法及系统
CN115128345B (zh) 一种基于谐波监测的电网安全预警方法及系统
CN109784284A (zh) 基于旋转机械的工作状态的自学习识别方法
CN112233695A (zh) 基于人工智能和大数据的加油机异音分析及故障预警系统
CN118035249B (zh) 核工程复杂关系数据建模与监控方法和系统
JP6876589B2 (ja) 異常検知装置及び異常検知方法並びに異常検知プログラム
CN117572837B (zh) 一种智慧电厂ai主动运维方法及系统
CN117536872B (zh) 一种罗茨风机状态监测系统与故障预测方法
CN116717461B (zh) 一种真空泵运行状态的智能监测方法及系统
CN103886868A (zh) 冲击声检测方法及检测系统
CN116186523A (zh) 一种基于声纹分析的设备故障识别方法及系统
CN113450827A (zh) 基于压缩神经网络的设备异常工况声纹分析算法
CN112801033A (zh) 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
CN112270203A (zh) 一种基于熵权法的风机特征优选方法
CN111874813A (zh) 基于改进决策树算法的岸桥起重机减速器状态检测方法
CN116719831A (zh) 一种面向健康监测的标准数据库建立与更新方法
JP3012449B2 (ja) 音響信号の識別方法および装置
CN100375076C (zh) 特征识别方法及特征识别系统
CN112381352A (zh) 一种基于多源异构监测的风电机组运行状态评估方法
Zhu et al. Blocking detection of underground drainage pipe based on CEEMD and GG clustering
CN118211166B (zh) 一种基于数据分析的功率放大器生产检测系统及方法
CN114637793B (zh) 一种基于大数据分析的装备故障频发区域定位方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230530

RJ01 Rejection of invention patent application after publication