[發明專利]一種基于MFCC特征提取的機器故障預測方法

有效

• 申請號: 201310662669.2
• 申請日: 2013-12-09
• 公開（公告）號: CN103810374B
• 公開（公告）日: 2017-04-05
• 發明（設計）人: 張申;常飛;喬欣;丁一珊;王桃;胡青松
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 楊曉玲

技術領域

本發明涉及一種機器故障預測方法，特別是一種基于MFCC特征提取的機器故障預測方法。?

背景技術

機器故障預測是指根據機器當前或者歷史運行時的狀態預測出未來一段時間內機器的健康狀態與是否存在漸變故障，其預測的準確性是機器日常維護、正常運行、安全生產等重要保證，直接關系到經濟效益與維護成本。?

與故障診斷不同的是故障預測能夠事先對有可能發生漸變故障的機器做出判斷，為有計劃的安排維修與維護提供了前提。聲音信號是對多數的機器都很敏感，對于正常運行的機器，其每次啟動、運行、結束的聲音特征變化不大。但是當機器出現漸變故障時，機器的聲音特征就會出現劇烈的變化，因而，通過聲音特征的提取對機器故障進行預測是可行的。?

目前，在機器故障預測的特征提取中，時域振動烈度的特征提取是機器預測的基本參數，通常通過傳感器采集到機器的震動烈度，然后進過分析找出符合該機器正常運行的正態分布，當下一次采集的信號特征符合正態分布，且越靠近均值，就表明機器越正常。頻域方面，主要分析頻帶寬度、或者進行小波變換后的頻帶能量，統計機器正常運行時各個頻帶的能量分布作為故障預測的樣本特征向量，接著提取到的機器特征作為測試樣本，再通過各種預測模型進行機器故障預測。但是由于機器運行時的表現出來信號具有非線性、時變性、隨機性，僅通過提取信號的時域或者頻域進行分析并不能很好地對機器進行故障預測。?

現有的預測模型技術主要有曲線擬合、高斯混合模型（GMM）、神經網絡（NN）、灰色模型、隱馬爾科夫模型（HMM）、支持向量機（support?vector?machine，SVM）。其中，曲線擬合僅僅通過回歸分析歷史的數據進行預測，雖然最為原理簡單但誤差較大；高斯混合模型通過概率密度函數將特征量化，統計各個量化后的特征出現的頻次，能夠實現機器進行故障預測，但是其穩定性、精確性受到學習機制的影響較大；神經網絡具有抗噪性能超強、不需建立具有一定規律的數學模型、極強的非線性映射能力等優點在預測方面具有很好的應用前景，但是也存在收斂速度慢、容易陷入局部最優解等問題；灰色模型和隱馬爾科夫模型在短期預測具有較高的預測精度、適應能力強等優點，但是其精度依賴于特征參數的多少，當特征參數較少時，預測效果一般；SVM是一種新型的機器學習方法，具有唯一的全局最優解與出色的機器學習能力，能夠很好的解決小樣本、非線性、高維化等問題，能不夠滿足機器故障特征的隨機性、時變性、非線性等。?

發明內容

本發明的目的是克服現有技術中的不足之處，提供一種操作簡單、精確度高、能快速?預測機器的健康狀態、維護機器方便的基于MFCC特征提取的機器故障預測方法。?

本發明的目的是這樣實現的，本發明的故障預測方法，通過機器上安裝的聲傳感器獲得當前機器運行的聲音信號特征，聲音信號經過預處理后，再將其進行Mel變換，獲得其MFCC特征向量；根據所得MFCC特征向量對機器健康狀況進行預測，具體聚類過程是支持向量機（support?vector?machine，SVM）對機器正在運行時所提取的MFCC特征和所存機器之前正常運行樣本數據進行聚類，通過投票法對聚類結果進行分析，進而對機器故障進行預測；?

具體實現過程如下：?

（1）信號提取：在需要預測機器上安裝聲音傳感器，首先采集機器正常運行時n天的數據，作為SVM分類器的對比參照可稱為樣本數據庫。然后通過聲傳感器獲取當前機器的聲音信號作為機器故障預測的測試樣本庫。?

（2）聲信號處理：針對機器正常運行時已獲得聲音樣本庫的MFCC特征向量，將聲音樣本數據與測試數據庫分別進行預處理，所述的預處理包括濾波、加重、分幀或加窗，然后將預處理后的聲音信號變換至與其成非線性對應關系的Mel域，最后得到機器正常運行時與當前機器運行時的MFCC特征向量；?

3、預測模型建立：首先采集機器運行n天正常運行時的聲音信號，經Mel域變換后存入樣本數據庫中；將機器正常運行n天時的MFCC特征向量樣本庫當作SVM聚類器，然后實時采集當前機器運行的聲音信號，并提取其對應的MFCC系數；SVM預測包括線性可分與線性不可分兩種情況，當所采集信號為線性不可分時，構建非線性SVM聚類器，采用SVM機器預測模型的非線性分類算法，最后通過非線性SVM進行聚類分析給出該機器的健康狀況；若機器的運行狀態在一段時間內是平穩的，且滿足給定的機器正常門限值，當前機器的MFCC特征向量作為SVM聚類器的測試樣本，構建基于SVM的機器預測模型；?