[發(fā)明專利]基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法及系統(tǒng)有效
| 申請(qǐng)?zhí)枺?/td> | 201710253920.8 | 申請(qǐng)日： | 2017-04-18 |
| 公開(kāi)（公告）號(hào)： | CN107013449B | 公開(kāi)（公告）日： | 2018-08-24 |
| 發(fā)明（設(shè)計(jì)）人： | 邵鵬;張鎮(zhèn);史云飛;梁波 | 申請(qǐng)（專利權(quán)）人： | 山東萬(wàn)騰電子科技有限公司 |
| 主分類號(hào)： | F04B51/00 | 分類號(hào)： | F04B51/00 |
| 代理公司： | 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221 | 代理人： | 黃海麗 |
| 地址： | 250103 山東省濟(jì)南市高*** | 國(guó)省代碼： | 山東;37 |
| 權(quán)利要求書(shū)： | 查看更多 | 說(shuō)明書(shū)： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 卷積神經(jīng)網(wǎng)絡(luò) 采樣點(diǎn) 分幀 壓縮機(jī) 采集 聲音信號(hào)識(shí)別 壓縮機(jī)故障 工作聲音 數(shù)據(jù)重疊 神經(jīng)網(wǎng)絡(luò)模型 聲音信號(hào)采集 長(zhǎng)度設(shè)置 故障識(shí)別 模型訓(xùn)練 聲音數(shù)據(jù) 數(shù)據(jù)分幀 麥克風(fēng) 采樣率 數(shù)據(jù)量 新數(shù)據(jù) 幀數(shù)據(jù) 分割 樣本 輸出 學(xué)習(xí) | ||
1.基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，包括：
步驟(1)：聲音信號(hào)采集：采用麥克風(fēng)對(duì)壓縮機(jī)的工作聲音進(jìn)行采集；設(shè)定采樣率M；
步驟(2)：數(shù)據(jù)重疊分幀：將每秒鐘采集的M個(gè)采樣點(diǎn)進(jìn)行重疊分幀；增大數(shù)據(jù)量，為卷積神經(jīng)網(wǎng)絡(luò)的輸入增加樣本，每幀數(shù)據(jù)的長(zhǎng)度設(shè)置為N采樣點(diǎn)，分幀步長(zhǎng)為P采樣點(diǎn)，重疊N-P采樣點(diǎn)；從而每秒鐘的數(shù)據(jù)能夠劃分為幀有重疊的新數(shù)據(jù)集；表示向下取整；
步驟(3)：神經(jīng)網(wǎng)絡(luò)模型搭建：對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行搭建；
步驟(4)：模型訓(xùn)練：壓縮機(jī)的四種工作狀態(tài)下事先采集的聲音數(shù)據(jù)，經(jīng)過(guò)與步驟(2)同樣的數(shù)據(jù)重疊分幀方法分割后，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所述四種工作狀態(tài)包括：正常運(yùn)轉(zhuǎn)、進(jìn)氣閥故障、出氣閥故障和軸承故障；
步驟(5)：故障識(shí)別：將采集的壓縮機(jī)實(shí)時(shí)工作聲音，按照步驟(2)同樣的數(shù)據(jù)分幀方法分割后，輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出壓縮機(jī)當(dāng)前的工作狀態(tài)。
2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，
所述步驟(1)的采樣率為50KHz。
3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，
所述步驟(2)的具體步驟為：將每秒鐘采集的50K個(gè)采樣點(diǎn)重新規(guī)整，增大數(shù)據(jù)量，為卷積神經(jīng)網(wǎng)絡(luò)的輸入增加樣本，每幀數(shù)據(jù)的長(zhǎng)度設(shè)置為10K采樣點(diǎn)，分幀步長(zhǎng)2K采樣點(diǎn)，重疊8K采樣點(diǎn)，第1幀數(shù)據(jù)為第0K到第10K采樣點(diǎn)；第2幀數(shù)據(jù)為第2K到第12K采樣點(diǎn)；第3幀數(shù)據(jù)為第4K到第14K采樣點(diǎn)；第4幀數(shù)據(jù)為第6K-第16K采樣點(diǎn)；第5幀數(shù)據(jù)為第8K到第18K采樣點(diǎn)；依次類推，第20幀數(shù)據(jù)為第38K-第48K采樣點(diǎn)；第21幀數(shù)據(jù)為第40K-第50K采樣點(diǎn)；每秒鐘的數(shù)據(jù)能夠劃分為21幀有重疊的新數(shù)據(jù)集。
4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，
所述步驟(3)的具體步驟為：
第一層為輸入層，使用原始聲音信號(hào)的10K個(gè)采樣點(diǎn)；
第二層為卷積層，卷積核尺寸為32，卷積核數(shù)量為16，卷積步長(zhǎng)為8，使用ReLU激活函數(shù)，隨后加入最大池化層，池化尺寸4，步長(zhǎng)2，第二層網(wǎng)絡(luò)結(jié)束，網(wǎng)絡(luò)輸出連接至第三層；
第三層卷積層中，卷積核尺寸為3，卷積核數(shù)量32，卷積步長(zhǎng)為1，使用ReLU激活函數(shù)，隨后加入最大池化層，池化尺寸2，步長(zhǎng)1，第三層網(wǎng)絡(luò)結(jié)束，網(wǎng)絡(luò)輸出連接至第四層；
第四層卷積層中，卷積核尺寸為3，卷積核數(shù)量32，卷積步長(zhǎng)為1，使用ReLU激活函數(shù)，隨后加入最大池化層，池化尺寸2，步長(zhǎng)1，第四層網(wǎng)絡(luò)結(jié)束，網(wǎng)絡(luò)輸出進(jìn)行展平操作；
第五層為全連接層，數(shù)據(jù)維數(shù)64；
第六層為輸出層，輸出維數(shù)與設(shè)定故障類型個(gè)數(shù)一致，使用softmax激活函數(shù)。
5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，
所述步驟(4)的具體步驟為：利用壓縮機(jī)的四種工作狀態(tài)下事先采集的聲音數(shù)據(jù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：
每種狀態(tài)在50K采樣率下采集5分鐘原始數(shù)據(jù)，將數(shù)據(jù)按照50K采樣點(diǎn)分割，得到300組時(shí)長(zhǎng)為1秒的數(shù)據(jù)；
然后每秒數(shù)據(jù)按照步驟(2)的數(shù)據(jù)分幀方法，重新分割為21幀有重疊的原始數(shù)據(jù)，5分鐘能夠得到6300組有重疊的原始數(shù)據(jù)；
每種狀態(tài)下6300組數(shù)據(jù)，則4種狀態(tài)下共有25200組數(shù)據(jù)；
將數(shù)據(jù)集按照2:1比例隨機(jī)劃分為訓(xùn)練集與驗(yàn)證集，網(wǎng)絡(luò)訓(xùn)練時(shí)，將每組數(shù)據(jù)的10000個(gè)采樣點(diǎn)與對(duì)應(yīng)的狀態(tài)類型輸入，使用誤差反向傳播算法進(jìn)行多輪遍歷，達(dá)到設(shè)定工作狀態(tài)類型識(shí)別準(zhǔn)確率時(shí)，結(jié)束訓(xùn)練。
6.如權(quán)利要求1所述的基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的方法，其特征是，
所述步驟(5)的具體步驟為：
采集1秒原始聲音實(shí)時(shí)數(shù)據(jù)，然后將實(shí)時(shí)數(shù)據(jù)按照步驟(2)的數(shù)據(jù)分幀方法分割為有重疊的21幀數(shù)據(jù)，每幀數(shù)據(jù)10000采樣點(diǎn)，將21幀數(shù)據(jù)輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障識(shí)別，輸出21個(gè)判斷結(jié)果，然后，統(tǒng)計(jì)21個(gè)輸出類型中每種類型的數(shù)目，將最大數(shù)目的類型作為最終識(shí)別結(jié)果輸出。
7.基于深度學(xué)習(xí)的聲音信號(hào)識(shí)別壓縮機(jī)故障的系統(tǒng)，其特征是，包括：
聲音信號(hào)采集模塊：采用麥克風(fēng)對(duì)壓縮機(jī)的工作聲音進(jìn)行采集；設(shè)定采樣率M；
數(shù)據(jù)重疊分幀模塊：將每秒鐘采集的M個(gè)采樣點(diǎn)進(jìn)行重疊分幀；增大數(shù)據(jù)量，為卷積神經(jīng)網(wǎng)絡(luò)的輸入增加樣本，每幀數(shù)據(jù)的長(zhǎng)度設(shè)置為N采樣點(diǎn)，分幀步長(zhǎng)為P采樣點(diǎn)，重疊N-P采樣點(diǎn)；從而每秒鐘的數(shù)據(jù)能夠劃分為幀有重疊的新數(shù)據(jù)集；表示向下取整；
神經(jīng)網(wǎng)絡(luò)模型搭建模塊：對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行搭建；
模型訓(xùn)練模塊：壓縮機(jī)的四種工作狀態(tài)下事先采集的聲音數(shù)據(jù)，經(jīng)過(guò)與數(shù)據(jù)重疊分幀模塊同樣的數(shù)據(jù)重疊分幀方法分割后，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所述四種工作狀態(tài)包括：正常運(yùn)轉(zhuǎn)、進(jìn)氣閥故障、出氣閥故障和軸承故障；
故障識(shí)別模塊：將采集的壓縮機(jī)實(shí)時(shí)工作聲音，按照數(shù)據(jù)重疊分幀模塊同樣的數(shù)據(jù)分幀方法分割后，輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出壓縮機(jī)當(dāng)前的工作狀態(tài)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于山東萬(wàn)騰電子科技有限公司，未經(jīng)山東萬(wàn)騰電子科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購(gòu)買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請(qǐng)聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710253920.8/1.html，轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專利網(wǎng)。
- 終端卷積神經(jīng)網(wǎng)絡(luò)的處理方法、裝置、存儲(chǔ)介質(zhì)及處理器
- 一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像深度估計(jì)方法
- 卷積神經(jīng)網(wǎng)絡(luò)的生成方法及裝置
- 一種卷積神經(jīng)網(wǎng)絡(luò)硬件模塊部署方法
- 卷積神經(jīng)網(wǎng)絡(luò)的處理方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 一種卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及裝置
- 一種基于通道數(shù)搜索卷積神經(jīng)網(wǎng)絡(luò)的方法
- 卷積神經(jīng)網(wǎng)絡(luò)處理方法、裝置和電子系統(tǒng)
- 一種基于空洞卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的聲音事件檢測(cè)方法
- 基于稀疏卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法及檢測(cè)裝置
- 基于業(yè)務(wù)量的用戶狀態(tài)轉(zhuǎn)換方法及系統(tǒng)
- 一種用電信息采集系統(tǒng)中的分幀互聯(lián)傳輸方法
- 基于幀分復(fù)用的LTE測(cè)量方法和裝置
- 基于RPCA與三幀差分融合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法
- 一種視頻處理方法及裝置、設(shè)備、存儲(chǔ)介質(zhì)
- 軌跡生成與監(jiān)控方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 基于幀間差分的暴力行為檢測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)
- 一種電力采集終端的報(bào)文回復(fù)方法
- 通訊節(jié)點(diǎn)、上位機(jī)對(duì)下位機(jī)的通信分幀優(yōu)化方法
- 基于GSP的ASDU分幀傳輸方法、接收方法及系統(tǒng)
