[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

本發(fā)明公開(kāi)了基于深度學(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)；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；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)能夠劃分為有重疊的新數(shù)據(jù)集；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；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；故障識(shí)別：將采集的壓縮機(jī)實(shí)時(shí)工作聲音，按照數(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，輸出當(dāng)前的工作狀態(tài)。

技術(shù)領(lǐng)域

本發(fā)明涉及基于深度學(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)。

背景技術(shù)

在實(shí)際工程應(yīng)用中，使用振動(dòng)信號(hào)分析診斷壓縮機(jī)故障是目前的主流方法，它通過(guò)采集壓縮機(jī)在運(yùn)行過(guò)程中的振動(dòng)信號(hào)，進(jìn)行特征提取后進(jìn)行故障判斷。常用的振動(dòng)信號(hào)處理方法主要包括時(shí)域分析、頻域分析、時(shí)頻分析、多分辨分析、經(jīng)驗(yàn)?zāi)B(tài)分析等。這類方法的特點(diǎn)是利用經(jīng)典的信號(hào)處理方法提取大量特征，然后使用機(jī)器學(xué)習(xí)進(jìn)行特征分類，這類方法需要掌握特定領(lǐng)域的信號(hào)處理方法并與實(shí)際工程結(jié)合，對(duì)技術(shù)人員要求較高。

與此同時(shí)，復(fù)雜的特征工程也是此類方法的難點(diǎn)之一，如何提取到有效的能區(qū)分不同故障類型的特征，是一項(xiàng)繁瑣且艱巨的任務(wù)，好的特征對(duì)識(shí)別效果影響很大，實(shí)際上，很多故障分類方法要靠良好的特征進(jìn)行識(shí)別，如果能自動(dòng)從采集到的原始數(shù)據(jù)中獲取到不同的特征，將大大減少特征工程工作量。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了解決上述問(wèn)題，提供基于深度學(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)，利用深度學(xué)習(xí)，自動(dòng)從原始聲音信號(hào)中提取出不同故障下的特征，簡(jiǎn)化了識(shí)別過(guò)程，使得非專業(yè)人員在不需要專業(yè)知識(shí)的前提下，通過(guò)非接觸式的聲音檢測(cè)，識(shí)別出壓縮機(jī)的故障。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

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，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；

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)。

所述步驟(1)的采樣率為50KHz。

所述步驟(2)的步驟為：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。

所述步驟(3)的步驟為：

第一層為輸入層，使用原始聲音信號(hào)的10K個(gè)采樣點(diǎn)；