[發明專利]基于聲波信號的設備健康狀態智能檢測方法和系統

在審

• 申請號: 202010059547.4
• 申請日: 2020-01-19
• 公開（公告）號: CN111325095A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 馬莉;潘少波;李欣欣;石新莉;王卓;李妍;陳穩;孫雨竹
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G01H17/00
• 代理公司: 成都坤倫厚樸專利代理事務所(普通合伙) 51247
• 代理人: 劉坤

1.一種基于聲波信號的設備健康狀態檢測方法，其特征在于包括如下步驟：

步驟一，機器學習步驟，所述機器學習步驟具體包括：

設備聲音信號收集步驟，所述設備聲音信號按照統一聲紋采集裝置與采集方案進行收集；

設備聲音信號預處理步驟，對所述設備聲音信號進行預處理，所述預處理包括但不限于模數轉換、預加重、分幀、加窗以及聲學特征提取；

模型訓練步驟，對所述訓練集樣本進行模型訓練，并使進行調參，確定最佳網絡參數，所述模型訓練采用的模型為CNN模型和RNN模型；

模型集成步驟，對所述CNN模型和RNN模型進行集成，所述集成步驟采用基于bagging框架的集成選擇方法；

模型固化存儲步驟，將測試好的模型進行固化以及存儲，用于后續的預測步驟；

步驟二，建康狀態檢測步驟，所述建康狀態檢測步驟具體包括：

待測信號采集步驟，所述待測信號采集裝置與采集方案與步驟一中的采集裝置與采集方案一致；

待測信號預處理步驟，所述待測信號預處理步驟與步驟一中的信號預處理步驟一致；

實時接收設備聲音信號，輸入訓練好的模型中進行預測，并實時顯示預測結果。

2.如權利要求1所述的基于聲波信號的設備健康狀態檢測方法，其特征在于：所述設備中裝配聲波信號錄制功能和聯網功能的傳感器，由所述傳感器收集設備聲波數據，并傳回服務器用于模型訓練和/或設備健康狀態檢測。

3.如權利要求1所述的基于聲波信號的設備健康狀態檢測方法，其特征在于：所述CNN模型有五層結構，包括輸入層、卷積層、池化層、全連接層、輸出層；卷積層、池化層交錯排列組合成特征提取器，且特征提取器左右兩端都是卷積層；CNN模型的網絡結構由輸入層、特征提取器、全連接層、輸出層依次連接組成；所述RNN模型的網絡結構：按照輸入層、隱藏層、輸出層的順序全連接組成，上一層的輸出直接連接下一層的輸入，網絡中神經元內部之間也相互連接，在深度RNN的中間層加入了LSTM單元。

4.如權利要求3所述的基于聲波信號的設備健康狀態檢測方法，其特征在于：所述CNN模型網絡結構參數為：輸入層60*41*2、卷積層24*3*3、max池化層4*2、卷積層48*3*3、dropout(0.5)+全連接層64、dropout(0.5)+輸出層5；優化器：Adamax；批處理數：32；迭代次數：20；所述RNN模型網絡結構參數為：輸入層20，41、Dropout(0.5)+LSTM層20,256、dropout(0.5)+LSTM層20,128、輸出層5；優化器：adam；批處理數：128；迭代次數：20。

5.如權利要求1所述的基于聲波信號的設備健康狀態檢測方法，其特征在于：顯示預測結果具體為在Web頁面上進行實時顯示預測并進行異常提醒。

6.一種基于聲波信號的設備健康狀態檢測系統，其特征在于包括如下模塊：

機器學習模塊，所述機器學習模塊具體包括：設備聲音信號收集模塊，所述設備聲音信號按照統一聲紋采集裝置與采集方案進行收集；設備聲音信號預處理模塊，對所述設備聲音信號進行預處理，所述預處理包括但不限于模數轉換、預加重、分幀、加窗以及聲學特征提取；模型訓練模塊，對所述訓練集樣本進行模型訓練，并使進行調參，確定最佳網絡參數，所述模型訓練采用的模型為CNN模型和RNN模型；模型集成模塊，對所述CNN模型和RNN模型進行集成，所述集成步驟采用基于bagging框架的集成選擇方法；模型固化存儲模塊，將測試好的模型進行固化以及存儲，用于后續的預測步驟；

建康狀態檢測模塊，所述建康狀態檢測模塊具體包括：

待測信號采集模塊，所述待測信號采集裝置與采集方案與機器學習模塊中的采集裝置與采集方案一致；待測信號預處理模塊，所述待測信號預處理模塊與機器學習模塊中的信號預處理步驟一致；數據處理模塊，實時接收設備聲音信號，輸入訓練好的模型中進行預測；顯示模塊，實時顯示預測結果。