[發(fā)明專利]基于聲波信號(hào)的設(shè)備健康狀態(tài)智能檢測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010059547.4
• 申請(qǐng)日: 2020-01-19
• 公開（公告）號(hào): CN111325095A
• 公開（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 馬莉;潘少波;李欣欣;石新莉;王卓;李妍;陳穩(wěn);孫雨竹
• 申請(qǐng)（專利權(quán)）人: 西安科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08;G01H17/00
• 代理公司: 成都坤倫厚樸專利代理事務(wù)所(普通合伙) 51247
• 代理人: 劉坤

本發(fā)明屬于聲波信號(hào)處理領(lǐng)域,具體涉及一種基于聲波信號(hào)的設(shè)備健康狀態(tài)智能檢測(cè)方法和系統(tǒng)，該方法基于深度學(xué)習(xí)的設(shè)備故障聲波信號(hào)識(shí)別技術(shù)，通過(guò)按照統(tǒng)一聲紋采集裝置與采集方案進(jìn)行設(shè)備聲音收集，并對(duì)所述設(shè)備聲音信號(hào)進(jìn)行預(yù)處理，進(jìn)行CNN模型和RNN模型訓(xùn)練，并對(duì)所述CNN模型和RNN模型進(jìn)行集成、模型固化存儲(chǔ)。在使用時(shí)，先采集待測(cè)試信號(hào)，然后輸入訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)，并實(shí)時(shí)顯示預(yù)測(cè)結(jié)果。使用本發(fā)明的方法和系統(tǒng)不但強(qiáng)化了模型的自適應(yīng)能力和判斷準(zhǔn)確性，還可以實(shí)時(shí)顯示結(jié)果，提高故障檢測(cè)的效率。

技術(shù)領(lǐng)域

本發(fā)明屬于聲波信號(hào)檢測(cè)系統(tǒng)領(lǐng)域，具體涉及基于聲波信號(hào)的設(shè)備健康狀態(tài)智能檢測(cè)方法及系統(tǒng)。

背景技術(shù)

聲波信號(hào)領(lǐng)域有一種小眾的研究方向——聲音分類。以色列一家名為“3DSignals”的創(chuàng)業(yè)公司在旋轉(zhuǎn)設(shè)備等電氣化領(lǐng)域設(shè)備的聲學(xué)異常檢測(cè)方面具有專利。這些設(shè)備包括如電動(dòng)機(jī)、泵機(jī)、渦輪機(jī)、齒輪箱和發(fā)電機(jī)等。

在深度學(xué)習(xí)領(lǐng)域模型中，聲波信號(hào)帶來(lái)的“黑箱”問(wèn)題讓我們很難確定并理解某段聲波信號(hào)被標(biāo)記(正常、故障類型)的原因；同時(shí)，在生產(chǎn)生活中無(wú)處不在的噪聲也在壓制干擾著我們的特征信號(hào)，從而限制了模型從聲波信號(hào)中獲取特征的能力；雖然目前有一部分使用深度學(xué)習(xí)進(jìn)行聲音分類的技術(shù)，但是對(duì)于設(shè)備故障類的聲音識(shí)別能力較弱，不能快速并且準(zhǔn)確地識(shí)別設(shè)備故障。另外，在設(shè)備檢修領(lǐng)域，目前主要依靠人工進(jìn)行逐個(gè)設(shè)備地檢查，缺乏有效的快速檢查及反饋機(jī)制，檢查效率低下。

發(fā)明內(nèi)容

為了解決上述技術(shù)問(wèn)題，本發(fā)明的目的是提供一種新型的故障預(yù)測(cè)機(jī)制，進(jìn)行信號(hào)特征自適應(yīng)提取與運(yùn)行狀態(tài)的自動(dòng)判別，并強(qiáng)化了模型的自適應(yīng)能力和判斷準(zhǔn)確性，同時(shí)實(shí)時(shí)檢測(cè)以及顯示故障結(jié)果，最大程度上與傳統(tǒng)的設(shè)備維修檢測(cè)方法形成互補(bǔ)，能夠有效節(jié)省人力與物力成本，并同時(shí)提高設(shè)備故障維修工作效率。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明所采用的技術(shù)方案是基于聲波信號(hào)的設(shè)備健康狀態(tài)智能檢測(cè)方法包括如下步驟：

步驟一，機(jī)器學(xué)習(xí)步驟，所述機(jī)器學(xué)習(xí)步驟具體包括：設(shè)備聲音信號(hào)收集步驟，所述設(shè)備聲音信號(hào)按照統(tǒng)一聲紋采集裝置與采集方案進(jìn)行收集，并將所述樣本分成訓(xùn)練集、驗(yàn)證集以及測(cè)試集；設(shè)備聲音信號(hào)預(yù)處理步驟，對(duì)所述設(shè)備聲音信號(hào)進(jìn)行預(yù)處理，所述預(yù)處理包括但不限于模數(shù)轉(zhuǎn)換、預(yù)加重、分幀、加窗以及聲學(xué)特征提取；模型訓(xùn)練步驟，對(duì)所述訓(xùn)練集樣本進(jìn)行模型訓(xùn)練，并使用驗(yàn)證集數(shù)據(jù)進(jìn)行調(diào)參，確定最佳網(wǎng)絡(luò)參數(shù)，所述模型訓(xùn)練采用的模型為CNN模型和RNN模型；模型集成步驟，對(duì)所述CNN模型和RNN模型進(jìn)行集成，所述集成步驟采用基于bagging框架的集成選擇方法；模型測(cè)試步驟，使用測(cè)試集數(shù)據(jù)對(duì)集成后的模型進(jìn)行測(cè)試，確定最佳模型參數(shù)；模型固化存儲(chǔ)步驟，將測(cè)試好的模型進(jìn)行固化以及存儲(chǔ)，用于后續(xù)的預(yù)測(cè)步驟。

步驟二，建康狀態(tài)檢測(cè)步驟，所述建康狀態(tài)檢測(cè)步驟具體包括：待測(cè)信號(hào)采集步驟，所述待測(cè)信號(hào)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(cè)信號(hào)預(yù)處理步驟，所述待測(cè)信號(hào)預(yù)處理步驟與步驟一中的信號(hào)預(yù)處理步驟一致；建康狀態(tài)預(yù)測(cè)，將預(yù)處理后的待測(cè)信號(hào)輸入步驟一訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)。實(shí)時(shí)顯示預(yù)測(cè)結(jié)果，輸出設(shè)備故障類型。