[發明專利]基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法

在審

• 申請號: 202110753395.2
• 申請日: 2021-07-02
• 公開（公告）號: CN113353582A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 張皞正;馮琳;張穎偉
• 申請（專利權）人: 東北大學
• 主分類號: B65G43/02
• 分類號: B65G43/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法，其特征在于：包括以下步驟：

步驟1、標記正常傳送帶托輥和故障傳送帶托輥，并現場采集標記過的傳送帶托輥設備運轉過程中的音頻信息；

步驟2、對每個音頻所對應的托輥設備的磨損程度進行標記，確定采集到的多組帶標簽的正常傳送帶托輥音頻數據集和故障傳送帶托輥音頻數據集；

步驟3、對步驟2所得到的正常和故障的傳送帶托輥音頻數據提取音頻信息的MFCC特征，并進行歸一化處理；

步驟4、對歸一化后的帶標簽的MFCC特征數據矩陣利用支持向量機模型對其進行訓練，并利用粒子群算法對訓練的支持向量機模型的參數進行優化，進而得到優化后的托輥故障檢測模型；

步驟5、實時采集托輥運轉過程的音頻數據，對采集到的每一段音頻數據按照步驟3的方法，對采集到的音頻數據進行預處理，得到音頻信息的MFCC特征數據矩陣；

步驟6、對步驟5得到的音頻信息的MFCC特征數據矩陣采用與步驟3相同的歸一化方法進行歸一化處理，得到歸一化后的MFCC數據特征矩陣；

步驟7、將步驟6得到的歸一化后的MFCC特征數據矩陣在訓練優化后的故障檢測模型中進行測試，檢測托輥狀態。

2.根據權利要求1所述的基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法，其特征在于：所述步驟1的具體方法為：

在傳送帶設備停機巡檢過程中，采用手持超聲測厚儀對現場不同托輥表面厚度進行標記，記錄所標記的傳送帶托輥的厚度信息，設定托輥表面厚度大于2mm記為正常傳送帶托輥，低于2mm記作故障傳送帶托輥，然后現場采集標記過的傳送帶托輥設備運轉過程中的音頻信息。

3.根據權利要求1所述的基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法，其特征在于：所述步驟3的具體方法為：

步驟3-1、讀取原始的音頻數據，得到原始的一維音頻數據；

步驟3-2、對音頻數據進行預加重處理；

步驟3-3、對經過預加重處理后的音頻數據進行分幀加窗；

步驟3-4、將分幀加窗后的時域音頻信號應用FFT快速傅里葉變換轉換到頻域，對于FFT快速傅里葉變換得到的幅度譜，分別跟梅爾濾波器組中的濾波器進行頻率相乘累加，得到的值即為該幀音頻數據在該濾波器對應頻段的能量值，然后對能量值取對數，得到每個濾波器輸出的對數能量；

步驟3-5、將每一幀頻域的音頻信號在各梅爾濾波器下的對數能量應用離散余弦變換得到一階和二階的MFCC特征，再針對一階MFCC特征應用差分變換得到音頻信息的動態特征，進而得到音頻信號的MFCC特征；

步驟3-6、對步驟3-5經過離散余弦變換的一階和二階MFCC特征以及差分變換后得到的音頻信息的動態特征進行歸一化處理。

4.根據權利要求3所述的基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法，其特征在于：所述步驟4的具體方法為：

步驟4-1、采用支持向量機模型對經過步驟3預處理后獲得的MFCC特征數據以及其所對應的標簽進行訓練；

步驟4-2、利用粒子群算法PSO對訓練的支持向量機模型的模型參數進行優化，其中PSO所優化的目標函數為模型的準確率。

5.根據權利要求4所述的基于音頻信息和PSO-MSVM的傳送帶托輥設備故障檢測方法，其特征在于：所述步驟4-2的具體方法為：

步驟4-2-1、在MFCC提取特征后的特征空間構建D個隨機粒子，并隨機初始化每個粒子的速度和位置

步驟4-2-2、通過每個粒子計算單個粒子在特征空間中的的最優解，即當前粒子的個體極值P_i^d，然后通過每個粒子共享每個個體的當前極值點P_i^d，經過個體極值點互相比較后找到當前時刻的全局最優解G_best；

步驟4-2-3、經過步驟4-2-2得到當前時刻的全局最優解G_best后，更新每個粒子的速度和位置，更新法則如下公式所示：

其中，ω為慣性因子，其大小為動態變化的值，c₁和c₂為加速常數也叫作學習因子，ε₁，ε₂為介于0～1之間的隨機數，V_i^d的最大值為預設值更新過程中如果V_i^d超出這個值則

步驟4-2-4重復步驟4-2-2和4-2-3進行迭代計算，迭代終止條件為達到預設的最大迭代步數或相鄰兩次尋優結果在設定范圍內，最終得到優化后的故障檢測模型。