[發明專利]基于噪聲特征的停車設備機械故障預測方法和系統

在審

• 申請號: 202210281521.3
• 申請日: 2022-03-21
• 公開（公告）號: CN114882907A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 梁圣義;金彥;王志剛;魯鴻雁;毛雨晗;任立新;李傳磊;龔文;沈堅;劉鵬博
• 申請（專利權）人: 上海市特種設備監督檢驗技術研究院;上海禾通涌源停車設備有限公司
• 主分類號: G10L25/51
• 分類號: G10L25/51;G10L25/15;G10L25/24;G10L25/27;G10L25/87;G10L19/02
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 陳源源

1.一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，包括以下步驟：

S1、采集停車設備的實時機械噪聲信號；

S2、對實時機械噪聲信號進行壓縮感知處理，重構得到無故障機械噪聲信號；

S3、對實時機械噪聲信號進行共振峰頻率特征參數和梅爾頻率倒譜系數的雙重特征提取，得到實時共振峰頻率特征參數和實時梅爾頻率倒譜系數；同時，對無故障機械噪聲信號進行共振峰頻率特征參數和梅爾頻率倒譜系數的雙重特征提取，得到無故障共振峰頻率特征參數和無故障梅爾頻率倒譜系數；

S4、將實時共振峰頻率特征參數及實時梅爾頻率倒譜系數之和，與無故障共振峰頻率特征參數及無故障梅爾頻率倒譜系數之和相減得到差值；

S5、比較差值和設定閾值對故障進行預測。

2.根據權利要求1所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，步驟S2中，壓縮感知處理包括以下步驟：

S21、對實時機械噪聲信號進行分幀和端點檢測；

S22、對每一幀的實時機械噪聲信號進行散余弦變換，得到DCT域稀疏系數和動態閾值，選取設定數量的多個DCT域稀疏系數結合動態閾值進行散余弦逆變換，得到稀疏性預處理后的時域信號；

S24、將稀疏性預處理后的時域信號在部分隨機哈達瑪觀測矩陣Φ下進行壓縮投影，得到觀測向量；

S25、用觀測向量在稀疏變換基矩陣Ψ下重構信號幀，得到無故障機械噪聲信號。

3.根據權利要求2所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，步驟S21中，端點檢測采用雙門限端點檢測方法。

4.根據權利要求1所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，步驟S3中，共振峰頻率特征參數的特征提取包括以下步驟：

A1、對實時機械噪聲信號或無故障機械噪聲信號進行分幀和加窗，然后進行快速傅里葉變換得到噪聲信號的短時譜；

A2、對噪聲信號的短時譜取對數后進行離散傅里葉逆變換，得到噪聲信號的倒譜；

A3、獲取低頻部分的倒譜進行快速傅里葉變換得到對數模函數，對數模函數的對數譜的峰值即為共振峰頻率特征參數。

5.根據權利要求1所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，步驟S3中，梅爾頻率倒譜系數的特征提取包括以下步驟：

B1、對實時機械噪聲信號或無故障機械噪聲信號進行采樣量化和端點檢測，得到時域信號；

B2、將時域信號通過離散傅里葉變換或快速傅里葉變換轉化成頻域信號；

B3、將頻域信號通過梅爾頻率濾波器組轉換成梅爾頻譜；

B4、對梅爾頻譜進行對數能量處理，得到對數頻譜；

B5、將對數頻譜后經過離散余弦變換得到梅爾頻率倒譜系數。

6.根據權利要求1所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，步驟S4中，實時共振峰頻率特征乘以第一加權系數、實時梅爾頻率倒譜系數乘以第二加權系數之后求和；無故障共振峰頻率特征乘以第一加權系數、無故障梅爾頻率倒譜系數乘以第二加權系數之后求和。

7.根據權利要求1所述的一種基于噪聲特征的停車設備機械故障預測方法，其特征在于，所述實時機械噪聲信號通過高靈敏拾音器采集。

8.一種基于噪聲特征的停車設備機械故障預測系統，其特征在于，包括處理器和存儲器，其特征在于，所述處理器調用所述存儲器中存儲的程序，實現如權利要求1～7中任一所述的基于噪聲特征的停車設備機械故障預測方法。