买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:河南华东工控技术有限公司
摘要:本发明提供了一种电机的智能异常检测方法,其特征在于,包括以下步骤:S1:通过音频采集器阵列获取待检测的电机运行时的声音信号;S2:将所述声音信号输入FP检测模型,得到对应的电机异常检测结果;若检测结果为正常,转入步骤S3;若检测结果为异常,则该电机存在异常;S3:将所述声音信号输入AI检测模型,得到对应的电机异常检测结果,若检测结果为正常,则该电机不存在异常,否则该电机存在异常。本发明首先利用FP检测模型进行检测,在检测出异常时,表明该电机存在异常,结束检测;若检测正常,则进一步利用AI模型进行检测,若两个模型检测结果均正常,则说明电机不存在异常,否则存在异常。采用本发明的方法可以提高异常电机的检测准确度和检测效率,降低检测成本。
主权项:1.一种电机的智能异常检测方法,其特征在于,包括以下步骤:S1:通过音频采集器阵列获取待检测的电机运行时的声音信号;S2:将所述声音信号输入FP检测模型,得到对应的电机异常检测结果;若检测结果为正常,转入步骤S3;若检测结果为异常,则该电机存在异常;S3:将所述声音信号输入AI检测模型,得到对应的电机异常检测结果,若检测结果为正常,则该电机不存在异常,否则该电机存在异常;所述FP检测模型的检测方法包括如下步骤:S21:获取待检测信号,并计算其时频响应和功率谱;S22:根据所述时频响应和功率谱计算所述待检测信号的频率特征和功率特征;S23:根据所述频率特征和功率特征计算所述频率特征和功率特征对应的多通道特征;S24:基于所述多通道特征进行电机异常的检测,并得到检测结果;所述AI检测模型的检测方法包括如下步骤:S31:获取电机的历史运行的声音信号,并计算其瞬时振幅时频图,所述声音信号还包含对应的正常或异常的标记;S32:对所述瞬时振幅时频图进行预处理和归一化;S33:将步骤S32的输出数据作为训练数据;S34:将所述训练数据输入卷积神经网络进行训练,并不断更新所述卷积神经网络的训练参数;S35:获取待检测电机的声音信号,重复步骤S31-S32得到待检测信号对应的时频图,并输入所述训练好的卷积神经网络,输出分类结果,得到电机异常的检测结果;所述步骤S22具体为:获取所述声音信号的频率特征和功率特征集合FP=[f1,f2…f6],包括:f1表示功率特征,其中ks1为480Hz,ke为36KHz,ls1为0,le1为0.03s;f2表示高频频率特征,其中ks1为8KHz,ke为36KHz,ls1为0,le1为0.03s;f3表示功率增长特征,其中ks为8KHz,ke为36KHz,ls1为0,le1为0.03s,ls2为-0.1s,le2为-0.03s;f4表示频谱平整度,其中ks为8KHz,ke为36KHz;f5表示频谱偏移特征,其中sl表示功率谱的质心,PdBk,l表示对功率谱取对数,F是所有频带的中心频率,ks为8KHz,ke为36KHz,ls3为0,le3为0.01s,ls2为-0.1s,le2为-0.03s;f6表示功率谱下降特征,其中ks为8KHz,ke为36KHz,ls4为0,le4为0.1s;其中Pk,l是信号归一化的功率谱;所述步骤S23具体为:所述多通道特征包括单信道特征dij和联合信道特征di 其中i是频率特征和功率特征的索引,j是音频采集器的索引,w是汉明窗函数;所述步骤S24具体为:将所述多通道特征输入多通道分类器,并得到分类结果,所述分类结果为是否存在异常,所述分类器的分类规则为:当以下判决规则全部为真,则所述分类结果为存在异常,否则为正常;所述判决规则包括:a如果判定d1jδ1,再判定d1是否大于δ1m,其中δ1和δ1m为对应的门限值;b如果判定d2jδ2,再判定d2是否大于δ2m,其中δ2和δ2m为对应的门限值;c如果判定d3jδ3,再判定d3是否大于δ3m,其中δ3和δ3m为对应的门限值;d如果判定d4jδ4,再判定d4是否小于δ4m,其中δ4和δ4m为对应的门限值;e如果判定d5jδ5,再判定d5是否小于δ5m,其中δ5和δ5m为对应的门限值;f如果判定d6jδ6,再判定d6是否小于δ6m,其中δ6和δ6m为对应的门限值。
全文数据:
权利要求:
百度查询: 河南华东工控技术有限公司 一种电机的智能异常检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。