申请/专利权人：桂林理工大学

申请日：2019-12-03

公开（公告）日：2024-04-05

公开（公告）号：CN110940539B

主分类号：G01M99/00

分类号：G01M99/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2020.04.24#实质审查的生效;2020.03.31#公开

摘要：本发明公开了一种基于人工经验及声音识别的机器设备故障诊断方法。通过传感器采集机器设备的声音信号，经过人标记形成声音样本库，然后通过数据处理后被送入预设的神经网络模型中进行训练。传感器实时采集机器设备声音，经数据处理后输入训练后神经网络模型中，通过神经网络远程识别机器设备状态，同时根据人工经验对识别结果进行综合判断，并将结果反馈回声音样本库。本发明提供的一种基于人工经验及声音识别的机器设备故障诊断方法，不仅能够对机器故障进行远程诊断，同时还可以预测机器设备关键零部件的寿命；此外，由于采用深度学习算法结合人工经验对神经网络模型进行训练，因而具有识别准确性高、安全性好、效率高和智能化等优点。

主权项：1.一种基于人工经验及声音识别的机器设备故障诊断方法，其特征在于，包括以下步骤：步骤1：声音信号采集：采用传感器采集工厂生产环境下流水线上运行的机器设备及其关键零部件的正常状态声音和故障状态声音信号；步骤2：对声音信号进行人工标记，标记内容为机器设备及其关键零部件的运行状态，包括正常运行、老化程度和已发生故障，然后将经过人工标记的声音信号形成声音样本库；步骤3：数据处理：对经过人工标记的声音样本和实时采集的声音数据进行盲源分离、预处理和特征提取；步骤4：神经网络模型训练：将经过数据处理和人工标记的机器设备声音样本送入预设的神经网络模型进行训练；步骤5：故障识别：将经过数据处理的实时机器设备声音数据输入到训练好的神经网络模型中，通过神经网络模型识别机器设备是否发生故障及其老化程度，如果发生故障，报警并显示故障位置，维修人员采取相应的解决措施，如果没有发生故障，显示机器设备正常及其老化程度；步骤6：再学习：传感器实时采集机器设备及其关键零部件的声音信号，将声音信号进行数据处理，通过训练后的神经网络模型进行故障识别，机器设备维修人员或故障诊断专家根据自身经验和神经网络识别结果对机器设备及其关键零部件工作状态进行综合判断，并根据判断结果将声音信号重新进行人工标记，形成新的样本加入原来声音样本库；所述步骤3数据处理包括盲源分离、预处理和特征提取；所述盲源分离是将各种干扰音、噪音和机器设备声音进行分离，采用FastICA算法，步骤如下：首先，使混合信号满足ICA算法基本要求，即对输入信号序列去均值，进行白化处理；其次，选取一个随机的具有单位方差的初始分离矩阵Wp，||Wp||2＝1；最后，采用负熵的固定点算法，令：Wp＝E{ZgWTZ}-E{g′WTZ}W1 Wp＝Wp||Wp||3对进行收敛性判断，若不收敛即点积不是无限趋近于1，则返回步骤3，利用FastICA对混合信号进行重复提取，直到分离的独立成分收敛为止；所述预处理包括滤波、AD转换、预加重、分帧加窗和端点检测；所述滤波采用FIR滤波器滤除信号中的非音频成分，最大限度提高输入信号的信噪比；所述预加重是对信号的高频部分加重，增强声音信号的高频分辨率，选择一阶FIR高通数字滤波器来进行预加重处理，其传递函数为Hz＝1-az-1，0.9＜a＜1.0；所述分帧与加窗是将声音信号分成帧，然后对分帧的声音信号进行加窗处理，其中帧长设置为20ms，帧移取帧长的13；加窗采用汉明窗，其函数表达式如下，其中N为等于帧长的窗长度； 所述特征提取用于提取声音信号的特征参数，所述基于人工经验及声音识别的机器设备故障诊断方法采用梅尔频率倒谱系数作为机器设备声音的特征参数；所述步骤4神经网络模型训练是通过训练集、验证集和测试集通过评估和测试的方法对预设的神经网络模型进行训练，包括神经网络模型、评估和测试；所述神经网络模型采用设计的卷积神经网络模型，包括4个卷积层、4个池化层、2个全连接层，中间层激活函数使用ReLU，最后一层使用softmax，每个卷积层后使用批量归一化BatchNormalization加速训练，优化器使用随机梯度下降StochasticGradientDescent，SGD，采用Dropout比例分别为0.5，损失函数使用交叉熵CrossEntropy；将经过数据处理并进行特征提取后的声音数据输入预先设计好的神经网络模型中，对神经网络模型进行训练；将声音数据样本分成三份，分别为训练集，验证集和测试集，其比例是8：1：1，并进行十折交叉验证，在训练集上模型拟合声音数据样本，通过其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到所需的标准将返回继续学习，若模型达到所需的标准则通过验证集对神经网络模型进行验证，验证集调整模型的超参数和对模型的能力进行初步评估，同时根据其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；测试集用来评估神经网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。

全文数据：

权利要求：

百度查询： 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD