申请/专利权人：河北云酷科技有限公司

申请日：2020-12-30

公开（公告）日：2024-04-26

公开（公告）号：CN114764538B

主分类号：G06F30/25

分类号：G06F30/25;G06F30/27;G06F18/2135;G06F18/214;G06F18/24;G06N3/006;G06N3/0464;G06N3/0499;G06N3/048;G06N3/08;G01H17/00;G06F119/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.05#实质审查的生效;2022.07.19#公开

摘要：本发明提供一种设备声音信号模式识别方法。所述设备声音信号模式识别方法包括分帧处理模块，所述分帧处理模块用于对所述原始声音信号进行加窗分帧处理；特征提取模块，所述特征提取模块用于对分帧处理后的声音信号进行特征提取，构造声音信号特征向量；PCA降维处理模块，所述PCA降维处理模块用于对所述声音信号特征向量进行降维处理，提取最能反应所述设备本体运行状态的声音信号的特征分量。本发明提供的设备声音信号模式识别方法基于物联网技术，在设备本体安装声音传感器，通过声音传感器采集设备的声音数据，从中提取声音特征值，利用设备声音信号异常识别模型，实现设备运行状态监测和设备故障报警等功能。

主权项：1.一种设备声音信号模式识别方法，其特征在于，包括：安装在设备本体上的声音传感器，所述声音传感器用于采集所述设备本体的原始声音信号；无线通讯模块，所述无线通讯模块与所述声音传感器相连接；服务器端，所述服务器端通过所述无线通讯模块与所述声音传感器相连接；分帧处理模块，所述分帧处理模块用于对所述原始声音信号进行加窗分帧处理；特征提取模块，所述特征提取模块用于对分帧处理后的声音信号进行特征提取，构造声音信号特征向量；PCA降维处理模块，所述PCA降维处理模块用于对所述声音信号特征向量进行降维处理，提取最能反应所述设备本体运行状态的声音信号的特征分量；OCSVM模型训练模块，所述OCSVM模型训练模块用于寻找一个最优超平面，确定正常样本的边界；OCSVM异常检测模型，所述OCSVM异常检测模型用于对声音信号进行特征提取和PCA降维处理后的数据进行检测，实现对电力设备的模式识别；粒子群优化算法模块，所述粒子群优化算法模块用于对所述OCSVM异常检测模型进行参数寻优与结构优化；1D-CNN故障诊断模型，所述1D-CNN故障诊断模型用于模式识别后，对具体故障类型进行分类识别；所述1D-CNN故障诊断模型包括三部分：输入层、特征提取层、分类层；所述输入层为对原始声音数据分段处理后的直接输入；所述特征提取层包括3个卷积层和3个池化层，接收来自输入层输出的数据，对原始声音信号的特征提取，池化层选择最大池化算子实现对特征矢量的降维，同时提高非线性特征的鲁棒性；所述分类层由两个全连接层组成，第2个全连接层神经元个数与标签故障数目一致，利用Softmax回归分类器实现分类输出；所述卷积层中的卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型可以描述为: 式中，Mj为输入特征矢量，l为第l层网络，k为卷积核，b为网络偏置，为第l层输出，为第l层输入；所述池化层采用最大池化，池化是非线性下采样的一种形式，通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合，在所述卷积层的后面会加上一个所述池化层；最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，最大池化的变换函数如下所示： 式中：表示第l层第i个特征矢量中第t个神经元的值，t∈[j-1W+1,jW]；W为池化区域的宽度；表示第l+1层神经元对应的值；所述全连接层是一种传统的前馈神经网络，之后在输出端使用Softmax函数作为激活函数，所述全连接层的所有神经元连接到前一层的所有激活；所述全连接层起到将学到的分布式特征表示映射到样本标记空间的作用，模型可表述为：O＝fbo+wofv式中：fv为特征矢量；wo、bo分别为偏差向量和权值矩阵。

全文数据：

权利要求：

百度查询： 河北云酷科技有限公司 一种设备声音信号模式识别方法

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