基于深度学习的声音信号识别压缩机故障的方法及系统技术方案

本发明专利技术公开了基于深度学习的声音信号识别压缩机故障的方法及系统；声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N‑P采样点；从而每秒钟的数据能够划分为有重叠的新数据集；神经网络模型搭建：对卷积神经网络进行搭建；模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与数据重叠分帧方法分割后，对卷积神经网络进行训练；故障识别：将采集的压缩机实时工作声音，按照数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出当前的工作状态。

Method and system for identifying compressor faults based on sound signals of deep learning

The invention discloses a method and a system for voice signal recognition based on deep learning of the compressor fault; sound signal acquisition: using the microphone on the compressor working voice acquisition; set the sampling rate M; data frames per second will overlap: the acquisition of the M sampling points of overlap sub frame; the amount of data increases, increasing the sample for the convolution of the input of the neural network, the data of each frame length is set to N sampling points, sub frame step is P N P overlapping sampling points, sampling points; thus data per second can be divided into a new set of data overlap; build the neural network model of convolution neural network to build model; training: voice data four kinds of working condition of compressor under prior acquisition, with overlapping data frame segmentation method after the training of a convolutional neural network; fault identification: compressor will be collected The real-time working sound is segmented into the trained convolutional neural network model according to the data segmentation method, and the current working state is output.

【技术实现步骤摘要】
基于深度学习的声音信号识别压缩机故障的方法及系统
本专利技术涉及基于深度学习的声音信号识别压缩机故障的方法及系统。
技术介绍
在实际工程应用中，使用振动信号分析诊断压缩机故障是目前的主流方法，它通过采集压缩机在运行过程中的振动信号，进行特征提取后进行故障判断。常用的振动信号处理方法主要包括时域分析、频域分析、时频分析、多分辨分析、经验模态分析等。这类方法的特点是利用经典的信号处理方法提取大量特征，然后使用机器学习进行特征分类，这类方法需要掌握特定领域的信号处理方法并与实际工程结合，对技术人员要求较高。与此同时，复杂的特征工程也是此类方法的难点之一，如何提取到有效的能区分不同故障类型的特征，是一项繁琐且艰巨的任务，好的特征对识别效果影响很大，实际上，很多故障分类方法要靠良好的特征进行识别，如果能自动从采集到的原始数据中获取到不同的特征，将大大减少特征工程工作量。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供基于深度学习的声音信号识别压缩机故障的方法及系统，利用深度学习，自动从原始声音信号中提取出不同故障下的特征，简化了识别过程，使得非专业人员在不需要专业知识的前提下，通过非接触式的声音检测，识别出压缩机的故障。为了实现上述目的，本专利技术采用如下技术方案：基于深度学习的声音信号识别压缩机故障的方法，包括：步骤(1)：声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；步骤(2)：数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；步骤(3)：神经网络模型搭建：对卷积神经网络进行搭建；步骤(4)：模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；步骤(5)：故障识别：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。所述步骤(1)的采样率为50KHz。所述步骤(2)的步骤为：将每秒钟采集的50K个采样点重新规整，增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为10K采样点，分帧步长2K采样点，重叠8K采样点，第1帧数据为第0K到第10K采样点；第2帧数据为第2K到第12K采样点；第3帧数据为第4K到第14K采样点；第4帧数据为第6K-第16K采样点；第5帧数据为第8K到第18K采样点；依次类推，第20帧数据为第38K-第48K采样点；第21帧数据为第40K-第50K采样点；每秒钟的数据能够划分为21帧有重叠的新数据集。所述步骤(3)的步骤为：第一层为输入层，使用原始声音信号的10K个采样点；第二层为卷积层，卷积核尺寸为32，卷积核数量为16，卷积步长为8，使用ReLU激活函数，随后加入最大池化层，池化尺寸4，步长2，第二层网络结束，网络输出连接至第三层；第三层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第三层网络结束，网络输出连接至第四层；第四层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第四层网络结束，网络输出进行展平操作；第五层为全连接层，数据维数64；第六层为输出层，输出维数与设定故障类型个数一致，使用softmax激活函数。所述步骤(4)的步骤为：所述四种工作状态包括：正常运转、进气阀故障、出气阀故障和轴承故障；利用压缩机的四种工作状态下事先采集的声音数据对卷积神经网络进行训练：每种状态在50K采样率下采集5分钟原始数据，将数据按照50K采样点分割，得到300组时长为1秒的数据；然后每秒数据按照步骤(2)的数据分帧方法，重新分割为21帧有重叠的原始数据，5分钟能够得到6300组有重叠的原始数据；每种状态下6300组数据，则4种状态下共有25200组数据；将数据集按照2:1比例随机划分为训练集与验证集，网络训练时，将每组数据的10000个采样点与对应的状态类型输入，使用误差反向传播算法进行多轮遍历，达到设定工作状态类型识别准确率时，结束训练。所述步骤(5)的步骤为：采集1秒原始声音实时数据，然后将实时数据按照步骤(2)的数据分帧方法分割为有重叠的21帧数据，每帧数据10000采样点，将21帧数据输入训练好的卷积神经网络模型进行故障识别，输出21个判断结果，然后，统计21个输出类型中每种类型的数目，将最大数目的类型作为最终识别结果输出。基于深度学习的声音信号识别压缩机故障的系统，包括：声音信号采集模块：采用麦克风对压缩机的工作声音进行采集；设定采样率M；数据重叠分帧模块：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；神经网络模型搭建模块：对卷积神经网络进行搭建；模型训练模块：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；故障识别模块：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。本专利技术的有益效果：1设备运行时的声音信号是反映运行状态的重要信息，经验丰富的工程师可通过听觉判断出故障部位和类型，从本质上讲，声音信号是由振动引起的，不过相对振动信号而言，声音信号更容易采集。一般情况下，采集振动信号时传感器需要直接与压缩机接触，而采集声音信号时完全不需要与设备接触，而且，使用声音信号这种非接触式传感，对设备本身损伤更小。2本专利技术通过采集压缩机运行的声音信号，利用深度学习，自动从原始声音信号中提取出不同故障下的特征，简化了识别过程，使得非专业人员在不需要专业知识的前提下，通过非接触式的声音检测，识别出压缩机的故障。3使用本专利技术所述的压缩机故障识别方法，可以降低技术人员在压缩机故障识别方面需要的专业知识，本专利技术采用的直接使用麦克风采集压缩机运行时声音信号的方法也更加方便，对运行中的设备影响更小。当模型训练好之后，技术人员只需将麦克风靠近运行中的压缩机，采集其声音信号，另一端的电脑便可直接观察到其对应的运行状态。4本专利技术的拓展性很强，当需要检测的状态增多时，可以简单地通过增加新状态的训练集的方法进行拓展，最终的输出层也只需增加对应状态输出，理论上，可以增加任意多类型的状态，只要训练集足够大。附图说明图1为本方案采用的数据预处理方法，该图以1s数据量为例，说明数据的分帧方法；图2为卷积神经网络的基本结构；图3为网络训练和识别过程。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。本专利技术主要采用两种方法，对现有的压缩机故障识别进行改进和简化。首先，本专利技术直接使用麦克风采集压缩机的声音信号，这简化了信号的采集方法，其次，本专利技术通过使用深度学习中的卷积神经网络，实现了故障特征的自动提取，避免了复杂的特征工程。这样，即使本文档来自技高网...

【技术保护点】
基于深度学习的声音信号识别压缩机故障的方法，其特征是，包括：步骤(1)：声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；步骤(2)：数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N‑P采样点；从而每秒钟的数据能够划分为

【技术特征摘要】
1.基于深度学习的声音信号识别压缩机故障的方法，其特征是，包括：步骤(1)：声音信号采集：采用麦克风对压缩机的工作声音进行采集；设定采样率M；步骤(2)：数据重叠分帧：将每秒钟采集的M个采样点进行重叠分帧；增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为N采样点，分帧步长为P采样点，重叠N-P采样点；从而每秒钟的数据能够划分为帧有重叠的新数据集；表示向下取整；步骤(3)：神经网络模型搭建：对卷积神经网络进行搭建；步骤(4)：模型训练：压缩机的四种工作状态下事先采集的声音数据，经过与步骤(2)同样的数据重叠分帧方法分割后，对卷积神经网络进行训练；步骤(5)：故障识别：将采集的压缩机实时工作声音，按照步骤(2)同样的数据分帧方法分割后，输入到训练好的卷积神经网络模型中，输出压缩机当前的工作状态。2.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，所述步骤(1)的采样率为50KHz。3.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，所述步骤(2)的步骤为：将每秒钟采集的50K个采样点重新规整，增大数据量，为卷积神经网络的输入增加样本，每帧数据的长度设置为10K采样点，分帧步长2K采样点，重叠8K采样点，第1帧数据为第0K到第10K采样点；第2帧数据为第2K到第12K采样点；第3帧数据为第4K到第14K采样点；第4帧数据为第6K-第16K采样点；第5帧数据为第8K到第18K采样点；依次类推，第20帧数据为第38K-第48K采样点；第21帧数据为第40K-第50K采样点；每秒钟的数据能够划分为21帧有重叠的新数据集。4.如权利要求1所述的基于深度学习的声音信号识别压缩机故障的方法，其特征是，所述步骤(3)的步骤为：第一层为输入层，使用原始声音信号的10K个采样点；第二层为卷积层，卷积核尺寸为32，卷积核数量为16，卷积步长为8，使用ReLU激活函数，随后加入最大池化层，池化尺寸4，步长2，第二层网络结束，网络输出连接至第三层；第三层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激活函数，随后加入最大池化层，池化尺寸2，步长1，第三层网络结束，网络输出连接至第四层；第四层卷积层中，卷积核尺寸为3，卷积核数量32，卷积步长为1，使用ReLU激...

【专利技术属性】
技术研发人员：张镇，史云飞，梁波，
申请(专利权)人：山东万腾电子科技有限公司，
类型：发明
国别省市：山东,37