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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。