一种基于麦克风阵列的工业设备故障信号定位与识别方法技术

本发明专利技术公开一种基于麦克风阵列的工业设备故障信号定位与识别方法，采集声音信号，分为训练集、验证集和测试集；对训练集中的声音信号进行特征提取，提取频谱图的相位谱图和幅度谱图；将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN网络中，使用2D CNN来学习频谱图中的平移不变性；在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频率轴使用最大池化层来降低维数；将来自CNN层的输出，送到RNN层；使用线性激活函数；将全连接层的输出输入到两个并行的全连接层分支，分别用于故障识别和故障定位。本发明专利技术使用基于音频信号的非接触式方法，受环境和接触限制更小，故障定位与故障识别同步进行，提高运行效率。提高运行效率。提高运行效率。

【技术实现步骤摘要】
一种基于麦克风阵列的工业设备故障信号定位与识别方法


[0001]本专利技术涉及一种工业设备故障信号定位与识别技术，具体为一种基于 麦克风阵列的工业设备故障信号定位与识别方法。

技术介绍

[0002]随着现代自动化程度的愈加广泛和科技的飞速发展，各行各业都日益 趋向智能化、高速化和自动化。在各种机械设备中不仅设备内的各部分密 切联系，不同设备之间也相关紧密，最终形成一系列复杂的生产系统。在 生产过程中运用先进的故障诊断技术，把机械设备的检测维修列入到生产 过程中，实现机械设备可预知，不仅可以延长设备的使用时间，而且还避 免了灾难性事故的发生，从一定角度来看，间接的给企业带来巨大的经济 效益。
[0003]目前常用的故障检测的方法是基于振动。然而在许多实际的生产环境 中，由于其工作条件或是设备的精度等因素的限制，接收振动信号的传感 器的安装其实并不能实现。而且在高压、高温、高负载、高湿度或是高度 腐蚀的工作环境中，传感器所接受到的振动信号其实并不完全只包含器件 的信息，也会掺杂很多干扰信息。通过麦克风阵列采集到机械设备运行过 程中的声音信号来分析其工作状态已经成为诊断技术较为新颖的解决方 案。这进一步解决了传感器放置不便且受到工作环境影响诊断结果的难题， 同时从振动信号转为对声音信号分析这一改进，已经不需要过多的机械专 业性知识和经验性的判断，从某种层面上降低了故障诊断技术的入门水平， 也打破了局限性。
[0004]神经网络具有良好的数据拟合功能，利于处理多变量、非线性、强耦 合等的复杂问题，然而，目前基于神经网络的故障识别方法没有将故障识 别与故障定位二者结合，所估计故障的位置都是相对静止不动的；另外， 目前的方法都是使用分类器，从而以固定角度估计故障存在的可能性，导 致故障信号定位的精度有限。

技术实现思路

[0005]针对现有技术中工业设备故障信号定位与识别掺杂干扰信息导致故障 信号定位的精度有限等不足，本专利技术要解决的问题是提供一种基于麦克风 阵列的工业设备故障信号定位与识别方法，使故障信号的定位具备更高的 分精度。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：
[0007]本专利技术提供一种基于麦克风阵列的工业设备故障信号定位与识别方 法，包括以下步骤：
[0008]1)采集声音信号，将其分为训练集、验证集和测试集；
[0009]2)对训练集中的声音信号进行特征提取，将信号进行离散傅里叶变换 来提取频谱图的相位谱图和幅度谱图；
[0010]3)将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN 网络中，使用2D CNN来学习频谱图中的平移不变性。
[0011]4)在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频 率轴使用最大池化层来降低维数；
[0012]5)将来自CNN层的输出，送到RNN层用来学习音频信号的时间上下 文信息；
[0013]6)输入一层全连接层，包含D个节点，使用线性激活函数；
[0014]7)将全连接层的输出输入到两个并行的全连接层分支，分别用于故障 识别和故障定位；
[0015]8)使用验证集验证模型的性能指标，使用测试集验证模型的泛化能力。
[0016]步骤4)中，沿着频率轴使用最大池化层来降低维数，包括：
[0017]401)将上一层的输出结果根据池化滤波器的大小进行分割区块，选择 每个区块的最大值来表示特征值；
[0018]402)平均池化在分割的区块中，取区块的平均值作为特征值；
[0019]403)池化层输出结果通过如下公式计算：
[0020][0021]其中，O是输出图像的尺寸，I表示输出入图像的尺寸，P
s
为池化层的 尺寸，S为移动步长。
[0022]步骤5)中，将来自CNN层的输出，送到RNN层用来学习音频信号 的时间上下文信息，包括：
[0023]501)CNN网络输出的维度被重塑成长度为2B个特征向量的T帧序列， 被送到RNN层用来学习音频信号的时间上下文信息；
[0024]502)RNN层选用长短期记忆网络，每层LSTM包含C个节点，使用 tanh激活函数，此时维度从(T
×2×
B)调整为(T
×
C)维度；其中T为特征 序列帧长度，B为卷积核数量，C为每层LSTM网络节点数。
[0025]步骤7)中，将全连接层的输出输入到两个并行的全连接层分支，具体 为：
[0026]声音识别分支中，由具有sigmoid激活函数的全连接层组成，包含2个 节点，每个节点对应于重叠声源中的两个声音，使用sigmoid激活函数可以 同时识别这两个声音类别。
[0027]步骤8)中，用验证集验证模型的性能指标，具体为：
[0028]801)采用以下公式进行DOA误差计算：
[0029][0030]其中，表示第t个时间帧中的所有实际DOA值，表示第t 个时间帧中的所有预测DOA值，T表示测试集的所有时间帧长度，是第 t个时间帧中的DOA数量，如果表示预测的声源数量，即预测结果 为单声源，则为1；如果预测结果为重叠声源，则为2，H表示匈牙利 算法，DOA误差越小，代表网络模型预测精度越高；
[0031]802)采用以下公式分别计算分类指标的精确率和召回率，公式分别如 下：
[0032][0033][0034]其中，TP为将正类预测为正类数，FP为将负类预测为正类数，FN为 将正类预测为负类数，TN为将负类预测为负类数；
[0035]803)计算精确率和召回率的调和均值F1，在0到1之间，值越大代表 网络模型的识别性能越好，F1计算公式为：
[0036][0037]其中，TP(t)是在第t个时间帧，实际和预测都是活跃的声音类别的数量， FP(t)是在第t个时间帧，预测中活跃但实际不活跃的声音类别的数量，FN(t) 表示在预测中不活跃但实际活跃的声音类别数量；T表示测试集上的总时间 帧长度。
[0038]本专利技术具有以下有益效果及优点：
[0039]1.本专利技术使用基于音频信号的非接触式方法，而非基于振动的接触式 方法，受环境和接触限制更小；定位使用的是回归算法，相对于常规的分 类器方法，分辨率更高，并且并行运行故障定位与故障识别分支，两者同 步进行的，同时得到结果，提高了运行效率。
[0040]2.本专利技术方法通过串联CNN与RNN，搭建卷积递归神经网络，利用 CNN学习声音的频谱结构信息，RNN学习时间上下文信息，实现了动态故 障定位和跟踪，而且定位精度远高于CNN模型；针对多处故障数据集，设 计改进的卷积递归神经网络，对多处故障进行识别与定位，并且在每个时 间帧上预测重叠故障各自的DOA。
[0041]3.本专利技术方法对于包含更多故障类别的重叠故障场景，只需调整卷积 递归神经网络模型的故障类别数量等参数，允许无缝集成到更加广泛的故 障定位任务中，基于神经网络采用回归方式预测故障的DO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于麦克风阵列的工业设备故障信号定位与识别方法，其特征在于包括以下步骤：1)采集声音信号，将其分为训练集、验证集和测试集；2)对训练集中的声音信号进行特征提取，将信号进行离散傅里叶变换来提取频谱图的相位谱图和幅度谱图；3)将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN网络中，使用2D CNN来学习频谱图中的平移不变性；4)在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频率轴使用最大池化层来降低维数；5)将来自CNN层的输出，送到RNN层用来学习音频信号的时间上下文信息；6)输入一层全连接层，包含D个节点，使用线性激活函数；7)将全连接层的输出输入到两个并行的全连接层分支，分别用于故障识别和故障定位；8)使用验证集验证模型的性能指标，使用测试集验证模型的泛化能力。2.根据权利要求1所述的基于麦克风阵列的工业设备故障信号定位与识别方法，其特征在于步骤4)中，沿着频率轴使用最大池化层来降低维数，包括：401)将上一层的输出结果根据池化滤波器的大小进行分割区块，选择每个区块的最大值来表示特征值；402)平均池化在分割的区块中，取区块的平均值作为特征值；403)池化层输出结果通过如下公式计算：其中，O是输出图像的尺寸，I表示输出入图像的尺寸，P
s
为池化层的尺寸，S为移动步长。3.根据权利要求1所述的基于麦克风阵列的工业设备故障信号定位与识别方法，其特征在于步骤5)中，将来自CNN层的输出，送到RNN层用来学习音频信号的时间上下文信息，包括：501)CNN网络输出的维度被重塑成长度为2B个特征向量的T帧序列，被送到RNN层用来学习音频信号的时间上下文信息；502)RNN层选用长短期记忆网络，每层LSTM包含C个节点，使用tan...

【专利技术属性】
技术研发人员：栾峰，李旭，张子明，吴艳，韩月娇，张殿华，
申请(专利权)人：东北大学，
类型：发明
国别省市：