一种电机多信号深度学习检测方法技术

本发明专利技术涉及一种电机多信号深度学习检测方法，包括如下步骤：S1:搭建一卷积神经网络模型；S2:训练所述卷积神经网络模型；S3:实时采集电机的声音信号和振动信号；S4:对所述采集到的声音信号和振动信号进行预处理，提取二维声音振动组合特征；S5:将所述二维声音振动组合特征输入所述卷积神经网络模型。本发明专利技术结合了声音信号和振动信号各自的优点，从中提取电机声音振动二维组合特征作为预测样本，并采用深度学习方法，利用三分支卷积神经网络模型进行二分类判断，有效提高了电机异响判断的准确率。率。率。

【技术实现步骤摘要】
一种电机多信号深度学习检测方法


[0001]本专利技术涉及神经网络
，特别是涉及一种电机多信号深度学习检测方法。

技术介绍

[0002]电机异响是电机质量中十分重要的问题。传统的电机异响判断方式分为采集声音信号分析法和采集振动信号分析法两种，电机异响的信号分析方法，一般是通过信号频率域比对进行分析，分析准确率较低。声音信号分析法，利用声音信号频域宽的优点，采样率可以达到48000Hz，能保留高频信号。但缺点是实际生产环境容易受噪声影响。采集振动信号分析法不受环境噪声影响，低频信号可靠性比声音信号更高，但频带受限，一般振动传感器频率范围在10000Hz以内。

技术实现思路

[0003]为了克服上述技术问题，本专利技术提供了一种电机多信号深度学习检测方法，以提高电机异响判断准确率。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种电机多信号深度学习检测方法，包括如下步骤：
[0006]S1:搭建一卷积神经网络模型；
[0007]S2:训练所述卷积神经网络模型；
[0008]S3:实时采集电机的声音信号和振动信号；
[0009]S4:对所述采集到的声音信号和振动信号进行预处理，提取二维声音振动组合特征；
[0010]S5:将所述二维声音振动组合特征输入所述卷积神经网络模型，计算得到二分类概率值；
[0011]S6：比对所述二分类概率值与一预设阀值的差值，确定电机状态，所述电机状态包括电机正常和电机异常。
[0012]优选地，所述卷积神经网络模型包括依次连接的至少一个卷积层块、至少一个池化层和至少一个全连接层；所述卷积层块包括一3
×
3卷积层分支、一1
×
1卷积层分支和一残差分支；三分支各自连接一批规范层后相加，由ReLU激活函数运算后输出。
[0013]优选地，所述卷积层块包括卷积核，卷积核尺寸为3
×
3。
[0014]优选地，所述批规范层用于把每层神经网络任意神经元的分布强行拉回到均值为0方差为1的标准正态分布。
[0015]优选地，所述步骤S2包括如下步骤：
[0016]S201:初始化所述卷积神经网络模型的权重值；
[0017]S202:将预先建立的电机训练集中提取出的二维声音振动组合特征，输入经步骤S201初始化后的卷积神经网络模型中，对所述卷积神经网络模型进行迭代训练；其中，每迭代一次则更新一次所述权重值；
[0018]S203:将预先建立的电机测试集中提取出的二维声音振动组合特征，输入经步骤S202训练得到的卷积神经网络模型中，输出结果；
[0019]S204:根据步骤S203输出的结果，判断步骤S203训练得到的卷积神经网络模型对电机异响的检测精度是否符合预设要求；若符合则训练结束；若不符合，则返回步骤S202继续训练直至训练得到符合预设要求的卷积神经网络模型。
[0020]优选地，所述电机训练集中包括预先采集的电机声音信号和电机振动信号，所述被采集的电机被预先标记为“正常”或“故障”。
[0021]优选地，所述二维声音振动组合特征的提取包括如下步骤；
[0022]S401:获取电机的声音信号和振动信号；
[0023]S402:对所述声音信号按预设的一帧时长进行分帧，得到M1帧声音片段；每帧声音信号计算梅尔滤波器组，取对数后得到对数梅尔特征向量；设置梅尔带通滤波器数目为N，则所有帧合成大小为N
×
M1的声音特征矩阵；
[0024]S403:对所述振动信号按预设的一帧时长进行分帧，得到M2帧振动片段；每帧的振动信号计算梅尔滤波器组，取对数后得到对数梅尔特征向量；设置与步骤S402相同的梅尔带通滤波器数目N，则所有帧合成大小为N
×
M2的振动特征矩阵；
[0025]S404:合并所述声音特征矩阵和所述振动特征矩阵的所有列向量，得到大小为N
×
(M1+M2)的二维声音振动组合特征矩阵。
[0026]优选地，同一电机相同时长的声音信号和振动信号的帧数M1和M2不同。
[0027]优选地，所述确定电机状态包括；
[0028]将所述二维声音振动组合特征输入所述卷积神经网络模型，得到卷积神经网络模型输出的二分类概率值，当所述概率值超过一预设值时，表示电机异常；当所述概率值未达到该预设值时，表示电机正常。
[0029]本专利技术的有益效果为：
[0030]本专利技术结合声音信号和振动信号各自的优点，提出一种提取二维声音振动组合特征作为预测样本的检测方法，并结合深度学习方法，利用三分支卷积神经网络模型进行二分类判断，达到很高的异响判断准确率。
[0031]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例一种电机多信号深度学习检测方法的流程示意图；
[0034]图2为本专利技术实施例一种电机多信号深度学习检测方法的卷积神经网络模型结构图；
[0035]图3为本专利技术实施例一种电机多信号深度学习检测方法的卷积块结构图。
具体实施方式
[0036]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0037]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0038]在本专利技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S1、S2等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
[0039]下面将结合具体实施例对本专利技术请求保护的一种电机多信号深度学习检测方法作进一步地详细阐述。
[0040]请参阅图1，图1示出了本专利技术实施例一种电机多信号深度学习检测方法，如图1所示，本专利技术实施例一种电机多信号深度学习检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机多信号深度学习检测方法，其特征在于，包括如下步骤：S1:搭建一卷积神经网络模型；S2:训练所述卷积神经网络模型；S3:实时采集电机的声音信号和振动信号；S4:对所述采集到的声音信号和振动信号进行预处理，提取二维声音振动组合特征；S5:将所述二维声音振动组合特征输入所述卷积神经网络模型，计算得到二分类概率值；S6：比对所述二分类概率值与一预设阀值的差值，确定电机状态，所述电机状态包括电机正常和电机异常。2.根据权利要求1所述的一种电机多信号深度学习检测方法，其特征在于，所述卷积神经网络模型包括依次连接的至少一个卷积层块、至少一个池化层和至少一个全连接层；所述卷积层块包括一3
×
3卷积层分支、一1
×
1卷积层分支和一残差分支；三分支各自连接一批规范层后相加，由ReLU激活函数运算后输出。3.根据权利要求2所述的一种电机多信号深度学习检测方法，其特征在于，所述卷积层块包括卷积核，卷积核尺寸为3
×
3。4.根据权利要求2所述的一种电机多信号深度学习检测方法，其特征在于，所述批规范层用于把每层神经网络任意神经元的分布强行拉回到均值为0方差为1的标准正态分布。5.根据权利要求1或2任一项权利要求所述的一种电机多信号深度学习检测方法，其特征在于，所述步骤S2包括如下步骤：S201:初始化所述卷积神经网络模型的权重值；S202:将预先建立的电机训练集中提取出的二维声音振动组合特征，输入经步骤S201初始化后的卷积神经网络模型中，对所述卷积神经网络模型进行迭代训练；其中，每迭代一次则更新一次所述权重值；S203:将预先建立的电机测试集中提取出的二维声音振动组合特征，输入经步骤S202训练得到的卷积神经网络模型中，输出结果；S204:根据步骤S203输出的结...

【专利技术属性】
技术研发人员：朱宝鹤，孙永吉，任百吉，
申请(专利权)人：上海泛德声学工程有限公司，
类型：发明
国别省市：