振动信号的识别方法及装置制造方法及图纸

本申请提供一种振动信号的识别方法及装置，该方法包括：获取待检测设备的目标部件的振动信号；根据设定的样本长度，将振动信号分割为多段子信号；分别确定多段子信号的声学特征；将多段子信号的声学特征输入神经网络模型中，并获取神经网络模型输出的识别结果，识别结果用于表征目标部件的各个故障类型的发生概率，神经网络模型用于对声学特征进行二次特征学习。通过该方式，将声学特征作为振动信号的特征进行提取，并通过二次特征学习的神经网络模型对声学特征进行识别，来确定目标部件的各个故障类型的发生概率，从而提高了故障类型的识别准确性。的识别准确性。的识别准确性。

【技术实现步骤摘要】
振动信号的识别方法及装置


[0001]本专利技术涉及故障识别
，尤其涉及一种振动信号的识别方法及装置。

技术介绍

[0002]工业设备中存在大量旋转部件，例如轴承、齿轮等。工业设备在运行过程中由于受到不同载荷、环境以及退化程度等影响，会产生多种不同的振动信号。相较工业设备的润滑油等内部流体的温度、压力、流量等状态参数，或者电机的转态参数，振动信号可以更加直观、快速、准确地反映工业设备的运行状态，是对工业设备进行异常检测和故障诊断的重要手段。
[0003]相关技术中，在通过振动信号对设备进行故障诊断时，可以先基于领域知识和实际工程需求对振动信号进行人工特征提取和特征筛选择，再建立机器学习的分类器模型，以筛选出的特征作为输入，需要识别的状态作为输出，实现不同振动信号的分类，从而判断设备的旋转部件的故障状态。
[0004]然而，振动信号的有效特征往往会随着不同的设备、不同的工况或不同的故障改变，从而导致基于领域知识和实际工程需求对振动信号的筛选可能会遗漏有利于分类的有效特征，进而导致故障类型的识别准确性不高。

技术实现思路

[0005]本申请实施例提供一种振动信号的识别方法及装置，以解决现有技术中故障类型的识别准确性不高的问题。
[0006]第一方面，本申请实施例提供一种振动信号的识别方法，所述方法包括：
[0007]获取待检测设备的目标部件的振动信号；
[0008]根据设定的样本长度，将所述振动信号分割为多段子信号；
[0009]分别确定所述多段子信号的声学特征；
[0010]将所述多段子信号的声学特征输入神经网络模型中，并获取所述神经网络模型输出的识别结果，所述识别结果用于表征所述目标部件的各个故障类型的发生概率，所述神经网络模型用于对所述声学特征进行二次特征学习。
[0011]一种可选的实施方式中，所述声学特征为二维特征，所述声学特征的第一维用于表征所述子信号的帧数，所述声学特征的第二维用于表征每帧信号的梅尔谱倒谱系数。
[0012]一种可选的实施方式中，所述分别确定所述多段子信号的声学特征，包括：
[0013]使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号；
[0014]分别确定所述多段子信号对应的频域信号的功谱率；
[0015]使用三角滤波器对所述多段子信号对应的频域信号的功谱率进行梅尔滤波，分别确定所述多段子信号对应的对数能量；
[0016]使用离散傅里叶变换将所述多段子信号对应的对数能量分别转换为多段子信号的梅尔谱倒谱系数。
[0017]一种可选的实施方式中，在所述使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号之前，所述方法还包括：
[0018]根据预设的信号采样点数量，对每段子信号进行分帧处理，得到所述每段子信号对应的多帧信号；
[0019]将所述每段子信号对应的多帧信号分别进行加窗处理。
[0020]一种可选的实施方式中，所述神经网络模型包括一维双卷积神经网络模型。
[0021]一种可选的实施方式中，所述一维双卷积神经网络模型包括具有相同结构的第一卷积层和第二卷积层，所述第一卷积层和所述第二卷积层均包括两个卷积单元，每个卷积单元之间的卷积参数均不相同。
[0022]一种可选的实施方式中，所述卷积参数包括通道数和卷积核尺寸，所述第一卷积层的卷积单元的通道数均小于所述第二卷积层的卷积单元的通道数，所述第一卷积层的卷积单元的卷积核尺寸均大于所述第二卷积层的卷积单元的卷积核尺寸。
[0023]一种可选的实施方式中，所述卷积单元的通道用于接收同一段子信号的不同帧的梅尔谱倒谱系数。
[0024]一种可选的实施方式中，所述第一卷积层设置在所述第二卷积层之前，所述第一卷积层和第二卷积层之间设置有第一池化层，所述第二卷积层之后设置有第二池化层；
[0025]其中，所述第一池化层用于对所述第一卷积层提取到的特征进行最大池化处理，所述第二池化层用于对所述第二卷积层提取到的特征进行自适应平均池化处理。
[0026]第二方面，本申请实施例提供一种振动信号的识别装置，所述装置法包括：
[0027]获取模块，用于获取待检测设备的目标部件的振动信号；
[0028]分割模块，用于根据设定的样本长度，将所述振动信号分割为多段子信号；
[0029]确定模块，用于分别确定所述多段子信号的声学特征；
[0030]识别模块，用于将所述多段子信号的声学特征输入神经网络模型中，并获取所述神经网络模型输出的识别结果，所述识别结果用于表征所述目标部件的各个故障类型的发生概率，所述神经网络模型用于对所述声学特征进行二次特征学习。
[0031]一种可选的实施方式中，所述声学特征为二维特征，所述声学特征的第一维用于表征所述子信号的帧数，所述声学特征的第二维用于表征每帧信号的梅尔谱倒谱系数。
[0032]一种可选的实施方式中，所述确定模块，具体用于使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号；分别确定所述多段子信号对应的频域信号的功谱率；使用三角滤波器对所述多段子信号对应的频域信号的功谱率进行梅尔滤波，分别确定所述多段子信号对应的对数能量；使用离散傅里叶变换将所述多段子信号对应的对数能量分别转换为多段子信号的梅尔谱倒谱系数。
[0033]一种可选的实施方式中，所述确定模块，还用于根据预设的信号采样点数量，对每段子信号进行分帧处理，得到所述每段子信号对应的多帧信号；将所述每段子信号对应的多帧信号分别进行加窗处理。
[0034]一种可选的实施方式中，所述神经网络模型包括一维双卷积神经网络模型。
[0035]一种可选的实施方式中，所述一维双卷积神经网络模型，所述神经网络模型包括具有相同结构的第一卷积层和第二卷积层，所述第一卷积层和所述第二卷积层均包括两个卷积单元，每个卷积单元之间的卷积参数均不相同。
[0036]一种可选的实施方式中，所述卷积参数包括通道数和卷积核尺寸，所述第一卷积层的卷积单元的通道数均小于所述第二卷积层的卷积单元的通道数，所述第一卷积层的卷积单元的卷积核尺寸均大于所述第二卷积层的卷积单元的卷积核尺寸。
[0037]一种可选的实施方式中，所述卷积单元的通道用于接收同一段子信号的不同帧的梅尔谱倒谱系数。
[0038]一种可选的实施方式中，所述第一卷积层设置在所述第二卷积层之前，所述第一卷积层和第二卷积层之间设置有第一池化层，所述第二卷积层之后设置有第二池化层；
[0039]其中，所述第一池化层用于对所述第一卷积层提取到的特征进行最大池化处理，所述第二池化层用于对所述第二卷积层提取到的特征进行自适应平均池化处理。
[0040]第三方面，本申请还提供一种电子设备，包括：处理器，以及存储器；所述存储器用于存储所述处理器的计算机程序；所述处理器被配置为通过执行所述计算机程序来实现第一方面中任意一种可能的方法。
[0041]第四方面，本专利技术还提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种振动信号的识别方法，其特征在于，所述方法包括：获取待检测设备的目标部件的振动信号；根据设定的样本长度，将所述振动信号分割为多段子信号；分别确定所述多段子信号的声学特征；将所述多段子信号的声学特征输入神经网络模型中，并获取所述神经网络模型输出的识别结果，所述识别结果用于表征所述目标部件的各个故障类型的发生概率，所述神经网络模型用于对所述声学特征进行二次特征学习。2.根据权利要求1所述的方法，其特征在于，所述声学特征为二维特征，所述声学特征的第一维用于表征所述子信号的帧数，所述声学特征的第二维用于表征每帧信号的梅尔谱倒谱系数。3.根据权利要求2所述的方法，其特征在于，所述分别确定所述多段子信号的声学特征，包括：使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号；分别确定所述多段子信号对应的频域信号的功谱率；使用三角滤波器对所述多段子信号对应的频域信号的功谱率进行梅尔滤波，分别确定所述多段子信号对应的对数能量；使用离散傅里叶变换将所述多段子信号对应的对数能量分别转换为多段子信号的梅尔谱倒谱系数。4.根据权利要求3所述的方法，其特征在于，在所述使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号之前，所述方法还包括：根据预设的信号采样点数量，对每段子信号进行分帧处理，得到所述每段子信号对应的多帧信号；将所述每段子信号对应的多帧信号分别进行加窗处理。5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括一维双卷积神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述一维双卷积神经网络模型包括具有相同结构的第一卷积层和第二卷积层，所述第一卷积层和所述第二卷积层均包括两个卷积单元，每个卷积单元之间的卷积参数均不相同。7.根据权利要求6所...

【专利技术属性】
技术研发人员：陈曦，葛成，王明，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：