基于噪声特征的停车设备机械故障预测方法和系统技术方案

本发明专利技术涉及一种基于噪声特征的停车设备机械故障预测方法和系统，方法包括：采集停车设备的实时机械噪声信号；对实时机械噪声信号进行压缩感知处理，重构得到无故障机械噪声信号；对实时机械噪声信号和无故障机械噪声信号均进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取；将实时共振峰频率特征参数及实时梅尔频率倒谱系数之和，与无故障共振峰频率特征参数及无故障梅尔频率倒谱系数之和做差；比较差值和设定阈值进行故障预测。与现有技术相比，本发明专利技术采用压缩感知处理法来减除实时机械噪声信号的故障特征信息，通过比对减除故障特征信息的特征参数和原始信号的特征参数，得到机械故障的特征，实现对停车设备机械故障的自动化预测。械故障的自动化预测。械故障的自动化预测。

【技术实现步骤摘要】
基于噪声特征的停车设备机械故障预测方法和系统


[0001]本专利技术涉及设备检测领域，尤其是涉及一种基于噪声特征的停车设备机械故障预测方法和系统。

技术介绍

[0002]机械式停车设备与传统的车库形式相比，机械式停车设备在有限的空间，可以停放更多的汽车，提升土地资源利用率的同时，还能缓解城市规划与环境发展之间的压力，许多城市正在积极的应用机械式立体车库。十多年来国内机械式停车设备制造技术迅速发展。机械式停车设备的大力推广给人们带来便利的同时。其发生的故障、事故同样引起了社会的极大关注。虽然大多数故障和事故是由于人为操作和设备管理不善所导致。但是也有一部分故障和事故原因是产品本身设计和质量问题。机械式停车设备机械故障的诊断和预测将有效减少机械故障的发生和降低机械故障造成的各种损失。目前，对于停车设备机械故障的预测可采用人工预测，对于一个有经验的机械工程师，通常通过细听设备的机械噪声，可以大致确定故障的位置、故障的程度，但是人工预测的可靠性和准确性都较低。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于噪声特征的停车设备机械故障预测方法和系统。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种基于噪声特征的停车设备机械故障预测方法，包括以下步骤：
[0006]S1、采集停车设备的实时机械噪声信号；
[0007]S2、对实时机械噪声信号进行压缩感知处理，重构得到无故障机械噪声信号；
[0008]S3、对实时机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到实时共振峰频率特征参数和实时梅尔频率倒谱系数；同时，对无故障机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到无故障共振峰频率特征参数和无故障梅尔频率倒谱系数；
[0009]S4、将实时共振峰频率特征参数及实时梅尔频率倒谱系数之和，与无故障共振峰频率特征参数及无故障梅尔频率倒谱系数之和相减得到差值；
[0010]S5、比较差值和设定阈值对故障进行预测。
[0011]进一步地，步骤S2中，压缩感知处理包括以下步骤：
[0012]S21、对实时机械噪声信号进行分帧和端点检测；
[0013]S22、对每一帧的实时机械噪声信号进行散余弦变换，得到DCT域稀疏系数和动态阈值，选取设定数量的多个DCT域稀疏系数结合动态阈值进行散余弦逆变换，得到稀疏性预处理后的时域信号；
[0014]S24、将稀疏性预处理后的时域信号在部分随机哈达玛观测矩阵Φ下进行压缩投影，得到观测向量；
[0015]S25、用观测向量在稀疏变换基矩阵Ψ下重构信号帧，得到无故障机械噪声信号。
[0016]进一步地，步骤S21中，端点检测采用双门限端点检测方法。
[0017]进一步地，步骤S3中，共振峰频率特征参数的特征提取包括以下步骤：
[0018]A1、对实时机械噪声信号或无故障机械噪声信号进行分帧和加窗，然后进行快速傅里叶变换得到噪声信号的短时谱；
[0019]A2、对噪声信号的短时谱取对数后进行离散傅里叶逆变换，得到噪声信号的倒谱；
[0020]A3、获取低频部分的倒谱进行快速傅里叶变换得到对数模函数，对数模函数的对数谱的峰值即为共振峰频率特征参数。
[0021]进一步地，步骤S3中，梅尔频率倒谱系数的特征提取包括以下步骤：
[0022]B1、对实时机械噪声信号或无故障机械噪声信号进行采样量化和端点检测，得到时域信号；
[0023]B2、将时域信号通过离散傅里叶变换或快速傅里叶变换转化成频域信号；
[0024]B3、将频域信号通过梅尔频率滤波器组转换成梅尔频谱；
[0025]B4、对梅尔频谱进行对数能量处理，得到对数频谱；
[0026]B5、将对数频谱后经过离散余弦变换得到梅尔频率倒谱系数。
[0027]进一步地，步骤S4中，实时共振峰频率特征乘以第一加权系数、实时梅尔频率倒谱系数乘以第二加权系数之后求和；无故障共振峰频率特征乘以第一加权系数、无故障梅尔频率倒谱系数乘以第二加权系数之后求和。
[0028]进一步地，所述实时机械噪声信号通过高灵敏拾音器采集。
[0029]一种基于噪声特征的停车设备机械故障预测系统，包括处理器和存储器，其特征在于，所述处理器调用所述存储器中存储的程序，实现如上任一所述的基于噪声特征的停车设备机械故障预测方法。
[0030]与现有技术相比，本专利技术具有以下有益效果：
[0031]1、本专利技术采用压缩感知处理法来减除实时机械噪声信号的故障特征信息，通过比对减除故障特征信息的特征参数和原始信号的特征参数，得到机械故障的特征参数，实现对停车设备机械故障的自动化预测。
[0032]2、本专利技术采用共振峰频率特征参数及梅尔频率倒谱系数双重特征提取，来提高特征信息的冗余度，最终提高预测诊断的正确率。
附图说明
[0033]图1为本专利技术的整体流程示意图。
[0034]图2为压缩感知算法的整体流程示意图。
[0035]图3为提取共振峰频率特征参数的流程示意图。
[0036]图4为共振峰频率的提取结果示意图。
[0037]图5为提取梅尔频率倒谱系数的特征的流程示意图。
[0038]图6为梅尔频率倒谱系数的提取结果示意图。
[0039]图7为故障预测判决框图。
具体实施方式
[0040]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0041]如图1所示，本实施例提供了一种基于噪声特征的停车设备机械故障预测方法，包括以下步骤：
[0042]步骤S1、采集停车设备的实时机械噪声信号，实时机械噪声信号通过高灵敏拾音器采集。
[0043]步骤S2、对实时机械噪声信号进行压缩感知处理，重构得到无故障机械噪声信号。
[0044]步骤S3、对实时机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到实时共振峰频率特征参数和实时梅尔频率倒谱系数；同时，对无故障机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到无故障共振峰频率特征参数和无故障梅尔频率倒谱系数。
[0045]步骤S4、将实时共振峰频率特征参数及实时梅尔频率倒谱系数之和，与无故障共振峰频率特征参数及无故障梅尔频率倒谱系数之和相减得到差值。
[0046]步骤S5、比较差值和设定阈值对故障进行预测。
[0047]如图2所示，步骤S2的压缩感知处理展开为：将现场实时机械噪声信号分帧，通过双门限端点检测方法实现段检测等预处理；然后求取每帧机械噪声信号在DCT(离散余弦变换)域的稀疏性，然后采用IDCT(离散余弦逆变换)反变换回时域；预处理后的时域语音信号帧在部分随机哈达本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于噪声特征的停车设备机械故障预测方法，其特征在于，包括以下步骤：S1、采集停车设备的实时机械噪声信号；S2、对实时机械噪声信号进行压缩感知处理，重构得到无故障机械噪声信号；S3、对实时机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到实时共振峰频率特征参数和实时梅尔频率倒谱系数；同时，对无故障机械噪声信号进行共振峰频率特征参数和梅尔频率倒谱系数的双重特征提取，得到无故障共振峰频率特征参数和无故障梅尔频率倒谱系数；S4、将实时共振峰频率特征参数及实时梅尔频率倒谱系数之和，与无故障共振峰频率特征参数及无故障梅尔频率倒谱系数之和相减得到差值；S5、比较差值和设定阈值对故障进行预测。2.根据权利要求1所述的一种基于噪声特征的停车设备机械故障预测方法，其特征在于，步骤S2中，压缩感知处理包括以下步骤：S21、对实时机械噪声信号进行分帧和端点检测；S22、对每一帧的实时机械噪声信号进行散余弦变换，得到DCT域稀疏系数和动态阈值，选取设定数量的多个DCT域稀疏系数结合动态阈值进行散余弦逆变换，得到稀疏性预处理后的时域信号；S24、将稀疏性预处理后的时域信号在部分随机哈达玛观测矩阵Φ下进行压缩投影，得到观测向量；S25、用观测向量在稀疏变换基矩阵Ψ下重构信号帧，得到无故障机械噪声信号。3.根据权利要求2所述的一种基于噪声特征的停车设备机械故障预测方法，其特征在于，步骤S21中，端点检测采用双门限端点检测方法。4.根据权利要求1所述的一种基于噪声特征的停车设备机械故障预测方法，其特征在于，步骤S3中，共振峰频率特征参数...

【专利技术属性】
技术研发人员：梁圣义，金彦，王志刚，鲁鸿雁，毛雨晗，任立新，李传磊，龚文，沈坚，刘鹏博，
申请(专利权)人：上海禾通涌源停车设备有限公司，
类型：发明
国别省市：