一种基于声音与振动信号的设备故障检测技术制造技术

本发明专利技术提供了一种基于声音与振动信号的设备故障检测技术，其属于设备故障检测技术和人工智能技术领域。首先通过传感器采集待测设备运行过程中的声音和振动信号，然后通过EMD分解、小波变换等技术对采集到的信号进行分析与去噪处理得到去噪后的信号；从正常状态的数据中随机抽取数据组成正常数据集，从故障状态的数据中随机抽取数据组成故障数据集；建立基于物理信息神经网络的设备故障检测模型，先利用正常数据集中部分数据进行训练，拟合出正常数据信号的波动方程，然后利用剩余的正常数据和故障数据集进行测试，通过计算误差损失对数据信号进行诊断。本发明专利技术提供的技术能准确、高效地对设备状态进行检测，解决了现有技术中设备故障检测准确度低的问题。备故障检测准确度低的问题。备故障检测准确度低的问题。

【技术实现步骤摘要】
一种基于声音与振动信号的设备故障检测技术


[0001]本专利技术涉及设备故障检测技术和人工智能
，具体涉及一种基于声音与振动信号的设备故障检测技术。

技术介绍

[0002]近年来，在工业生产中，随着机械设备的运行环境逐渐复杂化，机械设备发生故障的概率显著提高，而设备的健康状态与生产安全和生产质量密切相关，尤其对于一些关键设备，在一个生产周期中无法随时停机检修，如果意外停机很可能会造成重大的生产事故。通过设备故障检测技术可以有效地对设备状态进行检测，预防事故的发生，因此设备故障检测技术具有广阔的应用前景。
[0003]在传统的设备故障检测技术中，一般通过人工观测设备的运行参数，根据经验或相关指标来判断设备的运行状态。这种人工诊断的效果会受到专家经验的影响，具有精确度低，预测能力有限的缺点。
[0004]随着人工智能
的发展，通过在机器上安装传感器并利用人工智能技术对设备进行在线的智能故障检测成为了解决上述问题的新途径，这种方式可以节省大量的人力，并且可以持续不断的进行在线检测。但是由于人工智能模型需要针对不同的设备进行训练，且训练的样本标签完全是由人为标注的，所以对于一些人工难以察觉的潜在性故障的检测能力上有限。除此之外，在噪声影响下的设备故障检测技术的准确性、鲁棒性等方面还有着较大提升空间。因此，研究人工智能技术在设备故障检测中的应用具有十分重要的理论和应用价值。

技术实现思路

[0005]本专利技术的目的是提出一种基于声音与振动信号的设备故障检测技术，以提高设备故障检测技术的准确性、鲁棒性以及对于潜在性故障的的检测能力。
[0006]本专利技术采用以下的技术方案：
[0007]一种基于声音与振动信号的设备故障检测技术，包括以下步骤：
[0008]步骤1：采集声音信号或振动信号S，其中S为时间序列数据；
[0009]步骤2：对步骤1采集的信号S使用加窗、分帧技术进行处理，信号帧时长设为w，第i个信号帧的起始时间为t
i
，截取窗口[t
i
,t
i
+w]内的S记为：S_t
i
，i＝1,2,3,......,N；
[0010]其中，N为信号帧总数，i为信号帧编号，t
i
为第i个信号帧的起始时刻。经过分帧处理后，S被分成了N个信号帧。
[0011]步骤3：对步骤2得到的信号帧S_t
i
进行降噪处理，得到去噪后的信号S_process_t
i
；
[0012]步骤4：利用步骤3得到的去噪后的信号S_process_t
i
生成训练数据集Train_set与测试数据集Test_set；
[0013]步骤5：建立基于物理信息神经网络的设备故障检测模型，使用步骤4得到的训练
数据集进行训练；
[0014]步骤6：利用步骤5得到的基于物理信息神经网络的设备故障检测模型，对待测设备故障进行诊断。
[0015]优选地，步骤1中所述的声音信号或振动信号S来源于传感器采集的待测设备运行过程中的声音或振动信号。
[0016]优选地，所述步骤3，具体实现包括以下子步骤：
[0017]步骤3.1：对S_t
i
进行EMD分解，得到分解出的M个IMF分量S_t
i
_IMF
j
，j＝1,2,3,......,J，其中，j为IMF分量编号，如公式(1)所示；
[0018]S_t
i
_IMF
j
＝emd(S_t
i
)；(1)
[0019]步骤3.2：对IMF分量S_t
i
_IMF
j
进行分析，确定出高频分量中需要进行小波阈值去噪的含噪IMF分量S_t
i
_IMF
n
，其中n∈j；不含噪声的低频IMF分量记为S_t
i
_IMF
m
，其中m∈j,m≠n；
[0020]步骤3.3：对S_t
i
_IMF
n
进行小波阈值去噪，分析并除去非稳态信号，得到小波阈值去噪后的信号N个信号帧处理得到N个1维向量，如公式(2)所示：
[0021][0022]步骤3.4：获得降噪后的数据与不含噪声的低频IMF分量S_t
i
_IMF
m
一起进行信号重构，得到去噪后的信号S_process_t
i
，如公式(3)所示：
[0023][0024]优选地，所述步骤3.2，具体实现包括以下子步骤：
[0025]步骤3.2.1：对信号帧S_t
i
_IMF
n
进行m层小波分解，最后输出m+1个小波系数集合如公式(4)和(5)所示：
[0026][0027][0028]其中：为分解的低频信息，近似部分，为分解的高频信息，细节部分，func为选用的小波基函数，m为分解层数；
[0029]步骤3.2.2：经过步骤3.2.1小波分解后，通过选取合适的阈值和阈值函数对小波系数进行处理。大于阈值的小波系数被认为是由信号产生的，应予以保留，小于阈值的则认为是由噪声产生的，置为0以达到去噪的目的。最后得到阈值处理后的小波系数如公式(6)所示：
[0030][0031]其中：value为阈值；
[0032]步骤3.2.3：将经过步骤3.2.2阈值化处理后的小波系数进行小波重构得到小波去噪后的信号数据如公式(7)所示：
[0033][0034]其中：func为与步骤3.2.1中相同的小波基函数。
[0035]优选地，所述步骤4，具体实现包括以下子步骤：
[0036]步骤4.1：将步骤3得到的去噪后的信号S_process_t
i
按照正常状态与故障状态进行划分，从正常状态的数据中随机抽取数据组成正常数据集Nomal_set，从故障状态的数据中随机抽取数据组成故障数据集Fault_set；
[0037]步骤4.2：从步骤4.1得到的正常数据集Nomal_set中随机抽取部分正常数据，组成训练数据集Train_set，剩余部分正常数据集合记为Nomal_residue_set；
[0038]步骤4.3：将从步骤4.1得到的故障数据集Fault_set与步骤4.2中的Nomal_residue_set组合后，得到测试数据集Test_set。
[0039]优选地，所述步骤5，具体实现包括以下子步骤：
[0040]步骤5.1：确定物理信息神经网络设备故障诊断模型的结构、层数、节点数和所需拟合的振动方程。神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，其中输入层的输入为训练数据集Train_set中的数据，隐藏层用于提取不同的层次特征，隐藏层的层数和节点数根据训练和测试分析确定，输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声音与振动信号的设备故障检测技术，其特征在于，包括以下步骤：步骤1：采集声音信号或振动信号S，其中S为时间序列数据；步骤2：对步骤1采集的信号S使用加窗、分帧技术进行处理，信号帧时长设为w，第i个信号帧的起始时间为t
i
，截取窗口[t
i
,t
i
+w]内的S记为：S_t
i
，i＝1,2,3,......,N；其中，N为信号帧总数，i为信号帧编号，t
i
为第i个信号帧的起始时刻。经过分帧处理后，S被分成了N个信号帧。步骤3：对步骤2得到的信号帧S_t
i
进行降噪处理，得到去噪后的信号S_process_t
i
；步骤4：利用步骤3得到的去噪后的信号S_process_t
i
生成训练数据集Train_set与测试数据集Test_set；步骤5：建立基于物理信息神经网络的设备故障检测模型，使用步骤4得到的训练数据集进行训练；步骤6：利用步骤5得到的基于物理信息神经网络的设备故障检测模型，对待测设备故障进行诊断。2.根据权利要求1所述的一种基于声音与振动信号的设备故障检测技术，其特征在于，步骤1中所述的声音信号或振动信号S来源于传感器采集的待测设备运行过程中的声音或振动信号。3.根据权利要求1所述的一种基于声音与振动信号的设备故障检测技术，其特征在于，所述步骤3，具体实现包括以下子步骤：步骤3.1：对S_t
i
进行EMD分解，得到分解出的M个IMF分量S_t
i
_IMF
j
，j＝1,2,3,......,J，其中，j为IMF分量编号，如公式(1)所示；S_t
i
_IMF
j
＝emd(S_t
i
)；(1)步骤3.2：对IMF分量S_t
i
_IMF
j
进行分析，确定出高频分量中需要进行小波阈值去噪的含噪IMF分量S_t
i
_IMF
n
，其中n∈j；不含噪声的低频IMF分量记为S_t
i
_IMF
m
，其中m∈j,m≠n；步骤3.3：对S_t
i
_IMF
n
进行小波阈值去噪，分析并除去非稳态信号，得到小波阈值去噪后的信号N个信号帧处理得到N个1维向量，如公式(2)所示：步骤3.4：获得降噪后的数据与不含噪声的低频IMF分量S_t
i
_IMF
m
一起进行信号重构，得到去噪后的信号S_process_t
i
，如公式(3)所示：4.根据权利要求3所述的一种基于声音与振动信号的设备故障检测技术，其特征在于，所述步骤3.2，具体实现包括以下子步骤：步骤3.2.1：对信号帧S_t
i
_IMF
n
进行m层小波分解，最后输出m+1个小波系数集合如公式(4)和(5)所示：如公式(4)和(5)所示：
其中：为分解的低频信息，近似部分，为分解的高频信息，细节部分，func为选用的小波基函数，m为分解层数；步骤3.2.2：经过步骤3.2.1小波分解后，通过选取合适的阈值和阈值函数对小波系数进行处理。大于阈值的小波系数被认为是由信号产生的，应予以保留，小于阈值的则认为是由噪声产生的，置为0以达到去噪的目的。最后得到阈值处理后的小波系数如公式(6)所示：其中：value为阈值；步骤3.2.3：将经过步骤3.2.2阈值化处理后的小波系数进行小波重构得到小波去噪后的信号数据如公式(7)所示：其中：func为与步骤3.2.1中相同的小波基函数。5.根据权利要求1所述的一种基于声音与振动信号的设备故障检测技术，其特征在于，所述步骤4，具体实现包括以下子步骤：步骤4.1：将步骤3得到的去噪后的信号S_process_t
i
按照正常状态与故障状态进行划分，从正常状态的数据中随机抽取数据组成正常数据集Nomal_set，从故障状态的数据中随机抽取数据组成故障数据集Fault_set；步骤4.2：从步骤4.1得到的正常数据集Nomal_set中随机抽取部分正常数据，组成训练数据集Train_set，剩余部分正常数据集合记为Nomal_res...

【专利技术属性】
技术研发人员：田刚，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：