基于MFCC语音特征提取与机器学习的电机故障诊断方法技术

本发明专利技术属于电机故障检测技术领域，具体涉及一种基于MFCC语音特征提取与机器学习的电机故障诊断方法。本发明专利技术包括以下步骤：S1：设定采样频率；S2：对采样成功的音频进行预加重处理；S3：对加重后的信号进行分帧处理；S4：对于分帧后的信号进行加窗处理；S5：通过傅里叶变换对加窗后的信号进行处理，计算其MFCC特征向量；S6：以采样点为单位进行样本的划分；S7：对S6样本中的MFCC特征向量进行分类，计算第一组特征向量与其他特征向量的切比雪夫距离；S8：对S6中计算的切比雪夫距离特征进行PCA降维；S9：将S8中降维后的数据输入BP神经网络模型进行训练。本发明专利技术针对不同的电机故障类型有较高的识别率，且在诊断过程无需人员参与，降低了人力成本。人力成本。人力成本。

【技术实现步骤摘要】
基于MFCC语音特征提取与机器学习的电机故障诊断方法


[0001]本专利技术属于电机故障检测
，具体涉及一种基于MFCC语音特征提取与机器学习的电机故障诊断方法。

技术介绍

[0002]电机在工业生产过程中的应用随处可见，是实现机电自动化的主要设备，在工业生产中占有重要地位。电机作为各类电驱设备主要的动力装置，具有控制方便、能效高、无污染等有点。但在电机运行过程中，受载荷多变、零部件老化、工作环境复杂等条件影响，易发生故障进而降低电驱装置的工作效率和稳定性。
[0003]由于电机故障类型繁多，各种故障的表现形式不同，不同故障产生的原因也错综复杂，这极大的提高了电机故障诊断的难度。传统电机故障诊断过程主要是对单一的特征信号进行分析，存在不确定性大，诊断精度低等问题，并且电机在工作状态下的信号采集也存在较多的噪声信号，在实际生产过程中，通过人耳对电机故障进行判定也存在易受主观条件和周围环境影响，造成判定结果不准确。如何针对电机故障的诊断建立精确的模型，进行有效的状态估计和参数估计是目前故障诊断领域研究发展的方向。
[0004]目前对电机的故障的诊断方法有基于电机模型的故障诊断方法，此类方法主要对电机运行过程中的参数进行建模推导，通过一个可以测量的变量来反映模型的变化。此类方法相对简单快捷，易于诊断，但是诊断的准确率与模型建立的完整程度有着很大的关系，针对实际工作过程中的电机，在诸多因素的影响下难以建立一个精确的模型。基于信号处理的电机故障诊断方法是通过对采集到的工况信息进行处理，加强故障特征在信息中的表达，利用这些有效的信息对电机故障进行诊断，此类方法可以有效的突出信号中的故障信息，提高模型对特征的识别精度。但在数据的采集过程中，由于采集条件的影响，存在所获取的数据价值不高，噪声影响等现象，同时处理后的特征变量较为单一，训练的模型泛化性能较差。

技术实现思路

[0005]本专利技术解决的技术问题，为克服目前电机故障诊断领域存在的技术缺点，本专利技术提供了一种基于MFCC语音特征提取与机器学习的电机故障诊断方法，针对不同的电机故障类型有较高的识别率，且在诊断过程无需人员参与，降低了人力成本。
[0006]本专利技术采用的技术方案：
[0007]一种基于MFCC语音特征提取与机器学习的电机故障诊断方法，包括以下步骤：
[0008]S1：设定采样频率f
s
，采集电机处于工作状态的音频信号并标记为x1(t)，x2(t)，
…
，x
n
(t)；并对其打标签；
[0009]S2：对采样成功的音频进行预加重处理；
[0010]S3：对加重后的信号进行分帧处理；
[0011]S4：对于分帧后的信号进行加窗处理；
[0012]S5：通过傅里叶变换对加窗后的信号进行处理，将时域信号转换为频域信号，在对转换后的信号计算其MFCC特征向量；
[0013]S6：对S5中计算的特征向量以采样点为单位进行样本的划分，进一步细化为每m个采样点作为一个样本；
[0014]S7：对S6样本中的MFCC特征向量进行分类，计算第一组特征向量与其他特征向量的切比雪夫距离；
[0015]S8：对S6中计算的切比雪夫距离特征进行PCA降维，将高纬度的数据中重要的特征保留并且去除噪声特征；
[0016]S9：将S8中降维后的数据输入BP神经网络模型进行训练，并对训练完成的模型进行测试。
[0017]所述S2中，假设音频信号第t个采样时间点为x[t]，则预加重函数如下：
[0018]y[t]＝x[t]‑
α
·
x[t
‑
1][0019]α一般取0.9
‑
1.0，此例中α取0.97；t为采样时间点。
[0020]所述S3中，帧长设置为25ms，帧移设置为10ms，对于总体信号来说，帧长和帧移为：帧长＝f
s
·
0.025，帧移＝f
s
·
0.001，f
s
为采样频率。
[0021]所述S4中，采用hamming窗处理，过程如下：
[0022]s(t)＝y(t)
×
W(t)
[0023]s(t)为加窗处理后的信号；y(t)为预加重处理信号；W(t)为hamming窗函数；
[0024]其中W(t)的形式如下：
[0025]W(t，a)＝(1
‑
a)
‑
a
×
cos(2πq/(L
‑
1)，0≤q≤L
‑1[0026]其中a为窗参数，在此例中a取0.46；L为hamming窗长度，q为采样点个数，t为采样时间点。
[0027]所述S5中，具体步骤如下：
[0028]S501、首先对信号进行快速傅里叶变换，将时域信号转变为频域信号，通过频谱图反应能量分布的相关信息；第n帧信号的频谱x(k)公式如下：
[0029][0030]其中x(k)为k时刻的频域信号，N为采样点数，s(n)为n时刻的时域信号；
[0031]S502、计算梅尔系数，梅尔值更加贴近人耳听觉机制，在低频范围增长较快，高频范围内增长缓慢，信号频率f与梅尔值f
mel
对应关系如下所示：
[0032][0033]S503、通过梅尔滤波器组对信号进行处理，对频谱进行平滑化，梅尔滤波器组的基本单元是三角滤波器组，滤波器总数量为M，中心频率为f(m)；梅尔滤波器组的频率响应函数为：
[0034][0035]其中m表示第m个滤波器，k为谱线索引；
[0036]S504、计算每个滤波器组输出的对数能量，在对能量谱进行离散余弦变换得到MFCC系数，其中对数能量公式为：
[0037][0038]其中k为谱线索引，m表示第m个滤波器，S(m)表示第m个滤波器输出的对数能量；
[0039]MFCC系数计算公式为：
[0040][0041]其中i为帧数，n为第n个频率倒谱系数，m为第m个滤波器，M为滤波器总数；
[0042]S505、计算升倒谱系数，公式为：
[0043][0044]其中r为阶数，这里取值为13，K(j)表示第j个频率升倒谱系数；
[0045]S506、计算MFCC特征向量，计算公式为：
[0046]feat(i，j)＝mfcc(i，j)
·
K(j)
[0047]其中i为帧数，j为第j个升倒谱系数；由此式得到的是MFCC的第一组特征参数；通过对第一组特征参数一阶微分得到第二组特征参数；同样通过对第一组特征参数二阶微分得到第三组特征参数。
[0048]所述S6中，具体公式如下：
[0049]n为总采样点数。
[0050]所述S7中，距离公式如下：
[0051]dis(x，y)＝max(|x1‑
x2|，|y1‑
...

【技术保护点】

【技术特征摘要】
1.一种基于MFCC语音特征提取与机器学习的电机故障诊断方法，其特征在于，包括以下步骤：S1：设定采样频率f
s
，采集电机处于工作状态的音频信号并标记为x1(t)，x2(t)，
…
，x
n
(t)；并对其打标签；S2：对采样成功的音频进行预加重处理；S3：对加重后的信号进行分帧处理；S4：对于分帧后的信号进行加窗处理；S5：通过傅里叶变换对加窗后的信号进行处理，将时域信号转换为频域信号，在对转换后的信号计算其MFCC特征向量；S6：对S5中计算的特征向量以采样点为单位进行样本的划分，进一步细化为每m个采样点作为一个样本；S7：对S6样本中的MFCC特征向量进行分类，计算第一组特征向量与其他特征向量的切比雪夫距离；S8：对S6中计算的切比雪夫距离特征进行PCA降维，将高纬度的数据中重要的特征保留并且去除噪声特征；S9：将S8中降维后的数据输入BP神经网络模型进行训练，并对训练完成的模型进行测试。2.根据权利要求1所述的基于MFCC语音特征提取与机器学习的电机故障诊断方法，其特征在于，所述S2中，假设音频信号第t个采样时间点为x[t]，则预加重函数如下：y[t]＝x[t]
‑
α
·
x[t
‑
1]α一般取0.9
‑
1.0，此例中α取0.97；t为采样时间点。3.根据权利要求2所述的基于MFCC语音特征提取与机器学习的电机故障诊断方法，其特征在于，所述S3中，帧长设置为25ms，帧移设置为10ms，对于总体信号来说，帧长和帧移为：帧长＝f
s
·
0.025，帧移＝f
s
·
0.001，f
s
为采样频率。4.根据权利要求3所述的基于MFCC语音特征提取与机器学习的电机故障诊断方法，其特征在于，所述S4中，采用hamming窗处理，过程如下：s(t)＝y(t)
×
W(t)s(t)为加窗处理后的信号；y(t)为预加重处理信号；W(t)为hamming窗函数；其中W(t)的形式如下：W(t，a)＝(1
‑
a)
‑
...

【专利技术属性】
技术研发人员：杨磊，王镜淇，李亮，雷成，李峥，和丹，郭莉侠，王亚东，许列琦，高帆，于轩，胡明，
申请(专利权)人：苏州微著设备诊断技术有限公司，
类型：发明
国别省市：