一种基于多特征融合的机泵故障诊断方法技术

本发明专利技术涉及机泵故障诊断技术领域，特别涉及一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。避免严重故障发生。避免严重故障发生。

【技术实现步骤摘要】
一种基于多特征融合的机泵故障诊断方法


[0001]本专利技术涉及机泵故障诊断
，特别涉及一种基于多特征融合的机泵故障诊断方法。

技术介绍

[0002]机泵是工业生产中常用的设备，其主要作用是将液体或气体从低压区输送到高压区域，然而，由于机泵长时间运行，其内部零部件容易磨损、老化，导致机泵出现故障，传统的机泵故障诊断方法主要依靠人工检测和经验判断，需要检测人员具有专业技能和丰富的经验，诊断结果容易受人为因素的影响，存在诊断不准确的问题，同时，人工检测需要耗费大量时间和人力，存在诊断效率低下的问题，且传统的机泵故障诊断方法无法实现实时监测和预警，需要在机泵出现严重故障后才能被发现，存在维修更换成本较高的问题。
[0003]因此，目前亟需要一种技术方案，以解决现有机泵故障诊断不准确、效率低下且只能在严重故障发生后进行的技术问题。

技术实现思路

[0004]本专利技术的目的在于：针对现有机泵故障诊断不准确、效率低且只能在严重故障发生后进行的技术问题，提供了一种基于多特征融合的机泵故障诊断方法。
[0005]为了实现上述目的，本专利技术采用的技术方案为：
[0006]一种基于多特征融合的机泵故障诊断方法，包括如下步骤：S1、采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库；S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图；S3、对各特征图依次进行CNN特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型；S4、通过机泵故障识别模型对机泵进行故障诊断。
[0007]本专利技术的一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
[0008]作为本专利技术的优选方案，S1中，所述声音信号以WAV格式进行存储。
[0009]作为本专利技术的优选方案，S2中，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。
[0010]作为本专利技术的优选方案，S2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。
[0011]作为本专利技术的优选方案，S2中，所述频谱对比度特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换，得到频谱部分，将频谱部分划分为六个子频段，估算每个子频段的频谱对比度。
[0012]作为本专利技术的优选方案，S3中，所述CNN特征提取采用VGG16模型，所述分类器包括softmax分类器。
[0013]作为本专利技术的优选方案，S3中，所述特征级融合包括：根据包括音高、音色的声音特征进行特征融合。
[0014]一种基于多特征融合的机泵故障诊断装置，包括：声音采集单元，用于采集不同故障状态下机泵运行时产生的声音信号；模型训练单元，用于根据采集到的声音信号进行多特征提取和融合，确定机泵故障识别模型；故障诊断单元，用于根据机泵故障识别模型识别的故障类型，实现机泵故障诊断。
[0015]一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现如上所述机泵故障诊断方法。
[0016]一种计算机存储介质，包括：在计算机程序被处理器执行时，实现如上所述机泵故障诊断方法。
[0017]综上所述，由于采用了上述技术方案，本专利技术的一种基于多特征融合的机泵故障诊断方法的有益效果是：
[0018]1、通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理；
[0019]2、节省诊断时间和人力成本，提高机泵故障诊断效率；
[0020]3、通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。
附图说明
[0021]图1是实施例1的一种基于多特征融合的机泵故障诊断方法逻辑图；
[0022]图2是实施例1中MFCC特征提取过程示意图；
[0023]图3是实施例2的一种基于多特征融合的机泵故障诊断装置的结构图。
具体实施方式
[0024]下面结合附图，对本专利技术作详细的说明。
[0025]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0026]实施例1
[0027]本实施例的一种基于多特征融合的机泵故障诊断方法，包括依次进行的如下S1
‑
S4的步骤。
[0028]S1、通过声音采集单元采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库。
[0029]具体的，所述声音采集单元包括麦克风阵列，所述声音信号以WAV格式进行存储。以通过麦克风阵列采集不同故障下机泵运行时产生的声音信号，并以.WAV格式进行分类存储。
[0030]S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图，以通过使用几种不同的音频特征，使音高、音色等不同的声音特征相结合，对声音样本的描述更加丰富，从而提高识别模型的性能。
[0031]具体的，通过读取S1存储的声音信号并进行MFCC特征、短时傅里叶变换特征和频谱对比度特征的分别提取。
[0032]具体的，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。
[0033]其中，S201预加重包括将声音信号通过一个高通滤波器处理，处理原理为：
[0034]H(z)＝1
‑
μz
‑1；
[0035]式中，z为声音信号，H()为滤波函数，μ为介于0.9
‑
1.0之间的常数，本实施例优选μ取值为0.97。
[0036]其中，S202分帧包括对采集的音频信号进行短时帧处理，本实施例采用0.025s，依据音频信号的采样率，设置每一帧的帧长为采样率与0.025的乘积结果，相邻帧之间重叠区域的长度即帧移为采样率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的机泵故障诊断方法，其特征在于，包括如下步骤：S1、采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库；S2、对各声音信号进行特征提取，所述特征包括MFCC特征、短时傅里叶变换特征和频谱对比度特征，获取MFCC特征图、短时傅里叶变换色谱图和频谱对比度图；S3、对各特征图依次进行CNN特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型；S4、利用机泵故障识别模型对机泵进行故障诊断。2.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S1中，所述声音信号以WAV格式进行存储。3.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S2中，所述MFCC特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、Mel滤波器组、对数运算和离散余弦变换。4.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，S2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。5.如权利要求1所述的一种基于多特征融合的机泵故障诊断...

【专利技术属性】
技术研发人员：赵挺，杨春霞，李跃杰，李林龄，杨洋，向春林，张振勃，黄俊杰，
申请(专利权)人：中国石油化工股份有限公司西南油气分公司，
类型：发明
国别省市：