System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机泵故障检测,尤其涉及基于声纹表征方法的机泵运作故障检测诊断方法及系统。
技术介绍
1、机泵设备在工业生产、农业灌溉、市政供水等多个领域具有广泛的应用。由于其在关键生产过程中的作用,机泵的故障可能导致严重的经济损失和安全风险。传统的机泵故障诊断方法主要依赖于人工检查或简单的传感器监控,这些方法在准确性、效率和适应性方面存在不少局限。
2、近年来,声音分析作为一种非侵入性的监测手段,逐渐得到了关注。然而,多数基于声音分析的故障诊断方法主要集中在单一角度的声音采样和传统的特征提取算法上,这导致了对复杂或微小故障的检测能力有限。此外,传统方法通常缺乏一个有效的算法来动态调整系统参数,以适应不同的工作条件和故障类型。
3、尽管存在一些尝试使用复杂算法和机器学习模型进行故障诊断的方法,但这些方法通常在处理多角度声音数据、特征权重优化以及动态参数调整等方面还存在不足,因此,亟需一种能够综合处理这些问题,提高故障诊断准确性和系统适应能力的新方法。
技术实现思路
1、基于上述目的,本专利技术提供了基于声纹表征方法的机泵运作故障检测诊断方法及系统。
2、基于声纹表征方法的机泵运作故障检测诊断方法,包括以下步骤:
3、s1:收集机泵在运作中产生的声音信号,采用多个麦克风阵列从不同角度对机泵进行声音采样;
4、s2:使用傅立叶变换将从各个角度采集到的声音信号转换为频谱数据,生成多个频谱图像;
5、s3:通过计算频谱图像
6、s4:在生成的综合特征向量基础上,应用声纹表征算法,压缩特征向量并准备用于分类;
7、s5:应用反向传播算法在综合特征向量中添加权重,该权重基于机泵的实际运行参数,动态地调整;
8、s6:使用加权的综合特征向量作为输入,通过机器学习算法,对机泵的多种可能的运行状态进行分类;
9、s7:根据分类结果,动态地调整声纹表征算法和机器学习算法的参数,以优化后续故障诊断的准确性。
10、进一步的,所述多个麦克风阵列分别放置于机泵的不同角度,每个麦克风阵列由至少两个麦克风单元组成;
11、每个麦克风阵列的采样频率设置在20khz到96khz之间,以捕获机泵运行中产生的全频段声音信号;
12、采用预设的时间间隔或者基于特定触发机制进行同步采样,预设时间间隔为50毫秒至500毫秒,触发机制通过与机泵控制系统的接口获得实时的运行参数作为触发信号;
13、通过一个集中式或分布式的数据采集模块,将各个麦克风阵列采集到的声音信号进行时间戳标记和缓存,以便于后续步骤中进行数据融合和分析。
14、进一步的,所述s2中的傅立叶变换包括:
15、对每个麦克风单元在不同角度收集到的声音信号s(t)进行离散傅立叶变换,以将其转换为频谱数据,表达为:
16、
17、其中,
18、s(f)表示频率为f的频谱分量;
19、s(n)是在时间n处的声音信号样本;
20、n是样本点的总数;
21、f是目标频率;
22、频谱图像生成具体如下:
23、s21:以预定的窗口长度和滑动步长,对声音信号s(t)进行分帧处理,以生成一个或多个短时信号片段;
24、s22:对每个短时信号片段应用离散傅立叶变换,生成相应的频谱数据;
25、s23:将所有短时频谱数据进行归一化和平滑处理,生成对应的频谱图像;
26、s24:为每个麦克风单元和每个角度生成一个单独的频谱图像,所有这些频谱图像将用于步骤3中的特征提取和合成。
27、进一步的,所述s3具体包括:
28、s31:对每个频谱图像进行空间梯度计算,得到水平梯度gx和垂直梯度gy,具体数学表达式如下:
29、
30、s32:根据水平梯度gx和垂直梯度gy,计算每个像素点的梯度幅度g和梯度方向θ,具体数学表达式如下:
31、
32、s33:将计算得到的梯度幅度g和梯度方向θ进行统计分析,生成一个局部特征向量flocal;
33、s34:重复计算,对从不同角度和不同麦克风单元获得的频谱图像进行相同的处理,生成多个局部特征向量;
34、s35:将所有局部特征向量按照加权平均进行合成,生成一个综合特征向量fcomposite。
35、进一步的,所述s4具体包括:
36、s41:将综合特征向量fcomposite输入到一个声纹表征算法中,用于再次提取和压缩声纹特征,
37、s42:应用预先训练的模型参数,对fcomposite进行变换,得到一个压缩后的特征向量fcompressed,表达为:
38、fcompressed=w·fcomposite+b
39、其中,
40、w是一个变换矩阵,用于线性或非线性地映射原始特征向量到一个压缩的空间;
41、b是一个偏置向量,用于平移映射;
42、s43:对压缩后的特征向量fcompressed进行标准化或量化处理,以准备用于分类步骤。
43、进一步的,所述s5具体包括:
44、s51:初始化一个权重向量winitial,其维度与综合特征向量fcomposite相同;
45、s52:将综合特征向量fcomposite与初始化的权重向量winitial进行逐元素相乘,得到加权的特征向量,表达为:
46、
47、其中,⊙表示逐元素相乘;
48、s53:将加权特征向量,输入到一个预先定义好的损失函数中,计算损失值l;
49、s54:应用反向传播算法,计算损失函数l关于权重向量winitial的梯度,并更新权重向量:
50、
51、其中,
52、η是学习率,是损失函数l关于权重向量winitial的梯度;
53、s55:重复计算,直到损失函数l收敛。
54、进一步的,所述s6具体包括:
55、s61:将加权综合特征向量作为输入,输入到预先训练好的机器学习分类模型中;
56、s62:机器学习模型根据输入的加权综合特征向量,通过内部参数和函数映射,输出一个或多个类别标签;
57、s63:在模型输出类别标签后,应用阈值或决策规则,以确定最终的运行状态分类;
58、s64:该分类结果用于实时监控系统或者作为后续故障诊断和预测分析的输入数据。
59、进一步的,所述机器学习模型包括决策树、支持向量机、随机森林或神经网络。
60、进一步的,所述s7具体包括:
61、s71:基于分类结本文档来自技高网...
【技术保护点】
1.基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述多个麦克风阵列分别放置于机泵的不同角度,每个麦克风阵列由至少两个麦克风单元组成;
3.根据权利要求2所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述S2中的傅立叶变换包括:
4.根据权利要求3所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述S3具体包括:
5.根据权利要求4所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述S4具体包括:
6.根据权利要求5所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述S5具体包括:
7.根据权利要求6所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述S6具体包括:
8.根据权利要求7所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述机器学习模型包括决策树、支持向量机、随机森林或神经网络。
9.
10.基于声纹表征方法的机泵运作故障检测诊断系统,其特征在于,包括:
...【技术特征摘要】
1.基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述多个麦克风阵列分别放置于机泵的不同角度,每个麦克风阵列由至少两个麦克风单元组成;
3.根据权利要求2所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述s2中的傅立叶变换包括:
4.根据权利要求3所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述s3具体包括:
5.根据权利要求4所述的基于声纹表征方法的机泵运作故障检测诊断方法,其特征在于,所述s...
【专利技术属性】
技术研发人员:王达,程燕,张艳南,钟浩,
申请(专利权)人:杭州市质量技术监督检测院杭州市农产品监测中心,杭州市社会计量公正行,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。