【技术实现步骤摘要】
本公开涉及轴承领域，具体地，涉及一种滚动轴承的声纹信号检测方法、装置、介质与电子设备。
技术介绍
1、滚动轴承是电站辅机的关键部件之一，其运行工况复杂且多处于强噪声环境，异常状态往往难以准确识别。现有技术中，除了传统的振动分析方法以外，还可以通过非接触式的声纹识别方法对声学信号进行分析，但该声纹分析方法一般通过人工提取信号特征参数的方式进行模型训练，该方式的主观性较强，也可能存在特征表达不充分或表达冗余等问题，从而导致模型的泛化性能较差和诊断准确率较低。
技术实现思路
1、本公开的目的是提供一种滚动轴承的声纹信号检测方法、装置、介质与电子设备，以解决上述技术问题。
2、为了实现上述目的，本公开实施例的第一方面提供一种滚动轴承的声纹信号检测方法，所述方法包括：
3、通过声纹信号采集试验台采集滚动轴承在多种状态下的原始声纹信号；
4、对所述原始声纹信号进行处理，得到一维时序声音信号样本；所述一维时序声音信号样本包括训练集和测试集；所述训练集包括正常声音样本，所述测试集包括异常声音样本；
5、将所述正常声音样本输入cae-eca模型进行训练，得到训练好的cae-eca声纹信号检测模型；
6、将所述异常声音样本输入所述训练好的cae-eca声纹信号检测模型，通过所述模型输出的重构数据确定所述滚动轴承的状态。
7、可选地，所述声纹信号采集试验台包括传动系统模拟试验台和声音信息采集系统，所述声音信息采集系统包括传声器、话筒
8、通过所述声纹信号采集试验台采集所述滚动轴承在正常情况和故障情况下的原始声纹信号；所述故障情况包括：内圈故障、外圈故障、内外圈复合故障和滚动体故障。
9、可选地，所述对所述原始声纹信号进行处理，得到一维时序声音信号样本，包括：
10、对所述原始声纹信号中的异常值和缺失值进行数据清洗，得到经过预处理后的声纹信号；
11、将所述经过预处理后的声纹信号分割并重采样，得到所述一维时序声音信号样本；
12、对所述一维时序声音信号样本中的正常声音样本和异常声音信号样本分别打上对应的标签。
13、可选地，所述cae-eca模型包括注意力机制编码器和解码器，所述将所述正常声音样本输入cae-eca模型进行训练，得到训练好的cae-eca声纹信号检测模型，包括：
14、将所述正常声音样本输入所述cae-eca模型；
15、通过所述注意力机制编码器对所述正常声音样本进行编码操作，获取隐藏层特征；所述编码操作包括特征提取、特征加权和特征降维；
16、通过所述解码器进行数据重构，以获取重构后的正常声音样本；
17、通过调整网络参数对所述cae-eca模型进行训练，当所述正常声音样本与所述重构后的正常声音样本之间的误差收敛时，停止训练，得到训练好的cae-eca声纹信号检测模型。
18、可选地，所述通过所述解码器进行数据重构，以获取重构后的正常声音样本，包括：
19、通过所述解码器将所述隐藏层特征进行数据还原，得到与输入数据具有相同维度的重构后的正常声音样本。
20、可选地，所述通过调整网络参数对所述cae-eca模型进行训练，当所述正常声音样本与所述重构后的正常声音样本之间的误差收敛时，停止训练，得到训练好的cae-eca声纹信号检测模型，包括：
21、基于所述正常声音样本在所述cae-eca模型中进行参数迭代，直至在任一次迭代后的损失函数满足迭代终止条件时停止参数迭代，得到所述训练好的cae-eca声纹信号检测模型。
22、可选地，所述将所述异常声音样本输入所述训练好的cae-eca声纹信号检测模型，通过所述模型输出的重构数据确定所述滚动轴承的状态，包括：
23、获取所述训练好的cae-eca声纹信号检测模型输出的重构后的异常声音样本；
24、通过评价指标对所述异常声音样本和所述重构后的异常声音样本进行重构结果评价，确定所述滚动轴承的状态。
25、可选地，所述评价指标为重构数据与原数据之间的相关系数，所述通过评价指标对所述异常声音样本和所述重构后的异常声音样本进行重构结果评价，确定所述滚动轴承的状态，包括：
26、获取所述异常声音样本与所述重构后的异常声音样本之间的相关系数值；
27、在所述相关系数值大于或等于最小相关系数值的情况下，确定所述滚动轴承为正常状态；
28、在所述相关系数值小于最小相关系数值的情况下，确定所述滚动轴承为异常状态；
29、其中，所述最小相关系数值通过将正常声音样本输入训练好的cae-eca声纹信号检测模型中进行重构得到的。
30、本公开实施例的第二方面，提供一种滚动轴承的声纹信号检测装置，所述装置包括：
31、采集模块，用于通过声纹信号采集试验台采集滚动轴承在多种状态下的原始声纹信号；
32、处理模块，用于对所述原始声纹信号进行处理，得到一维时序声音信号样本；所述一维时序声音信号样本包括训练集和测试集；所述训练集包括正常声音样本，所述测试集包括异常声音样本；
33、训练模块，用于将所述正常声音样本输入cae-eca模型进行训练，得到训练好的cae-eca声纹信号检测模型；
34、检测模块，用于将所述异常声音样本输入所述训练好的cae-eca声纹信号检测模型进行检测，通过所述模型输出的重构数据确定所述滚动轴承的状态。
35、本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开第一方面中任一项所述方法的步骤。
36、本公开实施例的第四方面，提供一种电子设备，包括：
37、存储器，其上存储有计算机程序；
38、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面中任一项所述方法的步骤。
39、在上述技术方案中，首先通过声纹信号采集试验台采集滚动轴承在多种状态下的原始声纹信号，再对该原始声纹信号进行处理，得到一维时序声音信号样本；该一维时序声音信号样本包括训练集和测试集；该训练集包括正常声音样本，该测试集包括异常声音样本，将该正常声音样本输入cae-eca模型进行训练，得到训练好的cae-eca声纹信号检测模型，最后将该异常声音样本输入该训练好的cae-eca声纹信号检测模型，通过该模型输出的重构数据确定该滚动轴承的状态。通过上述技术方案，利用cae-eca模型中的有效通道注意力机制提高输入样本中的关键特征的权重，并通过异常声音样本输入训练好的模型获取重构数据来确定滚动轴承的状态，能够提高模型的泛化性能和诊断准确率。
40、本公开的其他特征和优点将在随后的具体实施本文档来自技高网...
【技术保护点】
1.一种滚动轴承的声纹信号检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述声纹信号采集试验台包括传声器、话筒放大器、声卡和计算机中的一种或多种，所述通过声纹信号采集试验台采集滚动轴承在多种状态下的原始声纹信号，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述原始声纹信号进行处理，得到一维时序声音信号样本，包括：
4.根据权利要求1所述的方法，其特征在于，所述CAE-ECA模型包括注意力机制编码器和解码器，所述将所述正常声音样本输入CAE-ECA模型进行训练，得到训练好的CAE-ECA声纹信号检测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过所述解码器进行数据重构，以获取重构后的正常声音样本，包括：
6.根据权利要求4所述的方法，其特征在于，所述通过调整网络参数对所述CAE-ECA模型进行训练，当所述正常声音样本与所述重构后的正常声音样本之间的误差收敛时，停止训练，得到训练好的CAE-ECA声纹信号检测模型，包括：
7.根据权利要求1所述的方法，
8.根据权利要求7所述的方法，其特征在于，所述评价指标为重构数据与原数据之间的相关系数，所述通过评价指标对所述异常声音样本和所述重构后的异常声音样本进行重构结果评价，确定所述滚动轴承的状态，包括：
9.一种滚动轴承的声纹信号检测装置，其特征在于，所述装置包括：
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种滚动轴承的声纹信号检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述声纹信号采集试验台包括传声器、话筒放大器、声卡和计算机中的一种或多种，所述通过声纹信号采集试验台采集滚动轴承在多种状态下的原始声纹信号，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述原始声纹信号进行处理，得到一维时序声音信号样本，包括：
4.根据权利要求1所述的方法，其特征在于，所述cae-eca模型包括注意力机制编码器和解码器，所述将所述正常声音样本输入cae-eca模型进行训练，得到训练好的cae-eca声纹信号检测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过所述解码器进行数据重构，以获取重构后的正常声音样本，包括：
6.根据权利要求4所述的方法，其特征在于，所述通过调整网络参数对所述cae-e...
【专利技术属性】
技术研发人员：王凌锋，王胜军，魏建惠，姜超，张春阳，
申请(专利权)人：国家能源集团谏壁发电厂，
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。