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】
本专利技术涉及设备运行状态异常检测,具体为一种基于声纹识别技术的设备运行状态异常检测方法。
技术介绍
1、随着科学技术的飞速发展,工业机械化程度越来越高,机械故障也相应的多了起来,而轴承损坏又占了机械故障的很大比例。由于工作环境和条件的限制,轴承健康状况的检查、判断以及维护检修很不方便。又都在转动部位,操作极不安全,一不小心就会造成人身伤害。既影响了企业生产效益,又危害到工人人身安全,一直是各企业亟盼解决的问题。
2、传统的维护方式通常是基于定期巡检或故障报告进行的,无法实时监测设备的健康状况。这可能导致设备故障未被及时发现,进一步导致设备损坏和停机时间增加。传统维护方法通常依赖于经验丰富的维护人员对设备的视觉和听觉感知,进行故障判断和维修决策。然而,这种主观判断容易受到个人经验和主观意识的影响,缺乏客观准确性;并且传统的声音和振动信号分析方法需要依靠专业设备和领域专家,进行信号采集和特征提取。这涉及昂贵的设备和专业知识的要求,限制了其在实际工程应用中的普及和可行性。
3、针对上述问题,为此,提出一种基于声纹识别技术的设备运行状态异常检测方法。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种基于声纹识别技术的设备运行状态异常检测方法,解决了现有运行状态异常检测方法缺乏实时监测能力、依赖人工主观判断,缺乏客观性、特征提取困难,需要专业设备和专业知识的问题。
2、为实现以上目的,本专利技术通过以下技术方案予以实现:一种基于声纹识别技术的设
3、s10、部署多个采集器与设备连接,实时采集转动机械的声纹信息和振动数据;
4、s20、对采集到的声纹数据和振动数据进行预处理,并通过时域和频域分析方法对声纹数据和振动数据进行特征提取;
5、s30、对声纹特征和振动特征进行特征选择和降维,以保留最重要和区分性的特征;
6、s40、使用长短期记忆网络进行模型搭建,并将处理后的声纹特征和振动特征投入,进行分类和预测;
7、s50、将实时采集到的声纹数据和振动数据输入到训练好的模型中进行异常检测和健康诊断;
8、s60、综合分析声纹数据、振动数据,对设备的健康状况进行评估和预测。
9、优选的,所述s10步骤中,采集器包括多个音频采集器和振动传感器。
10、优选的,所述s20步骤中,预处理步骤包括去噪、滤波和归一化。
11、优选的,所述s30步骤中采用主成分分析对声纹特征和振动特征进行特征选择和降维。
12、6.优选的,所述s40步骤中的长短期记忆网络模型搭建步骤为:
13、s41、初始化长短期记忆网络的隐藏状态和细胞状态;
14、s42、对于每个时间步t,将输入x(t)输入到长短期记忆网络中,计算隐藏状态h(t)和细胞状态c(t):
15、遗忘门:f(t)=σ(wf*x(t)+uf*h(t-1)+bf);
16、输入门:i(t)=σ(wi*x(t)+u i*h(t-1)+b i);
17、更新状态:g(t)=tanh(wg*x(t)+ug*h(t-1)+bg);
18、细胞状态更新:c(t)=f(t)*c(t-1)+i(t)*g(t);
19、输出门:o(t)=σ(wo*x(t)+uo*h(t-1)+bo);
20、隐藏状态更新:h(t)=o(t)*tanh(c(t));
21、s43、对于最后一个时间步t,将隐藏状态h(t)传递到输出层进行分类或预测,得到输出结果y(t)。
22、优选的,所述s40步骤中使用长短期记忆网络进行特征分类与预测。
23、优选的,所述主成分分析步骤为:
24、s31、对数据进行中心化,即减去每个特征的均值,使得数据的均值为0;
25、s32、计算数据的协方差矩阵c,其中c的(i,j)元素表示第i个特征和第j个特征之间的协方差;
26、s33、对协方差矩阵c进行特征值分解,得到特征值和特征向量;
27、s34、根据特征值的大小,选择前k个最大的特征值对应的特征向量,构成变换矩阵w;
28、s35、将原始数据x乘以变换矩阵w,得到新的特征空间y;
29、通过主成分分析变换,将原始的n维特征降至k维(k<n),从而实现特征的降维和选择。
30、优选的,所述声纹数据和振动数据中提取特征包括频谱特征、时域统计特征和振动频率特征。
31、优选的,所述频谱特征包括梅尔频谱图。
32、优选的,所述s60步骤中使用长短期记忆网络对设备健康状况进行评估和预测。
33、本专利技术提供了一种基于声纹识别技术的设备运行状态异常检测方法。具备以下有益效果:
34、1、本专利技术通过对采集到的声纹数据和振动数据进行分析,可以判断设备是否存在异常声音和振动模式,有助于提前预警并采取相应措施,避免设备进一步损坏,减少维修成本和停机时间,并提高设备的可靠性和安全性。
35、2、本专利技术通过综合分析声纹特征和振动特征,可以更全面地评估设备的健康状况。将两种类型的特征结合起来,可以获取更多关于设备状态的信息,增强故障诊断和预测的准确性。这有助于提前采取维护措施、优化维修计划,减少停机时间和维护成本。
36、3、本专利技术通过主成分分析对声纹特征和振动特征进行特征选择和降维,可以保留最重要和区分性的特征。这有助于减少数据的维度,提高特征的表达能力和分类准确性,同时减少计算和存储的需求。
37、4、本专利技术通过使用长短期记忆网络进行模型搭建,并将处理后的声纹特征和振动特征作为输入,进行分类和预测。长短期记忆网络能够捕捉序列数据的时序关系和长期依赖关系,从而提高分类和预测的准确性。
38、5、本专利技术通过将实时采集到的声纹数据和振动数据输入到训练好的模型中进行异常检测和健康诊断,可以提高设备运维的效率。及时发现设备问题并采取相应措施,可以减少停机时间、优化维修计划,并提高设备的可用性和生产效率。
本文档来自技高网...【技术保护点】
1.一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S10步骤中,采集器包括多个音频采集器和振动传感器。
3.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S20步骤中,预处理步骤包括去噪、滤波和归一化。
4.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S30步骤中采用主成分分析对声纹特征和振动特征进行特征选择和降维。
5.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S40步骤中的长短期记忆网络模型搭建步骤为:
6.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S40步骤中使用长短期记忆网络进行特征分类与预测。
7.根据权利要求4所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述主成分分析步骤为:
8.根据权利
9.根据权利要求8所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述频谱特征包括梅尔频谱图。
10.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述S60步骤中使用长短期记忆网络对设备健康状况进行评估和预测。
...【技术特征摘要】
1.一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述s10步骤中,采集器包括多个音频采集器和振动传感器。
3.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述s20步骤中,预处理步骤包括去噪、滤波和归一化。
4.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述s30步骤中采用主成分分析对声纹特征和振动特征进行特征选择和降维。
5.根据权利要求1所述的一种基于声纹识别技术的设备运行状态异常检测方法,其特征在于,所述s40步骤中的长短期记忆网络模型搭建步骤为:
6.根...
【专利技术属性】
技术研发人员:唐振宇,陈嵩,张玺,赵栋栋,邱振涵,何维,
申请(专利权)人:四川华能太平驿水电有限责任公司,
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。