[发明专利]一种用于电机异常声音识别的特征提取方法

说明书

本发明提供一种用于电机异常声音识别的特征提取方法，包括以下步骤：S1：提取声音信号的基本特征；S2：提取声音信号的相邻点趋势特征；S3：提取声音信号的标准差与平均振幅的比例特征；S4：提取声音信号的极值特征；S5：提取声音信号的绝对值特征；S6：提取声音信号的相邻点的差绝对值趋势特征；S7：提取声音信号的数值特征。所述用于电机异常声音识别的特征提取方法能大幅度提高电机异常声音识别的准确率，降低误检率和漏检率。

技术领域

本发明涉及一种电机异常声音识别方法，尤其是涉及一种用于电机异常声音识别的特征提取方法。

背景技术

自电机问世以来，电机已经应用到人们的生产、生活的诸多领域。比如工业生产领域的轧钢机、水泵等，家用领域的空调、洗衣机、微波炉、冰箱等。电机的正常运行是人类生产生活不可或缺的保证。

但电机的异常乃至故障却是无法完全避免滴。及早发现电机异常并进行诊断维修是保证生活生产安全，避免事故发生的重要环节。导致电机异常的故障包括：1)定子线圈和定子铁心松动2)定子三相磁场不对称3)电机地脚螺栓松动4)转子偏心或转子缺损5)转子系统不对中6)加工和安装不良造成的振动

电机的故障诊断、分类、预测成为了非常重要的一个环节。电机的故障检测方法包括：振动检测、温度检测、载荷检测、电气参数检测、射线检测、声学检测、油液检测、压力检测、表面检测。

在这些电机故障检测方法中，声学检测是最重要的一种检测方法。因为电机的异常不一定导致振动、温度等的异常，但电机异常却一定伴有电机声音的异常。因此，到目前为止，电机故障的检测方法中，电机异常声音识别是最为成熟和有效的一种方法。

电机异常声音识别的最简单的方式是人耳听音识别。但人耳听音识别的局限性在于1)人的疲劳性导致听音识别效率下降2)不同人的听音识别判断可能有差异3)需要对人的听音识别能力进行较长时间的培训。

随着人工智能技术的发展，基于机器学习的电机异常声音识别技术具有高效、准确、实时、可扩展性。

基于机器学习的电机异常声音识别的方法是1)基于正常和异常的电机声音的特征提取2)用支持向量机或者随机森林等分类器对提取的特征进行分类和诊断。其中，电机声音的特征提取是最为核心的环节。

目前比较常用的电机声音提取的特征包括：1)短时平均能量2)短时过零率3)平均幅度差函数4)Mel频率谱倒谱系数5)线性预测编码系数

这些特征能在一定程度上区别正常和异常电机声音，但局限性在于1)特征的维数太少，不能完全描述一段声音2)基于这些特征的分类识别效果还需要优化3)这些特征主要是对于一段声音宏观层面的描述，缺少微观细节的捕捉。

因此，为了进一步提高电机异常声音识别的正确性和有效性，我们需要提出更多的特征描述方法。

发明内容

本发明提供了一种用于电机异常声音识别的特征提取方法，解决了针对电机发出异常声音时判断电机异常情况的问题，其技术方案如下所述：

一种用于电机异常声音识别的特征提取方法，包括以下步骤：

S1：提取声音信号的基本特征；

S2：提取声音信号的相邻点趋势特征；

S3：提取声音信号的标准差与平均振幅的比例特征；

S4：提取声音信号的极值特征；

S5：提取声音信号的绝对值特征；

S6：提取声音信号的相邻点的差绝对值趋势特征；

S7：提取声音信号的数值特征。