[发明专利]基于声波信号的设备健康状态智能检测方法和系统

权利要求书

1.一种基于声波信号的设备健康状态检测方法，其特征在于包括如下步骤：

步骤一，机器学习步骤，所述机器学习步骤具体包括：

设备声音信号收集步骤，所述设备声音信号按照统一声纹采集装置与采集方案进行收集；

设备声音信号预处理步骤，对所述设备声音信号进行预处理，所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取；

模型训练步骤，对所述训练集样本进行模型训练，并使进行调参，确定最佳网络参数，所述模型训练采用的模型为CNN模型和RNN模型；

模型集成步骤，对所述CNN模型和RNN模型进行集成，所述集成步骤采用基于bagging框架的集成选择方法；

模型固化存储步骤，将测试好的模型进行固化以及存储，用于后续的预测步骤；

步骤二，建康状态检测步骤，所述建康状态检测步骤具体包括：

待测信号采集步骤，所述待测信号采集装置与采集方案与步骤一中的采集装置与采集方案一致；

待测信号预处理步骤，所述待测信号预处理步骤与步骤一中的信号预处理步骤一致；

实时接收设备声音信号，输入训练好的模型中进行预测，并实时显示预测结果。

2.如权利要求1所述的基于声波信号的设备健康状态检测方法，其特征在于：所述设备中装配声波信号录制功能和联网功能的传感器，由所述传感器收集设备声波数据，并传回服务器用于模型训练和/或设备健康状态检测。

3.如权利要求1所述的基于声波信号的设备健康状态检测方法，其特征在于：所述CNN模型有五层结构，包括输入层、卷积层、池化层、全连接层、输出层；卷积层、池化层交错排列组合成特征提取器，且特征提取器左右两端都是卷积层；CNN模型的网络结构由输入层、特征提取器、全连接层、输出层依次连接组成；所述RNN模型的网络结构：按照输入层、隐藏层、输出层的顺序全连接组成，上一层的输出直接连接下一层的输入，网络中神经元内部之间也相互连接，在深度RNN的中间层加入了LSTM单元。

4.如权利要求3所述的基于声波信号的设备健康状态检测方法，其特征在于：所述CNN模型网络结构参数为：输入层60*41*2、卷积层24*3*3、max池化层4*2、卷积层48*3*3、dropout(0.5)+全连接层64、dropout(0.5)+输出层5；优化器：Adamax；批处理数：32；迭代次数：20；所述RNN模型网络结构参数为：输入层20，41、Dropout(0.5)+LSTM层20,256、dropout(0.5)+LSTM层20,128、输出层5；优化器：adam；批处理数：128；迭代次数：20。

5.如权利要求1所述的基于声波信号的设备健康状态检测方法，其特征在于：显示预测结果具体为在Web页面上进行实时显示预测并进行异常提醒。

6.一种基于声波信号的设备健康状态检测系统，其特征在于包括如下模块：

机器学习模块，所述机器学习模块具体包括：设备声音信号收集模块，所述设备声音信号按照统一声纹采集装置与采集方案进行收集；设备声音信号预处理模块，对所述设备声音信号进行预处理，所述预处理包括但不限于模数转换、预加重、分帧、加窗以及声学特征提取；模型训练模块，对所述训练集样本进行模型训练，并使进行调参，确定最佳网络参数，所述模型训练采用的模型为CNN模型和RNN模型；模型集成模块，对所述CNN模型和RNN模型进行集成，所述集成步骤采用基于bagging框架的集成选择方法；模型固化存储模块，将测试好的模型进行固化以及存储，用于后续的预测步骤；

建康状态检测模块，所述建康状态检测模块具体包括：

待测信号采集模块，所述待测信号采集装置与采集方案与机器学习模块中的采集装置与采集方案一致；待测信号预处理模块，所述待测信号预处理模块与机器学习模块中的信号预处理步骤一致；数据处理模块，实时接收设备声音信号，输入训练好的模型中进行预测；显示模块，实时显示预测结果。