[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

说明书

本发明属于声波信号处理领域,具体涉及一种基于声波信号的设备健康状态智能检测方法和系统，该方法基于深度学习的设备故障声波信号识别技术，通过按照统一声纹采集装置与采集方案进行设备声音收集，并对所述设备声音信号进行预处理，进行CNN模型和RNN模型训练，并对所述CNN模型和RNN模型进行集成、模型固化存储。在使用时，先采集待测试信号，然后输入训练好的模型中进行预测，并实时显示预测结果。使用本发明的方法和系统不但强化了模型的自适应能力和判断准确性，还可以实时显示结果，提高故障检测的效率。

技术领域

本发明属于声波信号检测系统领域，具体涉及基于声波信号的设备健康状态智能检测方法及系统。

背景技术

声波信号领域有一种小众的研究方向——声音分类。以色列一家名为“3DSignals”的创业公司在旋转设备等电气化领域设备的声学异常检测方面具有专利。这些设备包括如电动机、泵机、涡轮机、齿轮箱和发电机等。

在深度学习领域模型中，声波信号带来的“黑箱”问题让我们很难确定并理解某段声波信号被标记(正常、故障类型)的原因；同时，在生产生活中无处不在的噪声也在压制干扰着我们的特征信号，从而限制了模型从声波信号中获取特征的能力；虽然目前有一部分使用深度学习进行声音分类的技术，但是对于设备故障类的声音识别能力较弱，不能快速并且准确地识别设备故障。另外，在设备检修领域，目前主要依靠人工进行逐个设备地检查，缺乏有效的快速检查及反馈机制，检查效率低下。

发明内容

为了解决上述技术问题，本发明的目的是提供一种新型的故障预测机制，进行信号特征自适应提取与运行状态的自动判别，并强化了模型的自适应能力和判断准确性，同时实时检测以及显示故障结果，最大程度上与传统的设备维修检测方法形成互补，能够有效节省人力与物力成本，并同时提高设备故障维修工作效率。

为实现上述发明目的，本发明所采用的技术方案是基于声波信号的设备健康状态智能检测方法包括如下步骤：

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，并将所述样本分成训练集、验证集以及测试集；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，并使用验证集数据进行调参，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；模型测试步骤，使用测试集数据对集成后的模型进行测试，确定最佳模型参数；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；建康状态预测，将预处理后的待测信号输入步骤一训练好的模型中进行预测。实时显示预测结果，输出设备故障类型。