[发明专利]一种基于麦克风阵列的工业设备故障信号定位与识别方法

说明书

本发明公开一种基于麦克风阵列的工业设备故障信号定位与识别方法，采集声音信号，分为训练集、验证集和测试集；对训练集中的声音信号进行特征提取，提取频谱图的相位谱图和幅度谱图；将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN网络中，使用2D CNN来学习频谱图中的平移不变性；在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频率轴使用最大池化层来降低维数；将来自CNN层的输出，送到RNN层；使用线性激活函数；将全连接层的输出输入到两个并行的全连接层分支，分别用于故障识别和故障定位。本发明使用基于音频信号的非接触式方法，受环境和接触限制更小，故障定位与故障识别同步进行，提高运行效率。

技术领域

本发明涉及一种工业设备故障信号定位与识别技术，具体为一种基于 麦克风阵列的工业设备故障信号定位与识别方法。

背景技术

随着现代自动化程度的愈加广泛和科技的飞速发展，各行各业都日益 趋向智能化、高速化和自动化。在各种机械设备中不仅设备内的各部分密 切联系，不同设备之间也相关紧密，最终形成一系列复杂的生产系统。在 生产过程中运用先进的故障诊断技术，把机械设备的检测维修列入到生产 过程中，实现机械设备可预知，不仅可以延长设备的使用时间，而且还避 免了灾难性事故的发生，从一定角度来看，间接的给企业带来巨大的经济效益。

目前常用的故障检测的方法是基于振动。然而在许多实际的生产环境 中，由于其工作条件或是设备的精度等因素的限制，接收振动信号的传感 器的安装其实并不能实现。而且在高压、高温、高负载、高湿度或是高度 腐蚀的工作环境中，传感器所接受到的振动信号其实并不完全只包含器件 的信息，也会掺杂很多干扰信息。通过麦克风阵列采集到机械设备运行过 程中的声音信号来分析其工作状态已经成为诊断技术较为新颖的解决方 案。这进一步解决了传感器放置不便且受到工作环境影响诊断结果的难题， 同时从振动信号转为对声音信号分析这一改进，已经不需要过多的机械专 业性知识和经验性的判断，从某种层面上降低了故障诊断技术的入门水平， 也打破了局限性。

神经网络具有良好的数据拟合功能，利于处理多变量、非线性、强耦 合等的复杂问题，然而，目前基于神经网络的故障识别方法没有将故障识 别与故障定位二者结合，所估计故障的位置都是相对静止不动的；另外， 目前的方法都是使用分类器，从而以固定角度估计故障存在的可能性，导 致故障信号定位的精度有限。

发明内容

针对现有技术中工业设备故障信号定位与识别掺杂干扰信息导致故障 信号定位的精度有限等不足，本发明要解决的问题是提供一种基于麦克风 阵列的工业设备故障信号定位与识别方法，使故障信号的定位具备更高的 分精度。

为解决上述技术问题，本发明采用的技术方案是：

本发明提供一种基于麦克风阵列的工业设备故障信号定位与识别方 法，包括以下步骤：

1)采集声音信号，将其分为训练集、验证集和测试集；

2)对训练集中的声音信号进行特征提取，将信号进行离散傅里叶变换 来提取频谱图的相位谱图和幅度谱图；

3)将特征提取模块的输出作为输入被送到卷积神经网络，在每层CNN 网络中，使用2D CNN来学习频谱图中的平移不变性。

4)在每层CNN之间，使用批量归一化对输出进行归一化，并沿着频 率轴使用最大池化层来降低维数；

5)将来自CNN层的输出，送到RNN层用来学习音频信号的时间上下 文信息；

6)输入一层全连接层，包含D个节点，使用线性激活函数；

7)将全连接层的输出输入到两个并行的全连接层分支，分别用于故障 识别和故障定位；

8)使用验证集验证模型的性能指标，使用测试集验证模型的泛化能力。

步骤4)中，沿着频率轴使用最大池化层来降低维数，包括：