[发明专利]振动信号的识别方法及装置

权利要求书

1.一种振动信号的识别方法，其特征在于，所述方法包括：

获取待检测设备的目标部件的振动信号；

根据设定的样本长度，将所述振动信号分割为多段子信号；

分别确定所述多段子信号的声学特征；

将所述多段子信号的声学特征输入神经网络模型中，并获取所述神经网络模型输出的识别结果，所述识别结果用于表征所述目标部件的各个故障类型的发生概率，所述神经网络模型用于对所述声学特征进行二次特征学习。

2.根据权利要求1所述的方法，其特征在于，所述声学特征为二维特征，所述声学特征的第一维用于表征所述子信号的帧数，所述声学特征的第二维用于表征每帧信号的梅尔谱倒谱系数。

3.根据权利要求2所述的方法，其特征在于，所述分别确定所述多段子信号的声学特征，包括：

使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号；

分别确定所述多段子信号对应的频域信号的功谱率；

使用三角滤波器对所述多段子信号对应的频域信号的功谱率进行梅尔滤波，分别确定所述多段子信号对应的对数能量；

使用离散傅里叶变换将所述多段子信号对应的对数能量分别转换为多段子信号的梅尔谱倒谱系数。

4.根据权利要求3所述的方法，其特征在于，在所述使用离散傅里叶变换将所述多段子信号由时域信号转换为频域信号之前，所述方法还包括：

根据预设的信号采样点数量，对每段子信号进行分帧处理，得到所述每段子信号对应的多帧信号；

将所述每段子信号对应的多帧信号分别进行加窗处理。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括一维双卷积神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述一维双卷积神经网络模型包括具有相同结构的第一卷积层和第二卷积层，所述第一卷积层和所述第二卷积层均包括两个卷积单元，每个卷积单元之间的卷积参数均不相同。

7.根据权利要求6所述的方法，其特征在于，所述卷积参数包括通道数和卷积核尺寸，所述第一卷积层的卷积单元的通道数均小于所述第二卷积层的卷积单元的通道数，所述第一卷积层的卷积单元的卷积核尺寸均大于所述第二卷积层的卷积单元的卷积核尺寸。

8.根据权利要求7所述的方法，其特征在于，所述卷积单元的通道用于接收同一段子信号的不同帧的梅尔谱倒谱系数。

9.根据权利要求6-8任一项所述的方法，其特征在于，所述第一卷积层设置在所述第二卷积层之前，所述第一卷积层和第二卷积层之间设置有第一池化层，所述第二卷积层之后设置有第二池化层；

其中，所述第一池化层用于对所述第一卷积层提取到的特征进行最大池化处理，所述第二池化层用于对所述第二卷积层提取到的特征进行自适应平均池化处理。

10.一种振动信号的识别装置，其特征在于，所述装置包括：

获取模块，用于获取待检测设备的目标部件的振动信号；

分割模块，用于根据设定的样本长度，将所述振动信号分割为多段子信号；

确定模块，用于分别确定所述多段子信号的声学特征；

识别模块，用于将所述多段子信号的声学特征输入神经网络模型中，并获取所述神经网络模型输出的识别结果，所述识别结果用于表征所述目标部件的各个故障类型的发生概率，所述神经网络模型用于对所述声学特征进行二次特征学习。

11.一种电子设备，其特征在于，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至9任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至9任一项所述的方法。