[发明专利]基于MFCC特征提取的声信号故障诊断技术

说明书

本申请提供一种基于MFCC特征提取的声信号故障诊断技术，涉及齿轮箱故障诊断技术领域，包括如下步骤，获取声信号训练数据集；提取声信号训练数据集的MFCC特征，构成特征集；将特征集输入初始卷积神经网络模型并进行训练；获取故障声信号，提取故障声信号的MFCC特征，获得待检测特征集，将待检测特征集输入至训练好的卷积神经网络模型中，以获得故障识别结果。本实施例提供的声信号故障诊断技术，能够借助卷积神经网络模型检测齿轮箱故障，精确度高。另外，在此提出的齿轮箱卷积神经网络模型具有客观性，不受主观因素影响，因此可靠性及稳定性较高。

技术领域

本发明涉及齿轮箱故障诊断技术领域，具体而言，涉及一种基于MFCC特征提取的声信号故障诊断技术。

背景技术

齿轮箱是现代装备制造业中传递运动和调配速度的重要功能部件，齿轮箱系统一般包括齿轮、轴承、轴和箱体四部分，齿轮箱的故障可以分为机械故障、电气故障、辅助系统故障。机械故障主要为齿轮故障、轴承故障、轴故障、箱体故障；电气故障和辅助系统故障主要有冷却故障、供油故障、传感器故障。在这三类故障中，电气故障和辅助系统故障虽然发生频率较高，但是产生的后果相对来说并不严重，处理也较为方便。机械故障次数少，但是成因复杂、处理困难以及成本较高。

发明人在研究中发现，现有技术中，常采用人工或者探伤设备对齿轮箱的故障进行检测，无论人工探查还是探伤设备探伤，都需要对齿轮箱进行长时间检测，费时费力，效率低，且依靠人工经验判断，检测结果的准确性差。

发明内容

本发明的目的在于提供一种基于MFCC特征提取的声信号故障诊断技术，其能够节省故障诊断时间，降低成本，提高经济效益。

本发明的实施例是这样实现的：

本发明提供一种基于MFCC特征提取的声信号故障诊断技术，包括如下步骤：

获取声信号训练数据集；

提取所述声信号训练数据集的MFCC特征，构成特征集；

将所述特征集输入初始卷积神经网络模型并进行训练；

获取故障声信号，提取故障声信号的MFCC特征，获得待检测特征集，将所述待检测特征集输入至训练好的卷积神经网络模型中，以获得故障识别结果。

在可选的实施方式中，所述获取声信号训练数据集的步骤包括：

利用布置于齿轮箱外侧的声压传感器采集齿轮箱工作噪声，将采集的声音信号保存为能被所述卷积神经网络模型识别的可读取文件。

在可选的实施方式中，所述利用布置于齿轮箱外侧的声压传感器采集齿轮箱工作噪声的步骤中，所述声压传感器的采样频率设置为1.5KHz-4.5KHz，所述声压传感器的采样点数设置为800-1200。

在可选的实施方式中，所述将采集的声音信号保存为能被所述卷积神经网络模型识别的可读取文件的步骤中，所述声音信号包括正常转动声音的声信号、齿轮故障声音的声信号、轴故障声音的声信号和轴承故障声音的声信号。

在可选的实施方式中，所述齿轮故障声音的声信号的采集方式包括：

将正常齿轮箱内合格的齿轮利用故障的齿轮替换，运行齿轮箱，利用声压传感器采集获得齿轮故障声音的声信号；

或者，所述轴故障声音的声信号的采集方式包括：

将正常齿轮箱内合格的轴利用故障的轴替换，运行齿轮箱，利用声压传感器采集获得轴故障声音的声信号；

或者，所述轴承故障声音的声信号的采集方式包括：

将正常齿轮箱内合格的轴承利用故障的轴承替换，运行齿轮箱，利用声压传感器采集获得轴承故障声音的声信号。