一种用于电机异常声音识别的特征提取方法与流程

本发明涉及一种电机异常声音识别方法，尤其是涉及一种用于电机异常声音识别的特征提取方法。

背景技术：

自电机问世以来，电机已经应用到人们的生产、生活的诸多领域。比如工业生产领域的轧钢机、水泵等，家用领域的空调、洗衣机、微波炉、冰箱等。电机的正常运行是人类生产生活不可或缺的保证。

但电机的异常乃至故障却是无法完全避免滴。及早发现电机异常并进行诊断维修是保证生活生产安全，避免事故发生的重要环节。导致电机异常的故障包括：1)定子线圈和定子铁心松动2)定子三相磁场不对称3)电机地脚螺栓松动4)转子偏心或转子缺损5)转子系统不对中6)加工和安装不良造成的振动

电机的故障诊断、分类、预测成为了非常重要的一个环节。电机的故障检测方法包括：振动检测、温度检测、载荷检测、电气参数检测、射线检测、声学检测、油液检测、压力检测、表面检测。

在这些电机故障检测方法中，声学检测是最重要的一种检测方法。因为电机的异常不一定导致振动、温度等的异常，但电机异常却一定伴有电机声音的异常。因此，到目前为止，电机故障的检测方法中，电机异常声音识别是最为成熟和有效的一种方法。

电机异常声音识别的最简单的方式是人耳听音识别。但人耳听音识别的局限性在于1)人的疲劳性导致听音识别效率下降2)不同人的听音识别判断可能有差异3)需要对人的听音识别能力进行较长时间的培训。

随着人工智能技术的发展，基于机器学习的电机异常声音识别技术具有高效、准确、实时、可扩展性。

基于机器学习的电机异常声音识别的方法是1)基于正常和异常的电机声音的特征提取2)用支持向量机或者随机森林等分类器对提取的特征进行分类和诊断。其中，电机声音的特征提取是最为核心的环节。

目前比较常用的电机声音提取的特征包括：1)短时平均能量2)短时过零率3)平均幅度差函数4)mel频率谱倒谱系数5)线性预测编码系数

这些特征能在一定程度上区别正常和异常电机声音，但局限性在于1)特征的维数太少，不能完全描述一段声音2)基于这些特征的分类识别效果还需要优化3)这些特征主要是对于一段声音宏观层面的描述，缺少微观细节的捕捉。

因此，为了进一步提高电机异常声音识别的正确性和有效性，我们需要提出更多的特征描述方法。

技术实现要素：

本发明提供了一种用于电机异常声音识别的特征提取方法，解决了针对电机发出异常声音时判断电机异常情况的问题，其技术方案如下所述：

一种用于电机异常声音识别的特征提取方法，包括以下步骤：

s1：提取声音信号的基本特征；

s2：提取声音信号的相邻点趋势特征；

s3：提取声音信号的标准差与平均振幅的比例特征；

s4：提取声音信号的极值特征；

s5：提取声音信号的绝对值特征；

s6：提取声音信号的相邻点的差绝对值趋势特征；

s7：提取声音信号的数值特征。

进一步的，步骤s2中，包括步骤1)：计算声音信号的相邻点上升比例，也即是声音信号中相邻下一点比上一点大的点的比例。

步骤2)：计算声音信号的相邻点下降比例，也即是声音信号中相邻下一点比上一点小的点的比例。

进一步的，步骤s3中，计算声音信号的标准差除以平均振幅的大小，用于描述声音信号的不均匀程度。

进一步的，步骤s4中，包括步骤1)，计算声音信号极大值点的比例，声音信号的极大值点表示了声音在高处的转音特征；

步骤2)，计算声音信号极小值点的比例，声音信号的极小值点表示了声音在低处的转音特征。

进一步的，步骤s5中，声音波形短表示振幅的大小均匀，波形长表示振幅的差异大，包括：

步骤1)计算声音信号中点的绝对值小于最大幅值一半的点的比例；

步骤2)计算声音信号中点的绝对值小于最大幅值四分之一的点的比例；

步骤3)计算声音信号中点的绝对值小于最大幅值八分之一的点的比例；

步骤4)计算声音信号中点的绝对值小于最大幅值十六分之一的点的比例。

进一步的，步骤s6中，相邻点的跳变幅值大小反应了声音信号跳变速率的大小，包括：

步骤1)计算声音信号中相邻点的差绝对值小于最大幅值十六分之一的点的比例；

步骤2)计算声音信号中相邻点的差绝对值小于最大幅值三十二分之一的点的比例。

其中，步骤1)中，波形跳变慢表示比例大，当波形跳变快表示比例小。

进一步的，步骤s7中，包括：

步骤1)计算声音信号中大于0的点的比例，大于0的比例反应了声音正相性的特征；

步骤2)计算声音信号中小于0的点的比例，小于0的比例反应了声音负相性的特征。

所述用于电机异常声音识别的特征提取方法能大幅度提高电机异常声音识别的准确率，降低误检率和漏检率。

本发明的有益效果：本发明拓展了电机声音识别的特征提取方法中，其优势在于1)特征维数更多，更加全面和有效地描述了一段声音的特征2)计算复杂度小，提出的特征提取方法计算复杂度都为o(n)，可以实现实时的特征计算与分类诊断。3)特征提取的全面性大大提高声音识别诊断的准确性，大大降低漏检误检的发生率4)特征维数的丰富，能降低噪声对分类诊断的干扰，算法的鲁棒性更高5)特征维度的丰富，能对更细微的声音区别进行分类，因此能分类诊断出具有更高细粒度的异常声音的类别。6)特征维度的丰富，能对声音的异常性进行量化评级，在报告声音异常的同时报告出异常的严重性级别。

通过以上声音特征，本发明能够识别的电机异常声音包括：1)定子和转子间气隙不均匀，此声音忽高忽低且高低音间隙时间不变，这是轴承磨损从而使定子与转子不同心所致；2)三相电流不平衡。这是三相绕组存在误接地，短路和接触不良等原因，若声音很沉闷则说明电动机严重过载或缺相运行；3)铁芯松动，电动机在运行中因振动使铁芯固定螺栓松松造成铁芯硅钢片松松，发出噪声；4)轴承运行时有“吱吱”声，这是金属摩擦声，一般为轴承缺油所致，应拆开轴承加注适量润滑脂；5)周期性“啪啪”声，为皮带接头不平滑引起；6)周期性“咚咚”声，为联轴器或皮带轮与轴间松动以及键或键槽磨损引起；7)不均匀的碰撞声，为风叶碰撞风扇罩引起。

附图说明

图1是本发明的流程示意图。

具体实施方式

对于电机异常声音的特征提取，如图1所示，主要包括以下步骤：

s1：提取声音信号的基本特征；

s2：提取声音信号的相邻点趋势特征；

s3：提取声音信号的标准差与平均振幅的比例特征；

s4：提取声音信号的极值特征；

s5：提取声音信号的绝对值特征；

s6：提取声音信号的相邻点的差绝对值趋势特征；

s7：提取声音信号的数值特征。

本发明在于更为全面和细粒度的声音特征提取，因此可以实现更为准确有效的电机异常声音识别诊断。

步骤s1中，所述声音信号的基本特征包括计算声音信号的1)短时平均能量、2)短时过零率、3)平均幅度差函数、4)mel频率谱倒谱系数、5)线性预测编码系数。这5个特征也是常用特征，本发明不再赘述。

1)短时平均能量通过计算小段声音信号的能量的平均值得到，是衡量声音信号强度的主要特征。

2)短时过零率是计算声音信号波形的平均过零率得到，衡量了声音信号上下波动的频率值，是衡量声音信号频率大小的重要指标。

3)平均幅度差函数是计算短时幅度与平均幅度的差值，是衡量声音的平稳程度的指标，平均幅度差越小表明声音越平稳。

4)mel倒谱系数(mel-scalefrequencycepstralcoefficients，简称mfcc)是在mel标度频率域提取出来的倒谱参数，mel标度描述了人耳频率的非线性特性，是衡量人耳听音效应的特征参数。

5)一个时间离散线性系统输出的样本可以用其输入样本和过去的输出样本的线性组合，即线性预测值来逼近。通过使实际输出值和线性预测值之间差的均方值最小的方法能够确定唯一的一组预测器系数。这些系数就是线性预测编码系数，这个系数提取除了声音的基本波形特征。

这5个常用特征作为声音信号的基本特征，但存在的问题是特征描述有限，对不同声音的区分度不够理想，计算复杂度高。因此本发明需要提出更多的声音特征来进行分类诊断。

步骤s2中，包括步骤1)：计算声音信号的相邻点上升比例，也即是声音信号中相邻下一点比上一点大的点的比例。

步骤2)：计算声音信号的相邻点下降比例，也即是声音信号中相邻下一点比上一点小的点的比例。

步骤1)中，计算声音信号的相邻点上升比例，也即是声音信号中相邻下一点比上一点大的点的比例。声音信号的波形中，我们需要挨个计算每个点和相邻上一点的大小比较，上升的点的比例作为声音波形的一个重要特征。这个比例通常接近于0.5，但通常不等于0.5，这种与0.5的差异(波形上升的不对称性)就是声音波形的特征。计算代码如下：

步骤2)中，计算声音信号的相邻点下降比例，也即是声音信号中相邻下一点比上一点小的点的比例。声音信号的波形中，我们需要挨个计算每个点和相邻上一点的大小比较，下降的点的比例作为声音波形的一个重要特征。这个比例通常接近于0.5，但通常不等于0.5，这种与0.5的差异(波形上升的不对称性)就是声音波形的特征。

步骤s3中，计算声音信号的标准差除以平均振幅的大小。

计算声音信号的标准差除以平均振幅的大小。短时平均能量描述了声音的的能量大小也即是振幅的大小。但没有描述声音的不均匀程度。声音信号的标准差除以平均振幅则很好地描述了声音信号的不均匀程度，越大表示声音越不均匀，越小表示声音信号稳定均匀。

步骤s4中，包括步骤1)，计算声音信号极大值点(波峰点)的比例。

步骤2)，计算声音信号极小值点(波谷点)的比例。

步骤1)中，计算声音信号极大值点(波峰点)的比例。声音信号的极大值点表示了声音在高处的转音特征。不同的声音的极大值点转音比例会有不同。极大值点比例越高，表示在高处的转音越多。

步骤2)中，计算声音信号极小值点(波谷点)的比例。声音信号的极小值点表示了声音在低处的转音特征。不同的声音的极小值点转音比例会有不同。极小值点比例越高，表示在低处的转音越多。

步骤s5中，包括

步骤1)计算声音信号中点的绝对值小于最大幅值一半的点的比例。

步骤2)计算声音信号中点的绝对值小于最大幅值四分之一的点的比例。

步骤3)计算声音信号中点的绝对值小于最大幅值八分之一的点的比例。

步骤4)计算声音信号中点的绝对值小于最大幅值十六分之一的点的比例。

步骤1)中，计算声音信号中点的绝对值小于最大幅值一半的点的比例。不同声音的波形中，有的波形短时振幅的大小比较均匀，那么点的绝对值小于最大幅值一半的比例就会比较低。反之，如果波形长时振幅的差异比较大，则绝对值小于最大幅值一半的比例则会比较大。

步骤2)中，计算声音信号中点的绝对值小于最大幅值四分之一的点的比例。

步骤3)中，计算声音信号中点的绝对值小于最大幅值八分之一的点的比例。

步骤4)中，计算声音信号中点的绝对值小于最大幅值十六分之一的点的比例。

步骤s6中，包括：

步骤1)计算声音信号中相邻点的差绝对值小于最大幅值十六分之一的点的比例。

步骤2)计算声音信号中相邻点的差绝对值小于最大幅值三十二分之一的点的比例。

步骤1)中，计算声音信号中相邻点的差绝对值小于最大幅值十六分之一的点的比例。相邻点的跳变幅值大小反应了声音信号跳变速率的大小。当波形跳变比较慢时，这个比例就会比较大，当波形跳变比较快时，这个比例就会比较小。

步骤2)中，计算声音信号中相邻点的差绝对值小于最大幅值三十二分之一的点的比例。

步骤s7中，包括：

步骤1)计算声音信号中大于0的点的比例。

步骤2)计算声音信号中小于0的点的比例。

步骤1)中，计算声音信号中大于0的点的比例。声音信号波形点有的大于0，有的小于0，但通常大于0的比例不为0.5。这种比例与0.5的差异反应了声音信号的正负不对称性。因此大于0的比例反应了声音正相性的特征。

步骤2)中，计算声音信号中小于0的点的比例。声音信号波形点有的大于0，有的小于0，但通常大于0的比例不为0.5。这种比例与0.5的差异反应了声音信号的正负不对称性。因此小于0的比例反应了声音负相性的特征。

本发明通过上述提出的特征提取方法，能大幅度提高电机异常声音识别的准确率，降低误检率和漏检率。

本发明的方法不仅适用于电机的异常声音识别的特征提取方法，还适用于而各类电气设备的声音识别的特征提取方法，包括变电站、发电机等电气设备。同时，本发明的方法还适用于语音识别的特征提取，可应用于语音识别、声纹识别等人声识别的领域。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。