基于机器声波识别智能故障分析方法及系统与流程

本发明属于机器故障分析技术领域，特别是涉及一种基于机器声波识别智能故障分析方法及系统。

背景技术：

工厂里面机器在使用过程中进场会出现故障，但是不同的故障表现形式不同，不同的故障维修方法也不同。很多机器在使用的过程中，若是出现了故障，在故障情况下机器工作时产生的声音也不同。很多相关方面专家能够通过机器运行的声音判定机器的是否有故障以及故障的类型；这也给机器维修带来了便利。但是，具有如此能力的专家，对任何行业来说都是非常缺少的；因此，若是能将不同故障类型下的机器声音的智能识别，进行对机器故障的预测以及判别；将对机器寿命延长以及机器维修带了极大便利。

为解决上述问题，本发明提供一种基于机器声波识别智能故障分析方法及系统。

技术实现要素：

本发明的目的在于提供基于机器声波识别智能故障分析方法及系统，通过通过对比分析模块根据待比对波形与故障声波模型相似度是否超过相似度阈值确定为当前故障类型；实现混音分离，从而达到机器声波故障监测，解决了背景技术中提出的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为基于机器声波识别智能故障分析方法，包括如下步骤：

步骤一：在机器启动且没有外界杂音情况下，对于同一故障，采集海量机器故障声波作为故障声波样本；

步骤二：对故障声波样本训练获取当前故障下的故障声波模型；

步骤三：在机器启动且有外界杂音情况下，采集当前故障下的海量机器故障混音作为故障混音样本；

步骤四：通过故障混音样本与故障声波模型获取当前故障的外界杂音模型；

步骤五：按照步骤一至步骤四训练不同故障的外界杂音模型并形成故障声波数据库；

步骤六：采集当前机器混音并对比故障声波数据库中外界杂音模型获取故障类型。

优选地，步骤一中：对于同一种故障，对多个机器分别单独多次采集当前故障声波作为当前故障的故障声波样本。

优选地，步骤二中机器故障声波样本训练包括如下：

对当前采集的海量机器故障声波的音频做均值，然后重新形成故障声波波形作为当前故障下的故障声波模型。

优选地，步骤三中：对于同一种故障，对多个机器分别单独多次采集当前故障下的海量机器故障混音作为故障混音样本。

优选地，步骤四中：对每一机器故障混音与故障声波模型做差去均值，形成当前故障的外界杂音模型。

优选地，步骤六中：通过将当前机器混音与对应故障类型的外界杂音模型做差后获取待比对波形，判断是否与对应故障类型的故障声波模型相对应，若是，则判定为当前故障类型。

优选地，判断是否与对应故障类型的故障声波模型相对应具体包括如下：

判断待比对波形与故障声波模型相似度是否超过相似度阈值；若是，则判定为当前故障类型；其中，所述相似度阈值为经过多次试验后，确定的对应故障类型最低相似值。

基于机器声波识别智能故障分析系统，包括：声波采集模块、对比分析模块以及存储模块；

所述声波采集模块，用于采集当前机器混音；

所述对比分析模块，用于将当前机器混音对比故障声波数据库中外界杂音模型获取故障类型；所述对比分析模块，根据待比对波形与故障声波模型相似度是否超过相似度阈值确定为当前故障类型；

所述故障声波数据库，内存储不同故障类型的训练完成的交谈噪音类型以及故障声波模型。

优选地，还包括模型训练模块；所述声波采集模块，用于采集海量机器故障声波作为故障声波样本；所述模型训练模块，对当前采集的海量机器故障声波的音频做均值，形成故障声波波形作为当前故障下的故障声波模型；所述声波采集模块，用于采集当前故障下的海量机器故障混音作为故障混音样本；所述模型训练模块，对每一机器故障混音与故障声波模型做差去均值，形成当前故障的外界杂音模型。

优选地，所述模型训练模块，用于将当前机器混音与对应故障类型的外界杂音模型做差后获取待比对波形，并根据判断待比对波形与故障声波模型相似度是否超过相似度阈值；若是，则判定为当前故障类型；所述模型训练模块，用于确定不同故障类型的相似度阈值。

本发明具有以下有益效果：

本发明通过模型训练模块，对每一机器故障混音与故障声波模型做差去均值形成当前故障的外界杂音模型；通过对比分析模块，用于将当前机器混音对比故障声波数据库中外界杂音模型获取故障类型；并根据待比对波形与故障声波模型相似度是否超过相似度阈值确定为当前故障类型；实现混音分离，从而达到机器声波故障监测，降低声波叠加造成混合音的影响，声波过滤解决机器声音采集准确，提高机器故障类型的识别与辨认，便于维修。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于机器声波识别智能故障分析方法的流程图；

图2为本发明的基于机器声波识别智能故障分析系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为基于机器声波识别智能故障分析方法，包括如下步骤：

步骤一：在机器启动且没有外界杂音情况下，对于同一故障，采集海量机器故障声波作为故障声波样本；具体的，对于同一种故障，对多个机器分别单独多次采集当前故障声波作为当前故障的故障声波样本；另外，进行训练时，外界杂音要根据机器置于室内或室外进行区分；当机器置于室外时，外界杂音包括人声、分布性噪音、回音以及混响；当机器置于室内时，外界杂音包括回音以及混响，实际进行模型训练时，针对具体情况对待；

步骤二：对故障声波样本训练获取当前故障下的故障声波模型；具体的，对当前采集的海量机器故障声波的音频做均值，然后重新形成故障声波波形作为当前故障下的故障声波模型；

步骤三：在机器启动且有外界杂音情况下，采集当前故障下的海量机器故障混音作为故障混音样本；具体的，对于同一种故障，对多个机器分别单独多次采集当前故障下的海量机器故障混音作为故障混音样本；

步骤四：通过故障混音样本与故障声波模型获取当前故障的外界杂音模型；具体的，对每一机器故障混音与故障声波模型做差去均值，形成当前故障的外界杂音模型；

步骤五：按照步骤一至步骤四训练不同故障的外界杂音模型并形成故障声波数据库；

步骤六：采集当前机器混音并对比故障声波数据库中外界杂音模型获取故障类型；具体的，通过将当前机器混音与对应故障类型的外界杂音模型做差后获取待比对波形，判断是否与对应故障类型的故障声波模型相对应，若是，则判定为当前故障类型；通过判断待比对波形与故障声波模型相似度是否超过相似度阈值；若是，则判定为当前故障类型；其中，相似度阈值为经过多次试验后，确定的对应故障类型最低相似值。

请参阅图2所示，基于机器声波识别智能故障分析系统，包括：声波采集模块、对比分析模块以及存储模块；声波采集模块，用于采集当前机器混音；对比分析模块，用于将当前机器混音对比故障声波数据库中外界杂音模型获取故障类型；对比分析模块，根据待比对波形与故障声波模型相似度是否超过相似度阈值确定为当前故障类型；故障声波数据库，内存储不同故障类型的训练完成的交谈噪音类型以及故障声波模型。

另外，还包括模型训练模块；声波采集模块，用于采集海量机器故障声波作为故障声波样本；模型训练模块，对当前采集的海量机器故障声波的音频做均值，形成故障声波波形作为当前故障下的故障声波模型；声波采集模块，用于采集当前故障下的海量机器故障混音作为故障混音样本；模型训练模块，对每一机器故障混音与故障声波模型做差去均值，形成当前故障的外界杂音模型。

其中，模型训练模块，用于将当前机器混音与对应故障类型的外界杂音模型做差后获取待比对波形，并根据判断待比对波形与故障声波模型相似度是否超过相似度阈值；若是，则判定为当前故障类型；，模型训练模块，用于确定不同故障类型的相似度阈值。

本发明实际使用时，通过模型训练模块，对每一机器故障混音与故障声波模型做差去均值形成当前故障的外界杂音模型；通过对比分析模块，用于将当前机器混音对比故障声波数据库中外界杂音模型获取故障类型；并根据待比对波形与故障声波模型相似度是否超过相似度阈值确定为当前故障类型；实现混音分离，从而达到机器声波故障监测，降低声波叠加造成混合音的影响，声波过滤解决机器声音采集准确，提高机器故障类型的识别与辨认，便于维修。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。