一种基于人工经验及声音识别的机器设备故障诊断方法与流程

本发明涉及声音信号的故障诊断技术领域，特别涉及一种基于人工经验及声音识别的机器设备故障诊断方法。

背景技术：

目前，在工厂环境下机器设备的使用过程中，因温度、湿度、地理位置等自然因素和人为因素的影响，机器设备容易出现磨损、老化等诸多问题。机器设备故障诊断是一个非常复杂的从现象发现原因的过程，尽管目前有很多关于机器设备故障诊断的研究，但由于故障类型众多，故障的发生存在偶然性或随机性，同时又由于机器设备本身的复杂性，使得机器设备故障诊断及原因挖掘仍然是一个待突破的问题。

目前，根据系统采用的特征描述和决策方法，现有故障检测诊断的方法概括起来分为两大类：基于系统数学模型的故障诊断方法和基于非模型的故障诊断方法。基于系统数学模型的故障诊断方法是通过构造观测器估计出系统输出，然后将它与输出的测量值比较，从中取得故障信息。基于非模型的故障诊断方法有基于可测信号处理的故障诊断方法、基于故障诊断专家系统的诊断方法、故障模式识别的故障诊断方法、基于故障树的故障诊断方法、基于模糊数学的故障诊断方法和基于人工神经网络的故障诊断方法等。但是现有故障诊断技术及方法存在如下几点问题：

(1)生产中用到的重大机器设备或价值昂贵的大机组，当出现故障时，不便于接近检查或不能解体检查。

(2)对安全性要求高的机器设备，不仅维修比较困难，且维修成本较高。

(3)对生产的重要性、人身安全、环境保护、社会影响等方面考虑不足。

(4)在分析处理数据的时候，多数诊断方法采用各种独立模型去解诀问题，此方法需要将各种模型很好的结合起来，在不同的问题中需要考虑多种情况，因此具有一定的局限性。

(5)对复杂系统的机器设备故障诊断目前还难以有很好的远程诊断方法去完全解决。

由于机器设备发生故障时其工作时的声音会发生变化，因此，本发明通过传感器采集机器设备及其关键零部件的声音数据，并对其进行处理，包括盲源分离、预处理和特征提取，然后通过深度学习算法对其进行训练，并结合人工经验，获得机器设备声音样本库，传感器实时采集的机器设备声音经数据处理后输入训练好的神经网络模型中，通过神经网络模型远程识别机器运行状态并对故障进行识别。

技术实现要素：

本发明目的在于针对工厂流水线上的机器设备，提供一种基于人工经验及声音识别的机器设备故障诊断方法，以弥补传统机器设备故障识别的不足。

为解决上述技术，本发明所采取的技术方案是：一种基于人工经验及声音识别的机器设备故障诊断方法，包括以下步骤：

步骤1：声音信号采集：采用传感器采集工厂生产环境下流水线上运行的机器设备及其关键零部件的正常状态声音和故障状态声音信号；

步骤2：对声音信号进行人工标记，标记内容为机器设备及其关键零部件的运行状态，包括正常运行、老化程度和已发生故障，然后将经过人工标记的声音信号形成声音样本库；

步骤3：数据处理：对经过人工标记的声音样本和实时采集的声音数据进行盲源分离、预处理和特征提取；

步骤4：神经网络模型训练：将经过数据处理和人工标记的声音样本送入预设的神经网络模型进行训练；

步骤5：故障识别：将经过数据处理的实时声音数据输入到训练好的神经网络模型中，通过神经网络模型识别机器设备是否发生故障及其老化程度，如果发生故障，报警并显示故障位置，维修人员采取相应的解决措施。如果没有发生故障，显示机器设备正常及其老化程度。

步骤6：再学习：传感器实时采集机器设备及其关键零部件的声音信号，将声音信号进行数据处理，通过训练后的神经网络模型进行故障识别，机器设备维修人员或故障诊断专家根据自身经验和神经网络识别结果对机器设备及其关键零部件工作状态进行综合判断，并根据判断结果将声音信号重新进行人工标记，形成新的样本加入原来声音样本库。由于前期工作中机器设备故障的数据有限，在样本数据较少时很难训练出较好的卷积神经网络模型，因此故障识别结果可能存在偏差。通过人工经验进行验证判断，并对其进行标记形成新的声音样本加入原来的声音样本库，使声音样本库中的数据不断增加，从而使训练的神经网络模型也将会越来越稳定，识别率不断增加。

所述步骤3数据处理包括盲源分离、预处理和特征提取；

所述盲源分离是将各种干扰音和机器设备声音进行分离，采用fastica算法，步骤如下：

首先，使混合信号满足ica算法基本要求，即对输入信号序列去均值，进行白化处理。

其次，选取一个随机的具有单位方差的初始分离矩阵wp，||wp||2＝1。

最后，采用负熵的固定点算法，令：

wp＝e{zg(w^tz)}-e{g′(w^tz)}w(1)

wp＝wp/||wp||(3)

对进行收敛性判断，若不收敛(即点积不是无限趋近于1)，则返回步骤(3)，利用fastica对混合信号进行重复提取，直到分离的独立成分收敛为止。

所述预处理包括滤波、a/d转换、预加重、分帧加窗和端点检测；

所述滤波采用fir滤波器滤除信号中的非音频成分，最大限度提高输入信号的信噪比；

所述a/d转换是将模拟信号转变为数字信号；

所述预加重是对信号的高频部分加重，增强声音信号的高频分辨率，便于后面进行谱分析。选择一阶fir高通数字滤波器来进行预加重处理，其传递函数为h(z)＝1-az^-1，0.9＜a＜1.0；

所述分帧与加窗是将声音信号分成很小的时间段，即帧，然后对分帧的声音信号进行加窗处理，主要目的是为了保持声音信号的短时平稳性，减少gibbs效应。其中帧长设置为20ms，帧移取帧长的1/3。加窗采用汉明窗，其函数表达式如(4)所示，其中n为等于帧长的窗长度；

所述端点检测是在实时输入的声音信号中，为了区分背景噪声和环境噪声，准确地判断出声音信号的开始点和结束点而设置。

所述特征提取用于提取声音信号的特征参数，所述基于人工经验及声音识别的机器设备故障诊断方法采用梅尔频率倒谱系数作为机器设备声音的特征参数；

所述步骤4神经网络模型训练是通过训练集、验证集和测试集通过评估和测试的方法对预设的神经网络模型进行训练，包括神经网络模型、评估和测试；

所述神经网络模型采用设计的卷积神经网络模型，包括4个卷积层、4个池化层、2个全连接层，中间层激活函数使用relu，最后一层使用softmax，每个卷积层后使用批量归一化(batchnormalization)加速训练。优化器使用随机梯度下降(stochasticgradientdescent，sgd)，采用dropout比例分别为0.5，损失函数使用交叉熵(crossentropy)。

将经过数据处理并进行特征提取后的声音数据输入预先设计好的神经网络模型中，对神经网络模型进行训练。将声音数据样本分成三份，分别为训练集，验证集和测试集，其比例是8：1：1，并进行十折交叉验证。在训练集上模型拟合声音数据样本，通过其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到所需的标准将返回继续学习，若模型达到所需的标准则通过验证集对神经网络模型进行验证，验证集调整模型的超参数和对模型的能力进行初步评估，同时根据其识别率是否达到所设阈值判断模型是否达到所需标准，若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；测试集用来评估神经网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。

本发明具有以下有益效果及优点：

(1)采用传感器采集机器设备及其关键零部件运行时的声音信号，对声音信号进行远程处理，从而对机器故障进行远程诊断，不需要维修人员接近或解体检查机器设备，因而智能性及安全性较高；

(2)本发明不仅可以对发生的机器故障进行诊断，同时可预测机器寿命，对机器设备提前检修，减少由于机器故障停工造成的经济损失；

(3)利用神经网络对声音样本库进行训练，建立声音样本库，同时结合人工经验对识别结果重新标记，形成新的声音样本，使声音样本库不断扩大，并进一步对神经网络模型进行训练，从而使所设计神经网络模型更加完善，识别结果更加精准。

附图说明

图1为本发明中一种基于人工经验及声音识别的机器设备故障诊断方法示意图。

图2为本发明中使用的声音数据处理框图。

图3为本发明中使用的声音预处理框图。

图4位本发明中的神经网络模型训练流程图。

具体实施方式

实施例：

如图1所示，本发明技术方案包含六个方面的步骤：声音数据采集，人工标记，数据处理，神经网络模型训练，故障识别和再学习。

所述步骤1声音信号采集：采用传感器采集工厂生产环境下流水线上运行的机器设备及其关键零部件的正常状态声音和故障状态声音信号；

所述步骤2对声音信号进行人工标记，标记内容为机器设备及其关键零部件的运行状态，包括正常运行、老化程度和已发生故障，然后将经过人工标记的声音信号形成声音样本库；

所述步骤3数据处理：对经过人工标记的声音样本和实时采集的声音数据进行盲源分离、预处理和特征提取；

所述步骤4神经网络模型训练：将经过数据处理和人工标记的声音样本送入预设的神经网络模型进行训练；

所述步骤5故障识别：将经过数据处理的实时声音数据输入到训练好的神经网络模型中，通过神经网络模型识别机器设备是否发生故障及其老化程度，如果发生故障，报警并显示故障位置，维修人员采取相应的解决措施。如果没有发生故障，显示机器设备正常及其老化程度。

所述步骤6再学习：传感器实时采集机器设备及其关键零部件的声音信号，将声音信号进行数据处理，通过训练后的神经网络模型进行故障识别，机器设备维修人员或故障诊断专家根据自身经验和神经网络识别结果对机器设备及其关键零部件工作状态进行综合判断，并根据判断结果将声音信号重新进行人工标记，形成新的样本加入原来声音样本库。

本发明所述一种基于人工经验及声音识别的机器设备故障诊断方法的工作过程为分为以下几步：

(1)首先利用声音传感器采集工作状态下机器及其关键零部件的声音信号，通过机器设备维修人员或故障诊断专家根据自身经验对声音信号进行人工标记，标记出声音信号的类型，所述声音信号的类型主要是机器设备及其关键零部件的运行状态：包括正常运行、老化程度和已发生故障。这样可以预测出机器设备何时何处发生何种故障，对故障进行预先的准备，预防事故的发生，避免损失或将损失降到最低。然后将经过人工标记的声音信号形成声音样本库。

(2)对声音样本库进行数据处理，包括盲源分离、预处理和特征提取，如图2所示；所述盲源分离，是将各种干扰音、噪音和机器设备声音进行分离。

所述预处理包括滤波、a/d转换、预加重、分帧加窗和端点检测，如图3所示；所述特征提取采用梅尔频率倒谱系数作为机器设备声音的特征参数。

(3)声音样本经过预处理后被送入预设的神经网络对神经网络进行训练，形成神经网络模型；所述神经网络模型的训练如图4所示，将数据样本分成三份，分别为训练集，验证集和测试集，其比例是8：1：1，并进行十折交叉验证，分别判断所设神经网络模型是否达到所设阈值要求，若达到阈值则进行下一步验证和测试，否则返回继续训练。

(4)传感器实时采集机器设备及其关键零部件的声音信号，将声音信号进行数据处理，通过训练后的神经网络模型进行故障识别，机器设备维修人员或故障诊断专家根据自身经验和神经网络识别结果对机器设备及其关键零部件工作状态进行综合判断。由于前期工作中机器设备故障的数据有限，在样本数据较少时很难训练出较好的卷积神经网络模型，因此故障识别结果可能存在偏差，将经过数据处理后的实时数据输入到训练后的神经网络模型进行状态及故障识别，通过人工经验进行验证判断，并对其进行标记形成新的声音样本加入原来的声音样本库，随着声音样本数据的不断增加，训练的卷积神经网络模型也将会越来越稳定。

以上所述内容，仅为本发明较好的具体实施方式，但本发明的保护范围并不局限于此任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换都应涵盖在本发明的保护范围之内。