一种设备故障声源定位方法及系统与流程

本发明属于设备故障声源定位技术领域，具体涉及一种设备故障声源定位方法及系统，更为具体的，涉及一种基于快速谱峭度波束形成和双通道卷积神经网络的设备故障声源定位方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

设备运行中产生的振动和声音信号中蕴含着丰富的设备状态信息，通过采集振声信号并进行信号处理的方法可以有效反应设备的状态。对于工业生产中设备检修，不但需要提供设备的故障信息，还要提供精确的故障点位置信息，有助于检修工作的快速排查。

对于极端条件下，不适合采集振动信号的场景或设备结构复杂、车间中包含多个运行设备的场景，难以通过采集振动信号迅速反应设备故障及故障点位置。此时通过音频传感器阵列结合声源定位方法可以在无接触式测量下有效定位设备故障点或故障设备。目前的声源定位方法主要包括利用相位变换广义互相关的定位算法、基于波束形成的定位算法和基于反卷积成像的定位算法。

但据发明人了解，在实际的工业生产中，复杂的环境噪声会对音频传感器阵列采集到的声音信号造成严重干扰，导致信噪比下降，定位结果受干扰。同时利用相位变换广义互相关的定位方法对信号采集设备精度要求较高，较轻程度的延迟也会导致结果精度的大幅下降。基于反卷积成像的定位算法对信号传输实时性要求相对宽松，但检测过程需要多次迭代运算，其算法的实时性较差。基于波束形成的定位结果相对粗略，精度有待进一步提高。

综上，目前的声源定位方法普遍存在定位精度不高、实时性差、容易受到干扰的问题。

技术实现要素：

本发明为了解决上述问题，提出了一种设备故障声源定位方法及系统，本发明利用的延迟加和波束形成方法，将音频传感器矩阵采集的时域信号按频率输出声源点的声场强度分布图，直观地反映出声信号的传播；通过构建双输出通道的卷积神经网络实现基于波束形成成像的故障声源点定位，具有鲁棒性好、精度高等特点，能够实现实际工业生产条件下实时且精确的设备故障点定位。

根据一些实施例，本发明采用如下技术方案：

一种设备故障声源定位方法，包括以下步骤：

将采集的设备声音信号作为待分析信号，对待分析信号进行傅里叶变换，依据变换结果计算待分析信号的快速谱峭度指标，根据快速谱峭度指标确定故障特征选频结果；

根据故障特征选频结果和待分析信号，计算互谱矩阵以及延迟求和导向响应，得到故障选频的延迟加和波束形成成像结果；

将延迟加和波束形成成像结果输入经过训练的双通道卷积神经网络，得到故障声源点的定位信息。

作为可选择的实施方式，对待分析信号进行傅里叶变换的具体过程包括：计算待分析信号的短时傅里叶变换、2m阶矩谱函数和谱峭度，通过改变分析窗口宽度和窗口移动步长得到信号中不同分析窗口下的短时傅里叶变换结果。

作为可选择的实施方式，根据快速谱峭度指标确定故障特征选频结果的具体过程包括：设置谱峭度阈值，将谱峭度大于谱峭度阈值的频段作为故障特征选频的结果。

作为可选择的实施方式，故障选频的延迟加和波束形成成像结果的计算过程具体包括：根据故障特征选频结果和待分析信号计算互谱矩阵；根据互谱矩阵计算延迟求和导向响应；计算导向响应复共轭乘积并归一化得到故障选频的延迟加和波束形成成像结果。

作为可选择的实施方式，所述双通道卷积神经网络包括依次连接的一个输入层、四个卷积层、一个全连接层和一个双通道输出层。

作为可选择的实施方式，所述双通道卷积神经网络的训练过程包括：将已知声源位置的音频信号的延迟加和波束形成成像结果作为网络输入，并将其对应的声源点横纵坐标作为对应卷积神经网络双通道输出的标签，以输出与实际声源位置的横纵坐标的差值为代价函数进行迭代修正，进行训练。

一种设备故障声源定位系统，包括：

故障特征选频模块，被配置为将采集的设备声音信号作为待分析信号，对待分析信号进行傅里叶变换，依据变换结果计算待分析信号的快速谱峭度指标，根据快速谱峭度指标确定故障特征选频结果；

波束形成成像模块，被配置为根据故障特征选频结果和待分析信号，计算互谱矩阵以及延迟求和导向响应，得到故障选频的延迟加和波束形成成像结果；

声源点定位模块，被配置为将延迟加和波束形成成像结果输入经过训练的双通道卷积神经网络，得到故障声源点的定位信息。

作为可选择的实施方式，所述系统还包括音频传感器阵列，用于采集设备运行中的音频信号。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种设备故障声源定位方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种设备故障声源定位方法。

与现有技术相比，本发明的有益效果为：

本发明提出基于快速谱峭度算法的故障特征选频方法，更有效的揭露设备故障所在频段，抑制环境噪声干扰，有利于增强波束形成成像结果。

本发明提出结合快速谱峭度的延迟加和波束形成成像方法，利用快速谱峭度算法对设备故障特征精确选频，并以选频结果计算延迟加和波束形成成像，有利于精确指示故障特征频率成分在空间中的强度分布，同时延迟求和的方法降低了对硬件处理信号实时性的要求，对信息传输的延迟有一定的容错度。

本发明提出构建双通道卷积神经网实现对设备故障声源点的定位，通过深层的全卷积网络提取波束形成中声源点位置信息并通过双通道输出声源点坐标，不但在实际情况下提高了定位信息的精确度，同时避免了定位过程中的迭代计算，提高了定位结果的实时性，有良好的实际应用意义。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本实施例中基于快速谱峭度波束形成和双通道卷积神经网络的设备故障声源定位方法的流程图；

图2为本实施例中针对设备故障的基于快速谱峭度的故障特征选频结果图；

图3为本实施例的故障声源点定位双通道全卷积神经网络结构图；

图4为本实施例的中针对不同位置故障点的结合故障特征选频和延迟加和波束形成的成像结果；

图5为本实施例的故障声源点定位实验音频传感器矩阵和故障点声源空间位置示意图；

图6为本实施例的故障声源点定位实验中定位错判样本数和定位网络输出通道损失函数。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明中创新性的提出基于快速谱峭度和延迟求和波束形成的设备故障波束成像方法，通过快速谱峭度算法检测故障频段，并通过延迟加和波束形成算法标定表征设备故障的声场位置，同时提出构建定位全卷积神经网络对故障波束成像结果进行深度声源点位置细化，最终通过双通道输出设备故障声源点的横纵轴定位坐标。能够解决背景技术所提出的现有通过音频传感器阵列的声源定位技术在实际工业生产条件下定位精度低、定位结果实时性差的问题。

下面以具体实施例进行说明。

实施例一

一种基于快速谱峭度波束形成和双通道卷积神经网络的设备故障声源定位方法，如图1所示，包括以下步骤：

步骤1、通过音频传感器阵列采集设备运行音频信号。

通过音频传感器阵列，采集设备运行中的音频信号。为方便后续定位结果计算，音频传感器阵列通常以矩形或正方形排列结构为主。在训练过程中，该信号为已知的多种声源位置的传感器阵列音频信号。在实际对设备故障点定位时，该信号为传感器采集的设备音频信号。

步骤2、基于快速谱峭度算法的故障特征选频。

基于快速谱峭度算法的故障特征选频具体步骤如下：

1)本实施例中以计算采样轴承故障信号y(n)的短时傅里叶变换为例进行说明：

其中w(n)为汉宁窗，窗口宽度nw，窗口移动的步长p，f为频率。

2)计算信号y(n)的2m阶矩谱函数：

其中<…>i运算符为以i为变量的时间平均算子。当m分别取1和2时可以得到信号的二阶和四阶矩谱函数。

3)最终信号y(n)的谱峭度可以由下式计算得出：

其中和分别表示信号的二阶矩谱和四阶矩谱。

4)通过改变分析窗口宽度和窗口移动步长得到信号中不同分析窗口下的短时傅里叶变换结果。

5)根据不同窗口对应的短时傅里叶变换结果求取音频信号的谱峭度值。在本实施例中，划定超过3的谱峭度值表示该频段有故障特征分量，因此以3作为谱峭度阈值，选定谱峭度值大于3的频段作为故障特征选频的结果。以轴承故障为例，轴承的滚动体、内圈和外圈故障的快速谱峭度图如图2所示，由图中结果可以选出分析窗口宽度及大于谱峭度阈值的故障特征频段范围，得到故障选频的结果。

当然，其他实施例中，可以选用其他参数作为阈值。也可以进行掐器件的分析。

步骤3、基于延迟加和的波束形成成像。

本实施例基于延迟加和的波束形成成像具体步骤如下：

1)计算传感器阵列采集信号的互谱矩阵：

其中csm为互谱矩阵，为由m个音频传感器构成的采集阵列采集的音频信号短时傅里叶变换，w，p和f^*为通过快速谱峭度选频得到的具有特定宽度的分析窗口、窗口步长和故障特征频段，k为互谱矩阵分辨率系数，本实施例中取100，np为短时傅里叶变换点数。

2)计算延迟求和导向响应：

s＝(w×ee)^t×csm×(ee×w)(5)

其中w为的均匀矩阵，其所有元素都为ee为导向向量，可以由下式求得：

e＝sin(tht)×cos(phi)+sin(tht)×sin(phi)+cos(tht)(6)

其中为导向指数e的复共轭向量，tht和phi为声源点与传感器阵列中心点的水平夹角和垂直夹角。

3)计算延迟加和波束成像结果：

其中为s的复共轭矩阵，max()表示取最大值。最终求得在故障特征选频f^*下的延迟加和波束形成成像dasm。图4展示了设备故障声源点在空间中不同位置时的延迟加和波束形成成像结果。

步骤5、通过双通道全卷积神经网络对声源进行定位

建立一个双通道卷积神经网络结构，网络结构如图3。本发明中的卷积神经网络包括：

1)输入层。用以输入故障特征选频的延时加和波束形成成像。

2)第一层卷积层c1。对应16卷积核，大小为6*6。

3)第二层卷积层c2。对应32卷积核，大小为4*4。

4)第三层卷积层c3。对应64卷积核，大小为3*3。

5)第四层卷积层c4。对应128卷积核，大小为4*4。

6)全连接层c5。包含两个通道，每个通道有256个节点，两个通道之间的节点没有连接。

7)输出层。包含两个通道，每个通道有51个节点，两个通道之间的节点没有连接。

通过bp训练方法对定位卷积神经网络进行训练，即以输出与实际声源位置的横纵坐标的差值为代价函数进行迭代修正，网络修正的迭代学习率取0.01。

最终在实际的定位过程中，根据前述步骤提取故障特征选频的延迟加和波束形成结果，输入到定位卷积网络中，可从双输出通道中得到声源点位置坐标。

本实施例的效果可以用下列实验进一步说明：

1.实验条件

本实施例一组验证实验的硬件条件为：64bitswindows7，cpuintelcorei5，ram8gb，实验用的软件为matlabr2018a。

本实施例的设备故障实验数据来自于美国西储大学轴承数据中心(cwrubearingdatacenter)公开的轴承振动加速度数据。该数据库中包含的轴承数据分为驱动端和风扇端轴承故障数据两大类，数据采集的位置分为基座(ba)、驱动端(de)和风扇端(fe)三个位置，电机所带的负载有0，1，2，3马力。轴承的故障为在内圈、外圈和滚动体三个位置上的半径为0.007、0.014和0.021英寸的擦伤故障。

2.实验内容及结果

在实验中，以轴承故障数据为测试数据，通过冲激响应生成器(roomimpulseresponsegenerator,rir-generator)在空间中随机生成发声点位置，与故障数据卷积，模拟在该位置发出设备故障声音。构建8*8的音频传感器阵列，相邻传感器之间的距离为0.026米，发生点平面距离传感器矩阵平面1.5米，采集发生点产生的音频信号，对发生点位置进行估计。

发生点与音频传感器阵列在空间中的关系如图5所示。生成1000个随机故障、随机位置的样本信号作为训练数据，同时生成1000个随机故障和位置的样本信号作为测试数据。用训练样本对本实施例中提出的基于快速谱峭度波束形成和双通道卷积神经网络的设备故障声源定位方法进行训练，并用测试样本进行测试，随定位卷积神经网络训练次数增加的横纵轴方向和平面范围内定位错判样本数以及横纵轴方向双输出通道的损失函数如图6所示。实验中横、纵轴单方向的最优定位精度均为98.2％，总体的最优定位精度为98.2％，每次定位的耗时小于0.015秒。

通过上述实验结果，可以证明本实施例提供的方法不但有良好的故障点定位精度，而且对故障具有一定的适应性，不局限于定位某种设备的故障模式，而是可以通过自主提取特征频段的方式自动定位故障频段。此外且通过神经网络定位的方法缩短了定位时间，可以满足实际的设备故障定位中对实时性的需求，保证了高精度定位的前提下，又具有良好的实用性。

实施例二

一种设备故障声源定位系统，包括：

音频传感器阵列，被配置为采集设备运行中的音频信号；

故障特征选频模块，被配置为将采集的设备声音信号作为待分析信号，对待分析信号进行傅里叶变换，依据变换结果计算待分析信号的快速谱峭度指标，根据快速谱峭度指标确定故障特征选频结果；

波束形成成像模块，被配置为根据故障特征选频结果和待分析信号，计算互谱矩阵以及延迟求和导向响应，得到故障选频的延迟加和波束形成成像结果；

声源点定位模块，被配置为将延迟加和波束形成成像结果输入经过训练的双通道卷积神经网络，得到故障声源点的定位信息。

实施例三

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种设备故障声源定位方法。

实施例四

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种设备故障声源定位方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。