一种设备声音信号模式识别模型的制作方法

1.本发明涉及信号识别技术领域，尤其涉及一种设备声音信号模式识别模型。


背景技术：

2.随着电厂设备的大型化、集中化、高速化、连续化和自动化，突发的故障停机造成的损失越来越大。由于大多数设备、备件的故障间隔离散性较大，定期维修不可避免地会造成较高的维修成本和较多的设备机器失效，因此做到预知维修非常重要，主动地发现问题和解决问题，把事故消灭在萌芽状态，能有效降低维修成本，降低事故停机率，因而具有很高的投资收益比。为了符合这一要求，设备状态监测和诊断已成为行业工具。状态监测是一种感知设备健康的技术，操作信息并分析此信息以量化设备状况。这样做是为了使潜在的问题能够在其发展的早期被检测和诊断，并且在它们变得严重之前通过适当的恢复措施进行校正。
3.随着物联网技术和深度学习技术的快速发展，基于模型驱动的技术可以提高到了一个新的高度：不再依赖于信号技术就可以提取更为精确的信号特征，特别是最近几年深度学习技术在图像识别领域的成功应用，其识别的能力几乎可以到达人的识别水平。在过去，电厂生产环境中有很大的噪音，不同设备的声音混杂在相对集中的空间中，由于针对声音信号没有很好的技术手段去处理，所以仅仅只能依靠具有丰富专业经验的巡检人员才能听出设备的异常声音，而现在有了深度学习技术就可以处理声音信号的识别问题了。在实际系统中，设备在不同工作条件下的运行状态不同，当工作条件发生改变时(如故障发生)，设备运行状态将发生改变。虽然状态改变过程中设备声学信号产生的机理比较模糊，但这种声学信号往往具有非平稳特性，故可以采用统计模型理论来分析处理。设备状态在改变过程中往往会引起声学信号结构的变化、出现不同的声学信号特征，可以通过设备状态声音的音色、音量的大小、频率的高低等声学信号特征的变化判断出设备的运行状态，甚至用以判别设备故障类型和发生部位。
4.国外对机械噪声研究起步比较早，英国人r.a.collacott在二十世纪70年代就率先提出了利用噪声信号对机械设备进行运行状态监测以及故障诊断。但由于声音信号比振动信号容易受到环境的污染，故基于声音信号的设备状态监测研究非常少于基于振动和电流的信号分析。使用声音信号进行故障检测一直在吸引研究人员的兴趣。y.ono等人总结了用于故障检测的声学声音信号的分析，提出了一种利用f值对电机异常声音进行状态监测和轴承故障检测的方法。akcay等在嘈杂环境下利用5个麦克风通过交叉谱算法对电机的噪声进行了精确识别。y.ono等提出提出了一种异常检测方法，用于在不使用异常信号的情况下观察运行中的电机的声音信号，有效地检测出一小部分特征中出现的异常。该方法最佳地估计各种特征对观察信号和正常信号分布之间的相异性得分的贡献率。所提出的方法强调了一小部分窄频率范围的声音，并且它实现了高达76％的误差减少率。
5.近年来随着深度学习的高速发展，国内外越来越多的研究人员利用深度学习方法对设备状态监测。特别是在振动监测领域，利用深度学习强大的特征自学习能力，将振动信
号转为二维时频图像进行状态检测和故障诊断。振动信号作为一维时间序列信号，各时刻的数据点具有关联性，若直接将其转换为二维形式，则原始序列中的空间相关性会遭到破坏，有可能造成故障信息的丢失。目前绝大部分基于深度学习的故障诊断方法并没有直接从原始信号中获取数据信息。在基于声音信号对设备进行状态监测和故障诊断的研究更是少之又少。
6.发电行业的巡检人员利用听针来实现对设备异常的检查，但基于声音的设备故障预警与诊断系统鲜有建设。
7.wenbolu等提出了一种基于近场声全息(nah)和灰度共生矩阵(glcm)的基于声学的诊断轴承故障诊断新方案。在锅炉四管泄露监测方面也有应用。但这些应用基本上都是基于传统的机器学习对信号进行分析，适应性不强。
8.深度学习在设备健康监测方面有大量的研究，ae、cnn、lstm、gans和迁移学习等各种技术都有所涉及，但全部是基于振动监测信号的研究。
9.目前设备故障诊断的识别技术手段主要包括：基于人工巡视的现场定期检查、基于噪声传感器的声音监听系统、基于dcs或sis的盘面数据人工监控三种。
10.其中基于人工的现场巡视是电厂制定了一系列的巡检制度，巡检人员通过手持设备可以实现对设备的振动、温度、声音等信号的收集，依靠人的专业素养来判断设备的运行状况，发现了不少设备运行的故障，但是这种制度过于依赖人的能力，再加上巡检人员与设备数据的不匹配造成巡检人员的工作量大大的增加，容易造成遗漏。
11.基于dcs的盘面数据人工监控主要是该类系统一般集成在dcs系统中，它关注的是系统的安全运行，一般通过设置多级阈值实现不同等级的告警，但没有对设备信号进行深入的分析，无法实现故障分类。
12.基于噪声传感器的声音监听系统是在现场安装噪声传感器来监听设备的声音，判断设备的运行状态，此类方法基于传感器监听现场的环境声音，通过声音的能量值来判断设别的运行状态，但真实环境是现场多种设备运转是发出的声音极大，通过能量值判断识别的故障非常少，由于现场一旦有其他高分贝的声音发出，则存在误报的可能。
13.因此，有必要提供一种新的设备声音信号模式识别模型解决上述技术问题。


技术实现要素：

14.本发明为设备状态监测类系统的内部算法，用于实现基于物联网技术，在设备本体安装声音传感器，通过声音传感器采集设备的声音数据，从中提取声音特征值，利用设备声音信号异常识别模型，实现设备运行状态监测和设备故障报警等功能。
15.为解决上述技术问题，本发明提供的设备声音信号模式识别模型包括：
16.安装在设备本体上的声音传感器，所述声音传感器用于采集所述设备本体的原始声音信号；
17.无线通讯模块，所述无线通讯模块与所述声音传感器相连接；
18.服务器端，所述服务器端通过所述无线通讯模块与所述声音传感器相连接；
19.分帧处理模块，所述分帧处理模块用于对所述原始声音信号进行加窗分帧处理；
20.特征提取模块，所述特征提取模块用于对分帧处理后的声音信号进行特征提取，构造声音信号特征向量；
21.pca降维处理模块，所述pca降维处理模块用于对所述声音信号特征向量进行降维处理，提取最能反应所述设备本体运行状态的声音信号的特征分量；
22.ocsvm模型训练模块，所述ocsvm模型训练模块用于寻找一个最优超平面，确定正常样本的边界；
23.ocsvm异常检测模型，所述ocsvm异常检测模型用于对声音信号进行特征提取和pca降维处理后的数据进行检测，实现对电力设备的模式识别；
24.粒子群优化算法模块，所述粒子群优化算法模块用于对所述ocsvm异常检测模型进行参数寻优与结构优化；
25.1d-cnn故障诊断模型，所述1d-cnn故障诊断模型用于模式识别后，对具体故障类型进行分类识别。
26.优选的，所述分帧处理模块对所述原始声音信号进行加窗分帧处理时，窗函数选用矩形窗。
27.优选的，所述特征提取模块包括时域特征提取模块和频域特征提取模块；所述时域特征提取模块用于提取声音信号在时域上的17种特征指标，分别为均值、绝对均值、平均均值、有效值、方根幅值、峰值、峰峰值、方差、标准差、偏斜度、峭度、波形指标、波峰指标、脉冲指标、裕度指标、偏斜指标、峭度指标，对每个声音信号提取时域统计特征，构造时域特征向量，记作α＝[α1,α2,α3,...,α
16
,α
17
]；所述频域特征提取模块用于提取原始声音信号的频域特征上的4种特征指标，分别为重心频率、均方频率、均方根频率和频率方差，对每个声音信号提取频域统计特征，构造频域特征向量，记作β＝[β1,β2,β3,β4]；将时域特征与频域特征结合组成21个声音信号特征指标，构造声音信号特征向量δ＝[δ1,δ2,δ3,...,δ
20
,δ
21
]。
[0028]
优选的，所述ocsvm模型训练模块求解二次规划问题的函数为：
[0029][0030]
s.t.φ(xi)ω厖ρ-ξi,ξ
i0[0031]
其中，xi为原空间中的样本，l为训练样本的数量，φ为原始空间到特征空间的映射，ω和ρ分别为特征空间中所需超平面的法向量和补偿，可调参数ν∈(0,1)为控制总样本数中错误样本比例的上界，松弛变量ξi为某些训练样本被错误分类的程度；ω和ρ是这个二次规划问题的解，则其决策函数为：f(x)＝sgn(φ(x)ω-ρ)。
[0032]
优选的，所述粒子群优化算法模块的算法流程如下：
[0033]
s1：设置最大迭代次数目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为m，每个粒子随机初始化一个飞翔速度；
[0034]
s2：定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解；与历史全局最优比较，进行更新；
[0035]
s3：更新速度和位置的公式：
[0036]vid
＝ωv
id
+c1random(0,1)(p
id-x
id
)+c2random(0,1)(p
gd-x
id
)
[0037]
x
id
＝x
id
+v
id
[0038]
其中ω称为惯性因子，调整ω大小，对全局寻优性能和局部寻优性能进行调整；c1和c2为加速常数；p
id
表示第i个变量的个体极值的第d维，p
gd
表示全局最优解的第d维；
[0039]
s4：终止条件：达到设定迭代次数或者迭代数之间的差值满足最小界限。
[0040]
优选的，所述1d-cnn故障诊断模型包括三部分：输入层、特征提取层、分类层；所述输入层为对原始声音数据分段处理后的直接输入；所述特征提取层包括3个卷积层和3个池化层，接收来自输入层的数据，对原始声音信号的特征提取，池化层选择最大池化算子实现对特征矢量的降维，同时提高非线性特征的鲁棒性；所述分类层由两个全连接层组成，第2个全连接层神经元个数与标签故障数目一致，利用softmax回归分类器实现分类输出。
[0041]
优选的，所述卷积层用于卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型可以描述为:
[0042][0043]
式中，mj为输入特征矢量，l为第l层网络，k为卷积核，b为网络偏置，为第l层输出为第l层输入。
[0044]
优选的，所述池化层用于池化，池化是非线性下采样的一种形式，通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合，通常在所述卷积层的后面会加上一个所述池化层；最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，最大池化的变换函数如下所示：
[0045][0046]
式中：表示第l层第i个特征矢量中第t个神经元的值，t∈[(j-1)w+1,jw]；w为池化区域的宽度；表示第l+1层神经元对应的值。
[0047]
优选的，所述全连接层是一种传统的前馈神经网络，之后在输出端使用softmax函数作为激活函数，所述全连接层的所有神经元连接到前一层的所有激活；所述全连接层起到将学到的分布式特征表示映射到样本标记空间的作用，模型可表述为：
[0048]
o＝f(bo+w
ofv
)
[0049]
式中：fv为特征矢量；wo、bo分别为偏差向量和权值矩阵。
[0050]
与相关技术相比较，本发明提供的设备声音信号模式识别模型具有如下有益效果：
[0051]
本发明提供一种设备声音信号模式识别模型，基于智能声学的设备状态监测系统程序的内部核心算法，基于该算法构建的设备状态监测系统能够复现运行管理人员及巡检人员的设备状态监控能力，实现基于声音识别的设备远程监控，为设备巡检及事故发展追溯提供分析支持与工具辅助，实现设备故障的早期识别，对于减小了设备故障的损伤规模，降低设备维修成本，妥善制定设备维修计划，缩短维修时间具有极为重要的现实意义；
[0052]
经济效益分析上，实现设备的早期故障识别能够缩短检修时间，减少设备更换次数，避免因单一设备造成大范围的设备停机，挽回了巨大的经济损失；
[0053]
本模型具备前期投入小，普适性强等特点，同时基于智能声学的设备状态监测系统作为电力生产运行部门的普遍需求，具备广阔的应用推广应用前景。
附图说明
[0054]
图1为本发明提供的设备声音信号模式识别模型的一种较佳实施例的识别流程图；
[0055]
图2为1d-cnn故障诊断模型结构示意图。
具体实施方式
[0056]
下面结合附图和实施方式对本发明作进一步说明。
[0057]
请结合参阅图1、图2，其中，图1为本发明提供的设备声音信号模式识别模型的一种较佳实施例的识别流程图；图2为1d-cnn故障诊断模型结构示意图。基于物联网技术，在设备本体安装声音传感器，通过声音传感器采集设备的声音数据，采用wifi的传输方式把声音数据传输到服务器端，在服务器端部署设备声音信号模式识别模型，建立一种“先异常检测后故障诊断”的设备模式识别方法。
[0058]
1.提取声音传感器对电力设备采集到的原始声音信号,对原始声音信号进行加窗分帧处理，窗函数选用矩形窗。对分帧处理后的声音信号进行特征提取,首先提取声音信号在时域上的17种特征指标。指标名称及计算公式如表1-1所示，其中x(i)其中为分帧处理后的声音信号，k是声音信号的采样点数。
[0059]
表1-1
[0060]
[0061][0062]
对每个声音信号提取时域统计特征，构造时域特征向量，记作α＝[α1,α2,α3,...,α
16
,α
17
]。
[0063]
提取原始声音信号的频域特征，选取4种特征指标，指标名称与计算公式如表1-2所示
[0064]
表1-2
[0065][0066][0067]
对每个声音信号提取频域统计特征，构造频域特征向量，记作β＝[β1,β2,β3,β4]；
[0068]
将时域特征与频域特征结合组成21个声音信号特征指标，构造声音信号特征向量δ＝[δ1,δ2,δ3,...,δ
20
,δ
21
]。
[0069]
2.对声音信号特征向量进行降维处理。pca是一种数据分析方式，可以实现对高维数据的降维，可以提取数据中的主要特征分量。使用pca方法对包含21个特征指标的样本进行降维，提取最能反应设备运行状态的声音信号的特征分量。
[0070]
3.通过对声音信号进行特征提取和pca降维处理后的数据，作为异常检测模型ocsvm的模型输入。异常样本标签为-1，正常样本标签为1，目标是寻找一个最优超平面，确定正常样本的边界。
[0071]
ocsvm，其基本思路是寻找一个决策超平面，使大部分目标样本位于该超平面的一侧，而大部分非目标样本位于超平面的另一侧。ocsvm求解如下二次规划问题：
[0072][0073]
s.t.φ(xi)ω厖ρ-ξi,ξ
i0[0074]
其中，xi为原空间中的样本，l为训练样本的数量，φ为原始空间到特征空间的映射，ω和ρ分别为特征空间中所需超平面的法向量和补偿，可调参数ν∈(0,1)为控制总样本数中错误样本比例的上界，松弛变量ξi为某些训练样本被错误分类的程度。ω和ρ是这个二次规划问题的解，则其决策函数为：
[0075]
f(x)＝sgn(φ(x)ω-ρ)
[0076]
4.利用粒子群优化算法(particle swarm optimization，pso)对ocsvm模型进行参数寻优与结构优化。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。pso算法流程如下：
[0077]
步骤1.设置最大迭代次数目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为m，每个粒子随机初始化一个飞翔速度。
[0078]
步骤2.定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解。与历史全局最优比较，进行更新。
[0079]
步骤3.更新速度和位置的公式：
[0080]vid
＝ωv
id
+c1random(0,1)(p
id-x
id
)+c2random(0,1)(p
gd-x
id
)
[0081]
x
id
＝x
id
+v
id
[0082]
ω称为惯性因子，调整ω大小，对全局寻优性能和局部寻优性能进行调整。c1和c2为加速常数。p
id
表示第i个变量的个体极值的第d维，p
gd
表示全局最优解的第d维。
[0083]
步骤4.终止条件：达到设定迭代次数或者迭代数之间的差值满足最小界限。
[0084]
5.通过建立的ocsvm异常检测模型，对电力设备声音信号进行检测，实现对电力设备的模式识别。
[0085]
6.模式识别后，对具体故障类型进行分类识别，建立一维卷积神经网络(1d-cnn)故障诊断模型。一维卷积神经网络包括：
[0086]
卷积层
[0087]
卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型可以描述为:
[0088][0089]
式中，mj为输入特征矢量，l为第l层网络，k为卷积核，b为网络偏置，为第l层输出为第l层输入。
[0090]
池化层
[0091]
池化是非线性下采样的一种形式，通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合。通常在卷积层的后面会加上一个池化层。最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，最大池化的变换函数如下所示：
[0092][0093]
式中：表示第l层第i个特征矢量中第t个神经元的值，t∈[(j-1)w+1,jw]；w为池化区域的宽度；表示第l+1层神经元对应的值。
[0094]
全连接层
[0095]
全连接层是一种传统的前馈神经网络，之后在输出端使用softmax函数作为激活函数，这一层的所有神经元连接到前一层的所有激活。全连接层起到将学到的“分布式特征表示”映射到样本标记空间的作用，模型可表述为：
[0096]
o＝f(bo+w
ofv
)
[0097]
式中：fv为特征矢量；wo、bo分别为偏差向量和权值矩阵。
[0098]
7.现实工业生产中，正常样本远高于故障样本，1d-cnn故障诊断模型只通过故障数据进行训练。在ocsvm异常检测模型首先对原始声音信号进行异常识别后，将异常数据由人工进行类别标记，标记后输入到1d-cnn故障诊断模型进行训练。
[0099]
8.通过1d-cnn故障诊断模型识别后，对具体故障类型进行报警。
[0100]
基于声音信号的电力设备的模式模型主要包括：
[0101]
1d-cnn故障诊断模型结构图如图2所示
[0102]
本专利构建的一维卷积神经网络(1d-cnn)结构如图2所示，包括三部分：输入层、特征提取层、分类层。输入层为对原始声音数据分段处理后的直接输入。特征提取层包括3个卷积层和3个池化层，接收来自输入层的数据，对原始声音信号的特征提取。池化层选择最大池化算子实现对特征矢量的降维，同时提高非线性特征的鲁棒性。分类层由两个全连接层组成，第2个全连接层神经元个数与标签故障数目一致，利用softmax回归分类器实现分类输出。
[0103]“先异常检测后故障识别”的设备模式识别具体实现过程如图1所示；
[0104]
步骤01.采集电力设备的原始声音信号，信号包含正常状态数据和异常状态数据
[0105]
步骤02.数据预处理，填写缺失值，识别或删除离群点解决不一致性来“清理”数据。对清理后的数据进行分帧加窗处理。
[0106]
步骤03.特征提取，对原始声音信号进行时域和频域上的特征提取，共提取21个特征指标
[0107]
步骤04.pca数据降维，对21个特征指标进行降维后得到异常检测模型的训练集x0，x0为l
×
m的矩阵，其中l为声音信号的样本数量，m为经过降维后每个样本的维数，即每个样本所包含的特征数。
[0108]
步骤05.降维后的声音数据作为单类支持向量机模型的输入
[0109]
步骤06.首先训练基于正常数据的正常ocsvm异常检测模型，即识别正常状态数据和非正常状态数据。粒子群算法优化ocsvm参数，核函数选用径向基核函数。
[0110]
步骤07.正常ocsvm异常检测模型识别出的正常样本数据输入到正常样本数据库，同时将数据反馈到正常ocsvm异常检测模型，更新模型，提升模型精度与泛化能力。被正常ocsvm异常检测模型识别出的异常数据，输入到1d-cnn故障诊断模型，该模型最初可以由历史故障数据训练或者由人为对异常数据进行准确的故障类型标定，标定后作为故障诊断模型的输入来训练模型。
[0111]
步骤08.异常数据通过1d-cnn故障诊断模型识别后，在模型中加入的softmax层会对模型判定某种类型故障给出判定概率。概率大于0.9，认定模型可以对故障做出准确判定；概率小于0.9，认定模型不能对故障做出准确判定。
[0112]
步骤9.对不能准确判定故障类型的数据由人工进行标记，标记后作为输入更新模型，对故障诊断模型重新训练。
[0113]
步骤10.所有给出准确判定的数据样本保存到正常和故障样本数据库。
[0114]
与相关技术相比较，本发明提供的设备声音信号模式识别模型具有如下有益效果：
[0115]
本发明提供一种设备声音信号模式识别模型，基于智能声学的设备状态监测系统程序的内部核心算法，基于该算法构建的设备状态监测系统能够复现运行管理人员及巡检人员的设备状态监控能力，实现基于声音识别的设备远程监控，为设备巡检及事故发展追溯提供分析支持与工具辅助，实现设备故障的早期识别，对于减小了设备故障的损伤规模，降低设备维修成本，妥善制定设备维修计划，缩短维修时间具有极为重要的现实意义；
[0116]
经济效益分析上，实现设备的早期故障识别能够缩短检修时间，减少设备更换次数，避免因单一设备造成大范围的设备停机，挽回了巨大的经济损失；
[0117]
本模型具备前期投入小，普适性强等特点，同时基于智能声学的设备状态监测系统作为电力生产运行部门的普遍需求，具备广阔的应用推广应用前景。
[0118]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。