专利汇可以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专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于人工经验及声音识别的机器设备故障诊断方法。通过 传感器 采集机器设备的声音 信号 ,经过人标记形成声音样本库,然后通过 数据处理 后被送入预设的神经网络模型中进行训练。传感器实时采集机器设备声音,经数据处理后输入训练后神经网络模型中,通过神经网络远程识别机器设备状态,同时根据人工经验对识别结果进行综合判断,并将结果反馈回声音样本库。本发明提供的一种基于人工经验及声音识别的机器设备故障诊断方法,不仅能够对机器故障进行远程诊断,同时还可以预测机器设备关键零部件的寿命;此外,由于采用 深度学习 算法 结合人工经验对神经网络模型进行训练,因而具有识别准确性高、安全性好、效率高和智能化等优点。,下面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专利的具体信息内容。
1.一种基于人工经验及声音识别的机器设备故障诊断方法,其特征在于,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;
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、噪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(WTZ)}-E{g′(WTZ)}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,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帧,然后对分帧的声音信号进行加窗处理,其中帧长设置为20ms,帧移取帧长的1/3;加窗采用汉明窗,其函数表达式如下,其中N为等于帧长的窗长度;
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(Batch Normalization)加速训练,优化器使用随机梯度下降(Stochastic Gradient Descent,SGD),采用Dropout比例分别为0.5,损失函数使用交叉熵(Cross Entropy);
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。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
电子设备故障检测方法、装置、设备和吸油烟机 | 2020-05-12 | 25 |
一种微波热声检测监测系统及方法 | 2020-05-12 | 628 |
盲信号分离方法、装置和电子设备 | 2020-05-13 | 254 |
单节点动态接收传感器噪声分析系统及分析方法 | 2020-05-14 | 350 |
一种基于智能电表的电动车充电识别方法及装置 | 2020-05-13 | 618 |
口罩自动折叠方法 | 2020-05-08 | 567 |
一种基于欠定卷积混叠模型的稀疏盲分离方法 | 2020-05-12 | 502 |
一种基于卷积混合模型的慢速眼动识别方法及系统 | 2020-05-15 | 450 |
一种基于人工经验及声音识别的机器设备故障诊断方法 | 2020-05-12 | 481 |
一种用于电源板的插头固定结构 | 2020-05-14 | 487 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。