一种基于声纹特征识别的自移机尾故障诊断方法与流程

本发明涉及矿山设备，特别涉及一种基于声纹特征识别的自移机尾故障诊断方法。

背景技术：

1、带式输送机自移机尾是综合机械化采煤工作面顺槽运输设备之一，用来连接桥式转载机和顺槽带式输送机，其运行稳定性直接影响采煤工作面的生产效率。设备正常运行和故障时会伴随产生不同的声音。托辊在运行的过程中，因为轴承故障、托辊故障，以及皮带跑偏时会呈现一些不明振动和噪音。在设备运行过程中，操作人员要随时注意声音变化，如有异常噪音发出时，需要立即查明原因，排除故障后方可开机运行。

2、传统的故障检测方法需要依赖有经验的工人根据异常声音判断设备是否发生故障，效率低，工作量大。目前煤矿机电设备的发展趋势是通过自动化、智能化实现无人值守，减人增效，同时避免工作人员近距离操作及视野盲区操作所带来的安全隐患，降低恶劣坏境对员工健康的伤害。传统依靠人工进行故障诊断的方法已经不能满足井下相关设备的发展需要。

技术实现思路

1、本发明的目的在于提出一种基于声纹特征识别的自移机尾故障诊断方法，无需人工监测，实现了故障的自动识别。

2、为实现上述目的，本发明采用以下技术方案：一种基于声纹特征识别的自移机尾故障诊断方法，包括以下步骤：

3、s1.采集自移机尾正常状态和故障状态下的声音样本数据，将声音样本数据划分为训练数据集和测试数据集；

4、s2.对训练数据集的数据进行预处理；

5、s3.通过改进的能量归一化倒谱系数算法从s2预处理的数据中提取特征向量；

6、s4.利用k最近邻分类算法进行一级故障识别，对自移机尾健康状态进行初步判断，根据判定结果决定是否继续进行二级故障分类；

7、如不进行二级故障分类，则重新运行步骤s2；

8、如进行二级故障分类，则进行步骤s5；

9、s5.利用改进灰狼优化算法对二级故障参数进行优化，根据寻优结果确定二级故障参数中的核函数和惩罚因子，构建二级故障参数分类模型；

10、s6.利用s5中建立的二级故障分类模型，完成自移机尾二级故障分类，输出故障识别结果，实现自移机尾故障的诊断。

11、优选地，所述s2中的预处理还包括以下步骤：

12、s21.预加重，采用一阶高通数字滤波器来实现预加重，对声音信号的高频分量衰减进行弥补，公式如下：

13、y(n)＝x(n)-αx(n-1)

14、式中：x(n)为原始信号；y(n)为预加重后的声音信号；α为预加重系数，取值范围为0.9-1.0；

15、s22.分帧，接着对音频样本文件进行分帧，先将n个采样点集合成一个观测单位，也就是分割后的帧，为了避免相邻两帧的变化过大，让两相邻帧之间有一段重叠区域，此重叠区域包含了m个取样点，m的值为n的1/3-1/2之间；

16、s23.加窗，对分帧后的信号采用汉明窗进行处理

17、假设分帧后的信号为s(n)，n＝0，1，2…，n-1，其中n为帧的大小，那么进行加窗的处理方法为：

18、s*(n)＝s(n)*w(n)

19、其中，w(n)的形式如下：

20、

21、其中n为窗口中的样本序号，a为汉明窗系数。

22、优选地，所述s3中的提取特征向量还包括以下步骤：

23、s31.分辨信号特性，对分帧加窗后的各帧信号进行频谱计算，得到频谱上的能力分布以看出信号特性，具体公式如下：

24、s(k)＝dft[s*(n)]

25、s32.归一化滤波，使用归一化滤波器可以增大中高频分量的权重，更适合于轴承类声音信号的处理，公式如下：

26、

27、式中，k是dft变换的尺寸，m是指第几帧，l代表通道的索引，ωk＝2πk/fs，fs代表采样频；

28、s33.非对称噪声抑制；

29、s34.归一化处理；

30、s35.后期处理；

31、s36.一阶二阶差分，将pncc系数进行一阶和二阶差分后再与原值拼接作为最终的pncc特征系数；一阶差分方式如下：

32、

33、二阶差分在一阶差分的基础上进行。

34、优选地，其特征在于，所述s33的非对称噪声抑制还包括以下步骤：

35、s331.改进中时功率计算，中时功率计算公式如下：

36、

37、得到的用于后面的噪声估计和补偿；

38、s332.非对称低通滤波，使用谱减法来过滤掉低频部分以达到抑制噪声的目的，公式如下：

39、

40、

41、利用减去来抑制噪声；

42、s333.通过半波整流得到

43、s334.经时域掩蔽输出获得每个频率通道l的移动峰值，并抑制低于此包络线的瞬时功率；

44、s335.让再通过一个非对称低通滤波器输出获得下包络做为最低的阈值，公式如下：

45、

46、s336.将与比较大小，得到ans的输出：

47、

48、s337.权重平滑，通过权重平滑在不同的通道之间做平滑处理，公式如下：

49、

50、式中，l2＝min(l+n，l)，l1＝max(l-n，1)，l是通道的数量。

51、优选地，所述s34的归一化处理还包括以下步骤：

52、s341.通过时-频域归一化，调制p[m，l]，进而得出t[m，l]，公式如下：

53、

54、s342.功率归一化，通过输入功率除以总功率的运行平均值来对输入功率进行归一化，减小振幅缩放的潜在影响；

55、计算运行的平均功率μ[m]为：

56、

57、归一化功率u[m]为：

58、

59、优选地，所述s35的后期处理包括以下步骤：

60、s351.非线性幂函数

61、声压指数为1/15的幂律曲线与生理数据相当吻合，同时在存在噪声的情况下优化了识别精度；

62、

63、s352.离散余弦变换，通过离散余弦变换去除s351中所得数据的相关性系数，并且降维，公式如下：

64、

65、x[n]是变换后的系数，x[m]为输入信号，n为原始信号的点数。

66、优选地，所述s4的一级故障识别还包括以下步骤：

67、s41.将s3中提取到的样本数据划分为训练样本集dtrain和测试样本集dtest，其中，dtest＝(xi，yi)

68、式中的xi表示编号为i的样本对应的特征向量，i＝1，2，…，n

69、yi为样本的类别，yi∈{c1，c2，…，ck}，k表示样本总数；

70、s42.设定最近邻参数为k；

71、s43.计算测试样本集dtest与训练样本集dtrain中任意样本间的欧式距离，公式为：

72、

73、其中：di为测试样本集中的一个样本，dj为训练样本集中的一个样本，dik、djk分别为从第1维到第m维的特征分量；

74、s44.对l(di，dj)进行排序，选取k个最小距离，则di属于分类al的可能性表示为：

75、

76、其中：w(di，al)为第i个测试样本属于类别al的可能性，l＝1，2；α(dj，al)表示训练样本dj属于类别al的准确度，计算公式为：

77、

78、s45.故障识别，统计分类结果中“正常”帧的比例，设定“正常”帧比例上阈值为μ1，下阈值为μ2；

79、当故障指标高于μ1时，默认此时自移机尾运行正常，分类结果中的故障标签是由于环境噪声等干扰因素而引起的误判；若故障指标低于μ2时，则判断自移机尾发生故障；当健康指标介于μ1、μ2之间时，则丢弃此次判断结果，系统认为此次数据帧无效，重新采集新的数据帧来判断。

80、优选地，所述s5中二级故障参数分类模型的构建过程包括以下步骤：

81、s51.初始化灰狼种群以及a、a和c；

82、s52.计算灰狼个体的适应度，保存适应度最好的前三匹狼α、β、δ；

83、狼群头狼用α表示，负责领导狼群制定各项决策；β狼是头狼α的下属，其服从于α狼，负责协助α狼进行各项决策，同时可以支配其余阶层的狼；δ狼服从于α和β狼，其主要负责侦察和狩猎的活动，并能支配剩余阶层的狼；

84、灰狼搜索时会逐渐地接近并包围猎物，其具体的数学模型如下：

85、d＝c×xp(t)-x(t)

86、x(t+1)＝xp(t)-a×d

87、其中：t为当前迭代次数；d为个体与猎物间的距离，xp(t)和x(t)分别为第t代猎物和灰狼的位置向量；a和c为协同向量，求解公式为：

88、c＝2r1

89、a＝2ar2-a

90、其中，r1与r2是0-1内的随机数；a为收敛因子，在迭代整个过程中，r1由2递减到0；

91、收敛因子a设置非线性调整策略，公式如下：

92、

93、其中，a1为收敛因子a的起始值，a2为终止值，k为调整系数；

94、s53.更新当前灰狼的位置；

95、s54.更新a、a和c；

96、s55.计算全部灰狼的适应度；

97、s56.更新α、β、δ的适应度和位置；

98、s57.判断是否满足终止条件？

99、结果为“是”则结束，得到最优的lssvm分类模型，

100、结果为“否”，则跳转到s53继续运行。

101、优选地，所述s6中故障诊断包括以下步骤：

102、s61.采用测试样本验证lssvm分类模型，完成自移机尾故障诊断；

103、s62.输出自移机尾故障诊分类结果。

104、本发明所具有的有益效果为：

105、1.提升了设备的自动化水平，自移机尾发生故障后能第一时间发现，减少设备故障带来的损害，同时无需依赖工人根据经验判断设备故障，避免恶劣坏境对员工健康的伤害，提高了企业的安全效益和生产效率。

106、2.信号预处理时进行了预加重、分帧、加窗等操作，尽可能减小因为采集语音信号的设备所带来的混叠、高次谐波失真、高频等等因素对语音信号质量的影响，保证后续语音处理得到的信号更均匀、平滑，提高语音处理质量。

107、3.通过改进灰狼优化算法用于对故障参数进行优化，根据寻优结果确定故障参数中的核函数和惩罚因子，构建最优故障参数分类模型，完成自移机尾故障诊断。