一种设备故障声音识别方法、设备及存储介质与流程

本发明涉及设备故障分类领域，尤其涉及一种设备故障声音识别方法、设备及存储介质。

背景技术：

1、声纹技术在工业领域的应用正逐渐显现出其价值。在电力行业，声纹技术被用于监测变压器的运行状态，通过分析声信号来判断变压器是否出现故障，如放电、松动等。这种方法的优点是非接触、无损，可以远程监测变压器的状态，及时发现并处理故障。在水轮机领域，声纹技术用于监测水轮机的振动、水流等声音信息，通过分析这些声音信息来判断水轮机的运行状态，及时发现并处理故障。

2、此外，声纹技术也在风电领域得到应用，监测风电叶片的声音信息，通过分析这些声音信息来判断风电叶片的运行状态，及时发现并处理故障。在工业生产线上，声纹技术可以用于设备监测和维护，通过声纹识别技术，可以监测设备的运行状态，预测设备的寿命和故障，提高设备的运行效率和安全性。

3、未来，随着智能制造和工业互联网的发展，声纹技术的应用场景将进一步拓展。例如，声纹识别技术可以用于自动化生产线上，实现自动化监测和质量控制；也可以用于智能巡检中，提高巡检的准确性和效率。此外，随着声纹技术的不断发展，其应用的领域也将不断扩大，例如在环保领域用于监测噪音污染等。

4、基于声纹技术的设备故障诊断与预测技术目前面临的主要挑战是算法模型的泛化能力不足。这主要是由于缺乏有效的方法来对现场采集的原始数据集有效的分类：也就是分为训练数据集、验证数据集和测试数据集。

5、比如一种故障声音分类模型，无论其模型结构设置的多么复杂或精密，或者无论其训练过程收敛的速度多快，在数据集有限且对数据集分类错误的情况下，其训练出来的模型在实际应用过程中也是无法满足实际场景需求的。这是由于数据集本身分类错误所带来的模型泛化能力不足的问题。

6、更具体地说，比如一种故障声音分类的数据集，以往传统的做法是按一定的预设比例，将其划分为训练集、验证集和测试集。假如其比例为6：3：1，预设比例固定后，会按照随机或顺序分布的方式划分该数据集，其中6成数据集用于训练，3成数据集用于验证，1成数据集用于测试。如果出现以下情况，比如用于验证的数据集中，本身有某个故障声音应该是需要被识别出来的，但其由于未被划分到训练集中，所以未被训练模型识别到，且其顺利通过了测试集的测试，则在实际过程中，出现该故障时，模型则不能够精确的将其识别出来，则出现了泛化能力低下的问题。这也是传统方法存在的弊端。

技术实现思路

1、为了解决现有设备故障声音分类模型泛化能力不足，无法准确的进行声音分类，且无法适应大多数应用场景，本发明提出了一种设备故障声音识别方法、设备及存储介质，方法采用基于声音的粗糙度指标来对原始数据进行分类。这种方法，可以更好地反映声音的特性和差异，并与人工分类判断保持一致。更重要的是，这种方法确保了每个数据集的各种声音粗糙度占比基本不变，从而使得验证与测试结果的评估更加客观。这有助于提高算法模型的泛化能力，使其更好地应用于实际工业场景中。

2、本发明的目的在于解决上述提出的技术问题。本发明的方法包括以下步骤：

3、s1、采集设备原始声音信号，数字化得到原始数据集；

4、s2、对原始数据集，低频滤波得到与粗糙度相关低频调制频率的低频信号；

5、s3、计算步骤s2中低频信号的能量方差，并根据能量方差大小，将步骤s1中的原始数据集分类，分为高于方差的a类，低于方差的b类；

6、s4、按照一定的比例，随机从上述a类，b类挑选原始数据集，分配给训练数据集a％、验证数据集b％和测试数据集c％；

7、s5、利用分类后的训练数据集输入给深度学习模型，得到设备故障声音诊断模型；

8、s6、利用分类后的验证数据集输入给设备故障声音诊断模型，发现设备故障声音诊断模型的问题，优化模型参数，满足故障诊断的准确率的要求；

9、s7、利用分类后的测试数据集输入给优化后的设备故障声音诊断模型，检测设备故障声音诊断模型的虚报和漏报问题，再次优化模型参数，满足故障诊断的泛化能力的要求。

10、进一步地，步骤s2中所述低频滤波，具体采用小于300hz的数字低通滤波器,获得与声音粗糙度相关的调制信号。

11、进一步地，步骤s3中获取低频频段能量的过程具体如下：

12、s31、对数字化低频信号采用时域到频域的转换方式，得到频域表示；

13、s32、对频域表示进行每个分量的积分，得到频段能量。

14、进一步地，步骤s3具体如下：

15、s31、对调制后信号采用时域到频域的转换方式，得到频域表示；

16、s32、对频域表示进行每个分量的积分，得到频段能量。

17、进一步地，步骤s32具体如下：

18、s321、计算每个频域分量的幅度：

19、|x[k]|＝sqrt(re(x[k])2+im(x[k])2)

20、其中x[k]表示频域表示；sqrt表示开平方根；re()表示实部；im()表示虚部；|·|表示取模，也即幅度；

21、s322、计算每个频域分量的能量：

22、e[k]＝|x[k]|2

23、s223、对每个频域分量的能量进行积分，得到每个频段的总能量：

24、

25、f属于[f1,f2],[f1,f2]表示频段范围。

26、进一步地，步骤s3计算方差并根据方差分类的过程具体如下：

27、s311、获取频域分量能量数据集e＝[e1,e2,…en]；

28、s321、计算频域分量能量数据集的平均值；

29、s331、计算每个频域分量能量与平均值的偏差；

30、s341、计算偏差的平方和偏差平方的平均值；

31、s351、计算标准方差；

32、s361、依据标准方差对数据集进行分类。

33、进一步地，步骤s361具体如下：设定标准方差阈值，将高于阈值的与低于阈值的数据集分为两类。

34、进一步地，步骤s4具体如下：从两类数据集中按不同比例随机取样，获得训练集、验证集和测试集。

35、进一步地，随机取样过程如下：

36、从低于阈值的数据集中和高于阈值的数据集中，随机抽取a％的数据，组合得到训练集；

37、从低于阈值的数据集中和高于阈值的数据集中，随机抽取b％的数据，组合得到测试集；

38、从低于阈值的数据集中和高于阈值的数据集中，随机抽取c％的数据，组合得到验证集；其中a>b>0，a>c>0，a+b+c＝1。

39、一种存储介质，所述存储介质存储指令及数据用于实现一种设备故障声音识别方法。

40、一种设备故障声音识别设备，包括：处理器及所述存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现一种设备故障声音识别方法。

41、本发明提供的有益效果是：

42、基于声音的粗糙度相关的声音调制频率参数的指标来分类原始数据并以此为依据划分训练集、测试集和验证集，具有如下优点。

43、(1)首先，这种方法能够提高模型的泛化能力。通过确保训练集中的数据涵盖了各种声音粗糙度，模型能够学习到更全面的声音特征，从而更好地泛化到新的、未见过的声音数据。

44、(2)其次，这种方法更具客观性。使用基于声音粗糙度的指标进行数据划分，可以避免主观判断对数据集的影响，使实验结果更具有客观性和可重复性。

45、(3)此外，这种方法还有助于提高模型的性能。通过对声音的深入分析，模型能够更好地理解声音特征与设备状态之间的关联，从而提供更准确和可靠的故障诊断与预测。

46、(4)同时，这种方法也增强了研究的可解释性。通过声音的粗糙度指标，研究人员可以更直观地理解设备的运行状态和潜在问题，这有助于优化模型和解决实际问题。