基于声场成像的设备异常诊断方法、装置及终端设备与流程
- 国知局
- 2024-10-21 14:23:37
本技术涉及故障监测,具体地涉及一种基于声场成像的设备异常诊断方法、一种基于声场成像的设备异常诊断装置、一种计算机可读介质及一种终端设备。
背景技术:
1、现有的声学异常识别诊断技术多基于对声音频谱特征的分析,但在针对设备运行过程中的异常诊断过程中,由于现场装置设备种类多、数量多,麦克风采集到的声音信号往往是由多个声源产生的噪声叠加产生的,其在传播过程中会有反射、干涉、衍射等多种工况,从而影响最终的声音信号的分析识别,导致现有技术难以准确对设备运行过程中的异常工况进行诊断。
2、申请内容
3、本技术实施例的目的是提供一种基于声场成像的设备异常诊断方法、装置及终端设备,以解决现有技术难以准确对设备运行过程中的异常工况进行诊断的问题。
4、实现上述目的,在本发明的第一方面,提供一种基于声场成像的设备异常诊断方法,包括:
5、获取目标设备的声场分布云图及音频信号;
6、对所述音频信号进行特征提取,得到所述音频信号的音频信号特征;
7、以所述音频信号特征为输入,经预设的信号重构模型生成所述音频信号特征对应的重构音频信号特征,确定所述音频信号特征与所述重构音频信号特征的音频信号特征偏差;
8、获取所述声场分布云图的最大声源点坐标,确定所述最大声源点坐标与所述目标设备在正常工况下的目标最大声源点坐标的最大声源点坐标偏差;
9、获取所述声场分布云图的声场热力区域面积,确定所述声场热力区域面积与所述目标设备在正常工况下的目标声场热力区域面积的声场热力区域面积偏差;
10、以所述音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差为输入,经预设的异常工况识别模型生成所述目标设备的异常诊断结果。
11、可选地,对所述音频信号进行特征提取,得到所述音频信号的音频信号特征,包括:
12、获取所述目标设备对应的预设频率范围,所述预设频率范围至少包括一个目标频率范围;
13、提取所述音频信号在每一目标频率范围的音频信号特征;
14、确定所述音频信号特征与所述重构音频信号特征的音频信号特征偏差,包括:
15、确定所述音频信号在每一目标频率范围的音频信号特征与其对应的重构音频信号特征的音频信号特征偏差。
16、可选地,提取所述音频信号在每一目标频率范围的音频信号特征,包括:
17、通过预先构建的滤波器组提取所述音频信号在每一目标频率范围的音频信号特征,其中,所述滤波器组包括至少一个梅尔滤波器,所述梅尔滤波器的数量与目标频率范围的数量一一对应,且每个梅尔滤波器的频率范围与对应的目标频率范围一一对应。
18、可选地,获取所述声场分布云图的最大声源点坐标,包括:
19、获取所述目标设备在每一目标频率范围下的声场分布云图;
20、获取每一目标频率范围下的声场分布云图的最大声源点坐标。
21、可选地,确定所述最大声源点坐标与所述目标设备在正常工况下的目标最大声源点坐标的最大声源点坐标偏差,包括:
22、确定每一目标频率范围下的声场分布云图的最大声源点坐标与所述目标设备在正常工况下对应目标频率范围下的目标最大声源点坐标的最大声源点坐标偏差。
23、可选地,获取所述声场分布云图的声场热力区域面积,包括:获取所述目标设备在每一目标频率范围下的声场分布云图的声场热力区域面积;确定所述声场热力区域面积与所述目标设备在正常工况下的目标声场热力区域面积的声场热力区域面积偏差,包括:
24、确定每一目标频率范围下的声场分布云图的声场热力区域面积与所述目标设备在正常工况下对应目标频率范围下的目标声场热力区域面积的声场热力区域面积偏差。
25、可选地,获取所述目标设备在每一目标频率范围下的声场分布云图,包括:获取目标设备在每一目标频率范围下的多张声场分布云图;获取每一目标频率范围下的声场分布云图的最大声源点坐标,包括:
26、获取当前目标频率范围下的所有声场分布云图的最大声源点坐标;
27、确定得到的所有最大声源点坐标的均值为当前目标频率范围下的声场分布云图的最大声源点坐标。
28、可选地,获取所述目标设备在每一目标频率范围下的声场分布云图,包括:获取目标设备在每一目标频率范围下的多张声场分布云图;获取所述目标设备在每一目标频率范围下的声场分布云图的声场热力区域面积,包括:
29、获取当前目标频率范围下的所有声场分布云图的声场热力区域面积;
30、确定得到的所有声场热力区域面积的均值为当前目标频率范围下的声场分布云图的声场热力区域面积。
31、可选地,以所述音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差为输入,经预设的异常工况识别模型生成所述目标设备的异常诊断结果,包括:
32、构建以各目标频率范围对应的音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差为行向量的总偏离度矩阵;
33、以所述总偏离度矩阵为输入,经预设的异常工况识别模型生成所述目标设备的异常诊断结果;
34、所述异常工况识别模型由不同异常工况对应的总偏离度矩阵对深度学习算法训练后得到。
35、本技术的第二方面,提供一种基于声场成像的设备异常诊断装置,包括:
36、数据获取模块,被配置为获取目标设备的声场分布云图及音频信号;
37、音频信号特征偏差计算模块,被配置为对所述音频信号进行特征提取,得到所述音频信号的音频信号特征;以及
38、以所述音频信号特征为输入,经预设的信号重构模型生成所述音频信号特征对应的重构音频信号特征,确定所述音频信号特征与所述重构音频信号特征的音频信号特征偏差;
39、最大声源点坐标偏差计算模块,被配置为获取所述声场分布云图的最大声源点坐标,确定所述最大声源点坐标与所述目标设备在正常工况下的目标最大声源点坐标的最大声源点坐标偏差;
40、声场热力区域面积偏差计算模块,被配置为获取所述声场分布云图的声场热力区域面积,确定所述声场热力区域面积与所述目标设备在正常工况下的目标声场热力区域面积的声场热力区域面积偏差;
41、异常工况预测模块,被配置为以所述音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差为输入,经预设的异常工况识别模型生成所述目标设备的异常诊断结果。
42、可选地,音频信号特征偏差计算模块,被配置为:
43、获取所述目标设备对应的预设频率范围,所述预设频率范围至少包括一个目标频率范围;
44、提取所述音频信号在每一目标频率范围的音频信号特征;
45、确定所述音频信号特征与所述重构音频信号特征的音频信号特征偏差,包括:
46、确定所述音频信号在每一目标频率范围的音频信号特征与其对应的重构音频信号特征的音频信号特征偏差。
47、可选地,音频信号特征偏差计算模块,被配置为:
48、通过预先构建的滤波器组提取所述音频信号在每一目标频率范围的音频信号特征,其中,所述滤波器组包括至少一个梅尔滤波器,所述梅尔滤波器的数量与目标频率范围的数量一一对应,且每个梅尔滤波器的频率范围与对应的目标频率范围一一对应。
49、可选地,最大声源点坐标偏差计算模块,被配置为:
50、获取所述目标设备在每一目标频率范围下的声场分布云图;
51、获取每一目标频率范围下的声场分布云图的最大声源点坐标。
52、可选地,最大声源点坐标偏差计算模块,被配置为:
53、确定每一目标频率范围下的声场分布云图的最大声源点坐标与所述目标设备在正常工况下对应目标频率范围下的目标最大声源点坐标的最大声源点坐标偏差。
54、可选地,获取所述声场分布云图的声场热力区域面积,包括:获取所述目标设备在每一目标频率范围下的声场分布云图的声场热力区域面积;声场热力区域面积偏差计算模块,被配置为:
55、确定每一目标频率范围下的声场分布云图的声场热力区域面积与所述目标设备在正常工况下对应目标频率范围下的目标声场热力区域面积的声场热力区域面积偏差。
56、可选地,获取所述目标设备在每一目标频率范围下的声场分布云图,包括:获取目标设备在每一目标频率范围下的多张声场分布云图;获取每一目标频率范围下的声场分布云图的最大声源点坐标,包括:
57、获取当前目标频率范围下的所有声场分布云图的最大声源点坐标;
58、确定得到的所有最大声源点坐标的均值为当前目标频率范围下的声场分布云图的最大声源点坐标。
59、可选地,获取所述目标设备在每一目标频率范围下的声场分布云图,包括:获取目标设备在每一目标频率范围下的多张声场分布云图;获取所述目标设备在每一目标频率范围下的声场分布云图的声场热力区域面积,包括:
60、获取当前目标频率范围下的所有声场分布云图的声场热力区域面积;
61、确定得到的所有声场热力区域面积的均值为当前目标频率范围下的声场分布云图的声场热力区域面积。
62、可选地,异常工况预测模块,被配置为:
63、构建以各目标频率范围对应的音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差为行向量的总偏离度矩阵;
64、以所述总偏离度矩阵为输入,经预设的异常工况识别模型生成所述目标设备的异常诊断结果;
65、所述异常工况识别模型由不同异常工况对应的总偏离度矩阵对深度学习算法训练后得到。
66、本技术的第三方面,提供一种计算机可读介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于声场成像的设备异常诊断方法。
67、本技术的第四方面,提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于声场成像的设备异常诊断方法。
68、本技术提供的实施方式具有以下有益效果:
69、本技术基于声成像技术采集被测目标设备的噪声音频信号和声场分布云图,基于获取到的音频信号与声场分布云图,计算当前音频信号特征、最大声源点坐标及声场热力区域面积与目标设备在正常工况下的音频信号特征偏差、最大声源点坐标偏差及声场热力区域面积偏差,通过得到的三项偏差数据,经预先训练得到的异常工况识别模型实现对目标设备的运行工况状态进行预测,从而实现更加全面、准确、直观的多类型异常工况识别及异常位置的可视化定位。
70、本技术实施例或实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
技术实现思路
本文地址:https://www.jishuxx.com/zhuanli/20241021/317974.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。