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。