本發(fā)明涉及一種基于噪聲特征統(tǒng)計(jì)量的礦山設(shè)備健康狀態(tài)判決方法,屬于煤礦安全技術(shù)領(lǐng)域。
背景技術(shù):
礦山設(shè)備狀態(tài)監(jiān)測是按照預(yù)先設(shè)定的周期和方法,對礦山設(shè)備上的規(guī)定部位進(jìn)行有無異常的預(yù)防性周密檢查的過程,以使設(shè)備的隱患和缺陷能夠得到早期發(fā)現(xiàn)、早期預(yù)防、早期處理,從而更好的監(jiān)控工廠設(shè)備性能,縮短因不可預(yù)測的系統(tǒng)故障造成的高成本宕機(jī)時(shí)間。
研究表明,災(zāi)難性的設(shè)備故障可能給生產(chǎn)帶來數(shù)十萬元的損失?,F(xiàn)代化工業(yè)生產(chǎn)對機(jī)器的依賴與日俱增,生產(chǎn)線上的大型機(jī)器一旦出現(xiàn)重大故障,不但會影響企業(yè)的日常生產(chǎn),嚴(yán)重的甚至?xí)l(fā)安全事故。穩(wěn)健可靠的機(jī)器狀態(tài)監(jiān)測和故障診斷可有效預(yù)防機(jī)器故障,幫助企業(yè)消除計(jì)劃外的儲運(yùn)損耗、優(yōu)化機(jī)器性能、縮短返修時(shí)間并降低綜合維護(hù)成本。
機(jī)械故障診斷起源于20世紀(jì)60年代,盡管減輕系統(tǒng)故障的各種檢測技術(shù)已經(jīng)使用多年,但它們都沒有實(shí)現(xiàn)尺寸、性能、成本與可靠性的完美結(jié)合,因此無法在工業(yè)應(yīng)用中廣泛地實(shí)現(xiàn)實(shí)時(shí)、持續(xù)不斷的設(shè)備正常運(yùn)轉(zhuǎn)監(jiān)控。
目前常用的故障診斷技術(shù)主要是基于振動信號測量與分析的振動診斷技術(shù),為了準(zhǔn)確獲取監(jiān)測設(shè)備的運(yùn)行狀態(tài)信息,需要布置振動傳感器。對于某些設(shè)備,其振動信號的測量具有一定困難,使得振動診斷技術(shù)具有一定的局限性,因此,有必要研究一種有效的非接觸型機(jī)械設(shè)備工作狀態(tài)監(jiān)測與分析方法。
噪聲作為一種機(jī)械波,通過振動向周圍媒介輻射能量,蘊(yùn)含有豐富的機(jī)器狀態(tài)信息,是一項(xiàng)與振動信號具有同等功能的衡量指標(biāo)。利用噪聲信號進(jìn)行故障診斷成為近年來故障診斷領(lǐng)域新的發(fā)展方向。然而,隨著機(jī)器的運(yùn)行,監(jiān)測數(shù)據(jù)的特征向量的維數(shù)急劇增加,影響了設(shè)備狀態(tài)判決速度,對算法的實(shí)時(shí)性提出了挑戰(zhàn)。
技術(shù)實(shí)現(xiàn)要素:
針對上述現(xiàn)有技術(shù)存在的問題,本發(fā)明提供一種基于噪聲特征統(tǒng)計(jì)量的礦山設(shè)備健康狀態(tài)判決方法,大大降低存儲樣本維數(shù),提高了判決速度。
為了實(shí)現(xiàn)上述目的,本發(fā)明采用的技術(shù)方案是:一種基于噪聲特征統(tǒng)計(jì)量的礦山設(shè)備健康狀態(tài)判決方法,a. 采集礦山設(shè)備噪聲信號;b. 對采集的噪聲信號進(jìn)行加窗分幀;c. 計(jì)算MFCC系數(shù)形成特征參數(shù);d. 計(jì)算特征參數(shù)的特征統(tǒng)計(jì)量并形成特征向量;e. 利用改進(jìn)的短時(shí)模糊C均值聚類算法形成分類結(jié)果輸出。
所述步驟d中計(jì)算特征參數(shù)的特征統(tǒng)計(jì)量為每一個(gè)MFCC系數(shù)的均值與方差,均值和方差組成一維的特征向量,其中均值在前,方差在后;所述步驟b中對噪聲信號加窗分幀前先進(jìn)行預(yù)加重處理;所述步驟b中加窗分幀中的幀長為256,前一幀和后一幀交疊部分為幀移,幀移長為80。
與現(xiàn)有技術(shù)相比本發(fā)明通過計(jì)算的特征參數(shù),計(jì)算出其均值和方差兩個(gè)統(tǒng)計(jì)量,形成一維的特征統(tǒng)計(jì)向量,并利用改進(jìn)的短時(shí)模糊C均值聚類算法實(shí)現(xiàn)測試樣本狀態(tài)的匯聚,從而實(shí)現(xiàn)設(shè)備健康狀態(tài)的判決,由于僅存儲特征統(tǒng)計(jì)量,大大降低存儲樣本維數(shù),提高了判決速度,解決了礦山設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)判決方法,降低了判決運(yùn)行時(shí)間。
附圖說明
圖1為本發(fā)明判決方法流程圖;
圖2為某礦山設(shè)備運(yùn)行聲音測試信號及其分段圖;
圖3為測試序列的時(shí)域波形、頻譜及分類結(jié)果圖;
圖4為測試序列的時(shí)域波形、頻譜及分類結(jié)果圖;
圖5為測試序列的時(shí)域波形、頻譜及分類結(jié)果圖;
圖6為測試序列的時(shí)域波形、頻譜及分類結(jié)果圖。
具體實(shí)施方式
下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明。
如圖1所示,a. 首先采集礦山設(shè)備噪聲信號,機(jī)器運(yùn)行聲音信號是一種廣義振動信號,基于網(wǎng)絡(luò)拾音器的機(jī)器狀態(tài)感知適用于不適于安裝傳統(tǒng)監(jiān)測傳感器的場合,通過布設(shè)的網(wǎng)絡(luò)拾音器,實(shí)現(xiàn)機(jī)器運(yùn)行狀態(tài)的遠(yuǎn)程會診,不僅成本較低,而且實(shí)現(xiàn)起來較為方便。因此,本發(fā)明中采用網(wǎng)絡(luò)拾音器監(jiān)測的機(jī)器運(yùn)行聲音信號代替振動傳感器測量的振動信號進(jìn)行機(jī)器運(yùn)行狀態(tài)的分析。
b. 對采集的噪聲信號先進(jìn)行預(yù)加重處理然后再進(jìn)行加窗分幀;預(yù)加重的目的是為了濾除低頻的干擾,提升高頻頻譜的比重,以便于后續(xù)的頻譜分析,預(yù)加重通過傳遞函數(shù)為一階的FIR高通數(shù)字濾波器來實(shí)現(xiàn);機(jī)器噪聲信號具有短時(shí)平穩(wěn)性,因此提取特征向量時(shí)可以利用其短時(shí)平穩(wěn)特性,將測試信號分為一些幀來處理。信號的分幀通過可移動的有限長度窗口函數(shù)加權(quán)的方法,為了減少分幀對前后端的影響,可以采用交疊分段的方法,這是為了使相鄰的幀之間有個(gè)較為平滑的過渡,保持其連續(xù)性,有利于信號的處理和分析;前一幀和后一幀的交疊部分成為幀移,幀移長為80,窗分幀中的幀長256。
c. 計(jì)算MFCC系數(shù)形成特征參數(shù);
由于聲信號在礦井空氣傳播存在多干擾源現(xiàn)象,實(shí)際聲場非常復(fù)雜,信噪比低,因此需要建立一種有效的聲源識別和特征提取算法,從而提取出有效的聲學(xué)特征。這里采用Mel頻率倒譜系數(shù)(Mel-Frequency Cepstrum Coefficients,MFCC)作為礦山設(shè)備噪聲特征參數(shù)。MFCC特征具有較好的魯棒性和較高的正確分類率。由于Mel頻率是基于人耳聽覺特性提出來的,它與Hz頻率的非線性對應(yīng)關(guān)系使得MFCC隨著頻率的提高,其計(jì)算精度隨之下降。因此,在應(yīng)用中常常只使用低頻MFCC,而丟棄中高頻MFCC。
通過對監(jiān)測數(shù)據(jù)加窗分幀,提取每一幀數(shù)據(jù)的MFCC系數(shù),每幀計(jì)算一組MFCC數(shù)據(jù),共24個(gè),實(shí)現(xiàn)信號特征參數(shù)的提取。
d. 計(jì)算特征參數(shù)的特征統(tǒng)計(jì)量并形成特征向量;
由于在大樣本下,每一個(gè)MFCC系數(shù)分布滿足正態(tài)分布,并且正常與故障兩種狀態(tài)樣本分布情況具有明顯的異同,因此可以將其統(tǒng)計(jì)特性作為特征向量,作為下一步測試的基礎(chǔ)。
為此,計(jì)算每一個(gè)MFCC系數(shù)的均值與方差,這樣形成24個(gè)均值與24個(gè)方差,并將均值和方差組成一維的特征向量,其中均值在前,方差在后;
正常與故障各組成一個(gè)向量如下:
(故障向量)
(正常向量)
這樣,模式庫中存放的就是兩個(gè)一維的特征向量(或數(shù)組),而不再是MFCC系數(shù),尤其是模式庫更新時(shí),模式庫的長度也不再變化,后續(xù)計(jì)算量將大大降低。實(shí)際判決時(shí),利用測量數(shù)據(jù)構(gòu)成的特征統(tǒng)計(jì)量與模式庫中的特征統(tǒng)計(jì)量進(jìn)行聚類分析,根據(jù)聚類結(jié)果即可判定設(shè)備運(yùn)行狀態(tài)為正?;蚬收?。
e. 利用改進(jìn)的短時(shí)模糊C均值聚類算法形成分類結(jié)果輸出;
設(shè)備運(yùn)行狀態(tài)的聚類采用改進(jìn)的短時(shí)模糊C均值聚類算法,短時(shí)模糊C均值聚類算法是在模糊C均值聚類算法上先對測量數(shù)據(jù)按幀分段,對每一分段信號選取特征參數(shù)進(jìn)行空間映射,然后針對映射后的空間序列應(yīng)用模糊C均值聚類算法進(jìn)行模式分類。其指導(dǎo)思想是:假設(shè)測量數(shù)據(jù)全體樣本可以分為C類,并選定C個(gè)初始聚類中心,根據(jù)時(shí)間序列相似性準(zhǔn)則將每一個(gè)樣本分配到某一類中,之后不斷迭代計(jì)算各類聚類中心,并依據(jù)新的聚類中心重新調(diào)整聚類情況,直至迭代收斂或聚類中心不再發(fā)生變化。實(shí)際分析時(shí)可限定分析數(shù)據(jù)長度為30秒,以5秒為單位進(jìn)行分割,計(jì)算出一個(gè)特征向量,并與樣本庫進(jìn)行對比,并給出一個(gè)判據(jù)結(jié)果。
實(shí)施例:
限定分析數(shù)據(jù)長度為30秒,以5秒為單位進(jìn)行分割,計(jì)算出一個(gè)特征向量,并與樣本庫進(jìn)行對比,并給出一個(gè)判據(jù)結(jié)果定。
首先根據(jù)測量信號,選取兩段典型信號,一段作為故障狀態(tài)信號,一段作為正常狀態(tài)信號,分別計(jì)算其特征參數(shù)MFCC系數(shù)的均值與方差,形成一維的特征向量X1和X2,并存儲于模式庫中。
根據(jù)測試信號,截取數(shù)據(jù)長度30秒,以5秒為單位進(jìn)行分割,計(jì)算每一段測試信號的一個(gè)特征向量統(tǒng)計(jì)量,并利用短時(shí)模糊C均值聚類算法與模式庫中存儲的樣本進(jìn)行對比,并給出一個(gè)判據(jù)結(jié)果。設(shè)備最終運(yùn)行狀態(tài)根據(jù)6次判決結(jié)果通過投票決定最終判決結(jié)果。
如圖1和圖2所示為某礦山設(shè)備運(yùn)行聲音測試信號,根據(jù)礦山設(shè)備運(yùn)行狀態(tài),將測試信號進(jìn)行分段處理。整段信號共分割為6小段。在進(jìn)行二元模式分類時(shí),可以將、作為正常狀態(tài)信號,作為故障狀態(tài)信號。
選取與作為典型樣本序列,其中為故障狀態(tài),為正常狀態(tài),計(jì)算其MFCC系數(shù)。
圖3、圖4、圖5和圖6分別顯示了測試序列、、、的時(shí)域波形、頻譜和分類結(jié)果。其中每個(gè)圖第3個(gè)子圖為分類結(jié)果。
由圖可見,每一種測試序列都實(shí)現(xiàn)了正確分類,驗(yàn)證了本判決方法的有效性。
本發(fā)明給出了基于礦山設(shè)備噪聲特征統(tǒng)計(jì)量的設(shè)備狀態(tài)判決方法。通過計(jì)算的MFCC特征參數(shù),計(jì)算出其均值和方差兩個(gè)統(tǒng)計(jì)量,形成一維的特征向量,利用短時(shí)模糊C均值聚類算法實(shí)現(xiàn)測試樣本狀態(tài)的匯聚與判別。由于僅存儲特征統(tǒng)計(jì)量,大大降低存儲樣本維數(shù),提高了判決速度。