一种基于mfcc特征提取的机器故障预测方法
【专利摘要】一种基于MFCC特征提取的机器故障预测方法，属于机器故障预测方法。该故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量。根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测。优点：提取机器的声音特征，将其变换至Mel域，再根据SVM对特征向量进行聚类分析，快速、准确、简单的预测出机器健康状态。具有操作简单、预测精度高、预测速度快、抗噪性能好。对非线性、随机性、时变性的信号能够较为精确的预测。
【专利说明】—种基于MFCC特征提取的机器故障预测方法
【技术领域】
[0001]本发明涉及一种机器故障预测方法，特别是一种基于MFCC特征提取的机器故障预测方法。
【背景技术】
[0002]机器故障预测是指根据机器当前或者历史运行时的状态预测出未来一段时间内机器的健康状态与是否存在渐变故障，其预测的准确性是机器日常维护、正常运行、安全生产等重要保证，直接关系到经济效益与维护成本。
[0003]与故障诊断不同的是故障预测能够事先对有可能发生渐变故障的机器做出判断，为有计划的安排维修与维护提供了前提。声音信号是对多数的机器都很敏感，对于正常运行的机器，其每次启动、运行、结束的声音特征变化不大。但是当机器出现渐变故障时，机器的声音特征就会出现剧烈的变化，因而，通过声音特征的提取对机器故障进行预测是可行的。
[0004]目前，在机器故障预测的特征提取中，时域振动烈度的特征提取是机器预测的基本参数，通常通过传感器采集到机器的震动烈度，然后进过分析找出符合该机器正常运行的正态分布，当下一次采集的信号特征符合正态分布，且越靠近均值，就表明机器越正常。频域方面，主要分析频带宽度、或者进行小波变换后的频带能量，统计机器正常运行时各个频带的能量分布作为故障预测的样本特征向量，接着提取到的机器特征作为测试样本，再通过各种预测模型进行机器故障预测。但是由于机器运行时的表现出来信号具有非线性、时变性、随机性，仅通过提取信号的时域或者频域进行分析并不能很好地对机器进行故障预测。
[0005]现有的预测模型技术主要有曲线拟合、高斯混合模型(GMM)、神经网络(NN)、灰色模型、隐马尔科夫模型(HMM)、支持向量机(support vector machine, SVM)。其中，曲线拟合仅仅通过回归分析历史的数据进行预测，虽然最为原理简单但误差较大；高斯混合模型通过概率密度函数将特征量化，统计各个量化后的特征出现的频次，能够实现机器进行故障预测，但是其稳定性、精确性受到学习机制的影响较大；神经网络具有抗噪性能超强、不需建立具有一定规律的数学模型、极强的非线性映射能力等优点在预测方面具有很好的应用前景，但是也存在收敛速度慢、容易陷入局部最优解等问题；灰色模型和隐马尔科夫模型在短期预测具有较高的预测精度、适应能力强等优点，但是其精度依赖于特征参数的多少，当特征参数较少时，预测效果一般；SVM是一种新型的机器学习方法，具有唯一的全局最优解与出色的机器学习能力，能够很好的解决小样本、非线性、高维化等问题，能不够满足机器故障特征的随机性、时变性、非线性等。
【发明内容】
[0006]本发明的目的是克服现有技术中的不足之处，提供一种操作简单、精确度高、能快速预测机器的健康状态、维护机器方便的基于MFCC特征提取的机器故障预测方法。[0007]本发明的目的是这样实现的，本发明的故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量；根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机(support vector machine, SVM)对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测；
[0008]具体实现过程如下:
[0009]( I)信号提取:在需要预测机器上安装声音传感器，首先采集机器正常运行时η天的数据，作为SVM分类器的对比参照可称为样本数据库。然后通过声传感器获取当前机器的声音信号作为机器故障预测的测试样本库。
[0010](2)声信号处理:针对机器正常运行时已获得声音样本库的MFCC特征向量,将声音样本数据与测试数据库分别进行预处理，所述的预处理包括滤波、加重、分帧或加窗，然后将预处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到机器正常运行时与当前机器运行时的MFCC特征向量；
[0011]3、预测模型建立:首先采集机器运行η天正常运行时的声音信号，经Mel域变换后存入样本数据库中；将机器正常运行η天时的MFCC特征向量样本库当作SVM聚类器，然后实时采集当前机器运行的声音信号，并提取其对应的MFCC系数；SVM预测包括线性可分与线性不可分两种情况，当所采集信号为线性不可分时，构建非线性SVM聚类器，采用SVM机器预测模型的非线性分类算法，最后通过非线性SVM进行聚类分析给出该机器的健康状况；若机器的运行状态在一段时间内是平稳的，且满足给定的机器正常门限值，当前机器的MFCC特征向量作为SVM聚类器的测试样本，构建基于SVM的机器预测模型；
[0012]4、预测结果:将所得聚类结果使用投票法对机器进行故障预测，对机器做出健康状态、亚健康状态与非健康状态`的决策；机器健康评价指标，0.85到I之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障；以下给出健康度的定义:
[0013]健康度δ定义为:
[0014]δ =—
Wl
[0015]式中，Sffl为机器健康运行得票数，m为机器健康预测总得票数。
[0016]所述声信号处理的具体实现过程如下:
[0017](I)原始机器声音信号设为s (η)经过预滤波、预加重、分帧、加窗后可以得到每帧机器声音的时域信号为X (η)，对每一帧信号做离散傅里叶变换(DFT)得到频域信号X(k)，完成时域转换成频域。X(k)可以表示为:
N-1
[0018]Χ(/<) = [.χ⑷(:，, O < /i <
κ=0
[0019]式中，X(k)为频域信号，x(n)为时域信号，k为采样点数，N为周期。
[0020](2)求X(k)的平方，即能量谱。通过使用M个Mel带通滤波器对其进行滤波，第m个带通滤波器的传递函数Hm (k)可以表示为:
[0021]
【权利要求】
1.一种基于MFCC特征提取的机器故障预测方法，其特征在于，该故障预测方法，通过机器上安装的声传感器获得当前机器运行的声音信号特征，声音信号经过预处理后，再将其进行Mel变换，获得其MFCC特征向量；根据所得MFCC特征向量对机器健康状况进行预测，具体聚类过程是支持向量机对机器正在运行时所提取的MFCC特征和所存机器之前正常运行样本数据进行聚类，通过投票法对聚类结果进行分析，进而对机器故障进行预测； 具体实现过程如下: (1)信号提取:在需要预测机器上安装声音传感器，首先采集机器正常运行时η天的数据，作为SVM分类器的对比参照可称为样本数据库。然后通过声传感器获取当前机器的声音信号作为机器故障预测的测试样本库。 (2)声信号处理:针对机器正常运行时已获得声音样本库的MFCC特征向量,将声音样本数据与测试数据库分别进行预处理，所述的预处理包括滤波、加重、分帧或加窗，然后将预处理后的声音信号变换至与其成非线性对应关系的Mel域，最后得到机器正常运行时与当前机器运行时的MFCC特征向量； (3)预测模型建立:首先采集机器运行η天正常运行时的声音信号，经Mel域变换后存入样本数据库中；将机器正常运行η天时的MFCC特征向量样本库当作SVM聚类器，然后实时采集当前机器运行的声音信号，并提取其对应的MFCC系数；SVM预测包括线性可分与线性不可分两种情况，当所采集信号为线性不可分时，构建非线性SVM聚类器，采用SVM机器预测模型的非线性分类算法，最后通过非线性SVM进行聚类分析给出该机器的健康状况；若机器的运行状态在一段时间内是平稳的，且满足给定的机器正常门限值，当前机器的MFCC特征向量作为SVM聚类器的测试样本，构建基于SVM的机器预测模型； (4)预测结果:将所得聚类 结果使用投票法对机器进行故障预测，对机器做出健康状态、亚健康状态与非健康状态的决策；机器健康评价指标，0.85到I之间表示机器运行健康，0.65到0.85之间表示机器处于亚健康，0.65以下表示机器有故障；以下给出健康度的定义: 健康度S定义为:
δ = ^-
m 式中，Sffl为机器健康运行得票数，m为机器健康预测总得票数。
2.根据权利要求书I所述的基于MFCC特征提取的机器故障预测方法，其特征在于:所述声信号处理的具体实现过程如下: (1)原始机器声音信号设为s(η)经过预滤波、预加重、分帧、加窗后可以得到每帧机器声音的时域信号为X (η)，对每一帧信号做离散傅里叶变换(DFT)得到频域信号X(k)，完成时域转换成频域。X(k)可以表示为:
N-1
X(k) = Υ^χ(η)β-]2πΛ?Ν ,Q< k<N
?-O 式中，x(k)为频域信号，x(n)为时域信号，k为采样点数，N为周期； (2)求X(k)的平方，即能量谱。通过使用M个Mel带通滤波器对其进行滤波，第m个带通滤波器的传递函数可以表示为:
3.根据权利要求书I所述的基于MFCC特征提取的机器故障预测方法，其特征在于:所述的SVM机器预测模型的非线性分类算法如下: 训练样本T =似，视，式中Xi e R1是第i个输入模式，Cli e {+I, -1}是其对应的输出期望； 通过非线性映射Φ GO IR1 — Rn，将原空间输入向量映射到N维特征空间，其最优分类超平面:
【文档编号】G06F19/00GK103810374SQ201310662669
【公开日】2014年5月21日 申请日期:2013年12月9日 优先权日:2013年12月9日
【发明者】张申, 常飞, 乔欣, 丁一珊, 王桃, 胡青松 申请人:中国矿业大学