本发明涉及变功率设备故障诊断,具体涉及一种基于声音频率的变功率设备故障分析方法及装置。
背景技术:
1、随着矿山智能化的逐步推进,矿山设备的全生命周期管理成为了当前研究的热点。其中,声音频率信号作为设备运行过程中的固有属性,被广泛地运用于设备状态检测和故障诊断。特别地,依据设备运行环境,矿山设备可以被分为恒功率设备和变功率设备。(1)以矿井通风机驱动电机为例,恒功率设备的声音频率信号分布均匀且在时间轴上差异较小。矿井通风机驱动电机的声音频率信号如图1a所示。(2)以矿井提升机的驱动电机声音为例,变功率设备在运行过程中会出现运行工况的转换和负载的变化。相较于恒功率设备,变功率设备声音的频率特征分布范围广且时空差异较大。矿井提升机驱动电机的声音频率信号如图1b所示。然而,当前的频率分类模型往往针对恒功率设备,忽视了频率信号的空间分布特征和时间变化特性,使得现有的频率故障诊断模型面对变功率设备的声音频率信号时诊断准确率低。特别地,在运算的过程中,恒功率运行过程可以视为变功率运行过程的一种特殊状态。因此,构建针对变功率设备的全频域感知的故障诊断模型成为了问题的关键。
技术实现思路
1、针对上述现有技术存在的问题,本发明提供了一种基于声音频率的变功率设备故障分析方法及装置,基于水平可见图构建频率图谱,获取频率点之间的连接关系,进一步基于频率图谱挖掘声音频率的空间特征和时间特征,基于声音频率的时空特征进行变功率设备故障分析,有效的提高了多工况周期性设备的声音故障诊断的准确率。该技术方案如下:
2、第一方面,提供了一种基于声音频率的变功率设备故障分析方法,包括如下步骤:
3、基于设备旁的拾音器采集设备声音数据;
4、基于设备声音数据获取频率数据,基于各个频率的幅值采用水平可见图算法构建频率图谱;所述频率图谱上的节点表征频率和频率幅值,边表征两个频率节点之间的连接关系;
5、基于频率图谱的边获取关联矩阵和潜在空间特征,所述关联矩阵中的每个元素表征任意两个频率节点的连接关系,所述潜在空间特征中的特征值基于频率节点的度确定;
6、基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征;
7、基于频率空间特征输入频率时空注意力网络提取频率时空特征;
8、将频率时空特征输入分类网络进行声音故障诊断。
9、在一些实施方式中,考虑到随着图神经网络层数的增加,网络输出的节点特征越来越趋近于节点平均值,被称为过平滑(over-flatting),特别的,在针对声音频率潜在空间特征信息传递的过程中,空间特征信息由频率波峰向频率波谷方向的传递是造成频率特征平滑化的主要原因。因此,所述频率空间注意力网络采用的频率空间注意力函数为:
10、
11、其中,a,b={0,...,nf-1}表示频率位置变量;χi[a]和χi[b]分别表示频率节点和的潜在空间特征;i表示时间变量即第i时刻;αi(a,b)是频率图谱gi的关联矩阵ai中的元素;该频率空间注意力函数为频率图谱中连接边赋予权重,用于管理在连接边上即传递方向上频率空间特征信息的传递。从上述频率空间注意力函数的计算公式,可见,频率连接边的注意力权重与连接边两端节点的相对频率位置关系成反比,即距离越远影响力越小。同时,注意力权重与潜在空间特征的差值成正比。空间注意力权重强化了信息由波谷向波峰的传递,而抑制了信息由波峰向波谷的汇集。从而,避免网络出现过平滑现象。
12、基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征的步骤,包括:
13、将第i时刻的关联矩阵和潜在空间特征作为图卷积神经网络的输入;
14、在图卷积神经网络的每层节点特征计算中,利用预设的频率空间注意力函数计算邻居节点的权重值;对邻居节点的权重值进行归一化获取邻居节点的权重系数;基于图卷积神经网络的每层节点的线性变化权重和所述邻居节点的权重系数对节点特征进行更新;
15、基于图卷积神经网络的输出获取第i时刻的频率空间特征。
16、具体来说,上述利用预设的频率空间注意力函数计算邻居节点的权重值之后,对邻居节点的权重值进行归一化获取邻居节点的权重系数,该步骤中,采用稀疏矩阵记录归一化后的频率空间注意力参数即邻居节点的权重系数,空间注意力矩阵为:其中,a,b表示频率位置变量;nf表示频率图谱节点的数量;是频率连接边的归一化频率空间注意力参数,归一化的计算过程:其中,αi(a,b)表示频率连接边的空间注意力参数;k∈n(a)表示节点的邻居节点的频率位置。
17、在一些实施方式中,所述频率时空注意力网络用于对当前时刻t及之前的连续多个时刻的频率空间特征获取注意力权重系数,并基于注意力权重系数对当前时刻t及之前的连续多个时刻的频率空间特征进行加权平均,获取当前时刻t的声音频率的时空特征。
18、在一些实施方式中,为了抓取变功率设备声音的频率空间特征,在时间维度上的变化过程,利用时间注意力函数以实现对时间维度上变化不明显的频率分量的抑制,去强化空间特征的时间维度上的变化。所述频率时空注意力网络采用的频率时空注意力函数为:
19、
20、其中,表示频率位置k在时刻i的频率空间特征的时间注意力值;t是频率空间特征集合输入的时间;i∈{t-τ+1,...,t};k∈{0,...,nf-1}表示频率位置变量;表示时刻t频率位置k的频率空间特征;表示时刻i频率位置k的频率空间特征;
21、所述基于频率空间特征输入频率时空注意力网络提取频率时空特征,包括:
22、获取频率位置k在时刻i的频率空间特征的时间注意力值
23、基于当前时刻t及t之前的连续τ个时刻的频率空间特征的时间注意力值,对频率位置k在τ个时刻的频率空间特征进行加权平均,得到频率位置k的在t时刻的时空特征
24、在一些实施方式中,所述将频率时空特征输入分类网络进行声音故障诊断,包括:
25、将t时刻的声音频率的时空特征采用等高滤波器组hm(k)进行压缩,将滤波器组输出的信号输入分类层进行声音故障诊断;所述等高滤波器组hm(k)为:
26、
27、其中,m表示滤波器组的数量;f(m)表示三角滤波器的中心频率,滤波器的中心频率为
28、在一些实施方式中,所述基于设备声音数据获取频率数据,基于各个频率的幅值采用水平可见图算法构建频率图谱,包括:
29、对第i时刻的设备声音数据,采用离散傅里叶获取频率数据,所述频率数据包括频率和频率幅值,记声音频率信号的采样频率为nf,则频率数据包括nf个频率和nf个频率幅值;
30、对于第i时刻声音的nf个频率数据,采用水平可见图算法分析任意两个频率之间的连接关系;
31、以一个频率和频率幅值作为一个图谱节点,以两个频率之间的连接关系作为图谱的连接边,构建频率图谱。
32、在一些实施方式中,所述基于频率图谱的边获取关联矩阵和潜在空间特征,包括:
33、构建第i时刻的声音频率关联矩阵为αi(a,b)表示频率a对应的图谱节点和频率b对应的图谱节点之间的连接关系,αi(a,b)表示矩阵ai中a行b列的一个元素;表示一条由节点指向节点的连接边;
34、第i时刻的声音频率的潜在空间特征χi={dk|k={0,...,nf-1}};其中,k表示频率位置变量,dk表示节点vk∈v的度特征,a[n]表示矩阵a第n列的元素。
35、第二方面,提供了一种基于声音频率的变功率设备故障分析装置,该装置包括:
36、声音采集单元,用于基于设备旁的拾音器采集设备声音数据;
37、频率图谱构建单元,用于基于设备声音数据获取频率数据,基于各个频率的幅值采用水平可见图算法构建频率图谱;所述频率图谱上的节点表征频率和频率幅值,边表征两个频率节点之间的连接关系;
38、潜在空间特征计算单元,用于基于频率图谱的边获取关联矩阵和潜在空间特征,所述关联矩阵中的每个元素表征任意两个频率节点的连接关系,所述潜在空间特征中的特征值基于频率节点的度确定;
39、特征空间注意力单元,用于基于关联矩阵和潜在空间特征输入频率空间注意力网络提取频率空间特征;
40、空间特征时间注意力单元,用于基于频率空间特征输入频率时空注意力网络提取频率时空特征;
41、声音故障分析单元,用于将频率时空特征输入分类网络进行声音故障诊断。
42、第三方面,提供了一种电子设备,所述电子设备包括:
43、处理器;
44、用于存储处理器可执行指令的存储器;
45、其中,所述处理器通过运行所述可执行指令以实现上述第一方面所述的变功率设备故障分析方法。
46、第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现上述第一方面所述的变功率设备故障分析方法的步骤。
47、本发明的一种基于声音频率的变功率设备故障分析方法及装置,具备如下有益效果:
48、1、本发明基于水平可视图(hvg)算法将声音频率数据转化为表征频率点之间关联关系的频率图谱,在频率图谱上进一步挖掘空间关联关系特征,包括频率关联矩阵和潜在空间特征,实现了变功率设备声音频率深层特征的挖掘分析。
49、2.本发明在频率图谱的基础上,以频率关联矩阵和潜在空间特征先后利用空间注意力机制和时间注意力机制进行多维度隐藏特征提取,充分考虑了频率信号的空间分布特征和时间变化特性,实现对变功率设备的声音频率的全频域感知。
50、3.本发明构建了中间密集两端稀疏的滤波器组,将提取到的声音频率的时空特征输入滤波器组,实现对声音频率信号的时空特征快速且准确的分类。