本发明涉及电机故障检测，具体是一种基于声纹识别的电机故障检测方法及系统。
背景技术：
1、随着工业智能化与物联网技术的进步，声纹识别技术在电机故障检测领域的应用正逐步从实验室走向工程实践。目前，该技术已成功应用于屏蔽门电机、电力设备、新能源汽车电机等场景，通过分析设备运行时的声纹信号实现非接触式监测。例如，在轨道交通领域，通过麦克风阵列实时采集电机声纹数据，结合深度学习算法可识别轴承磨损、转子不平衡等早期故障信号，并建立健康状态模型进行预测性维护。在电力行业，声纹成像技术已实现组合电气设备的故障定位与缺陷识别，通过融合声振特征分析，可精准判别放电、机械松动等复杂故障模式。此外，新能源汽车电机的声纹诊断方法也在不断优化，通过改进的辛几何模态分解与多尺度散布熵特征提取，结合flowformer-cnn模型，显著提升了故障分类的准确性。
2、声纹识别技术的发展可分为三个阶段：早期依赖人工听诊与单传感器阈值报警，受限于经验判断与环境干扰；中期引入信号处理算法(如emd、小波变换)与传统机器学习模型(如svm)，实现特征提取与模式识别；当前阶段则向多模态融合与轻量化智能模型方向发展。近年来，多传感器融合技术(如声纹与振动、电流信号结合)弥补了单一数据源的局限性，而基于transformer架构的深度模型(如flowformer)则通过优化注意力机制提升了时频特征的表征能力。同时，边缘计算与云边端协同架构的应用，使得实时诊断与远程决策成为可能，例如在电力设备监测中，通过云端声纹数据中心与站端智能装置的联动，实现故障预警的毫秒级响应。
3、尽管技术取得显著进展，但实际应用仍面临多重挑战：
4、复杂环境干扰：电机运行场景中常伴随强电磁噪声、机械振动及环境背景音，传统单麦克风采集易受干扰，需依赖阵列信号处理与自适应降噪技术提升信噪分离能力。
5、特征表征与泛化能力：电机故障类型多样(如轴承损伤、气隙偏心、齿轮磨损等)，不同工况下的声纹特征差异显著，需结合物理机理与数据驱动方法构建鲁棒性特征集。现有模型对未标注样本的适应性不足，迁移学习与少样本学习成为研究热点。
6、实时性与轻量化需求：工业场景要求诊断系统具备低延迟特性，而深度模型的高计算复杂度制约了边缘设备的部署。轻量化网络设计(如mobilenet变体)与模型压缩技术成为突破方向。
7、标准化与跨领域适配：声纹识别技术缺乏统一的行业标准，不同厂商设备的声纹特征差异导致数据兼容性问题。此外，电力、交通、新能源等领域的设备特性差异大，需开发领域专属的声纹数据库与诊断模型。
技术实现思路
1、本发明旨在解决现有电机故障检测技术中非接触式监测精度不足、多工况适应性差、实时性与扩展性受限等问题，提供一种基于声纹识别的电机故障检测方法及系统，实现电机运行状态的高效监测与故障精准诊断。
2、一方面，本发明提供了一种基于声纹识别的电机故障检测方法，包括：
3、s1：通过多麦克风阵列非接触式采集被测电机的电机声纹信号，所述多麦克风阵列由环形分布的定向麦克风构成多波束采集系统，且每个麦克风单元配置集成噪声抑制电路以消除共模干扰；
4、s2：对预处理后的电机声纹信号执行经验模态分解，筛选出表征异常振动的本征模态分量集合，将筛选出的本征模态分量集合重组为时域特征信号，并通过改进的镜像延拓算法对时域特征信号进行模态混叠校正；
5、s3：根据被测电机的实时运行频率确定特征频段覆盖范围，动态调整梅尔刻度滤波器组的中心频率及带宽参数，将校正后的所述时域特征信号作为梅尔滤波器组的输入，构建包含倒谱系数、能量分布及瞬时相位的多维时频图，其中所述梅尔刻度滤波器组以电机基频整数倍频率为核心配置频带窗口；
6、s4：基于所述多维时频图，采用级联式深度神经网络架构逐级提取所述多维时频图的时频图多尺度特征，通过跨尺度特征融合覆盖机械振动全频段故障模式，通过保留残差网络基础特征提取层的预训练权重并重建末端融合单元，实现故障语义映射；
7、s5：基于预设的可信度驱动复合诊断机制，分类置信度低于环境动态阈值时，对所述时频图多尺度特征进行局部特征提取，通过局部动态时间规整算法对关键局部特征进行时域对齐，获取故障特征细节,融合动态时间规整算法的时域对齐结果与基于时频图多尺度特征的特征空间余弦相似度对被测电机进行量化分析。
8、进一步的，所述通过多麦克风阵列非接触式采集被测电机的电机声纹信号，包括：
9、根据被测电机的外形尺寸与声学传播特性，建立环形阵列单元的间距优化计算模型，使阵列排布与电机声场分布匹配；
10、配置可调式安装机构，通过机械调节补偿近场声波传导路径差异，抑制声学衍射效应；
11、采用基于信号空间相关性的自适应波束形成算法，动态调整各通道信号的加权系数，在提升目标方位声纹信号增益的同时，对非目标区域的噪声成分实施空间滤波抑。
12、进一步的，电机运行特征包括运行频率，所述根据电机运行特征动态调整梅尔刻度滤波器组，包括：
13、根据电机实时运行频率确定特征频段覆盖范围，将滤波器组的中心频率配置为以电机基频整数倍频率为核心的频带窗口，通过滑动窗口机制匹配当前转速对应的故障特征谐波分布；
14、基于转速传感器反馈的波动参数建立滤波器组自适应更新机制，当转速变化超过设定阈值时触发滤波器参数重构，实时调整滤波器组带宽与中心频率偏移量以补偿转速波动导致的声纹信号频移畸变。
15、进一步的，迁移优化包括：通过迁移优化的残差网络实现故障语义映射，包括：
16、冻结残差网络预设深度的基础卷积层权重，保留预训练特征提取能力；在末端全连接层前插入多尺度特征融合架构，集成通道注意力机制与空间特征金字塔结构，实现电机故障特征的跨维度关联；
17、采用基于类别样本分布的动态加权交叉熵函数，对低频故障模式实施梯度放大补偿；其中，所述通道注意力机制包含串联的全局平均池化层与全连接权重生成器；所述空间特征金字塔由3级不同尺寸的最大池化操作并行构成。
18、进一步的，建立可信度驱动的复合诊断机制，包括：调用故障模板库的多层次特征模板进行多分辨率匹配；构建特征相似度量化评价体系；基于模糊推理算法对多源匹配结果实施决策级融合。
19、进一步的，还包含：基于时频信号的非平稳特性构建健康状态评估模型；通过谐波成分的异常集聚现象触发早期劣化预警。
20、一方面，本发明提供了一种基于声纹识别的电机故障检测系统，包括：一种基于声纹识别的电机故障检测系统，其特征在于，包括：
21、声学信号采集模块，用于通过多麦克风阵列非接触式采集被测电机的电机声纹信号，所述多麦克风阵列由环形分布的定向麦克风构成多波束采集系统，且每个麦克风单元配置集成噪声抑制电路以消除共模干扰；
22、特征解析模块，用于对预处理后的信号执行经验模态分解，筛选出表征异常振动的本征模态分量集合，并通过改进的镜像延拓算法进行模态混叠校正；
23、数据构建模块，用于根据电机实时运行频率确定特征频段覆盖范围，动态调整梅尔刻度滤波器组的中心频率及带宽参数，构建包含倒谱系数、能量分布及瞬时相位的多维时频图，其中所述梅尔刻度滤波器组以电机基频整数倍频率为核心配置频带窗口；
24、运维服务模块，用于基于所述多维时频图，采用级联式深度神经网络架构逐级提取时频图多尺度特征，通过保留残差网络基础特征提取层的预训练权重并重建末端融合单元，实现故障语义映射；
25、异常评估模块，用于基于可信度驱动的复合诊断机制，当分类置信度低于环境动态阈值时，对所述时频图多尺度特征进行局部特征提取，通过局部动态时间规整算法对关键局部特征进行时域对齐，获取故障特征细节，并融合动态时间规整算法的时域对齐结果与基于时频图多尺度特征的特征空间余弦相似度对被测电机进行量化分析；其中，所述复合诊断机制在系统初始化阶段完成配置，包含预定义的多源数据融合规则与动态阈值更新逻辑，所述环境动态阈值根据实时噪声水平通过自适应卡尔曼滤波算法动态计算，所述分类置信度由末端融合单元输出的多尺度特征向量经softmax分类器生成；所述关键局部特征是指通过多分辨率显著性评估算法筛选出的时频区域，其满足以下条件：特征峭度值高于预设阈值且能量分布与预设故障模板库中对应故障模式的谐波集聚区域重合度超过80％，或者深度神经网络末端融合单元的通道注意力权重系数大于0.7且动态时间规整算法的累积对齐距离小于0.2。
26、进一步的，声学信号采集模块还包括：轴向可调式安装机构，可根据电机外形尺寸自动配置阵列空间分布；自诊断电路，利用闭环测试信号实时校准各通道频率响应特性。
27、进一步的，异常评估模块包含：噪声环境鲁棒性增强单元，通过在特征空间引入正则化约束条件抑制干扰影响；
28、分布式学习框架，实现边缘端模型轻量化与云端知识库的协同更新机制。
29、进一步的，运维服务模块具备：分析关键频段能量重心偏移量推导机械磨损指标；基于时频纹理特征演化规律评估绝缘材料老化等级；对接历史维护记录生成寿命预测及维护策略优化方案。
30、有益效果
31、1.复杂环境下的稳定检测：采用环形麦克风阵列与自适应降噪技术，实现多方向声源定位与强噪声抑制，在高背景噪声环境下仍能捕捉微弱故障信号，抗干扰能力显著优于传统单麦克风方案，确保工业现场多干扰场景下的稳定监测。
32、2.多工况适应性与泛化能力：结合物理机理与数据驱动的混合特征工程，实现多类故障精准分类，跨工况运行时仍保持较高诊断准确率。通过迁移学习与数据增强技术，模型泛化能力显著增强，有效解决样本稀缺问题。
33、3.边缘端实时诊断与轻量化部署：轻量化模型架构实现边缘端快速推理，响应速度满足工业实时性需求。增量学习机制显著降低模型更新成本，支持多传感器并行监测，适用于工业设备集群的智能化部署。
34、4.标准化与跨领域适配：模块化架构与标准化接口支持多厂商设备兼容，数据兼容性显著提升。通过领域迁移学习框架，跨领域模型微调所需样本量大幅减少，部署成本显著降低，推动行业技术标准化进程。
35、5.全生命周期运维成本优化：实现快速故障定位，显著降低计划外停机损失；部署成本大幅降低，运维效率显著提升，推动运维模式从“被动维修”向“主动预防”升级。
36、说明书附图
37、为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
38、图1是本发明一系统架构总框示意图；
39、图2是本发明一实施例中环形麦克风阵列布局示意图；
40、图3是本发明一实施例中声纹传感器模块硬件框示意图；
41、图4是本发明一实施例中声纹信号预处理流程示意图；
42、图5是本发明一实施例中动态调整梅尔滤波器组示意示意图；
43、图6是本发明一实施例中cnn+resnet级联网络架构示意图；
44、图7是本发明一实施例中可信度驱动复合诊断机制决策树示意图；
45、图8是本发明一实施例中多波束自适应权重优化算法流程示意图；
46、图9是本发明一实施例中特征相似度量化评价体系示意示意图；
47、图10是本发明一实施例中运维服务模块的流程示意图；
48、图11是本发明一实施例中多维度健康诊断指标关联示意图；
49、图12是本发明一实施例中边缘端与云端协同更新机制示意图；
50、图13是本发明一实施例中跨领域迁移学习框架对比示意图；
51、图14是本发明一实施例中实验验证平台示意示意图；
52、图15是本发明一实施例中健康状态评估模型时序示意图。