一种基于hmm的选矿设备故障异常音频分析与识别方法
【技术领域】
[0001] 本发明涉及一种基于隐马尔可夫模型（HiddenMarkovModel,HMM)的选矿设备故 障异常音频分析与识别方法，属于数字音频处理技术领域。
【背景技术】
[0002] 选矿设备广泛用于矿产的选矿、资源回收等各种领域，用途十分广泛。矿产资源的 大量开发利用、可供资源量不断减少以及人类日益加强的环保意识都对选矿设备提出了越 来越高的要求，促使选矿设备不断向更大、更优和高效节能的方向发展。
[0003]随着科学技术的飞速发展和工厂自动化程度的不断提高，选矿设备的日常维护及 整修就显得尤为重要。国内外对这方面的研究一直都非常重视，如何在故障早期发现先 兆一直都是非常重要的课题。
[0004] 通常情况下，设备故障和部件缺陷都会以某些特定的方式，如电流的波动、壳体表 面的振动变化、部件不同位置的异常温升、或音频幅值和频率的变化等显示出来。如果能对 这些信息进行收集记录，采用智能化信息处理手段，结合专家知识和各类分析方法，就能有 效实现选矿设备的故障判别，从而降低设备故障所造成的人员和财产损失。
[0005] 传统的检修手段都是以人工为主，由检修人员定期检查设备运转状况并对设备进 行保养，或者是巡检时聆听各个部件工作时发出的声音，从而判断运行中的设备是否存在 故障。
[0006]但在实际生产车间中，故障产生的低频噪声可能被工业噪声中的高频部分所掩盖 (工业噪声，通常指的是工厂正常生产中，由于机械设备摩擦撞击、震动等相关原因产生的 噪声）。同时，工业噪声对工作人员的听力影响非常大，长期在这种环境下工作，会对听力及 身体健康造成不可逆转的损伤。
[0007]因此，选矿设备的早期故障诊断已经成为国内外研究的热点，开展选矿设备的故 障诊断研究对于生产实践、避免重大事故发生都有着重要的现实意义。
【发明内容】
[0008]本发明所要解决的技术问题是：对选矿设备所产生的音频进行故障诊断和识别。
[0009] 所采用的技术方案是： 步骤1 :建立选矿设备故障异常音频样本库； 步骤2 :对采集的音频样本进行预处理步骤； 步骤3 :音频特征参数提取及降维； 步骤4 :采用Baum-Welch算法进行训练；建立隐马尔可夫参数训练模型，通过训练得到 状态转移概率矩阵； 步骤5 :采用Viterbi算法通过计算未知音频信号在转移过程中的最大概率，并根据最 大概率对应的模型进行识别。
[0010] 本发明的优点：本发明提供一种基于隐马尔可夫模型的选矿设备故障异常音频分 析与识别方法，这种音频信号随时间变化的特性，采用状态的概念是比较恰当的，音频信号 特征的变化表现为从一个状态到另一个状态的转移，特征从一个状态到另一个状态只是以 一定的概率转移。因此，用隐马尔可夫模型可以很好的表示这一转移过程。该方法基于HMM 与多特征融合的音频分析和识别技术，具有较高的故障识别率。
【附图说明】
[0011] 图1 :基于HMM的选矿设备故障异常音频分析与识别框图
【具体实施方式】
[0012] 如图1所示，输入选矿设备音频信号，对采集的音频样本进行预处理，提取音频信 号的特征参数，建立设备故障异常音频样本库，为音频样本信号建立隐马尔可夫参数训练 模型，并形成设备音频故障类型的参考模板库。另对于待测音频进行输入、预处理、提取音 频信号的特征参数之后，采用Viterbi算法，计算未知音频信号在转移过程中的最大概率， 并根据最大概率对应的模型与参考模板库进行模板匹配，从而识别待测样本的故障类型。
[0013] 本发明采用如下技术方案： 一种基于HMM的选矿设备故障异常音频分析与识别方法，其步骤如下： 步骤1 :建立选矿设备故障异常音频样本库； 该音频样本库包括多种选矿设备系列在不同状态下的音频信号：设备包括一系列至五 系列一次、二次筒体、齿轮座、同步电机内小瓦、轴承和机上部伞齿轮，设备状态包括五种： 正常、漏油、摆动、振动和抖动；均从企业生产现场采集；样本库中存储的内容均为音频信 号； 样本库中存储的全是音频信号，其声音属性设置为单声道（8KHz，8位，705Kb/s)，格式 均为".wav"，录制的音频信号时长在1~15分钟不等。
[0014] 步骤2:预处理步骤； 对采集的音频样本进行预加重、分帧和加窗处理，以便于后续处理。预加重是将语音信 号的高频部分提升，其目的是增加语音的高频分辨率；分帧是将语音信号分割成一帧一帧 的（通常为l〇ms-30mS)，其目的以具备短时平稳特性；加窗处理，其目的是为了减少帧起始 和结束信号的不连续性问题。利用交叠分段法【交叠分段法是现有技术】进行分帧，使帧与 帧之间过渡平滑，保证其连续性。本发明设置帧长为256 (帧长为32ms)，帧移为128 (帧移 为 16ms)〇
[0015] 步骤3 :音频特征参数提取及降维； 经过预处理后，提取音频样本的特征参数，并对该特征参数进行降维处理；本发明所提 取的特征参数包括：短时能量及短时幅度的均值、标准差、一阶差分均值、一阶差分标准差， 共8维；短时过零率的均值、标准差、一阶差分均值、一阶差分标准差，共4维；12维LPCC及 其一阶差分的均值、标准差、一阶差分均值、一阶差分标准差，共96维；12维MFCC及其一阶 差分的均值、标准差、一阶差分均值、一阶差分标准差，共96维；总计204维特征参数； 本发明所述的降维处理是指通过主成分分析法实现降维，得到样本特征矢量序列。【主 成分分析法是是现有技术】。降维的目的一方面是为了删除冗余信息，从而减少模式识别算 法的计算量；另一方面是为了提高特征对分类的有效性，避免信息干扰。
[0016] 步骤4 :基于Baum-Welch算法的训练过程； 得到降维后的音频特征参数，采用Baum-Welch算法进行训练，并结合样本标记，为音 频样本信号建立隐马尔可夫参数训练模型，通过训练得到状态转移概率矩阵； HMM是一种基于参数的统计识别方法，通常将其模型定义为QUOTEλ= (Α，Β，π)λ= (Α，Β，π)，由模型参数Ν，Μ和概率分布参数Α，Β来确定，其特征参数定义如下： 状态转移概率分布QUOTEA=[aij]A= [aj，其中P[qt+1 = .j|qt=i]l彡i彡N，1 彡j彡N 观察符号的概率分布QUOTEB= [1^(10]Β= [bjGO]，其中 bj(k) =P[ot=VkIqt=j] 1 ^k^M, 1 ^j^N 初始状态概率分布QUOTEπ= = [、]，其中 πi=P[qi=i] 1 ^i^N 其中：N是隐马尔可夫模型中的状态个数，M是每个状态中可以观察到的符号数。各个 观察符号为QUOTEV= {v^v2，…，vM}V= {v^v2，…，vM}，观察序列为QUOTE0={cv 〇2，···，〇t1〇 {〇i，