一种基于多特征融合的机泵故障诊断方法与流程

本发明涉及机泵故障诊断，特别涉及一种基于多特征融合的机泵故障诊断方法。

背景技术：

1、机泵是工业生产中常用的设备，其主要作用是将液体或气体从低压区输送到高压区域，然而，由于机泵长时间运行，其内部零部件容易磨损、老化，导致机泵出现故障，传统的机泵故障诊断方法主要依靠人工检测和经验判断，需要检测人员具有专业技能和丰富的经验，诊断结果容易受人为因素的影响，存在诊断不准确的问题，同时，人工检测需要耗费大量时间和人力，存在诊断效率低下的问题，且传统的机泵故障诊断方法无法实现实时监测和预警，需要在机泵出现严重故障后才能被发现，存在维修更换成本较高的问题。

2、因此，目前亟需要一种技术方案，以解决现有机泵故障诊断不准确、效率低下且只能在严重故障发生后进行的技术问题。

技术实现思路

1、本发明的目的在于：针对现有机泵故障诊断不准确、效率低且只能在严重故障发生后进行的技术问题，提供了一种基于多特征融合的机泵故障诊断方法。

2、为了实现上述目的，本发明采用的技术方案为：

3、一种基于多特征融合的机泵故障诊断方法，包括如下步骤：s1、采集不同故障下机泵运行时产生的声音信号，并以指定格式进行分类存储，建立机泵声音数据库；s2、对各声音信号进行特征提取，所述特征包括mfcc特征、短时傅里叶变换特征和频谱对比度特征，获取mfcc特征图、短时傅里叶变换色谱图和频谱对比度图；s3、对各特征图依次进行cnn特征提取、特征级融合、全连接层展开和分类器分类，获取机泵故障识别模型；s4、通过机泵故障识别模型对机泵进行故障诊断。

4、本发明的一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。

5、作为本发明的优选方案，s1中，所述声音信号以wav格式进行存储。

6、作为本发明的优选方案，s2中，所述mfcc特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、mel滤波器组、对数运算和离散余弦变换。

7、作为本发明的优选方案，s2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。

8、作为本发明的优选方案，s2中，所述频谱对比度特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换，得到频谱部分，将频谱部分划分为六个子频段，估算每个子频段的频谱对比度。

9、作为本发明的优选方案，s3中，所述cnn特征提取采用vgg16模型，所述分类器包括softmax分类器。

10、作为本发明的优选方案，s3中，所述特征级融合包括：根据包括音高、音色的声音特征进行特征融合。

11、一种基于多特征融合的机泵故障诊断装置，包括：声音采集单元，用于采集不同故障状态下机泵运行时产生的声音信号；模型训练单元，用于根据采集到的声音信号进行多特征提取和融合，确定机泵故障识别模型；故障诊断单元，用于根据机泵故障识别模型识别的故障类型，实现机泵故障诊断。

12、一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现如上所述机泵故障诊断方法。

13、一种计算机存储介质，包括：在计算机程序被处理器执行时，实现如上所述机泵故障诊断方法。

14、综上所述，由于采用了上述技术方案，本发明的一种基于多特征融合的机泵故障诊断方法的有益效果是：

15、1、通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理；

16、2、节省诊断时间和人力成本，提高机泵故障诊断效率；

17、3、通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。

技术特征：

1.一种基于多特征融合的机泵故障诊断方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s1中，所述声音信号以wav格式进行存储。

3.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s2中，所述mfcc特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换、mel滤波器组、对数运算和离散余弦变换。

4.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s2中，所述短时傅里叶变换特征提取包括：采用滑动窗口机制，设定窗口大小和步长，使窗口在时域信号上滑动，分别计算每个窗口的短时傅里叶变换，形成不同时间窗口对应的频域信号，拼接形成频率随时间变化的数据，得到短时傅里叶变换色谱图。

5.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s2中，所述频谱对比度特征提取包括：将声音信号依次经过预加重、分帧、汉明窗、快速傅里叶变换，得到频谱部分，将频谱部分划分为六个子频段，估算每个子频段的频谱对比度。

6.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s3中，所述cnn特征提取采用vgg16模型，所述分类器包括softmax分类器。

7.如权利要求1所述的一种基于多特征融合的机泵故障诊断方法，其特征在于，s3中，所述特征级融合包括：根据包括音高、音色的声音特征进行特征融合。

8.一种基于多特征融合的机泵故障诊断装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，实现权利要求1-7任一项所述的机泵故障诊断方法。

10.一种计算机存储介质，其特征在于，包括：在计算机程序被处理器执行时，实现如权利要求1-7任一项所述的机泵故障诊断方法。

技术总结
本发明涉及机泵故障诊断技术领域，特别涉及一种基于多特征融合的机泵故障诊断方法，通过多特征融合的声音识别技术，增强数据表达，丰富特征信息，通过训练深度学习网络模型，准确、快速识别机泵故障，提高机泵故障诊断的准确率，以利于工作人员对故障进行针对性处理，节省诊断时间和人力成本，提高机泵故障诊断效率，同时，通过计算机的方式对声音数据处理，以利于实现对机泵周期监测和预警，以实现机泵故障的及时发现，避免严重故障发生。

技术研发人员：赵挺,杨春霞,李跃杰,李林龄,杨洋,向春林,张振勃,黄俊杰
受保护的技术使用者：中国石油化工股份有限公司
技术研发日：
技术公布日：2024/1/15