基于振动和声音的预测性维护对提升系统监测的方法与流程

本发明涉及机械监测领域，具体而言，涉及基于振动和声音的预测性维护对提升系统监测的方法。

背景技术：

1、预测性维护技术能够促进工业生产力的迅速提高，在电力、冶金和化工等行业都成功地使用了故障诊断技术。结果证明，该技术可掌握设备运行状态，能预测设备将来一段时间的工作状况，可发现早期微弱故障，并对其进行预警，防止恶化，延长设备的工作年限。

2、虽然在预测性维护技术上取得了长足的进步，但在监测维度上主要还是基于振动、温度、电流、电压等常规维度，对包含大量设备状态信息的声纹数据，目前依旧未得到有效的使用。

3、声纹识别技术作为一种生物特征识别技术在利用语音进行说话人识别中已经被广泛使用，将声纹识别技术应用于机器运行健康度检测和故障诊断近年来受到了大量的关注。利用声纹特征提取技术可以获得和机器设备运行状态有高度相关性的特征，基于声纹特征的人工智能故障诊断可以大大提高诊断准确率和预测性。同时，在技术路线上主要依赖专家根据经验总结的机理公式，单个机理仅能适配特定的故障。在此背景下，需要寻找一种泛化性强并且能够有效应用声纹数据的预测性维护技术，以提升预测性维护能力的准确性。

4、现有技术的缺点：

5、1.主要基于振动、温度、电流电压等传统时序数据，基于机械的机理模型判断故障，依赖于机理专家根据经验总结出来的机理公式，每个公式仅能适配一个故障，泛化性差，同时无法使用声音维度建模。

6、2.设备的故障数据较少，并且很难收集，对于未出现过的故障，无法通过机理公式预判，只能在故障出现之后又机理专家总结经验解决。

技术实现思路

1、为了弥补以上不足，本发明提供了基于振动和声音的预测性维护对提升系统监测的方法，旨在改善现有的预测性维护主要基于振动、温度、电流电压等传统时序数据，基于机械的机理模型判断故障，依赖于机理专家根据经验总结出来的机理公式，每个公式仅能适配一个故障，泛化性差，同时无法使用声音维度建模，设备的故障数据较少，并且很难收集，对于未出现过的故障，无法通过机理公式预判，只能在故障出现之后又机理专家总结经验解决等问题。

2、本发明实施例提供了基于振动和声音的预测性维护对提升系统监测的方法，包括有以下步骤：

3、s1、通过新增接触式声纹传感器和非接触式声纹传感器监测提升系统，增加提升系统关键部位的看护维护，实现提升系统运行声音维度的感知能力；

4、s2、采集提升系统正常运行状态下的振动、声音和温度数据，时间长度不低于一个月，形成设备运行的正样本数据，其中声音数据采集包括采集提升系统每组声音数据的播放及语谱图、幅值图，根据设备和历史时间段进行筛选；

5、s3、对三个维度的数据在时序上做对齐，对于声音数据标注好起始时间，对于振动数据和温度数据筛除时间不对齐的点位数据，通过对振动参数的信号处理、积分数据处理手段，展示振动参数的加速度波形、频谱、包络数据，方便设备管理人员通过频谱数据进行故障识别，根据设备、时间查询，支持对数据坐标的放大缩小；

6、s4、通过混合ae与gmr算法，以融合性的gmm-ae算法实现振动、温度、声音三维数据的联合建模，将对齐的数据填充到算法中进行训练，得到正样本训练出的算法模型，并给出本次训练的打分阈值，用以区分正异常；

7、s5、模型部署后，每隔一定时间传入一次对齐的三个维度数据，模型给出打分结果，通过与阈值对比，判断设备是否有异常。

8、在上述实现过程中，本发明以机器声纹为核心的多传感器信息融合系统，同步采集声音、振动、温度等多维度特征，运用深度学习人工智能建模技术，采用硬件设备、人工智能引擎和工业云平台一体化设计的方式，对设备运行状况进行实时在线监测；基于cnn的深度学习算法，构建提升系统声纹数据模型，通过对输入音频处理及预测，能够实时生成残差值，结合机器和人工的残差阈值优化学习及自定义设计；实现声纹微小波动及监测的可视化呈现；通过新增接触式声纹和非接触式声纹监测，增加关键设备看护维护，实现设备声音维度的感知能力；系统在主提升机预警情况下可联动实时回传报警点位的声音等信息，辅助现场工程师进行故障判断；通过基于声纹监测的多维度预测性维护系统将有效提升设备监测看护效率、提升企业管理效率，降低企业综合运维管理成本；避免过剩维修防止因不必要的拆卸，使设备精度降低，延长设备寿命；减少维修时间，降低人员劳动强度：通过实时监测，精准故障预警，实现故障提前预知，故障精准判定，设备维护到位及时，提高生产效率和经济效益。

9、在一种具体的实施方案中，所述s1中的接触式声纹传感器和非接触式声纹传感器分别实现安装在提升系统关键部位上和靠近提升系统的关键部位上，实现对关键部位进行精准的声纹采集。

10、在上述实现过程中，通过接触式声纹传感器和非接触式声纹传感器实现对提升系统的设备进行声纹采集，便于后续模型进行计算处理。

11、在一种具体的实施方案中，所述s2中声音数据采集过后，采用语音学分析方法对声纹进行声纹自动识别分析，即为语音信号处理法，其基本原理是由系统对声纹的特征参数进行分离提取和线性或非线性处理。

12、在上述实现过程中，对于声纹的采集处理，对声纹进行分离提取和线性或非线性处理，便于后续声纹的特征进行提取。

13、在一种具体的实施方案中，所述s3中的采用数据清洗进行计算处理，所述数据清洗中包括有选择子集、列名重命名、删除重复值、一致化处理和异常值处理；

14、所述选择子集即是对三个维度的数据信息进行分类处理；

15、所述列名重命名是对三个维度的数据信息中重复数据信息进行提取；

16、所述删除重复值是对所述列名重命名提取出的重复数值进行剔除；

17、所述一致化处理是将数据值进行拆分，筛除时间不对齐的点位数据，保持三个维度的数据在时序上做对齐；

18、所述异常值处理是将三个维度的数据信息中的异常数据信息进行删除。

19、在上述实现过程中，通过数据清洗的设定便于对三个维度的数据信息进行处理，便于对三个维度的数据信息进行分类、重复检测、删除重复、一致化处理和异常删除。

20、在一种具体的实施方案中，所述s5中的算法模型是采用多模态数据融合ai算法进行搭建，根据正常数值来提取标准特征，并根据当前特征与正常特征的差异，结合实际应用的经验阈值，达到判断设备当前的状态好坏的目的。

21、在上述实现过程中，多模态数据融合ai算法搭建的模型算法便于实现对三个维度的数据信息进行融合，便于获取三个维度的特征，并且便于与正常数值提取的标准特征进行比较。

22、在一种具体的实施方案中，所述算法模型需要构建多模态传感数据融合分析模型库，通过gmm算法、mset算法、lstm算法进行基于智能传感器采集的多模态数据融合分析的设备劣化算法，根据多源融合的多参数相关性关系正常数据来提取某一单一指标的预测值，并根据当前数据特征与正常预测特征的差异进行残差值计算，建立正常状态的多维度识别模型。

23、在上述实现过程中，将多模态传感数据信息进行搭建分析模型库，并且通过gmm算法、mset算法、lstm算法进行提取某一单一指标的预测值，当前数据特征与正常预测特征的差异进行残差值计算，建立正常状态的多维度识别模型。

24、在一种具体的实施方案中，所述s4中的振动、温度、声音三维数据的联合建模采用了以机器声纹为核心的多传感器信息融合系统，同步采集声音、振动、温度多维度特征，运用深度学习人工智能建模技术，并且采用硬件设备、人工智能引擎和工业云平台一体化设计的方式，对设备运行状况进行实时在线监测；

25、基于cnn的深度学习算法，构建提升系统声纹数据模型，通过对输入音频处理及预测，能够实时生成残差值，结合机器和人工的残差阈值优化学习及自定义设计，实现声纹微小波动及监测的可视化呈现。

26、在上述实现过程中，通过多传感器信息融合系统将振动、温度、声音三维数据进行联合建模，便于对实现深度学习人工智能建模，并且cnn的深度学习算法，构建提升系统声纹数据模型，便于残差阈值优化学习及自定义设计。

27、在一种具体的实施方案中，所述s4中的算法模型在建立的时候进行训练处理，且训练的数据信息通过振动传感器、声纹传感器和温度传感器采集训练振动数据、训练声音数据和训练温度数据，并且实现对训练振动数据、训练声音数据进行分帧处理，获得振动数据帧和声音数据帧，然后通过特征提取分别获取得到振动声纹特征、声音声纹特征和温度特征，再将各个多源信号融合声纹特征进行正常状态生成模型。

28、在上述实现过程中，通过训练处理，便于对模型进行搭建处理，且根据三个维度的数据信息的特征进行提取，建立模型。

29、在一种具体的实施方案中，所述算法模型通过训练获得打分结果，然后实现对异常检测阈值进行设定，实现阈值的确定，便于后续进行检测打分判定处理，且检测打分的过程与训练过程相同，将多源信号融合声纹特征处理后的打分结果进行比较处理，即将打分结果与设定阈值进行比较，输出检测结果。

30、在上述实现过程中，算法模型通过训练的打分结果，并且进行统计处理，然后根据统计后的打分结果进行设定阈值，便于后续进行计算处理的时候，将打分数据与阈值进行比较。

31、在一种具体的实施方案中，所述s5中的模型融合传统振动分析和语音声纹识别技术，以全正常运行状态采集的振动、声音、温度数据为训练样本，建立正常状态的多维度识别模型，将实时采集的振动、声音、温度数据输入上述的多维度识别模型打分，且分值越高表示测试样本属于打分模型对应状态的概率越高，根据分值判断当前状态和正常状态的偏离程度；设定一个阈值作为判别准则，打分分值低于阈值就被判别为异常状态，并发出报警。

32、在上述实现过程中，通过正常运行的三个维度的数据信息作为训练样本，建立正常状态的多维度识别模型，然后对三个维度的数据信息进行数据录入实现打分，并且根据分值和阈值进行判定是否异常。

33、与现有技术相比，本发明的有益效果：

34、本发明以机器声纹为核心的多传感器信息融合系统，同步采集声音、振动、温度等多维度特征，运用深度学习人工智能建模技术，采用硬件设备、人工智能引擎和工业云平台一体化设计的方式，对设备运行状况进行实时在线监测；基于cnn的深度学习算法，构建提升系统声纹数据模型，通过对输入音频处理及预测，能够实时生成残差值，结合机器和人工的残差阈值优化学习及自定义设计；实现声纹微小波动及监测的可视化呈现；通过新增接触式声纹和非接触式声纹监测，增加关键设备看护维护，实现设备声音维度的感知能力；系统在主提升机预警情况下可联动实时回传报警点位的声音等信息，辅助现场工程师进行故障判断；通过基于声纹监测的多维度预测性维护系统将有效提升设备监测看护效率、提升企业管理效率，降低企业综合运维管理成本；避免过剩维修防止因不必要的拆卸，使设备精度降低，延长设备寿命；减少维修时间，降低人员劳动强度：通过实时监测，精准故障预警，实现故障提前预知，故障精准判定，设备维护到位及时，提高生产效率和经济效益。