【技术实现步骤摘要】
本专利技术属于减速箱故障监测预警，具体地说是一种基于声纹特征的减速箱故障监测预警方法及系统。
技术介绍
1、目前市面上对减速故障监测的技术方法有减速箱油液分析、振动监测分析、温度监测分析以及噪声监测分析。
2、油液分析手段只能识别减速箱齿轮磨损、润滑油性能变化等少量故障。离线油液分析只能做到定期检测分析，无法及时发现故障。在线油液监测分析，需要对设备进行开孔安装，对减速箱本身具有一定损坏风险。
3、在减速箱低速状态下，即轴转速基本小于30转/分，用振动监测技术很难捕捉到有用的信息，主要在于冲击信号能量太低。在一些工业场景下，整个传动机构复杂(减速箱只作为其中一种设备)，干扰信号太多，对振动信号采集和使用有影响。
4、温度监测分析适用于减速箱内部已发生严重故障如断齿，导致产生剧烈磨损，设备温度上升。属于晚期故障监测，监测价值低。
5、噪声监测分析适用于减速箱晚期故障。受限于可听声频率范围有限、减速箱本体噪音和故障声音频带有很大部分重叠，采用除噪声技术处理后也无法满足故障噪音特征提取精度要求。
6、以上技术方法在使用时均或多或少存在使用限制，进而导致其使用效果较差
7、为此，本领域技术人员提出了一种基于声纹特征的减速箱故障监测预警方法及系统来解决
技术介绍
提出的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于声纹特征的减速箱故障监测预警方法及系统，通过此方法能更早地发现减速箱工作故障，帮助技术人
2、为了实现上述目的，本专利技术提供了一种基于声纹特征的减速箱故障监测预警方法，包括以下步骤：
3、s1、首先采集正常工况下、运行健康的减速箱(正常样本减速箱)的全域声音信号，将其作为样本集信号数据(正常组数据)，然后利用骨传导声纹传感器采集声音信号；
4、s2、接着基于快速独立分量分析(ica)的盲源分离算法，对样本集混合声音信号进行分离，提取出原始独立的声音信号，然后对源声音信号即设备本体声音信号进行求解，对噪音信号进行标记；
5、s3、接着再基于改进后小包波分解技术对样本集源声音信号特征提取，然后再采用bp神经网络模型进行改进，获得频段信号；
6、s4、然后对步骤s3中分解得到频段信号计算样本熵，构建减速箱正常健康状态下的声纹特征向量，并将其作为knn算法的输入向量，计算出knn算法中的k值，形成样本数据分类标签；
7、s5、然后用步骤s1的方法采集实际生产工作中的减速箱(减速箱是否故障未知)的全域声音信号，作为测试集声音信号数据；
8、s6、然后再用步骤s2的方法对测试集声音信号数据进行分离和过滤；
9、s7、然后再用步骤s3的方法对测试集声音信号数据进行分解和特征提取；
10、s8、将测试集声音信号特征数据作为knn算法输入实例，选取与输入实例距离最近的k个样本数据实例作为最近邻居，接着采用投票法来确定输入实例所属类别；若输入实例所属类别在样本数据分类之内，输出结果，减速箱采集的声音信号特征为正常，减速箱运行正常无故障；若输入实例所属类别不在样本数据分类之内，则输出结果，减速箱采集的声音信号特征为异常，减速箱有故障隐患。
11、优选的，在步骤s1中，所述采集声音的范围为0-20khz。
12、优选的，在步骤s3中，所述样本集源声音信号是根据减速箱物理特性，其声音频率主要分布在4000hz以内。
13、优选的，在步骤s3中，所述基于改进后小包波分解技术对样本集源声音信号特征提取具体的说：使用包波分解，若分解层级太少如3层，能量主要分布在第一、二频段上，声音难以识别；若分解层级太多如9层，会形成512个频段，增加特征识别难度。
14、优选的，在步骤s3中，所述采用bp神经网络模型进行改进的步骤如下：
15、s31、首先将声音进行3层小波包分解，将8个频段特征向量输入bp神经网络模型；
16、s32、接着对能量分布进行识别，识别出能量分布集中的频段；
17、s33、接着再对能量集中分布的频段继续第4层分解，分解出的频段特征向量再次输入bp神经网络模型，进行二次识别，循环分解至第9层；
18、s34、最终输出分解的频段。
19、给工业减速箱设备运维技术人员提供了一种新的故障监测手段，通过此方法，能及时发出预处理警告，避免企业生产过程中因减速箱故障导致设备停机降低生产运作效率，保障生产水平。
20、一种基于声纹特征的减速箱故障监测预警系统，所述故障监测预警系统包括：
21、数据采集模块：负责采集减速箱运行过程中的声音数据；
22、声学信号处理模块：对采集到的声音数据进行预处理和特征提取，提取减速箱工作状态下的声纹特征；
23、故障检测模块：对声音数据进行实时分析和比对，检测是否存在减速箱故障发出的异常声音；
24、预警系统模块：当系统检测到减速箱故障时，发出警报并显示详细的故障信息，通知设备操作人员及时处理；
25、历史数据记录模块：记录历史声音数据，用于故障诊断和分析，帮助确定故障原因或提前预防故障发生；
26、所述数据采集模块、声学信号处理模块、故障检测模块、预警系统模块和历史数据记录模块依次电连接。
27、与现有技术相比，本专利技术具有如下有益效果：
28、本专利技术通过骨传导声纹传感器对减速箱不同点位0hz-20khz频响声音进行采集，获取全频域声音信号数据；通过对混合声音信号进行分离，降低异常声音干扰，对分离后的声音信号进行特征提取，进行自学习，最终实现对减速箱早期故障特征进行预警。
本文档来自技高网...【技术保护点】
1.一种基于声纹特征的减速箱故障监测预警方法，其特征在于：包括以下步骤：
2.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤S1中，所述采集声音的范围为0-20KHz。
3.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤S3中，所述样本集源声音信号是根据减速箱物理特性，其声音频率主要分布在4000Hz以内。
4.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤S3中，所述基于改进后小包波分解技术对样本集源声音信号特征提取具体的说：使用包波分解，若分解层级太少如3层，能量主要分布在第一、二频段上，声音难以识别；若分解层级太多如9层，会形成512个频段，增加特征识别难度。
5.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤S3中，所述采用BP神经网络模型进行改进的步骤如下：
6.适用于如权利要求1-5任意一项所述的一种基于声纹特征的减速箱故障监测预警系统，其特征在于：所述故障监测预警系统包括：
【技术特征摘要】
1.一种基于声纹特征的减速箱故障监测预警方法，其特征在于：包括以下步骤：
2.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤s1中，所述采集声音的范围为0-20khz。
3.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤s3中，所述样本集源声音信号是根据减速箱物理特性，其声音频率主要分布在4000hz以内。
4.如权利要求1所述一种基于声纹特征的减速箱故障监测预警方法，其特征在于：在步骤s3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。