一种基于声纹信号检测燃机故障的识别方法与流程

本发明属于故障检测技术领域，特别是涉及一种基于声纹信号检测燃机故障的识别方法。

背景技术：

在广义的燃烧机概念中，家用的热水器、煤气灶，乃至打火机等都可以认为是燃烧机的一种。按其工作原理，可以将燃烧器定义为是一种将物质通过燃烧这一化学反应方式转化热能的一种设备，即将空气与燃料通过预混装置按适当比例混兑以使其充分燃烧，是工业化的象征。燃烧器根据其不同的属性，具备多种的分类方式。按燃料方式，分为燃油燃烧机、燃气燃烧机以及双燃料燃烧机，还有生物质燃烧机。其中：在具体的应用，燃油燃烧器又将分为轻油燃烧机、重油燃烧机等；燃气燃烧器则分为天然气燃烧器、城市煤气燃烧器等。按燃烧机的燃烧控制方式划分：单段火燃烧机、双段火燃烧机、比例调节燃烧机。按燃料雾化方式划分为：机械式雾化燃烧器、介质雾化燃烧器；按结构划分为：整体式燃烧机以及分体式燃烧机。其中分体式燃烧机主要应用于工业生产，其主要特征为燃烧系统、给风系统、控制系统等均分解安装，该种机器主要适合于大型设备或高温等特殊工作环境。

对于这些燃机设备而言，对燃机设备在运行状态时进行准确的故障检测是避免事故发生的重要保障，目前燃机设备在运行状态时是否出现故障的检测手段通常是在燃机设备上安装接触式传感器，如振动传感器，通过接触式传感器采集的燃机设备的电信号来判断燃机设备是否出现运行故障问题。但是采用该种方法，一方面，在燃机设备上安装接触式传感器不仅有安装技术的要求同时也具有很大的局限性，例如，在燃机设备的哪个位置安装、如何固定振动传感器等。另一方面，对于接触式传感器，燃机设备自身的物理特性(如电磁特性)会对其采集的信号精度产生较大影响，如此，由于接触式传感器采集的信号精度较低，相应的，对于燃机设备的故障检测识别率也较低，若不能准确检测燃机设备的故障情况，很容易导致燃机设备所在区域发生较严重的事故。

技术实现要素：

本发明的目的在于提供一种基于声纹信号检测燃机故障的识别方法，通过在燃机设备多处安装麦克风阵列，对采集声纹数据进行声纹特征提取，并输入至声纹特征提取进行效验，解决了现有的燃机故障识别率低、容易造成安全事故的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于声纹信号检测燃机故障的识别方法，包括如下步骤：

步骤s1：在燃机设备所在区域内安装麦克风阵列，采集燃机设备处于运行状态下的声纹数据；

步骤s2：通过数模转换将初始声纹数据由模拟信号转换成数字信号；

步骤s3：对声纹数据的数字信号进行特征提取，得到待识别声纹特征；

步骤s4：利用已知故障的燃机声纹特征构建声纹特征模型；

步骤s5：训练好的声纹特征模型对待识别声纹特征进行效验；

步骤s6：根据效验结果判断燃机设备是否故障；

步骤s7：对声纹特征模型进行持续优化，形成基于故障、定位、品质评价多种模型。

优选地，所述步骤s1中，多个麦克风阵列分别对燃机设备的多个部位输出的声纹信号进行采集。

优选地，所述步骤s1中，在多个麦克风阵列采集的过程中，先通过噪声滤波器将非燃机设备产生的声纹信号过滤掉，再通过信号放大器将燃机设备输出的声纹信号放大至预设范围内。

优选地，所述步骤s3中，对数字信号进行特征提取前需要进行信号预处理；所述信号预处理依次经过预滤波处理、采样/量化处理、预加重处理、加窗处理和端点检测处理后得到待识别声纹特征。

优选地，所述声纹数据的数字信号先与声纹库中的正常声纹特征进行匹配：

当所述声纹数据的数字信号与正常声纹特征不匹配时，则声纹数据的数字信号为非燃机设备产生的声纹；当所述声纹数据的数字信号与正常声纹特征匹配时，则声纹数据的数字信号为燃机设备产生的声纹。

优选地，所述步骤s4中，声纹特性模型的构建步骤如下：

步骤s41：将已知故障的燃机声纹特征数据按照一定比例分为训练集和测试集；

步骤s42：基于人工智能深度学习技术，针对燃机声纹特征数据设计人工智能深度学习模型；

步骤s43：将燃机声纹特征数据的训练集对模型进行训练；

步骤s44：将燃机声纹特征数据的训练集对模拟进行测试是否正确。

优选地，所述步骤s6中，效验结果包括：当声纹特性模型与待识别声纹特征不匹配时，则为第一效验结果；当声纹特性模型与待识别声纹特征匹配时，则为第二效验结果；

若所述效验结果为第一效验结果，则确定燃机设备为故障燃机设备；

若所述效验结果为第一效验结果，则确定燃机设备为正常燃机设备。

本发明具有以下有益效果：

本发明通过在燃机的各个部分安装麦克风阵列采集声纹信号，对声纹信号进行预处理得到待识别声纹特征，将待识别声纹特征输入预先训练好的声纹特征模型对燃机的故障进行快速识别，提高了燃机的故障识别率、降低安全隐患出现概率。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于声纹信号检测燃机故障的识别方法步骤图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于声纹信号检测燃机故障的识别方法，包括如下步骤：

步骤s1：在燃机设备所在区域内安装麦克风阵列，采集燃机设备处于运行状态下的声纹数据；

步骤s2：通过数模转换将初始声纹数据由模拟信号转换成数字信号；

步骤s3：对声纹数据的数字信号进行特征提取，得到待识别声纹特征；

步骤s4：利用已知故障的燃机声纹特征构建声纹特征模型；

步骤s5：训练好的声纹特征模型对待识别声纹特征进行效验；

步骤s6：根据效验结果判断燃机设备是否故障；

步骤s7：对声纹特征模型进行持续优化，形成基于故障、定位、品质评价多种模型。

其中，步骤s1中，多个麦克风阵列分别对燃机设备的多个部位输出的声纹信号进行采集，麦克风阵列安装的部位包括火焰筒、过渡端、导流衬套、燃料喷嘴、火花塞和联焰管中的一种或者几种。

其中，步骤s1中，在多个麦克风阵列采集的过程中，先通过噪声滤波器将非燃机设备产生的声纹信号过滤掉，再通过信号放大器将燃机设备输出的声纹信号放大至预设范围内；

使用噪声滤波的作用是由于燃机设备的噪声是平稳的具有随机过程特性的复合噪声，但是在发生故障或者存在外部干扰的情况下，其噪声的声级和频率成分也会发生一定的变化。由于燃机设备内噪声源比较多，产生的噪音原因也不同，电磁噪声、机械噪声和空气动力噪声都分布在不同的频域，等过上述的噪声滤波器，能够较好地将有效的声纹信号保留，其余的其他噪声过滤掉。

使用信号放大器的作用是通过信号放大器的设置，能够对保留下来的声纹信号进行放大，优选地放大3-5倍，以便于后续能够便捷精准地对声纹信号进行采集，进而保证后续检测的正确性。

其中，步骤s3中，对数字信号进行特征提取前需要进行信号预处理；信号预处理依次经过预滤波处理、采样/量化处理、预加重处理、加窗处理和端点检测处理后得到待识别声纹特征。

其中，声纹数据的数字信号先与声纹库中的正常声纹特征进行匹配：

当声纹数据的数字信号与正常声纹特征不匹配时，则声纹数据的数字信号为非燃机设备产生的声纹；当声纹数据的数字信号与正常声纹特征匹配时，则声纹数据的数字信号为燃机设备产生的声纹。

其中，步骤s4中，声纹特性模型的构建步骤如下：

步骤s41：将已知故障的燃机声纹特征数据按照一定比例分为训练集和测试集；

步骤s42：基于人工智能深度学习技术，针对燃机声纹特征数据设计人工智能深度学习模型；

步骤s43：将燃机声纹特征数据的训练集对模型进行训练；

步骤s44：将燃机声纹特征数据的训练集对模拟进行测试是否正确。

但出现异常声纹则判断燃机出现故障，则将故障燃机的编号、位置、以及判断出的故障原因发送给客户端。

其中，步骤s6中，效验结果包括：当声纹特性模型与待识别声纹特征不匹配时，则为第一效验结果；当声纹特性模型与待识别声纹特征匹配时，则为第二效验结果；

若效验结果为第一效验结果，则确定燃机设备为故障燃机设备；

若效验结果为第一效验结果，则确定燃机设备为正常燃机设备。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。