一种强噪声环境下的机器设备声音监测方法与流程

1.本发明涉及声音信号处理领域，特别涉及一种强噪声环境下的机器设备声音监测方法。


背景技术：

2.目前，在诸多工厂或企业生产车间中普遍存在机器设备老化的状况，随时有可能出现故障，而这些故障的发生又难以预测，可能会导致生产中断或生产出不合格的产品，因此有必要对机器设备的运行状态进行实时监测，并对其故障进行预警。
3.在机器设备状态的众多监测方法中，由于声音信号覆盖范围广，在测量过程中可以采用非接触式测量，且能够实现数据规格的统一化，满足不同机器工况的在线监测要求，同时声音传感器设备成本较低，声音信号数据后期处理分析空间较大，因此基于声音识别技术的机器设备状态监测或故障诊断技术成为研究的热点。
4.在众多基于声音信号的机器设备监测或故障诊断方法中，主要存在两个问题：
5.一方面：这些方法多数应用在对轴承、变压器或发动机等机器设备关键部件的监测中，且主要用于噪声种类较少的特定场所，对生产车间大型机器设备运行状态的监测较少。工厂或企业生产车间中，当多台机器同时运行时，周围噪声不仅种类较多，复杂多样，且声音较大，这对某一台机器设备运行时的声音采集及识别造成较大的影响，使采集的声音信号包括大量的噪声，有效信号的信噪比极低，使得现有的声音识别技术在这种强噪声环境下受到较大影响，识别准确率普遍较低。
6.另一方面：在众多声音信号识别方法中，需要大量样本数据对分类器模型进行训练，一部分研究者采用目前公开的样本数据集，还有部分研究者通过人为损坏机器关键部件来模拟故障信号，进而收集样本数据。以上两类均比较理想化，对于生产车间多台大型机器设备同时运行时，其故障类型多样，故障原因更加复杂，同时其他机器设备运行时的声音又对被监测机器构成强噪声干扰，使得声音信号监测存在一定的误差，现有的样本数据也很难描述这种场景，且故障样本数据不可在短期内收集完整。


技术实现要素：

7.有鉴于此，本发明提供了一种强噪声环境下的机器设备声音监测方法，利用自适应噪声对消技术最大限度消除周围噪声影响，并采用隐马尔科夫模型(hmm)对声音信号进行分类，有效地从强噪声环境中分离出被监测声音和周围噪声，为后续研究基于声音识别技术的机器设备状态监测奠定基础。
8.为了实现上述目的，本发明采用的技术方案包括如下步骤：
9.步骤s1：样本数据采集。包括采集含噪声音和环境噪声；所述含噪声音指噪声环境下被监测机器运行时发出的声音，该声音被记为信号源；所述环境噪声指被监测机器未运行时周边环境噪声和其他机器设备运行时发出的声音的混合声音。
10.步骤s2：自适应噪声对消。采用自适应噪声对消器对采集的含噪声音和周围噪声
进行自适应对消，从而分离出被监测机器运行时的纯净声音信号。
11.所述自适应噪声对消器包括自适应滤波器、自适应算法和减法器；
12.所述自适应滤波器采用横向滤波器结构，实现对周围环境噪声的滤波处理；
13.所述自适应算法采用最小均方误差(lms)算法，根据前m个输入数据进行预测，使自适应滤波器输出值逼近叠加在信号源上的噪声；
14.所述减法器将含噪声音信号和自适应滤波器输出信号进行相减运算，得到纯净声音信号，即被监测机器设备运行时发出的声音。
15.自适应滤波器滤波公式为：
[0016][0017]
其中，y(n)为滤波器的输出信号，w
i
(n)为滤波器抽头系数，n1(n)为周围环境噪声信号，即自适应滤波器的输入信号。
[0018]
减法器输出公式为：
[0019]
e(n)＝s(n) n0(n)
‑
y(n)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0020]
其中，s(n)为被监测机器单独运行时的声音信号，即信号源，s(n) n0(n)为含噪声音，n0(n)为叠加在信号源上的不相关噪声。
[0021]
步骤s3：样本数据预处理。对含噪声音、环境声音和自适应噪声对消输出噪声分别进行预处理。所述预处理包括滤波、a/d转换、预加重、分帧加窗和端点检测。
[0022]
所述滤波采用fir滤波器滤除信号中的非音频成分，最大限度提高输入信号的信噪比；
[0023]
所述a/d转换是将模拟信号转变为数字信号；
[0024]
所述预加重是对信号的高频部分加重，增强声音信号的高频分辨率，便于后面进行谱分析；选择一阶fir高通数字滤波器来进行预加重处理，其传递函数为h(z)＝1
‑
az
‑1，0.9＜a＜1.0；
[0025]
所述分帧加窗是将声音信号分成很小的时间段，即帧，然后对分帧的声音信号进行加窗处理，主要目的是为了保持声音信号的短时平稳性，减少gibbs效应，其中帧长设置为20ms，帧移取帧长的1/3，加窗采用汉明窗；
[0026]
所述端点检测是在声音信号中，为了区分背景噪声和环境噪声，准确地判断出声音信号的开始点和结束点而设置。
[0027]
步骤s4：样本数据特征提取。分别提取含噪声音、环境声音和自适应噪声对消后输出噪声的特征参数，本发明采用梅尔频率倒谱系数作为声音的特征参数。
[0028]
步骤s5：隐马尔科夫模型训练。建立隐马尔科夫模型，并采用特征提取的数据对hmm进行训练。
[0029]
所述hmm作为一种统计分析模型，用来描述一个含有未知参数的的马尔科夫过程，hmm可描述为：
[0030]
λ＝(n,m,π,a,b)
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0031]
其中，n为模型中马尔科夫链的状态数，m为每个状态对应的可能观测值数，π为初始状态概论分布矢量；a为状态转移概论矩阵，b为观测值概论矩阵。
[0032]
步骤s6：实测声音采集。采用传感器采集机器设备运行时的声音信号。
[0033]
步骤s7：预处理。对实时采集的声音进行预处理，方法与步骤s3中的样本数据预处理方法一致。
[0034]
步骤s8：特征提取。对实时采集的声音进行特征提取，方法与步骤s4中的样本数据特征提取方法一致；实时数据经过预处理和特征提取后被送入训练好的hmm中。
[0035]
步骤s9：识别结果。经过hmm预测，可将采集的声音分为信号源声音和环境噪声。
[0036]
本发明具有以下有益效果及优点：
[0037]
(1)分别采集被监测机器设备运行时的声音和机器不运行时周围的环境声音，样本数据采集方便、真实有效；
[0038]
(2)采用自适应噪声对消技术，通过自适应算法，可以使自适应滤波器输出的信号最大限度地逼近噪声信号，从而得到被监测机器设备纯净的声音信号；
[0039]
(3)hmm具有严谨的数据结构和可靠计算性能，能够在实时监测声音信号的基础上，很好地描述机器设备运行时发出的声音信号和周围噪声的随机性和实时性。
附图说明
[0040]
图1为本发明一种强噪声环境下的机器设备声音监测方法流程示意图；
[0041]
图2为本发明中使用的自适应噪声对消器原理图；
具体实施方式
[0042]
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
实施例
[0044]
参见附图1所示，一种强噪声环境下的机器设备声音监测方法，具体步骤如下：
[0045]
步骤s1：样本数据采集。包括采集含噪声音和采集环境噪声；含噪声音指噪声环境下被监测机器运行时发出的声音，该声音被记为信号源；环境噪声指被监测机器未运行时周边环境噪声和其他机器设备运行时发出的声音的混合声音。
[0046]
步骤s2：自适应噪声对消。采用自适应噪声对消器对采集的含噪声音和周围噪声进行自适应对消，从而分离出被监测机器运行时的纯净声音信号。
[0047]
所述自适应噪声对消器包括自适应滤波器、自适应算法和减法器；
[0048]
所述自适应滤波器采用横向滤波器结构，实现对周围环境噪声的滤波处理；
[0049]
所述自适应算法采用最小均方误差(lms)算法，根据前m个输入数据进行预测，使自适应滤波器输出值逼近叠加在信号源上的噪声；
[0050]
所述减法器将含噪声音信号和自适应滤波器输出信号进行相减运算，得到纯净声音信号，即被监测机器设备运行时发出的声音。
[0051]
自适应滤波器滤波公式为：
[0052][0053]
其中，y(n)为滤波器的输出信号，w
i
(n)为滤波器抽头系数，n1(n)为周围环境噪声
信号，即自适应滤波器的输入信号。
[0054]
减法器输出公式为：
[0055]
e(n)＝s(n) n0(n)
‑
y(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0056]
其中，s(n)为被监测机器单独运行时的声音信号，即信号源，s(n) n0(n)为含噪声音，n0(n)为叠加在信号源上的不相关噪声。
[0057]
步骤s3：样本数据预处理。对含噪声音、环境声音和自适应噪声对消器输出噪声分别进行预处理。所述预处理包括滤波、a/d转换、预加重、分帧加窗和端点检测。
[0058]
所述滤波采用fir滤波器滤除信号中的非音频成分，最大限度提高输入信号的信噪比。
[0059]
所述a/d转换是将模拟信号转变为数字信号。
[0060]
所述预加重是对信号的高频部分加重，增强声音信号的高频分辨率，便于后面进行谱分析。选择一阶fir高通数字滤波器来进行预加重处理，其传递函数为h(z)＝1
‑
az
‑1，0.9＜a＜1.0。
[0061]
所述分帧加窗是将声音信号分成很小的时间段，即帧，然后对分帧的声音信号进行加窗处理，主要目的是为了保持声音信号的短时平稳性，减少gibbs效应。其中帧长设置为20ms，帧移取帧长的1/3，加窗采用汉明窗。
[0062]
所述端点检测是在声音信号中，为了区分背景噪声和环境噪声，准确地判断出声音信号的开始点和结束点而设置。
[0063]
步骤s4：样本数据特征提取。分别提取含噪声音、环境声音和自适应噪声对消后输出噪声的特征参数。本发明采用梅尔频率倒谱系数作为声音的特征参数。
[0064]
步骤s5：隐马尔科夫模型训练。建立隐马尔科夫模型，并采用特征提取的数据对hmm进行训练。
[0065]
所述hmm作为一种统计分析模型，用来描述一个含有未知参数的的马尔科夫过程，hmm可描述为：
[0066]
λ＝(n,m,π,a,b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0067]
其中，n为模型中马尔科夫链的状态数，m为每个状态对应的可能观测值数，π为初始状态概论分布矢量；a为状态转移概论矩阵，b为观测值概论矩阵。
[0068]
在一个具体的实施例中，步骤s3具体步骤如下：
[0069]
步骤s31：评估问题，以机器运行一周期即完成某一生产过程为观测时间t，确定状态数n和每个状态对应的可能观测值数m；
[0070]
步骤s32：计算模型λ产生观测值值序列的概率，确定b；
[0071]
步骤s33：学习问题，对给定观测序列o，在最大似然准则下学习得到模型
[0072]
λ＝(n,m,π,a,b):max p{o|λ}。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0073]
在以上实施过程中，π取等概率分布。
[0074]
本发明以特征矢量作为观测序列，可最大限度的保留声音信号的特征信息，使得声音识别具有更高的精度。
[0075]
步骤s6：实时声音采集。采用传感器采集机器设备运行时的声音信号；
[0076]
步骤s7：预处理。对实时采集的声音进行预处理，方法与步骤s3中的样本数据预处理方法一致；
[0077]
步骤s8：特征提取。对实时采集的声音进行特征提取，方法与步骤s4中的样本数据特征提取方法一致；实时数据经过预处理和特征提取后被送入训练后的hmm中；
[0078]
步骤s9：识别结果。经过hmm预测，可将采集的声音分为信号源声音和环境噪声。
[0079]
本发明提出的一种强噪声环境下的机器设备声音监测方法，采用自适应噪声对消技术从强噪声环境中分离出被监测声音，最大限度地降低了周围环境噪声对被监测声音造成的影响，同时采用隐马尔科夫模型对实时声音信号进行分类，具有较高的可靠性和识别准确率。
[0080]
以上所述内容，仅为本发明较好的实施方式，以上实施例只作为本发明的一个具体说明，但并不局限于此。任何本领域的技术人员可轻易想到的变化或替换都应包涵在本发明的保护范围之内。