一种基于全连接神经网络的机组运行噪声抑制的处理方法与流程

1.本发明属于水轮发电机组设备运行在线监测领域，特别涉及一种基于全连接神经网络的机组运行噪声抑制的处理方法。


背景技术：

2.在水轮发电机组运行时的声学监测环境下，对异常声学信号的信噪比要求较高；由于机组运行时的背景噪声大且频域范围广，传统的信号处理方法处理后的信噪比情况并不理想；在利用全连接神经网络进行信号处理后可以良好的对机组运行噪声进行抑制，并得到清晰的敲击、碰撞等异常声音信号；由此可以对机组运行时发生的设备异常状态进行报警；因此，需要设计一种基于全连接神经网络的机组运行噪声抑制的处理方法。


技术实现要素：

3.本发明所要解决的技术问题是提供一种基于全连接神经网络的机组运行噪声抑制的处理方法，与传统方法相比，使用全连接神经网络抑制机组运行噪声，异常声音信号的信噪比显著提高，可以识别出水轮发电机组运行时发生的金属碰撞等故障，并且根据识别生成对应的声音样本进行抑制降噪。
4.为实现上述技术效果，本发明所采用的技术方案是：一种基于全连接神经网络的机组运行噪声抑制的处理方法，它包括以下步骤：s1，训练全连接神经网络：通过收集声音样本，创建一个包含两个隐藏层的全连接神经网络：s2，收集制作声音样本：a. 传声器收集64khz采样率的声学信号，将信号降采样至16khz采样率；b. 将信号以窗口长度为256个点、重叠率75%，窗口形状为汉明窗进行短时傅里叶变换，形成一个数组；并将数组按照神经网络要求进行归一化处理；s3，应用神经网络降噪：a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测，得到新的数组，并将数组反归一化；b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换，得到采样率为16khz的抑制机组运行噪声的声学信号。
5.优选地，所述步骤s1中全连接神经网络的训练方法如下：s101，在机组停机状态下，采集机组停机时设备发生金属碰撞故障的声学样本；将声学样本降采样至16khz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗，进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的目标集；s201，在水轮发电机组正常运行状态下，采集水轮发电机组运行时的背景噪声样本；将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加；将
叠加后的声学样本降采样至16khz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的预测集；s301，将目标集和预测集所对应的声学样本一一对应，抽取其中10%作为验证集；s401，将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络，进行训练重复3~5轮；s501，记录全连接神经网络结构和参数，得到用于抑制组运行噪声的全连接神经网络。
6.优选地，所述s101和s201中归一化运算使用l2正则化作为归一化方法。
7.优选地，所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。
8.本发明的有益效果为：本发明公开了一种机组运行噪声抑制全连接神经网络的训练方法，使用水轮发电机组停机时设备发生金属碰撞典型故障的声学样本以及机组运行时的背景噪声样本，训练一个包含两个隐含层的全连接神经网络，用以抑制机组正常运行时的背景噪声。与传统方法相比，使用全连接神经网络抑制机组运行噪声，异常声音信号的信噪比显著提高，可以识别出水轮发电机组运行时发生的金属碰撞等故障，可以应用于水轮发电机组运行的声学监测；可通过噪声识别自动生成对应的声学样本进行抑制降噪。
附图说明
9.图1为本发明的流程框图示意图；图2为本发明中全连接神经网络训练的流程框图；图3为本发明实施例中机组停机状态下一段典型零件敲击声音样本的时域图；图4为本发明实施例中机组正常运转时风洞内的一段背景噪声样本的时域图；图5为本发明实施例中一段叠加机组背景噪声后的典型金属敲击声音样本的时域图；图6为全连接神经网络降噪后的典型零件敲击、碰撞声音的时域图。
具体实施方式
10.实施例1：如图1中，一种基于全连接神经网络的机组运行噪声抑制的处理方法，它包括以下步骤：s1，训练全连接神经网络：通过收集声音样本，创建一个包含两个隐藏层的全连接神经网络：s2，收集制作声音样本：a. 传声器收集64khz采样率的声学信号，将信号降采样至16khz采样率；b. 将信号以窗口长度为256个点、重叠率75%，窗口形状为汉明窗进行短时傅里叶变换，形成一个数组；并将数组按照神经网络要求进行归一化处理；s3，应用神经网络降噪：
a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测，得到新的数组，并将数组反归一化；b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换，得到采样率为16khz的抑制机组运行噪声的声学信号。
11.优选地，所述步骤s1中全连接神经网络的训练方法如下：s101，在机组停机状态下，采集机组停机时设备发生金属碰撞故障的声学样本；将声学样本降采样至16khz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗，进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的目标集；s201，在水轮发电机组正常运行状态下，采集水轮发电机组运行时的背景噪声样本；将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加；将叠加后的声学样本降采样至16khz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的预测集；s301，将目标集和预测集所对应的声学样本一一对应，抽取其中10%作为验证集；s401，将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络，进行训练重复3~5轮；s501，记录全连接神经网络结构和参数，得到用于抑制组运行噪声的全连接神经网络。
12.优选地，所述s101和s201中归一化运算使用l2正则化作为归一化方法。
13.优选地，所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。
14.实施例2：如图2所示训练全连接神经网络：s1，使用水轮发电机噪声监测仪以64khz采样率16bit采样精度采集机组停机状态下几种典型金属敲击、碰撞挡风板、定子铁芯、转子的声学样本，共23段，并将声学样本降采样率至16khz；敲击样本如图2所示。
15.s2，使用水轮发电机噪声监测仪以64khz采样率16bit采样精度采集机组正常运转时风洞内的背景噪声，从中抽取机组在147mw、130mw、110mw、100mw有功功率工况下的4段背景噪声样本，并将声音样本降采样率至16khz。此处展示某一段机组运行背景噪声样本，敲击样本如图3所示。
16.s3，将机组背景噪声样本和典型金属敲击、碰撞声音样本组合叠加，得到92段带背景噪声的典型金属敲击、碰撞声音样本。此处展示某一段叠加后的声音样本，敲击样本如图3所示。
17.s4，将叠加后的声音样本以窗口长度为256个点、重叠率为75%进行短时傅里叶变换，并将变换结果进行归一化处理，得到的二维数组作为全连接神经网络的预测集；使用l2正则化作为归一化方法，参数为输入均值为15.0355，输入标准差为73.0891；将未叠加背景噪声的原始敲击、碰撞声音样本做相同傅里叶变换和归一化处理后得到的二维数组作为全连接神经网络的目标集。
18.s5，创建一个含两个隐含层的全连接神经网络。
19.s6，将预测集与目标集样本一一对应，抽取其中部分作为测试验证集；将预测集、目标集、验证集输入全连接神经网络进行训练，重复3轮，训练最终得到的均方差rmse值为6.7257。
20.s7，存储训练好的网络结构、权值参数和归一化参数。
21.实时例3：如图3~图6所示：s1，将叠加了机组背景噪声的典型金属敲击、碰撞声音以窗口长度为256个点、重叠率为75%进行短时傅里叶变换，并将变换结果进行归一化处理，得到的二维数组输入训练好的全连接神经网络进行预测；s2，将全连接神经网络输出的数组按之前保存的归一化参数进行反归一化处理，得到新的数组；s3，将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换，得到采样率为16khz的声学信号，该声音为抑制机组运行噪声后的典型金属敲击、碰撞声音；背景噪声抑制效果如图6所示；可以看出，通过本方法得到的抑制机组背景噪声后的典型金属敲击、碰撞声音波形与原始未叠加背景噪声的金属敲击、碰撞声音波形一致，机组背景噪声抑制效果较好。
22.上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。