本發(fā)明屬于聲紋故障診斷，具體涉及一種基于特征分解與重構(gòu)的工業(yè)跨域聲紋故障診斷方法。

背景技術(shù)：

1、故障診斷技術(shù)指的是根據(jù)工業(yè)設(shè)備的運(yùn)行狀況，利用技術(shù)手段判斷是否有故障發(fā)生，從而確定發(fā)生故障的位置、種類和原因等信息。隨著科學(xué)技術(shù)的進(jìn)步，機(jī)械設(shè)備越來(lái)越趨向大型化、精密化、系統(tǒng)化。因此，機(jī)械故障診斷技術(shù)的研究尤為重要。傳統(tǒng)的故障檢測(cè)方法往往依賴于專業(yè)人員的經(jīng)驗(yàn)或?qū)υO(shè)備的直接接觸檢測(cè)，這不僅費(fèi)時(shí)費(fèi)力，而且存在一定的安全風(fēng)險(xiǎn)。目前機(jī)械故障診斷技術(shù)主要是對(duì)信號(hào)的分析，如振動(dòng)信號(hào)、聲音信號(hào)、力信號(hào)等。振動(dòng)信號(hào)與故障關(guān)聯(lián)性強(qiáng)，在故障診斷受限于接觸式的測(cè)量方式，在一些應(yīng)用場(chǎng)景中并不是好的選擇。基于聲音信號(hào)的檢測(cè)系統(tǒng)憑借其成本低、安裝速度快、無(wú)接觸式測(cè)量等優(yōu)勢(shì)，在工業(yè)設(shè)備故障診斷中廣泛應(yīng)用，如對(duì)滾動(dòng)軸承的聲紋故障診斷，聲學(xué)機(jī)器狀態(tài)檢測(cè)等。與有規(guī)則和結(jié)構(gòu)的聲音相比，工業(yè)設(shè)備故障聲音信號(hào)沒有類似節(jié)奏、旋律的靜態(tài)時(shí)間模式，也沒有特定的語(yǔ)義序列。

2、近年來(lái)，隨著工業(yè)大數(shù)據(jù)的興起，以數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行工業(yè)設(shè)備的故障診斷，已經(jīng)成為一個(gè)熱門的研究領(lǐng)域。其中，基于深度學(xué)習(xí)的故障檢測(cè)方法憑借其準(zhǔn)確度高等優(yōu)點(diǎn)受到廣泛的關(guān)注。大多數(shù)方法都以訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從相同的特征分布規(guī)律為前提，所訓(xùn)練的模型取得了較好的效果。但是在實(shí)際工業(yè)中，受到運(yùn)行環(huán)境以及運(yùn)行條件的影響，聲音信號(hào)通常因?yàn)樵O(shè)備的運(yùn)行速度、環(huán)境噪聲、機(jī)械負(fù)載等因素變化，使得訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間產(chǎn)生聲學(xué)特性差異，發(fā)生域偏移。同時(shí)，模型仍可能因特征中的虛假相關(guān)而產(chǎn)生偏差。現(xiàn)有技術(shù)一般是利用源域數(shù)據(jù)學(xué)習(xí)不同領(lǐng)域的不變特征，并將訓(xùn)練好的模型推廣到未知的目標(biāo)域，從而實(shí)現(xiàn)跨域故障診斷。假設(shè)不同的域共享某些“穩(wěn)定”或“域不變”的特征，其目標(biāo)是學(xué)習(xí)這些領(lǐng)域不變特征但是由于聲音信號(hào)的復(fù)雜性，可能仍不能對(duì)未見過(guò)的分布提供強(qiáng)大的泛化能力，同時(shí)，模型仍可能因特征中的虛假相關(guān)而產(chǎn)生偏差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)解決背景技術(shù)中提出的問(wèn)題，提出一種基于特征分解與重構(gòu)的工業(yè)跨域聲紋故障診斷方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明所采取的技術(shù)方案為：

3、本發(fā)明提出的一種基于特征分解與重構(gòu)的工業(yè)跨域聲紋故障診斷方法，包括獲取工業(yè)設(shè)備的聲音數(shù)據(jù)信號(hào)，并依次進(jìn)行線性歸一化處理、傅里葉變換、梅爾濾波器轉(zhuǎn)換和對(duì)數(shù)運(yùn)算得到對(duì)數(shù)梅爾頻譜圖；

4、對(duì)得到的對(duì)數(shù)梅爾頻譜圖進(jìn)行特征分解，得到諧波分量譜圖和沖擊分量譜圖；

5、將諧波分量譜圖和沖擊分量譜圖作為自適應(yīng)雙路特征融合模塊的輸入，所述自適應(yīng)雙路特征融合模塊包括第一分支和第二分支，所述第一分支包括依次連接的三層卷積層和注意力機(jī)制層，所述第二分支包括依次連接的兩層卷積層和注意力機(jī)制層，諧波分量譜圖經(jīng)過(guò)第一分支處理后得到縮放后的諧波分量譜圖，沖擊分量譜圖經(jīng)過(guò)第二分支處理后得到縮放后的沖擊分量譜圖，將縮放后的諧波分量譜圖和縮放后的沖擊分量譜圖進(jìn)行融合處理得到融合特征譜圖；

6、將融合特征譜圖輸入至訓(xùn)練好的故障診斷模型中，得到聲音數(shù)據(jù)信號(hào)所屬的類型。

7、優(yōu)選地，所述傅里葉變換過(guò)程包括：

8、對(duì)線性歸一化后的聲音數(shù)據(jù)信號(hào)按照預(yù)設(shè)長(zhǎng)度進(jìn)行分幀處理，得到一個(gè)個(gè)預(yù)設(shè)幀長(zhǎng)的聲音數(shù)據(jù)信號(hào)幀，再對(duì)分幀處理后的聲音數(shù)據(jù)信號(hào)幀依次增加漢寧窗；

9、對(duì)增加漢寧窗后的各聲音數(shù)據(jù)信號(hào)幀進(jìn)行短時(shí)傅里葉變換得到變換系數(shù)，且對(duì)應(yīng)公式如下：

10、

11、其中，x()表示傅里葉變換系數(shù)，m表示漢寧窗在聲音數(shù)據(jù)信號(hào)幀的起始位置，ω表示頻率，x(n)表示漢寧窗在聲音數(shù)據(jù)信號(hào)幀中所覆蓋的部分，n表示時(shí)間序列的索引值，取值為0～n-1，n表示漢寧窗的寬度，j為虛數(shù)單位，w()表示窗函數(shù)；

12、再根據(jù)各變換系數(shù)，以時(shí)間為橫軸，頻率為縱軸，在坐標(biāo)系上進(jìn)行繪制，得到對(duì)應(yīng)的功率譜，則所有的聲音數(shù)據(jù)信號(hào)幀的變換系數(shù)的功率譜構(gòu)成了功率譜圖。

13、優(yōu)選地，將所述功率譜圖經(jīng)過(guò)梅爾濾波器轉(zhuǎn)換，得到梅爾譜圖，然后再將梅爾譜圖進(jìn)行對(duì)數(shù)運(yùn)算得到對(duì)數(shù)梅爾頻譜圖xlmel。

14、優(yōu)選地，所述對(duì)得到的對(duì)數(shù)梅爾頻譜圖進(jìn)行特征分解，得到諧波分量譜圖和沖擊分量譜圖，包括：

15、分別對(duì)得到的對(duì)數(shù)梅爾頻譜圖進(jìn)行水平方向和垂直方向的中值濾波，依次得到諧波幅度譜和沖擊幅度譜，且對(duì)應(yīng)公式如下：

16、

17、其中，表示諧波幅度譜，表示沖擊幅度譜，median()表示中值濾波，lh表示在水平方向進(jìn)行中值濾波的時(shí)間范圍，lp表示在垂直方向進(jìn)行中值濾波的頻率范圍，xlmel(m-lh,ω),....,xlmel(m+lh,ω)表示以當(dāng)前漢寧窗的起始位置m為中心，計(jì)算±lh范圍內(nèi)的諧波幅度譜的中值，xlmel(m,ω-lp),....,xlmel(m,ω+lh)表示以當(dāng)前頻率ω為中心，計(jì)算±lp范圍內(nèi)的沖擊幅度譜的中值；

18、引入分離因子β，β≥1，當(dāng)時(shí)，則認(rèn)為對(duì)數(shù)梅爾頻譜圖xlmel是諧波分量的一部分，時(shí)，則認(rèn)為對(duì)數(shù)梅爾頻譜圖xlmel是沖擊分量的一部分；

19、定義諧波幅度譜的二進(jìn)制掩膜和沖擊幅度譜的二進(jìn)制掩膜，且公式如下：

20、

21、其中，mh()表示諧波幅度譜的二進(jìn)制掩膜，mp()表示沖擊幅度譜的二進(jìn)制掩膜，∈為預(yù)設(shè)的值；

22、將得到的二進(jìn)制掩膜應(yīng)用到對(duì)數(shù)梅爾頻譜圖，得到諧波分量譜圖和沖擊分量譜圖，且公式如下：

23、

24、其中，xh()表示諧波分量譜圖，xp()表示沖擊分量譜圖。

25、優(yōu)選地，所述第一分支中，第一層卷積層的卷積核尺寸為1×1，且步長(zhǎng)為1，第二層卷積層和第三層卷積層的卷積核尺寸為3×3，且步長(zhǎng)為1；

26、所述第二分支中，第一層卷積層的卷積核尺寸為1×1，且步長(zhǎng)為1，第二層卷積層的卷積核尺寸為3×3，且步長(zhǎng)為1；

27、所述注意力機(jī)制層采用se模塊。

28、優(yōu)選地，所述融合處理過(guò)程中，引入可學(xué)習(xí)權(quán)重ω1和ω2，且融合處理的公式如下：

29、xh&p＝ω1yh+ω2yp；

30、其中，xh&p表示融合特征譜圖，ω1表示縮放后的諧波分量譜圖的權(quán)重，ω2表示縮放后的沖擊分量譜圖的權(quán)重，且ω1+ω2＝1。

31、優(yōu)選地，聲音數(shù)據(jù)信號(hào)的類型包括正常和異常，且所述正常為工業(yè)設(shè)備正常工作的聲音數(shù)據(jù)信號(hào)，所述異常包括工業(yè)設(shè)備發(fā)生不同類型故障的聲音數(shù)據(jù)信號(hào)。

32、優(yōu)選地，所述故障診斷模型采用whitening-net網(wǎng)絡(luò)，包括依次連接的兩個(gè)層歸一化模塊、三個(gè)實(shí)例歸一化模塊、flatten層、第一線性層、激活層(leakyrelu)和第二線性層，所述層歸一化模塊包括依次連接的卷積層、層歸一化層、激活層(leakyrelu)和最大池化層，所述實(shí)例歸一化模塊包括依次連接的卷積層、實(shí)例歸一化層、激活層(leakyrelu)和最大池化層。

33、優(yōu)選地，訓(xùn)練故障診斷模型時(shí)，對(duì)每種故障類型設(shè)置一個(gè)標(biāo)簽，采用的訓(xùn)練數(shù)據(jù)集為同源聲紋信號(hào)組，所述同源聲紋信號(hào)組包括預(yù)設(shè)數(shù)量的子集，各子集為同種標(biāo)簽下不同源域下聲音數(shù)據(jù)信號(hào)的集合，其中不同源域即為不同工業(yè)設(shè)備；

34、所述故障診斷模型的總損失loss的計(jì)算公式如下：

35、

36、其中，

37、

38、其中，表示分類損失，表示因果損失，λ為保持分類損失和因果損失平衡的超參數(shù)，且初始值為1，表示實(shí)例歸一化模塊的輸出，tflatten()表示經(jīng)過(guò)flatten層處理，mean()表示計(jì)算平均值，m表示故障類型，ym表示標(biāo)簽，表示同源聲紋信號(hào)組數(shù)據(jù)，x表示全部故障類型為m的數(shù)據(jù)集合。

39、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

40、本基于特征分解與重構(gòu)的工業(yè)跨域聲紋故障診斷方法通過(guò)對(duì)得到的對(duì)數(shù)梅爾頻譜圖進(jìn)行特征分解，并通過(guò)自適應(yīng)雙路特征融合模塊對(duì)分解后的兩個(gè)分量譜圖進(jìn)行深層的特征提取，并通過(guò)se模塊加強(qiáng)特征信息，通過(guò)引入權(quán)重進(jìn)行縮放，起到了良好的魯棒性和正則作用，解決了工業(yè)場(chǎng)景中，聲音故障診斷模型不能對(duì)未見過(guò)的數(shù)據(jù)分布提供強(qiáng)大的泛化能力的問(wèn)題。