基于音频融合特征的设备异常识别研究

发布时间：2020-04-02 12:30

【摘要】：随着工业生产自动化的迅速发展,机械设备的正常、安全运行对于工业生产有着重要的作用,而工业设备发展的复杂性,导致很难人为确认设备前期故障的发生,当故障发展到一定程度,将会造成重大经济损失,更严重者会导致恶劣灾难的发生,所以对机械设备的异常诊断研究有着极其重要的意义。而声音识别技术在机械设备的异常识别方面有着广泛的应用前景,值得进行深入研究。本文针对如何有效的进行设备运行异常识别,并提高异常信号识别的准确率问题,在高压泵工作声音数据的基础上,着重对声音信号的特征提取进行研究。文中分别提取信号的小波包分解能量特征、MFCC及其差分特征进行实验,分析两种特征在机械设备异常声音中的识别准确率,得出两种特征在设备异常声音识别中有着较好的识别效果,可以用来进行设备的异常诊断识别。其次在两特征的基础上提出了MFCC融合特征,即分别提取信号的小波包分解能量特征、MFCC特征以及信号的短时过零率特征,进行线性融合。对融合后的特征使用SVM分类器进行分类训练,通过分析发现相比于单特征,融合后特征对于设备的异常诊断有着更好的效果,但实验运行时间有所增加。针对此问题,本文使用PCA方法对融合后的特征进行优化,对融合特征进行不同维度的数据降维处理。选择降维后识别效果最好的维度特征进行最终实验,得到了更好的识别结果并减少了实验的运行时间。在分类器选择方面,文中主要选择支持向量机(SVM)和高斯混合模型(GMM)两种分类模型,并利用上述特征进行分类实验。通过对比识别准确率,最终得出在机械设备异常声音信号识别中,SVM分类效果较GMM方法有着更好的识别准确率。通过实验可以得出,在机械设备异常声音识别方面,降维后的MFCC融合特征与SVM结合的方法有着更好的识别效果。
【图文】：

流程图,声音识别系统,流程图

型库中模型进行匹配对比找到与其最接近的模型，得到相应的识别结果。逡逑训练和测试过程主要由三部分组成，对数据进行预处理、对处理后的数据逡逑进行特征提取，最后进行分类决策。其过程如图２－１所示。逡逑训练轮段逡逑训练样本＾一＾卜逦：——－训练模型＾——－逦模型库逡逑数据丨逦Ｉ逡逑预处理Ｓ逦。丨逡逑逦Ｒ邋Ｉ逦４逦逡逑特征提取丨逡逑测试样本ｉ￣－邋：逦＾逦逦…一逦—判定逡逑测试阶段逡逑Ｉ邋－逦人逡逑识别结果逡逑图２－１声音识别系统的流程图逡逑２．１预处理逡逑声音数据识别的正确率与原始数据的预处理密不可分。对声音数据进行有逡逑７逡逑

数据分布,最优分类超平面,超平面

对于所有的样本／，若：＞？，，卜，．１邋＋邋６；。）＞０则表不所有的训练样本均被正确分逡逑类。逡逑假设要进行分类的两类数据分布如图２－２所示，其中图中的正方形为第一逡逑类，用Ｊ表示，圆形为第二类，用５表示。而图中显示的就是对两个可分的数逡逑据集ｄ和５通过超平面／／进行正确的分类。设在超平面／／两侧存在与其平行的逡逑超平面／／，和超平面，且两个超平面与／／之间的距离称之为间隔，则寻求最逡逑大间隔分类器就是寻找是间隔最大的超平面［３３］。从图２－２中可以看出，两个超逡逑平面间隔越大，由这个超平面所定义的分类器的分类准确率越好。逡逑在引入间隔６邋＞０的情况下求解，使：逡逑ｙ，（ｗ－Ｘｌ＋ａ）０）＞ｂ逦（２－１７）逡逑１２逡逑
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN912.3;TH17

【相似文献】