基于MFCC特征提取的声信号故障诊断技术.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115931344A(43)申请公布日2023.04.07(21)申请号202310004169.3G06N3/0464(2023.01)(22)申请日2023.01.03(71)申请人南京高精齿轮集团有限公司地址210000江苏省南京市江宁区建衡路79号(72)发明人王鹏蒋红敏吴方玲李沛锋魏凯(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463专利代理师王思楠(51)Int.Cl.G01M13/021(2019.01)G01M13/028(2019.01)G06F18/214(2023.01)G06N3/08(2023.01)权利要求书2页说明书6页附图1页(54)发明名称基于MFCC特征提取的声信号故障诊断技术(57)摘要本申请提供一种基于MFCC特征提取的声信号故障诊断技术，涉及齿轮箱故障诊断技术领域，包括如下步骤，获取声信号训练数据集；提取声信号训练数据集的MFCC特征，构成特征集；将特征集输入初始卷积神经网络模型并进行训练；获取故障声信号，提取故障声信号的MFCC特征，获得待检测特征集，将待检测特征集输入至训练好的卷积神经网络模型中，以获得故障识别结果。本实施例提供的声信号故障诊断技术，能够借助卷积神经网络模型检测齿轮箱故障，精确度高。另外，在此提出的齿轮箱卷积神经网络模型具有客观性，不受主观因素影响，因此可靠性及稳定性较高。CN115931344ACN115931344A权利要求书1/2页1.一种基于MFCC特征提取的声信号故障诊断技术，其特征在于，包括如下步骤：获取声信号训练数据集；提取所述声信号训练数据集的MFCC特征，构成特征集；将所述特征集输入初始卷积神经网络模型并进行训练；获取故障声信号，提取故障声信号的MFCC特征，获得待检测特征集，将所述待检测特征集输入至训练好的卷积神经网络模型中，以获得故障识别结果。2.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述获取声信号训练数据集的步骤包括：利用布置于齿轮箱外侧的声压传感器采集齿轮箱工作噪声，将采集的声音信号保存为能被所述卷积神经网络模型识别的可读取文件。3.根据权利要求2所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述利用布置于齿轮箱外侧的声压传感器采集齿轮箱工作噪声的步骤中，所述声压传感器的采样频率设置为1.5KHz‑4.5KHz，所述声压传感器的采样点数设置为800‑1200。4.根据权利要求3所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述将采集的声音信号保存为能被所述卷积神经网络模型识别的可读取文件的步骤中，所述声音信号包括正常转动声音的声信号、齿轮故障声音的声信号、轴故障声音的声信号和轴承故障声音的声信号。5.根据权利要求4所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述齿轮故障声音的声信号的采集方式包括：将正常齿轮箱内合格的齿轮利用故障的齿轮替换，运行齿轮箱，利用声压传感器采集获得齿轮故障声音的声信号；或者，所述轴故障声音的声信号的采集方式包括：将正常齿轮箱内合格的轴利用故障的轴替换，运行齿轮箱，利用声压传感器采集获得轴故障声音的声信号；或者，所述轴承故障声音的声信号的采集方式包括：将正常齿轮箱内合格的轴承利用故障的轴承替换，运行齿轮箱，利用声压传感器采集获得轴承故障声音的声信号。6.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述提取所述声信号训练数据集的MFCC特征的步骤包括依次进行的：预加重；分帧；加窗；离散傅里叶变换；Mel滤波器组滤波；对数运算；离散余弦变换；以及提取动态差分参数。7.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述卷积神经网络模型构造为多层多神经元的深度学习卷积神经网络模型。2CN115931344A权利要求书2/2页8.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述卷积神经网络模型包括依次排布的输入层、第一卷积层、池化层、第二卷积层、第二池化层、全连接层以及输出层。9.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述提取故障声信号的MFCC特征的步骤之前还包括：放大所述故障声信号。10.根据权利要求1所述的基于MFCC特征提取的声信号故障诊断技术，其特征在于：所述将所述特征集输入初始卷积神经网络模型并进行训练的步骤包括：准备关于齿轮箱故障的特征集并对特征集进行标签分类；预设卷积神经网络模型并利用完成标签分类的特征集进行训练。3CN115931344A说明书1/6页基于MFCC特征提取的声信号故障诊断技术技术领域[0001]本发明涉及齿轮