基于声信号的装备故障综合分析模块

 

基于声信号的装备故障综合分析模块主要包括声信号信号层分析和数据层分析两大功能，可在现场快速实现对声信号的各类分析，实现装备缺陷分析综合分析：信号特征分析、信号频谱分析、数据分布可视化、缺陷提取、缺陷可分性可视化、异常探测、故障诊断。该系统模块采用Python编程语言，满足不同平台需求(包括Windows、Linux)，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想，采用了最新的信号处理、机理模型、机器学习、深度学习等技术，可在现场快速评估声音数据的质量、声音数据有效性、设备健康探测与评估、以及各类分析模型的有效性等。

声学监测主要基于各类装备的声学特性进行故障诊断和健康评估。典型监测对象包括：风电机组、电动机、引擎、电气装备（如变压器等）、轴承、变速箱的许多故障，如轴承损伤、齿轮箱问题、都会导致特定频率的声音异常。声学监测主要依赖于麦克风阵列捕捉设备的各类声音，然后利用先进的信号处理技术，如频谱分析和时间频率分析，对声音信号进行分析。声学监测提供了一个非常敏感和准确的方法，能够在早期发现装备的故障。

(1) 数据管理模块

可对音频数据文件数据进行各类数据生成，供后续分析。比如，确定的两条故障数据每2048个点划分成一条故障数据，未确定的每2048个点划分成一条健康数据。其中健康数据和部分故障状态信号如图1所示。

(2) 模块功能简介

声信号分析模块主要包括声信号信号层分析和声信号数据层分析两大功能，可在现场实现对声信号的各类综合分析：信号特征分析、信号频谱分析、数据分布可视化、缺陷提取、缺陷可分性可视化、异常探测、故障诊断。

声信号信号层分析：声信号综合分析界面1个，开展各类声信号指标分析，频谱分析等。

声信号数据层分析：数据分布页面1个、典型特征呈现页面1个、健康指标呈现页面5个（ANN、CAE、SAE、SOM、LSTM-AE每个算法分别用原始数据、PCA特征、LDA特征生成结果）。

1. 案例分析
2. 该案例来自某电气设备在健康与各种异常状态下的声信号数据，包括40多台正常设备，以及若干台异常设备。

统计指标分析结果

声信号综合分析界面包括统计指标、FFT频谱、语谱图、原始信号时域图、梅尔倒谱系数频谱图、梅尔滤波器频谱图，系统分析如图2所示。

用音频数据文件3中的故障数据进行分析（以音频数据文件3\音频数据\确认异常\\2024**.wav为例），采样频率为48000Hz，统计指标包括声压、声强、声功率、声压级、谐波比、高频比、频谱复杂度。

当前声压级为88.5335dB，超过了异常阈值80，可以判别出故障。

当前谐波比为0.4135，超过了异常阈值0.4，可以判别出故障。

当前高频比为0.4649，超过了异常阈值0.4，可以判别出故障。

当前谐波比为4.8213e-5，未超过预警阈值2.0，无法判别出故障。

第一幅图，音频数据时序图，表示随着时间变化音频数据的幅值波动；

第二幅图，音频数据的频率分布图（FFT频谱图），表示音频信号中的不同频率分量，从最低频率到最高频率。当高频分量占主要成分时，音频听感为尖锐刺耳，一般认为可能是故障；

第三幅图，梅尔频谱图。图像的颜色表示信号在给定时间和频率下的强度，颜色越亮，表示该频率在该时间点的强度越高，反之颜色越暗，表示强度较低。一般认为，越是高频率状态下，出现亮色，则越有可能是故障；

第四幅图，语谱图。横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强；

第五幅图，梅尔滤波器频谱图。梅尔滤波器是一种用于图像处理的线性方向性滤波器，它通过特定的权重分布来增强图像中的边缘信息，特别是针对人类视觉系统敏感的特定方向。滤波器的横纵轴定义了其在图像空间中的坐标，而颜色的变化则直观地表示了权重的大小，从而反映出滤波器对不同方向边缘的敏感度。

声信号可视化分析

计算音频样本数据的各类特征指标，进行数据投影分析，并进行健康、故障分布可视化，可分辨出样本的类别。系统分析结果如图3所示。