1.本发明属于故障诊断领域，具体涉及一种基于声音信号的风机故障预警方法。
背景技术：2.近些年来，随着全球化趋势扩张，不断推动全球经济的发展，全球都已经意识到能源是有限的，并非源源不断的，各国不断增加了对能源的新需求。空调冷却系统耗能巨大，以数据中心为例，数据中心的空调冷却系统占机房总功耗40％左右，而风机一旦故障，将对空调冷却系统的正常运行造成影响，进而增加能耗，据有关数据显示，空调冷却系统故障后，会增加15％-30％的能耗，因此，有必要开展对风机的故障诊断研究，达到缩短维修时间和减少能源浪费的目的。
3.目前，在风机故障预警领域，多数研究工作都是以振动信号为基础开展的。已有的围绕风机故障预警的预测模型大都是简单的二元分类器，在复杂集中的场景中并不能很好地指导用户对风机进行有效地维护。因此，有必要尝试有别于振动信号的声音信号和机器学习方法进行风机的故障预警研究。
4.在工程实际中，得益于传感技术的讯息发展，基于声音信号的信号信号处理方法已经成功应用于目标定位、跟踪、语音识别、语音增强与降噪、系统辨识参数估计以及动态系统的故障检测等领域。传统振动信号的采集方式是接触式，这种接触式采集方式部署困难，不利于生产商进行高效的大规模检测，近年来，基于声音信号的故障诊断方法也在轴承、水轮机、高压断路器等对象上得到了成功的应用。因此，针对风机尝试运用声音信号对其进行故障预警研究不失为一种有效弥补振动信号不足的解决途径，同时也充满了许多未知的挑战。
技术实现要素：5.针对现有技术的不足和面临的挑战，本发明的目的在于提供一种基于声音信号的风机故障预警方法，该方法能够从部件运行声音信号中挖掘部件状态信息，提取特征指标，然后以正常数据进行模型训练，训练一个可以抵抗外部干扰的预警模型，并将采集数据进行量化，设定报警阈值，最后依据异常帧统计的多点连续报警机制来判断风机是否发出现稳定性故障。该方法一方面解决了传统振动传感器价格高，不方便布置的的问题，另一个方面对于维护人员对风机的维护具有指导性意义。
6.为达到以上目的，本发明的技术方案为：
7.一种基于声音信号的风机故障预警方法，包括以下步骤：
8.1)根据风机运行时获得的声音信号，提取梅尔频率倒谱系数；
9.2)将每一帧梅尔频率倒谱系数输入som网络进行聚类分析，构造综合健康指标；
10.3)超过综合健康指标的帧为异常帧，统计异常帧数量，判断异常帧数量是否超过设定值，若超过，则判断风机出现稳定性故障，并进行报警，否则，风机正常。
11.进一步的，步骤1)的具体步骤：
12.(1)对风机运行时获得的声音信号中的每一帧信号进行fft变换；
13.(2)对进行fft变换后每一帧信号计算第i帧语音的能量谱；
14.(3)将第i帧语音的能量谱通过mel滤波器并求和，得到能量；
15.(4)将能量取对数后进行离散余弦变换，得到每一帧梅尔频率倒谱系数；
16.进一步的，能量通过下式计算：
[0017][0018]
式中，k表示频域中的第k条谱线，n为一帧信号中谱线的总数，m为梅尔滤波器的总个数，hm为梅尔滤波器。
[0019]
进一步的，每一帧梅尔频率倒谱系数通过下式计算：
[0020][0021]
式中，v是离散余弦变换(doc)后的谱线。
[0022]
进一步的，步骤2)具体过程如下：
[0023]
采集正常状态下的运行数据，并构成训练数据集，采用训练数据集训练som网络，得到训练好的som网络；将风机当前状态下的运行数据进行梅尔频率倒谱系数提取，然后输入到训练好的som模型中计算综合健康指标。
[0024]
进一步的，步骤2)具体过程如下：
[0025]
采集风机正常运行时的声音信号，并计算梅尔频率倒谱系数，训练som网络，输出训练时的神经元权值向量，并得到训练好的som网络；
[0026]
根据实时检测到的风机运行时的声音信号，计算梅尔频率倒谱系数，输入到训练好的som网络，输出测试时的神经元权值向量；
[0027]
计算训练时的神经元权值向量与测试时的神经元权值向量之间的马氏距离，选择距离最小的神经元作为bmu，最小距离为综合健康状态指标。
[0028]
进一步的，综合健康状态指标通过下式计算：
[0029]
mqem＝||d-m
bmu
||
[0030]
式中：mqem——综合健康状态指标；d——输入向量；m
bmu
——bmu的权值向量。
[0031]
进一步的，步骤3)的具体过程如下：
[0032]
若实时检测的每一帧信号的综合健康状态指标超过报警阈值，则视为异常帧，若没有超过，则视为正常；通过时窗划分的方法统计异常帧数量，判断异常帧数量是否超过50％，
[0033]
若超过则判断风机出现稳定性故障，并进行报警，否则，风机正常。
[0034]
进一步的，报警阈值通过以下过程确定：
[0035]
根据训练时的神经元权值向量，结合3δ准则，计算报警阈值。
[0036]
与现有技术比较，本发明的有益效果为：本发明采用基于声音信号的多特征信息融合，提取声音信号特有的梅尔频率倒谱系数特征，能在风机运行产生的信号中挖掘更多的故障信息。本发明基于提取的声学特征，用自组织神经网络(som)进行特征融合，有助于故障预警算法更加高效的检测出故障，以便获得较高的风机故障检出率；不同于传统的故障诊断中所用的振动信号，本发明基于声音信号，具有不需要接触式布置传感器，部署方
[0059]
式中，i表示第i帧，k表示频域中的第k条谱线。
[0060]
(3)将第i帧语音的能量谱e(i,k)通过mel滤波器并求和，得到能量s(i,m):
[0061][0062]
式中，k表示频域中的第k条谱线，n为一帧信号中谱线的总数，m为梅尔滤波器的总个数，hm为梅尔滤波器。
[0063]
在频域中相当于把每帧的能量谱e(i,k)与mel滤波器的频域响应h相乘并相加，m是指第m个mel滤波器。
[0064]
(4)将能量s(i,m)取对数后进行离散余弦变换，即可得每一帧梅尔频率倒谱系数：
[0065][0066]
式中，v是离散余弦变换(doc)后的谱线。
[0067]
所提取的梅尔频谱倒谱系数是一个i
×
m维矩阵，i是语音信号帧数，m是滤波器个数，一般提取12～14维特征，之后再提取梅尔倒谱系数的一阶、二阶差分参数以描述mfcc的动态变化，组成特征向量。
[0068]
2)其次，将每一帧梅尔频率倒谱系数输入自组织神经网络(som)进行聚类分析与可视化，从而实现信息融合，并进行综合健康指标的构造；具体过程如下：
[0069]
首先，采集风机正常运行时采集的声音信号，并计算梅尔频率倒谱系数，训练som网络，输出训练时的神经元权值向量，并得到训练好的som网络；
[0070]
再根据实时检测到的风机运行时的声音信号，计算梅尔频率倒谱系数，输入到训练好的som网络，输出测试时的神经元权值向量；
[0071]
计算训练时的神经元权值向量与测试时的神经元权值向量之间的马氏距离，选择距离最小的神经元作为bmu，这一最小距离即可以被视为多指标融合后获得的综合健康状态指标，若最小距离增大，则表示此时对应的工作点已经开始偏离原来正常状态数据训练的特征空间，设备或部件性能已经开始发生退化，综合健康状态下降。训练时的神经元权值向量与测试时的神经元权值向量之间的马氏距离实质上反映的是当前获得的实时检测检测数据同正常运行时的偏离程度，由此可以定义综合健康状态指标(minimum quantization error,mqem)：
[0072]
mqem＝||d-m
bmu
||
[0073]
式中：mqem——综合健康状态指标；d——输入向量；m
bmu
——bmu的权值向量。
[0074]
mqem越小，说明设备或零部件的当前状态同正常状态越接近。反之，mqem越大，说明当前状态同其正常状态之间的偏离程度越大，设备综合健康状态越差。
[0075]
采集风机正常状态下的运行数据，并构成训练数据集，采用训练数据集训练som网络，得到训练好的som网络；将风机当前状态下的运行数据进行梅尔频率倒谱系数提取，然后输入到训练好的som模型中计算综合健康指标。
[0076]
3)再次，引入3δ准则用于报警阈值的确定；具体过程如下：
[0077]
利用监测过程中的mqem值进行预警还需要解决如何根据正常状态下训练数据所得mqem值确定最终的报警阈值。在监测过程中，根据实际监测数据计算所得mqem曲线上常含有许多毛刺，为了提取出mqem的趋势变化项，消除mqem曲线上的毛刺，减小误报发生的可能
性，选取了3δ准则用于报警阈值确定，认为样本值如果超过均值3倍标准差，则将其视为异常值。根据训练时的神经元权值向量，结合3δ准则，计算报警阈值。
[0078]
4)最后，通过时窗划分的方法统计异常帧数量，判断异常帧数量是否超过设定值(根据实际需要确定)，若超过则判断风机出现稳定性故障，否则，风机正常。
[0079]
若实时检测的每一帧信号的综合健康状态指标超过报警阈值，则视为异常帧，若没有超过，则视为正常。若连续若干帧信号中50％帧信号的健康状态指标超过报警阈值，则报警，否则不报警。
[0080]
比如：若连续20帧信号中10帧信号的健康状态指标超过报警阈值，则报警。
[0081]
异常的出现并不代表风机出现故障，偶发性的异常有可能被风机自行恢复，但是故障的产生会导致异常的持续出现，因此，通过时窗划分的方法，对一段时间内的异常帧进行统计来判断风机是否出现稳定性的故障。
[0082]
实施例：
[0083]
该实施例结合华为数据中心冷却系统风机数据验证了该发明的有效性
[0084]
图1是本发明提出的一种基于声音信号的风机故障预警方法的处理流程图，下面依照该流程处理华为数据中心空调冷却系统风机预警情况。
[0085]
对于数据中心空调冷却系统风机，其故障预警的主要框架包括：基准信号获取、模型构建、异常帧监测、故障报警四个部分。
[0086]
(1)首先，考虑到风机工作时对不同的工况环境会有不同的转速，且即使是正常运行状态下，风机处于不通过转速段时候声音信号表现出来的特征差距很大，因此根据风机正常情况下转速的不同划分若干个转速段，进行模型训练时根据转速段的划分进行训练，在线监测时将在线数据依据转速段的不同输入到不同转速段的模型中进行故障预警。
[0087]
2)接着，用正常状态数据训练som网络，得到输出神经元权值向量，之后计算新获取监测数据的特征向量同已获得的各输出神经元权值向量的马氏距离，选择距离最小的神经元作为bmu，这一最小距离即可以被视为多指标融合后获得的一种综合健康状态指标，若最小误差增大，则表示此时对应的工作点已经开始偏离原来正常状态数据训练的特征空间，设备或部件性能已经开始发生退化，综合健康状态下降。输入同神经元之间的距离实质上反映的是当前数据同正常状态的偏离程度，由此可以定义最小量化误差(minimum quantization error,mqem)：
[0088]
mqem＝||d-m
bmu
||
[0089]
式中：mqem——马氏距离下的最小量化误差；d——输入向量；m
bmu
——bmu的权值向量。
[0090]
mqem越小，说明设备或零部件的当前状态同正常状态越接近。反之，mqem越大，说明当前状态同其正常状态之间的偏离程度越大，设备综合健康状态越差。图2所示为所建正常-故障模型mqem指标图。
[0091]
3)异常的出现并不代表系统出现故障，偶发性的异常有可能被系统自行恢复，但是故障的产生会导致异常的持续出现，因此，通过时窗划分的方法，对一段时间内的异常帧进行统计来判断系统是否出现稳定性的故障。
[0092]
4)在进行故障报警时，认为当一定时窗内异常帧的数目超过总样本数的50％时认为系统发生了故障，从而进行报警，图3所示为所建正常-故障模型报警图。
[0093]
通过实施以上四部分流程，由实例结果表明，本发明提出的基于声音信号的风机预警方法，能够保证较高的误报率和较低的漏报率，能够充分指导运营商进行设备维修。
[0094]
针对数据中心空调冷却系统风机预警工程实际问题，首先从获取的正常数据中提取时域、频域以及声音信号梅尔频率倒谱系数特征；其次，基于选取的敏感故障特征指标进行多源信息融合，将高维原始特征降为一维的mqem指标；再次，运用3δ准则确定报警阈值；最后，根据时窗划分和异常帧统计的多点连续报警方法进行故障预警。该方法实施简单，效果显著，为数据中心空调冷却系统风机的故障预警提供了一种有效的方法。
技术特征：1.一种基于声音信号的风机故障预警方法，其特征在于，包括以下步骤：1)根据风机运行时获得的声音信号，提取梅尔频率倒谱系数；2)将每一帧梅尔频率倒谱系数输入som网络进行聚类分析，构造综合健康指标；3)超过综合健康指标的帧为异常帧，统计异常帧数量，判断异常帧数量是否超过设定值，若超过，则判断风机出现稳定性故障，并进行报警，否则，风机正常。2.根据权利要求1所述的一种基于声音信号的风机故障预警方法，其特征在于，步骤1)的具体步骤：(1)对风机运行时获得的声音信号中的每一帧信号进行fft变换；(2)对进行fft变换后每一帧信号计算第i帧语音的能量谱；(3)将第i帧语音的能量谱通过mel滤波器并求和，得到能量；(4)将能量取对数后进行离散余弦变换，得到每一帧梅尔频率倒谱系数。3.根据权利要求2所述的一种基于声音信号的风机故障预警方法，其特征在于，能量通过下式计算：式中，k表示频域中的第k条谱线，n为一帧信号中谱线的总数，m为梅尔滤波器的总个数，h
m
为梅尔滤波器。4.根据权利要求2所述的一种基于声音信号的风机故障预警方法，其特征在于，每一帧梅尔频率倒谱系数通过下式计算：式中，v是离散余弦变换(doc)后的谱线。5.根据权利要求1所述的一种基于声音信号的风机故障预警方法，其特征在于，步骤2)具体过程如下：采集正常状态下的运行数据，并构成训练数据集，采用训练数据集训练som网络，得到训练好的som网络；将风机当前状态下的运行数据进行梅尔频率倒谱系数提取，然后输入到训练好的som模型中计算综合健康指标。6.根据权利要求1所述的一种基于声音信号的风机故障预警方法，其特征在于，步骤2)具体过程如下：采集风机正常运行的声音信号，并计算梅尔频率倒谱系数，训练som网络，输出训练时的神经元权值向量，并得到训练好的som网络；根据实时检测到的风机运行时的声音信号，计算梅尔频率倒谱系数，输入到训练好的som网络，输出测试时的神经元权值向量；计算训练时的神经元权值向量与测试时的神经元权值向量之间的马氏距离，选择距离最小的神经元作为bmu，最小距离为综合健康状态指标。7.根据权利要求6所述的一种基于声音信号的风机故障预警方法，其特征在于，综合健康状态指标通过下式计算：mqe
m
＝||d-m
bmu
||
式中：mqe
m
——综合健康状态指标；d——输入向量；m
bmu
——bmu的权值向量。8.根据权利要求1所述的一种基于声音信号的风机故障预警方法，其特征在于，步骤3)的具体过程如下：若实时检测的每一帧信号的综合健康状态指标超过报警阈值，则视为异常帧，若没有超过，则视为正常；通过时窗划分的方法统计异常帧数量，判断异常帧数量是否超过50％，若超过则判断风机出现稳定性故障，并进行报警，否则，风机正常。9.根据权利要求1所述的一种基于声音信号的风机故障预警方法，其特征在于，报警阈值通过以下过程确定：根据训练时的神经元权值向量，结合3δ准则，计算报警阈值。
技术总结一种基于声音信号的风机故障预警方法，包括以下步骤：根据风机运行时获得的声音信号，提取梅尔频率倒谱系数；将每一帧梅尔频率倒谱系数输入SOM网络进行聚类分析，构造综合健康指标，超过综合健康指标的帧为异常帧，统计异常帧数量，判断异常帧数量是否超过设定值，若超过，则判断风机出现稳定性故障，并进行报警，否则，风机正常。本发明基于提取的声学特征，用自组织神经网络进行特征融合，有助于故障预警算法更加高效的检测出故障，以便获得较高的风机故障检出率；本发明基于声音信号，不需要接触式布置传感器，部署方便，有利于生产商进行高效大规模监测的优势。高效大规模监测的优势。高效大规模监测的优势。
技术研发人员：王宇 原翔宇 訾艳阳
受保护的技术使用者：西安交通大学
技术研发日：2022.03.30
技术公布日：2022/7/5
