[发明专利]一种基于深度学习理论的设备故障声源定位方法

权利要求书

1.一种基于深度学习理论的设备故障声源定位方法，其特征在于：包括如下步骤：

S1、通过麦克风阵列MEMS传感器进行声源信号采集，从而获取故障点的原始声源信号；

S2、对原始声源数据进行傅里叶变换和灰度处理，使其转换为STFT灰度图像，并将STFT灰度图像输入经过训练的声源位置神经网络模块，从而得到故障点的定位信息；

S3、将原始声源数据输入经过训练的声压强度神经网络模块，从而得到故障点的声压强度；

S4、结合故障点的定位信息和声压强度判断设备的故障情况。

2.如权利要求1所述的一种基于深度学习理论的设备故障声源定位方法，其特征在于：在步骤S2中， 所述声源位置神经网络模块为RepVGG-B0网络。

3.如权利要求2所述的一种基于深度学习理论的设备故障声源定位方法，其特征在于：所述RepVGG-B0网络的训练和推理过程均有5个阶段，每个阶段的层数依次为[1，4，6，16，1]。

4.如权利要求1所述的一种基于深度学习理论的设备故障声源定位方法，其特征在于：在步骤S3中，所述声压强度神经网络模块为浅层一维卷积神经网络，其包括3层一维卷积层和4层全连接层。

5.如权利要求1所述的一种基于深度学习理论的设备故障声源定位方法，其特征在于：在步骤S2中，根据公式（1）将原始声源信号通过短时傅里叶变换转化为时频图像；

式中：N表示声源个数，表示汉明窗的长度，R表示相邻窗之间的跳接尺寸，表示汉明窗的宽度。

6.如权利要求1所述的一种基于深度学习理论的设备故障声源定位方法，其特征在于：在步骤S2和S3中，通过bp训练方法对所述声源位置神经网络模块和声压强度神经网络模块进行训练，首先计算输出的声源位置与实际声源位置的差值以及输出的声压强度与实际声压强度的差值，接着根据公式（2）计算代价函数，最后根据代价函数对声源位置神经网络模块和声压强度神经网络模块进行迭代修正；

式中：α表示平衡训练声源位置和声压强度的损失函数两者之间数量级的超参数。