[发明专利]一种基于Inception与GMM的压缩机设备异常状态检测方法

权利要求书

1.一种基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，包括以下步骤：

采集待检测的压缩机设备声音；

分别提取待检测的压缩机设备声音的同数据维度的MFCC特征值和LPCC特征值；

将MFCC特征值和LPCC特征值进行均值计算并融合合并，获得MPCC特征数组；

通过Inception网络对MPCC特征数组进行降维、聚合和提取，获得特征值的二维数组；

将特征值的二维数组采用训练好的GMM模型的分类函数进行类别预测，输出最大类别标签，确定压缩机设备异常状态的预测类别。

2.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述GMM模型的训练包括：

使用numpy中随机加噪方法，对原始拾音器采集的正常压缩机设备声音进行随机加噪，构建异常声音训练数据集；

通过异常声音训练数据集对GMM模型进行训练。

3.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述MFCC特征值的提取，包括以下步骤：

对原始采集的压缩机设备声音进行预加重、分帧、加窗处理，将n个采样点集合成一帧，将每一帧乘以汉明窗；

对加窗后的压缩机设备声音信号的每一帧进行傅里叶变换；

对傅里叶变换后的信号进行取模和平方，转换为功率谱数据；

对功率谱数据进行处理，先转换成张量Tensor形式，再使用LSTM网络结构对时间序列进行关联性提取后映射输出；

将处理后的功率谱数据通过三角带通滤波器转换到Mel谱，将语音信号的频域变换到感知频域频域中；

将转换后的能量谱进行取对数，放大低频能量处的能量差异；

将获得的对数能量通过离散余弦变换获得倒谱，再通过一阶、二阶差分后，得到MFCC特征值。

4.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述LPCC特征值的提取，包括以下步骤：

使用MATLAB对正常以及异常声音文件分别进行LPCC值计算，与MFCC统一数据维度，获得LPCC特征值。

5.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述GMM模型的分类函数为概率密度计算函数，在状态检测过程中，使用GMM的概率密度计算函数，计算属于每一类别的加权对数概率，选择最大的概率所属类别进行输出。

6.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，还包括：

通过巡检机器人搭载的拾音器进行压缩机设备声音采集，并通过巡检机器人对压缩机设备的状态进行实时语音播报。

7.根据权利要求6所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，还包括判断压缩机开机状态，和拾音器工作状态，具体包括以下步骤：

当拾音器采集的待检测的压缩机设备声音小于-46dBFS时，表示采集到空声音，拾音器产生问题，未采集到声音；在大于-46且小于-19dBFS时，表示采集到环境音，也就是压缩机未开机的情况；在大于-19dBFS的情况，进行正常或异常标签的预测。

8.根据权利要求1所述的基于Inception与GMM的压缩机设备异常状态检测方法，其特征在于，所述类别标签包括正常、异常、皮带异常、发动机异常、金属摩擦和金属碰撞；将除“正常”标签以外的所有其他类别标签，统一为“异常”标签，最终输出“正常”和“异常”两种形式。