Результат интеллектуальной деятельности: СПОСОБ И УСТРОЙСТВО ДЛЯ КЛАССИФИКАЦИИ ГЕНЕРИРУЮЩИХ ЗВУК ПРОЦЕССОВ

Изобретение относится к способу и устройству для классификации генерирующих звук процессов, например, звуковых сигналов, которые генерируются при рабочих процессах машины или при химических процессах установки.

В большинстве процессов генерируются звуковые или вибрационные сигналы, которые характеризуют процесс. Например, при химических процессах могут возникать пузырьки газа, которые в устройствах резервуаров или в трубах вызывают шумы. Другим примером являются машины или компоненты машин, которые в процессе изготовления или производства в зависимости от их рабочего состояния и, при обстоятельствах, от условий окружающей среды генерируют характеристические звуковые или вибрационные сигналы.

Анализ измеренных данных технических процессов используется, в том числе, для обнаружения дефектных компонентов. Анализ измеренных данных, в частности, генерирующих звук процессов, может проводиться посредством физических моделей или посредством статистических моделей соответствующих процессов. Эти модели, как правило, разрабатываются в процессе-прототипе в лабораторных условиях и применяются в условиях эксплуатации, например, во время использования прибора в цеху. При этом может иметь место то, что измеренные данные, которые получают на основе генерирующих звук процессов, подвергаются влиянию изменяющихся сигналов окружающей среды, например, на основе изменяющейся акустики помещения. Кроме того, может иметь место то, что исследуемая машина или исследуемый процесс работают при других рабочих условиях или с модифицированными деталями машины. Если полученные из процесса-прототипа физические или статистические модели использовать в неизменном виде в условиях эксплуатации, то качество анализа может снизиться настолько, что не сможет быть получена удовлетворительная классификация исследуемых процессов или исследуемой машины. Например, дефектная деталь машины не будет своевременно классифицирована как дефектная.

Поэтому обычно физические или статистические модели исследуемого процесса адаптируются к изменяющимся условиям, чтобы гарантировать достаточное качество анализа. Если, например, исследуется рабочий процесс детали машины, то, на основе вызванного деталью машины звукового сигнала, определенный признак полученного звукового сигнала может использоваться для классификации. Возможным признаком звукового сигнала является сила звука звукового сигнала или шумового сигнала. Если сила звука звукового сигнала превышает заданное пороговое значение, то исследуемая деталь машины классифицируется как дефектная, и выдается соответствующее сообщение об ошибке. Но если изменяются условия окружающей среды, например, из-за установленного рядом с деталью машины дополнительного прибора, например, вентилятора, который вызывает дополнительный шумовой сигнал, то уровень громкости или предварительно установленный порог превышается и исправная деталь машины ошибочным образом классифицируется как дефектная. Поэтому при обычном способе действий установка содержательного порогового значения или критерия классификации связана с затратами и требует большого времени, так как при обстоятельствах также шумовые сигналы от дефектных деталей машин, которые для этого дополнительно устанавливаются в машине, должны измеряться для установки подходящего порогового значения. Другим недостатком обычного способа действий является то, что при быстром изменении сигналов окружающей среды необходимая адаптация физических и статистических моделей часто происходит слишком медленно, так что необходимое качество анализа не может быть своевременно достигнуто.

Поэтому задачей настоящего изобретения является создание способа и устройства для классификации генерирующих звук процессов, которые осуществляют адаптацию модели автоматически с незначительными вычислительными затратами и гарантируют безошибочную классификацию генерирующих звук процессов также при быстро изменяющихся условиях окружающей среды.

Эта задача в соответствии с изобретением решается способом с признаками, приведенными в пункте 1 формулы изобретения.

Изобретение создает способ для классификации генерирующих звук процессов со следующими этапами:

- определение звуковых сигналов, которые вызываются генерирующими звук процессами,

- извлечение заданных признаков из определенных звуковых сигналов для соответствующего генерирующего звук процесса,

- вычисление подобия между определенными звуковыми сигналами на основе извлеченных признаков для группирования процессов со сходными друг с другом звуковыми сигналами в кластеры процессов,

- адаптация статистических параметров распределения опорной модели в зависимости от статистических параметров распределения тех процессов, которые содержатся в кластере процессов с максимальным количеством сгруппированных в нем процессов, для выработки адаптированной модели,

- классификация генерирующих звук процессов на основе адаптированной модели.

В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется посредством рабочего процесса машины.

В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется химическим процессом установки.

В форме выполнения соответствующего изобретению способа звуковой сигнал генерируется воздушным звуковым сигналом или корпусным звуковым сигналом.

В форме выполнения соответствующего изобретению способа полученный звуковой сигнал преобразуется сенсором в электрический сигнал.

В форме выполнения соответствующего изобретению способа полученный звуковой сигнал подвергается фильтрации нижних частот.

В форме выполнения соответствующего изобретению способа аналоговый звуковой сигнал преобразуется посредством аналого-цифрового преобразователя в цифровой сигнал.

В форме выполнения соответствующего изобретению способа заданные временные интервалы оцифрованного звукового сигнала подвергаются частотному преобразованию для генерации спектра звукового сигнала.

В форме выполнения соответствующего изобретению способа признаки звукового сигнала извлекаются из временной области или из частотной области.

В форме выполнения соответствующего изобретению способа для каждого генерирующего звук процесса в различные моменты времени измерений формируются векторы признаков, которые имеют извлеченные признаки.

В форме выполнения соответствующего изобретению способа из нескольких векторов признаков процесса для каждого признака вычисляются статистические параметры распределения.

В форме выполнения соответствующего изобретению способа статистические параметры распределения признака имеют среднее значение и дисперсию соответствующего признака.

В форме выполнения соответствующего изобретению способа расстояние между статистическими параметрами распределения различных звуковых сигналов вычисляется для определения подобия между звуковыми сигналами.

В форме выполнения соответствующего изобретению способа подобные друг другу звуковые сигналы процессов, у которых статистические параметры распределения обнаруживают незначительное расстояние друг от друга, группируются в кластер процессов.

В форме выполнения соответствующего изобретению способа вычисляются статистические параметры распределения опорной модели на основе извлеченных признаков звукового сигнала, который выдается прототипом.

В форме выполнения соответствующего изобретению способа определяется количество процессов внутри различных сформированных кластеров процессов.

В форме выполнения соответствующего изобретению способа выбирается кластер процессов, у которого количество сгруппированных в нем процессов максимально.

В форме выполнения соответствующего изобретению способа классификация генерирующих звук процессов осуществляется на основе адаптированной модели посредством способа максимального правдоподобия.

Изобретение также создает устройство для классификации генерирующих звук процессов с

- по меньшей мере одним сенсором для определения звуковых сигналов, которые вызываются генерирующими звук процессами,

- запоминающим устройством для хранения опорной модели, которая имеет статистические параметры распределения для заданных признаков звукового сигнала,

- блоком адаптации для извлечения признаков из определенных звуковых сигналов процессов и для вычисления подобия между определенными звуковыми сигналами на основе извлеченных признаков для группирования процессов в различные кластеры процессов с подобными друг другу звуковыми сигналами,

- причем блок адаптации адаптирует сохраненную опорную модель в зависимости от статистических параметров распределения тех процессов, которые содержатся в кластере процессов с максимальным количеством процессов,

- и с блоком классификации, который классифицирует генерирующие звук процессы на основе адаптированной модели.

Далее описаны предпочтительные формы выполнения соответствующего изобретению способа и соответствующего изобретению устройства для классификации генерирующих звук процессов со ссылками на приложенные чертежи для пояснения существенных признаков изобретения.

На чертежах показано следующее:

Фиг.1 - простой пример применения для иллюстрации соответствующего изобретению способа;

Фиг.2 - диаграмма возможной формы выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;

Фиг.3 - блок-схема примера выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;

Фиг.4 - пример выполнения соответствующего изобретению способа для классификации генерирующих звук процессов;

Фиг.5А, 5В - диаграммы для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов;

Фиг.6 - простой пример для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов;

Фиг.7А, 7В - диаграммы для пояснения соответствующего изобретению способа на основе изображенного на фиг.6 примера;

Фиг.8 - абстрактная модель для пояснения соответствующего изобретению способа для классификации генерирующих звук процессов.

На фиг.1 изображен простой пример применения для соответствующего изобретению способа для классификации генерирующих звук процессов. Несколько вагонов W поезда двигаются по рельсу S. Вагоны W перемещаются на колесах R, которые в процессе качения, ввиду трения, генерируют звуковой сигнал. Этот звуковой сигнал содержит, с одной стороны, воздушный звуковой сигнал и, с другой стороны, корпусной звуковой сигнал. Если колеса R перемещаются над возвышением или шпалой рельса, то амплитуда звукового сигнала повышается. В показанном примере переднее колесо второго вагона W2 является дефектным. Это дефектное колесо или эта дефектная деталь машины генерирует звуковой сигнал, иной, чем остальные недефектные колеса поезда. С помощью соответствующего изобретению способа возможно подобную дефектную деталь машины классифицировать как неисправную. В простом примере выполнения, представленном на фиг.6, осуществляется классификация генерирующих звук процессов различных подобных деталей машин. В представленном примере процессом является генерирующий звук рабочий процесс. Соответствующий изобретению способ вообще пригоден для каждого типа процессов, при которых генерируется звуковой или вибрационный сигнал. Например, может также осуществляться классификация генерирующих звук химических процессов, при которых, например, возникают газы, которые вызывают звуковые или вибрационные сигналы в трубах или резервуарах.

На фиг.2 показана диаграмма возможной формы выполнения соответствующего изобретению способа классификации генерирующих звук процессов.

На этапе S1 воспринимаются выработанные звуковые сигналы процессов, например, генерирующих звук процессов, которые вызываются шестью показанными на фиг.1 колесами R. Звуковые сигналы воспринимаются, например, посредством приемников звука или датчиков вибрации, которые находятся вблизи того места, в котором имеет место генерирующий звук процесс Р.

На этапе S2 извлекаются определенные признаки m из воспринятых звуковых сигналов для соответствующего процесса Р. Звуковой сигнал может иметь множество различных признаков m. Возможный признак m является, например, силой звука или уровнем громкости звука звукового сигнала. Другими возможными признаками являются амплитуды или уровни громкости звука различных частот, в особенности частот модуляции. Эти частоты могут, например, определяться частотой вращения f_rot поворотного или вращающегося тела. В показанном на фиг.1 простом примере применения возможный признак m является амплитудой A(f) звукового сигнала при частоте вращения (числе оборотов) f_rot колес R. Если, например, в плоскости качения колеса R по радиусу в некотором месте имеется дефект, то он вызывает при каждом полном обороте колеса характеристическое изменение звукового сигнала. Количество предварительно определенных признаков m может варьироваться. Например, может задаваться от 10 до 500 признаков m звукового сигнала. Эти различные признаки m образуют вектор V признаков звукового сигнала.

На следующем этапе S3 соответствующего изобретению способа вычисляется подобие между воспринятыми звуковыми сигналами на основе извлеченных признаков для группировки процессов со сходными между собой звуковыми сигналами в кластеры С процессов. При этом вычисляется, например, дистанция Δ или расстояние (степень подобия) между векторами V признаков в многомерном векторном пространстве.

На этапе S4 статистические параметры распределения опорной модели адаптируются в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в тех кластерах С процессов, которые имеют максимальное количество сгруппированных в них процессов.

Адаптированная на этапе S4 опорная модель на этапе S5 применяется для классификации генерирующих звук процессов Р. Классификация на этапе S5 может осуществляться, например, посредством алгоритма максимального правдоподобия.

Фиг.3 показывает пример выполнения соответствующего изобретению устройства 1 для классификации генерирующих звук процессов. Устройство 1 содержит по меньшей мере один сенсор 2 для восприятия звуковых или вибрационных сигналов, которые вызываются генерирующим звук процессом Р. Сенсор 2 является, например, микрофоном для восприятия звукового сигнала. В альтернативной форме выполнения сенсор 2 определяет корпусной звуковой сигнал и размещен, например, на корпусе машины. В возможной форме выполнения сенсор является датчиком ускорения. Сенсор 2 преобразует акустический или вибрационный сигнал в электрический сигнал и выдает его в качестве измеренных данных М по линии 3 на блок 4 адаптации. Блок 4 адаптации извлекает определенный признак m из воспринятых звуковых сигналов процессов Р и вычисляет подобие между воспринятыми звуковыми сигналами на основе извлеченных признаков m. На основе вычисленного подобия между звуковыми сигналами процессы Р группируются в кластеры С процессов, которые имеют подобные друг другу звуковые сигналы. Затем блок 4 адаптации адаптирует опорную модель, которая, например, считывается по линии 5 из запоминающего устройства 6 в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в том кластере С процессов, который имеет максимальное количество сгруппированных в нем процессов Р.

Блок 7 классификации, который по линиям 8 соединен с блоком 4 адаптации, классифицирует затем генерирующие звук процессы Р на основе модели, адаптированной блоком 4 адаптации, и измеренных данных М процессов Р.

На фиг.4 показан возможный пример выполнения соответствующего изобретению устройства 1 для классификации генерирующих звук процессов Р.

В машине генерирующий звук процесс Р вырабатывает звуковой или вибрационный сигнал, который воспринимается микрофоном 2. Воздушный звуковой сигнал преобразуется с помощью микрофона 2 в электрический сигнал и подвергается фильтрации нижних частот с помощью фильтра нижних частот (ФНЧ) 9. Прошедший фильтрацию нижних частот сигнал дискретизируется аналого-цифровым преобразователем (АЦП) 10 с определенной частотой дискретизации и преобразуется в цифровую форму. Фиг.5А показывает пример оцифрованного звукового сигнала, который выдается аналого-цифровым преобразователем 10. Блок 11 оконной обработки образует временные окна (интервалы) или вырезки оцифрованного сигнала. В примере, показанном на фиг.5А, во временном окне выданы семь дискретных значений или выборок s1-s7. Длительность или величина временного окна предпочтительно является регулируемой. Временное окно, которое содержит несколько дискретных значений s, подается на блок 12 частотного преобразования. Временное окно оцифрованного звукового сигнала с помощью блока 12 частотного преобразования подвергается частотному преобразованию для формирования спектра звукового сигнала. Например, выделенный посредством временного окна звуковой сигнал подвергается быстрому преобразованию Фурье (БПФ), чтобы сформировать соответствующий спектр звукового сигнала временного окна. Затем блок 13 суммирования определяет сумму спектра звукового сигнала. Фиг.5В показывает пример для спектра, который обусловлен вращающимся телом с определенной частотой вращения f_rot. На основной частоте f_rot и гармонических составляющих частотный спектр имеет типичным образом амплитудные максимумы.

В примере осуществления, показанном на фиг.4, как из временного звукового сигнала, так и из частотного спектра извлекаются признаки m звукового сигнала. Для этого блок 4 адаптации содержит блок 4-1 для извлечения временных признаков и блок 4-2 для извлечения частотных признаков. В случае признаков m во временной области речь может идти, например, о просуммированных амплитудах различных дискретных значений во временном окне или о силе звука звукового сигнала. В случае частотных признаков могут, например, оцениваться амплитуды на основной частоте f_rot и гармонических составляющих, то есть кратных значениях основной частоты. В качестве альтернативы, может также, например, в качестве признака привлекаться энергия сигнала внутри частотного диапазона FB спектра. Для каждого частотного диапазона FB может вычисляться соответствующее расчетное значение энергии и, которое получается, например, из амплитуды спектральных составляющих. Если спектр, например, охватывает 30 частотных диапазонов, то тем самым получаются 30 различных частотных признаков m_F. Полученные из временной области признаки m_Z и полученные из частотной области признаки m_F подаются на блок 4-3 обработки данных блока 4 адаптации. Блок 4 обработки данных представляет собой, например, микропроцессор, на котором исполняется программа. Блок 4 обработки данных выгружает из запоминающего устройства 6 сохраненную опорную модель. Блок 4 обработки данных вычисляет на основе признаков m_Z, m_F воспринятого звукового сигнала процессов Р расстояние Δ между воспринятыми звуковыми сигналами в многомерном пространстве признаков, причем те процессы, которые по отношению друг к другу имеют подобные звуковые сигналы или у которых вычисленное расстояние Δ по отношению друг к другу незначительно, группируются в кластер С процессов. Затем блок 4 обработки данных выбирает тот кластер С процессов, который содержит максимальное число Z_max процессов Р. Выгруженная из запоминающего устройства 6 опорная модель затем адаптируется к статистическим параметрам распределения тех процессов Р, которые содержатся в наибольшем кластере С процессов. Блок 7 классификации классифицирует затем генерирующие звук процессы Р на основе адаптированной модели. Определенное с помощью блока 7 классификации рабочее состояние или дефектное состояние выдается.

Фиг.6 показывает простой пример для наглядной иллюстрации соответствующего изобретению способа. После восприятия звуковых сигналов на этапе S1 извлекаются предварительно определенные признаки m различных процессов Р. Например, воспринимаются звуковые сигналы шести различных колес R, как они представлены на фиг.1. В показанном на фиг.6 простом примере каждый вектор V признаков имеет три признака m1, m2, m3, например, сигнальный уровень звукового сигнала в качестве признака m1, амплитуду A(f) при определенной частоте f, такой как частота f_rot вращения на фиг.5, в качестве признака m2 и энергию Е сигнала в определенном частотном диапазоне FB в качестве признака m3.

На основе вектора V признаков различных генерированных процессов Р1-Р6 или различных деталей машин осуществляется вычисление подобия. Для этого рассчитываются дистанции или расстояния (меры сходства) между признаками m. В возможной форме выполнения в различные моменты времени t₁-t_M вычисляются вектора V признаков для различных процессов Р и отсюда вычисляется вектор V или матрица статистических параметров распределения. Следующее уравнение показывает наглядно способ действия.

В приведенном примере статистический параметр распределения является средним значением µ признака m по заданному числу точек ti измерений. Наряду со статистическим параметром распределения - средним значением µ - могут вычисляться другие статистические параметры распределения, как, например, дисперсия σ. При этом, например, в основе статистического распределения лежит гауссово распределение согласно фиг.7В. Также возможны другие статистические распределения с другими статистическими параметрами распределения.

На основе определенных статистических параметров распределения различных процессов Р можно попарно между процессами вычислить расстояние. Например, расстояние Δ между двумя процессами Р1, Р2 вычисляется следующим образом:

Расстояние (Р₁/Р₂) = |µ_1p1 - µ_1p2|² +|µ_2p1 - µ_1p2|² + |µ_3p1 - µ_3p2|²

(2)

После того как подобие между различными звуковыми сигналами различных процессов Р или расстояния Δ между звуковыми сигналами на основе статистических параметров распределения рассчитаны, те процессы Р, которые имеют подобные друг другу звуковые сигналы, могут группироваться в кластеры С процессов. Фиг.7А показывает простой пример для различных процессов Р1-Р6 в трехмерном пространстве признаков, которое проходит через признаки m1, m2, m3. В примере, показанном на фиг.7А, звуковые сигналы процессов Р1 Р2, Р4, Р5 подобны друг другу и образуют кластер С_А, в то время как звуковые сигналы или статистические параметры распределения звуковых сигналов процессов Р3, Р6 отличаются от них и образуют собственный, отличный от него кластер С_В процессов. Ввиду вероятности того, что число не являющихся дефектными деталей машин или процессов Р больше, чем число дефектных или становящихся дефектными деталей машин или процессов, можно исходить из того, что генерирующие звук процессы Р1 Р2, Р4, Р5 большего кластера С_А представляют не дефектные детали машин. Так как число Z_A сгруппированных внутри кластера С_А процессов Р больше, чем число Z_B сгруппированных внутри кластера С_В процессов Р, выбирается кластер С_А процессов, и опорная модель детали машины, как представлено на фиг.6, адаптируется на основе признаков m процессов Р, содержащихся в кластере С_А процессов. Например, в качестве статистических параметров сохраненной опорной модели среднее значение µ формируется посредством среднего значения признаков m процессов Р внутри кластера С_А процессов. В возможной форме выполнения вычисление адаптированной опорной модели осуществляется в зависимости от статистических параметров распределения тех процессов Р, которые содержатся в большем кластере процессов, и в зависимости от прежнего статистического параметра распределения опорной модели. В этой форме выполнения адаптация осуществляется итеративно или эволюционно.

Фиг.8 показывает абстрактную математическую модель для пояснения соответствующего изобретению способа. От различных однотипно выполненных деталей машин, например, от показанных на фиг.1 колес R, получают измеренные данные М, которые подвергаются анализу на подобие для выбора подобных измеренных данных. Подобные измеренные данные или подобные друг другу звуковые сигналы выбираются и используются для адаптации модели. Классификация процесса Р осуществляется затем на основе измеренных данных М соответствующего процесса Р и статистических параметров q модели. Это приводит к результатам Е классификации, которые, например, указывают, является ли деталь машины дефектной или нет. При такой адаптации модели параметры q модели или статистические параметры распределения, такие как среднее значение µ и дисперсия σ статистического распределения непрерывно адаптируются на основе подобных измеренных данных М. Все измеренные сигналы или измеренные данные М классифицируются посредством блока 7 классификации на основе адаптированной модели. Соответствующий изобретению способ использует тот факт, что в машинах, в которых встроено множество однотипных деталей машин, большинство деталей машин являются не дефектными, и их измеренные данные могут использоваться для адаптации модели. За счет соответствующего изобретению способа отпадает необходимость в связанных с высокими затратами мероприятиях по согласованию для анализа дефектных деталей машин. В частности, в соответствующем изобретению способе не требуется встраивать заведомо дефектные детали машин и проводить адаптацию модели на основе их шумовых сигналов. В случае статистических моделей, используемых в соответствующем изобретению способе, можно определить подобие, например, на основе оценок логарифма вероятности измеренных данных, причем из подобия оценок можно сделать вывод, принадлежат ли измеренные данные к не дефектной детали машины или процессу, или нет. Так как множество деталей машины принимают участие в измерении, в случае ненадежной ситуации с данными, в соответствующем изобретению способе не требуется учитывать каждое измеренное значение.