CN102778358A - 故障预测模型建立方法及系统、风机监测预警系统及方法 - Google Patents

Abstract

本发明公开了一种故障类型预测模型的建立方法，包括：采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；将该振动特征参数代入故障类型振动模板以得到与该振动特征参数相对应的故障类型；将该音频特征参数与该故障类型相关联以建立故障类型音频模板。本发明还公开了一种故障类型预测模型的建立系统、故障概率预测模型的建立方法及系统和风机监测预警系统及方法。本发明的风机监测预警系统及方法灵敏度更高、故障监测更准确。

Description

故障预测模型建立方法及系统、风机监测预警系统及方法

技术领域

本发明涉及一种故障预测模型建立方法及系统、风机监测预警系统及方法，特别是涉及一种以音频信号辅助振动信号的故障预测模型建立方法及系统、风机监测预警系统及方法。

背景技术

风力发电厂的所有人越来越感到运营成本的压力，迫切希望降低运营成本；尤其在当今时代更是如此。要实现运营成本的降低，必须更有效的使用维护和维修服务的人员。当风力发电机需要维修和维护时，就需要聘请维修人员，租借大型吊车，以及采购更换的零部件。通过使用故障诊断系统，风力发电厂的所有人处于成本缩减的考虑，可以将多次的维修合并到一起；例如，一个风力发电机已经因故障停机，而另一台风力发电机（简称“风机”）已经出现一些部件即将发生故障的信号；那么，就可以将两个风机的维修安排合并到一起来完成以此来降低维修成本。通过追踪风力发电机的实效模式，可以延长风机的维修间隔。通过追踪风机的状态，风力发电厂的所有人可以预计风机继续运行的时间，从而延长风机的服务和维修间隔。通过将故障诊断系统集成到风力发电机上，风力发电机的操作者可以实现对风力发电机的主动性维护。换言之，通过仔细的监控，他们可以预计何时对风力发电机实施必要的维护。这使得他们可以更准确的和更有效的安排维护工作。

在风机故障中，滚动轴承、齿轮箱为容易出现故障的零部件，而滚动轴承、齿轮箱的高频故障都具有如下特点：故障初期振动冲击明显，但随着故障程度的加深，振动冲击逐渐恢复至正常值，而振动能量值却明显增大。冲击信号虽然敏感但不够稳定；振动能量值不够敏感，但会随着故障的稳定而增长。这就要求在对这类故障进行诊断时，既要关注高频冲击值，又要关注低频有效值。当前，风机的在线监测和故障诊断系统都基于对风机轴承振动的监测，对振动的加速度传感器信号值进行时域波形分析、概率密度分析、自相关分析、趋势分析、幅值谱分析、功率谱分析、倒频谱分析、包络谱分析、细化谱分析、短时傅里叶分析、小波分析等等。

然而，为了得到更精确、更灵敏的监测效果以对风机进行更好的维护并且在故障发生前及时维护、更换容易出现故障的零部件，期望找到一种灵敏度更高、故障监测更准确、预测数据更准确的监测预警系统及方法。

发明内容

本发明要解决的技术问题是为了克服现有技术中对风机故障的监测方式较为单一、监测结果灵敏度不足、故障预警准确度不高的缺陷，提供一种灵敏度更高、故障监测更准确、预测数据更准确的故障预测模型建立方法及系统、风机监测预警系统及方法。

在实现风机的监测预警之前，需要先建立较为精准、全面的故障类型预测模型和故障概率预测模型，之后在根据建立的故障类型预测模型和故障概率预测模型再来实现风机的监测预警。在现有技术中，对于风机的在线监测都基于振动信号，从而导致了监测结果灵敏度不足、故障预警准确度不高的缺陷，本发明在对风机的多种故障深入研究、大量实验的基础上引入了音频信号监测的方式来实现风机的监测预警。

本发明是通过下述技术方案来解决上述技术问题的：

一种故障类型预测模型的建立方法，其特点在于，包括以下步骤：

步骤S₁、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S₂、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S₃、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S₄、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

鉴于音频信号具有携带信息丰富和非接触测量的特点，可对移动目标进行检测，可以采用音频信号来建立精准、全面的故障类型预测模型。在该故障类型预测模型建立之初，可以采用该故障类型数据库中根据历史振动数据建立的故障类型振动模板先将与该振动特征参数相对应的故障类型确定下来，由于音频信号和振动信号是同时采集的，它们之间有着唯一确定的关系，继而可以通过该唯一确定的关系将该音频特征参数与该故障类型相关联，并由此建立故障类型音频模板，多个故障类型音频模板构成该故障类型预测模型。这样，基于音频数据的故障类型预测模型就建立完成了。当然，故障类型预测模型建立之后还可以在采集了更丰富的振动数据、音频数据后不断对该故障类型预测模型进行完善。当该故障类型预测模型由足够多的数据完善到一定程度时，甚至可以完全基于音频特征参数来实现风机的监测预警。

首先，对于振动信号来说，可以采用现有的预处理和特征提取方法来处理采集的振动信号，例如振动信号的采样按照现有的一维信号进行时频分析处理，提取信号处理的特征参数。其中，时频分析的方法，它的思路是设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。利用时频分布来分析信号，能给出各个时刻的瞬时频率及其幅值，并且能够进行时频滤波和时变信号研究。时频分析的方法包括时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法、小波分析方法。以上只是举例说明，对于振动特征参数的获得不局限于上述方法，还可以采用其他的现有手段实现。

其次，对于音频信号来说：

优选地，步骤S₂中预处理该音频信号还包括以下步骤：

步骤S₂₁、对该音频信号分帧处理；

步骤S₂₂、预加重经分帧处理的该音频信号；

步骤S₂₃、加窗处理经预加重的该音频信号。

更优选地，步骤S₂₁中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S₂₂中通过一预加重数字滤波器来实现预加重；和/或，

步骤S₂₃中通过汉明窗来实现加窗处理。

即在对音频信号进行特征参数提取之前，先要对音频信号进行采样和预处理，预处理一般包括分帧处理、预加重和加窗处理三个部分。

例如由一模数转换器以合适的采样频率对模拟的音频信号进行采样，再以适合的量化精度进行量化，得到计算机能够处理的离散的数字信号。为了防止混叠效应，采样频率必须满足奈奎斯特定理。音频信号的时域波形显示出很强的时变特性，需要对音频信号进行分帧处理之后再进行特征提取。音频信号时一种典型的非平稳信号。因此音频信号可假定为短时平稳的，即在一时间段内，例如10-20ms的时间段内该音频信号是平稳的，其频谱特性和某些物理特性参量可近似地看作是不变的，因此在该时间段内可以采用平稳过程的分析处理方法来处理。也就是说，将音频信号进行分帧操作，将该音频信号分成多帧，例如分为每10ms-30ms一段，且相邻两帧之间有1/3到2/3的重叠。由于采样频率的差异，帧长和帧移所对应的实际采样点数也是不同的。假设所采用的音频信号的采样频率为22.05kHz，11.6ms的帧长对应256个点，5.8ms的帧移对应128个点。帧长的样点数=采样率*窗时间长，N＝22050*0.0116＝255.78，这个窗时间长取值为11.6ms，N不是整数，一般分帧的时候取到点数为整数，用整段输入语音（整段输入语音即为采样的音频信号）除上N取整就是分帧的个数，最后一帧不够N大小的样点可以不做处理。Overlap-add（重叠相加法）就是解决语音分帧后产生不连续的问题。采集器采集的肯定是一帧一帧的。

音频信号的高频端大约在800Hz以上按6dB/倍频程跌落，高频的音频信号频谱都很小，通常是频率越高幅值越小，为此要对语音信号进行预加重。预加重的目的是提升高频部分，使音频信号的频谱变得平坦，以便于进行频谱分析或声道参数分析。预加重通过两种渠道实现：一种可以放在A/D（模拟/数字）变换前在反混叠滤波之前进行，这样不仅能够进行预加重，而且压缩了信号的动态范围，有效地提高了信噪比。另一种可以放在A/D变换之后进行，用具有倍频程的提升高频特性的预加重数字滤波器来实现。它一般是一阶的H(z)=1-μz^-1，其中μ值接近于1。在实际中选取μ等于0.9375的滤波器来对音频信号进行预加重处理。音频信号也是一个一维数组，就是将音频信号代入上述公式中，得到一个新的信号，就是预加重处理了。

为了保持语音信号（语音信号即为经分帧和预加重后的音频信号）的短时平稳性，利用窗函数来减少由截断处理导致的Gibbs效应（吉布斯现象Gibbs phenomenon，又叫吉布斯效应：将具有不连续点的周期函数（如矩形脉冲)进行Fourier series（傅立叶级数）展开后，选取有限项进行合成。当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9%。这种现象称为吉布斯现象）。理想的窗函数的频率响应要求主瓣无限狭窄且没有旁瓣（无频谱泄露），但这种窗函数在实际工程中无法实现。所以，根据不同的应用我们可以采用不同的窗函数来逼近理想的频率响应。

把音频信号看成在短时段上是一个平稳过程。可以用对平稳过程的分析方法进行分析，因此需要将语音信号划分为一个一个的短时段，每一短时段称为一帧，为从语音信号中切取含有N个样本的音频信号波形，需要用时间窗函数乘以原来的音频信号。而矩形窗的采用使得每一帧信号在起始点和终点处发生突变，不再连续，从而导致Gibbs现象的出现。为了减小起始点和终点处的不连续性，可以改变窗函数的时域特性，使其在起始点和终点处逐渐变为零，如Hamming窗（汉明窗）。

优选地，步骤S₂中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

具体来说，线性预测倒谱系数LPCC（linear forecast cepstrum coefficient）利用音频信号采样点之间的相关性，用过去的采样点的值来预测现在或者未来采样点的值。一个音频信号的抽样能够用过去若干个音频抽样或者他们的线性组合来逼近。通过使实际的音频信号抽样值与线性预测抽样值的均方误差达到最小，这样就能确定出唯一的一组线性预测系数。

而美尔频率倒谱系数MFCC（Mel Frequency Cepstrum Coefficient）是基于人的听觉特性，在1000Hz以下，感知能力与频率成线性关系；在1000Hz以上，感知能力与频率成对数关系。为了模拟这种人耳的感知特征，人们提出了频标的概念，意义为：1Mel为1000Hz的音调感知程度的1/1000。

小波包分析的音频信号特征提取包括：（1）将采集到得音频信号进行小波包分解，音频信号经小波包分解可得到其在各频带内成分的特征，即各低频和高频系数。（2）重构小波包分解系数，求取各频带的信号能量，并进行归一化处理。即将各个小波包分解系数做选择性重构，抽取和故障相关的几个频带进行重构，提取各频段范围的信号，并计算各频段的信号能量。（3）构造特征向量。由于出现故障对各频带内的信号能量有较大的影响，因此能量变化突出的若干信号为特征向量。本系统对音频信号进行db3小波分解，对得到的第3层小波包分解系数进行重构。（4）对得到的各频带的系数求取能量值并进行归一化处理，得到各类音频信号的离散小波变换系数。同样地，以上只是举例说明，对于音频特征参数的获得不局限于上述方法，还可以采用其他的现有手段实现。

优选地，步骤S₃中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

BP算法，即采用BP神经网络模型，BP神经网路模型把一组样本的输入/输出问题转化为一个非线性优化问题，使用了优化中最普遍的梯度下降法。用迭代运算求解全职的过程相应于学习记忆问题。这种网络训练过程是动态的，前向计算则是输入到输出的一种高度非线性映射。BP神经网络对于相同的输入一定得到相同的输出，对于相近的输入则可以得到相近的输出。这一特性进行推理，专家知识作为训练样本，经过学习后被存储在网络的权值中，推理过程对输入模式作前向计算，可得出推理结论。通过该故障类型数据库中的历史振动数据和BP算法建立起的该故障类型振动模板，就能先通过该振动特征参数确定该故障类型，以便将该音频特征参数与该故障类型相关联。

优选地，步骤S₁中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

优选地，步骤S₁中采集的该振动信号和该音频信号为模拟信号，步骤S₁之后、步骤S₂之前还包括以下步骤：将该模拟信号转换为数字信号。

本发明还提供一种故障类型预测模型的建立系统，其特点在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

优选地，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

优选地，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

优选地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

优选地，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

优选地，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

优选地，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D（模拟/数字）转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

本发明还提供一种故障概率预测模型的建立方法，其特点在于，包括以下步骤：

步骤S_1T、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2T、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3T、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S_4T、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成故障类型预测模型；

步骤S_5T、采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

在确定了故障类型之后，针对每种故障类型，建立起HMM模型以便之后预测发生该种故障的概率，以及时提示用户实施相应的应对措施。隐马尔可夫模型HMM（Hidden Markov Model）是一种描述随机过程统计特性的概率模型，它是在Markov链的基础上发展起来的，能够对多个观察样本进行有效融合而构成一个模型。HMM训练是指从同类故障的大量信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的状态转移概率、观察概率分布和初始概率分布等参数。为了增加HMM故障诊断系统的稳健性和提高故障诊断的准确率，需要选取多个样本进行训练，以建立各类故障状态的HMM参数模型。记L各观察值序列（即L个样本）为O⁽¹⁾、O⁽²⁾、…、O⁽¹⁾,每个观察值序列的长度记为T，则O^(l)={O₁ ^l,O₂ ^l,...,O_T ^l}，l=1,2，...,L。

优选地，步骤S_3T中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

优选地，步骤S_2T中通过时频分析方法来预处理该振动信号；和/或，

步骤S_2T中预处理该音频信号还包括以下步骤：

步骤S_2T1、对该音频信号分帧处理；

步骤S_2T2、预加重经分帧处理的该音频信号；

步骤S_2T3、加窗处理经预加重的该音频信号。

优选地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

步骤S_2T1中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S_2T2中通过一预加重数字滤波器来实现预加重；和/或，

步骤S_2T3中通过汉明窗来实现加窗处理。

优选地，步骤S_2T中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

优选地，步骤S_1T中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

优选地，步骤S_1T中采集的该振动信号和该音频信号为模拟信号，步骤S_1T之后、步骤S_2T之前还包括以下步骤：将该模拟信号转换为数字信号。

优选地，步骤S_5T中包括以下步骤：采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。具体来说，HMM模型训练是指从同类故障的大量音频信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的初始状态概率π_i、状态转移概率矩阵a_ij、混合高斯函数权值ω_im、均值μ_im与协方差矩阵

等参数。

设有L个训练样本，经Mel频率倒谱系数（Mel-Frequency CepstrumCoefficients,MFCC）特征参数提取，得到L个观察值序列集合{o⁽¹⁾,O⁽²⁾，...O^(L)}，l=1,2，...,L.对任一样本观察序列o^(l)，计算出前向概率变量 ${\mathrm{\α}}_i^{\left(l\right)}\left(t\right),1\≤t\≤T,1\≤i\≤N$ 和后向概率变量 ${\mathrm{\β}}_t^{\left(l\right)}\left(j\right),1\≤t\≤T,1\≤j\≤N$ 然后得出过度概率

和混合输出概率

${\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)=P({\mathrm{\σ}}_t=S_i,{\mathrm{\σ}}_{t+1}=S_j/O^{\left(l\right)},\mathrm{\λ})$

${\mathrm{\γ}}_t^{\left(l\right)}(j,m)=\frac{{\mathrm{\α}}_t^{\left(l\right)}\left(j\right){\mathrm{\β}}_t^{\left(l\right)}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t^{\left(l\right)}\left(i\right){\mathrm{\β}}_t^{\left(l\right)}\left(i\right)}\frac{{\mathrm{\ω}}_{\mathrm{im}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{im}},{\mathrm{\σ}}_{\mathrm{im}}^2)}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{ik}},{\mathrm{\σ}}_{\mathrm{ik}}^2)}$

相应地，基于L个观察值序列的B-W参数修正算法为：

$\stackrel{\‾}{\mathrm{\π}}=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_1^{\left(l\right)}(i,j)$

$\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)}{\underset{l}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,k)}$

$\stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{im}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)O_t^{\left(l\right)}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

${\stackrel{\‾}{{\mathrm{\σ}}_{\mathrm{im}}}}^2=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}}){(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}})}^{\′}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

$\stackrel{\‾}{\mathrm{\ω}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,k)}$

训练完成之后将模型参数存储，由此就具备了对训练故障诊断的能力。

优选地，步骤S_5T中采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

为了进一步提高该故障概率预测模型的全面性和可靠性，可以利用该音频特征参数和该振动特征参数分别建立各自的HMM模型，以供后续的风机故障概率预测所用，以求得到更精准的预测结果。

本发明还提供一种故障概率预测模型的建立系统，其特点在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型；

一故障概率预测模型建立装置，用于采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

优选地，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

优选地，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

优选地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

优选地，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

优选地，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

优选地，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

优选地，该故障概率预测模型建立装置用于采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。

优选地，故障概率预测模型建立装置还用于采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

由于风机各类故障的音频信号各有其特点，例如以轴承故障为例，轴承故障的诊断就是要通过一定的信号处理方法将这些故障类型区别开来。本质上，音频信号和振动信号均为反映轴承工作状态的重要信息来源或信号媒介，音频信号分析方法也和振动信号的分析方法基本一致，只是信号获取的途径有所不同。音频信号具有携带信息丰富和非接触测量的特点，可对移动目标进行检测。基于音频信号的这些特点，本发明采用风机的振动信号和音频信号耦合分析的方法进行风机故障的诊断与预测。

轴承故障诊断的关键在于：特征参数提取、模式匹配准则（即如何将从特征参数提取步骤获取的特征与已有的故障案例特征相匹配）及模型训练技术的选取。

本发明还提供一种风机监测预警方法，其特点在于，其包括以下步骤：

步骤S_1R、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2R、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3R、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，和/或，将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

步骤S_4R、将该音频特征参数和/或该振动特征参数代入一故障概率预测模型中以计算该故障类型的概率，其中该故障概率预测模型采用如上所述的故障概率预测模型的建立方法得到。

优选地，步骤S_2R中通过时频分析方法来预处理该振动信号；和/或，

步骤S_2R中预处理该音频信号还包括以下步骤：

步骤S_2R1、对该音频信号分帧处理；

步骤S_2R2、预加重经分帧处理的该音频信号；

步骤S_2R3、加窗处理经预加重的该音频信号。

优选地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

步骤S_2R1中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S_2R2中通过一预加重数字滤波器来实现预加重；和/或，

步骤S_2R3中通过汉明窗来实现加窗处理。

优选地，步骤S_2R中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

优选地，步骤S_1R中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

优选地，步骤S_1R中采集的该振动信号和该音频信号为模拟信号，步骤S_1R之后、步骤S_2R之前还包括以下步骤：将该模拟信号转换为数字信号。

本发明还提供一种风机监测预警系统，其特点在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型模板以得到与该振动特征参数相对应的故障类型，和/或，用于将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

一故障概率分析装置，用于将该音频特征参数和/或该振动特征参数代入一故障概率数据库中的故障概率模型以计算该故障类型的概率，其中该故障概率预测模型采用如上所述的故障概率预测模型的建立方法得到。

优选地，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

优选地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

优选地，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

优选地，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

优选地，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

即在风机的机舱内、风机的传动系统（例如包括齿轮箱和轴承）附近安装音频传感装置，音频传感装置的作用是捕捉音频传感装置附近的音频信息；此外，在风机传动系统的轴承座上安装用于测量风机传动系统振动信息的振动传感装置。音频传感装置和振动传感装置可以与数据处理装置连接，将音频传感装置和振动传感装置分别捕获的音频信号和振动信号采集、存储后，应用音频与振动信号分析软件对所存储的信号进行分析和特征提取，以判断风机传动系统中关键部件（包括齿轮箱和轴承）是否有故障存在、故障的类型、以及故障的程度。

音频信号的诊断时一个模式识别匹配的过程。在这个过程中，如上所述，首先要根据各故障类型的特点建立故障类型音频模板，即对输入音频信号进行分析，并抽取所需的特征，在此基础上才能建立故障诊断所需的模板。而在诊断过程中要根据模板，将建立的信号特征模板与输入的音频信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入的音频信号匹配的模板，求出诊断的结果。在预测的过程中，已经具有预测模型，把现有的振动数据，求其特征值，放入BP预测模型中，找到对应的故障类型。然后用HMM算法的模型得到故障程度。

该风机监测预警系统通过BP神经网路预测模型定性分析该故障的类型，再通过隐马尔可夫模型详细分析故障的程度。

BP神经网路模型把一组样本的输入/输出问题转化为一个非线性优化问题，使用了优化中最普遍的梯度下降法。用迭代运算求解全职的过程相应于学习记忆问题。这种网络训练过程是动态的，前向计算则是输入到输出的一种高度非线性映射。BP网络对于相同的输入一定得到相同的输出，对于相近的输入则可以得到相近的输出。这一特性进行推理，专家知识作为训练样本，经过学习后被存储在网络的权值中，推理过程对输入模式作前向计算，可得出推理结论。

隐马尔可夫模型HMM（Hidden Markov Model）是一种描述随机过程统计特性的概率模型，它是在Markov链的基础上发展起来的，能够对多个观察样本进行有效融合而构成一个模型。HMM训练是指从同类故障的大量信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的状态转移概率、观察概率分布、初始概率分布等参数。为了增加HMM故障诊断系统的稳健性和提高故障诊断的准确率，需要选取多个样本进行训练，以建立各类故障状态的HMM参数模型。记L各观察值序列（即L个样本）为O⁽¹⁾、O⁽²⁾、…、O⁽¹⁾,每个观察值序列的长度记为T，则O^(l)={O₁ ^l,O₂ ^l,…,O_T ^l}，l=1,2，…,L。

风机的故障诊断就是风机的运行状态识别。一个完整的风机在线监测与故障诊断系统应包括以下五个环节：

（1）信号测量

经振动传感装置和音频传感装置采集到信号，并传输到数据处理装置，例如一计算机中，计算机存储每个通道的数据，待下一步分析。

（2）特征提取

从测量的信号中以一定的信号分析与处理方法抽取出能够反映风机状态的有用信息：振动的分析方法有时域波形分析、概率密度分析、自相关分析、趋势分析、幅值谱分析、功率谱分析、倒频谱分析、包络谱分析、细化谱分析、短时傅里叶分析、小波分析。分别提取振动信号在这些波形中的特征信息。声音的分析方法有线性预测倒谱系数、美尔频率倒谱系数、小波包分析。分别根据不同的声音分析方法提取信号的特征信息。

（3）状态识别

根据征兆，以一定的状态识别方法识别风机的运行状态，即风机各部分处于正常状态还是某一个或某几个零部件的故障，即定性分析。

（4）诊断分析

BP算法主要包含4步，分为向前传播和向后传播两个阶段：

1）向前传播阶段

（1）从样本中取一个样本(Xp,Yp)，将Xp输入网路；

（2）计算相应的实际输出Op，在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时的执行过程。

2）向后传播阶段

（1）计算实际输出Op与相应的理想输出Yp的差；

（2）按极小化误差的方式调整权矩阵。

HMM模型训练是指从同类故障的大量音频信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的初始状态概率π_i、状态转移概率矩阵a_ij、混合高斯函数权值ω_im、均值μ_im与协方差矩阵

等参数。

设有L个训练样本，经过特征提取，例如经Mel频率倒谱系数（Mel-Frequency Cepstrum Coefficients,MFCC）特征参数提取，得到L个观察值序列集合{o⁽¹⁾,O⁽²⁾，...O^(L)}，l=1,2，...,L.对任一样本观察序列o^(l)，计算出前向概率变量 ${\mathrm{\α}}_i^{\left(l\right)}\left(t\right),1\≤t\≤T,1\≤i\≤N$ 和后向概率变量 ${\mathrm{\β}}_t^{\left(l\right)}\left(j\right),1\≤t\≤T,1\≤j\≤N$ 然后得出过度概率

和混合输出概率

${\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)=P({\mathrm{\σ}}_t=S_i,{\mathrm{\σ}}_{t+1}=S_j/O^{\left(l\right)},\mathrm{\λ})$

${\mathrm{\γ}}_t^{\left(l\right)}(j,m)=\frac{{\mathrm{\α}}_t^{\left(l\right)}\left(j\right){\mathrm{\β}}_t^{\left(l\right)}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t^{\left(l\right)}\left(i\right){\mathrm{\β}}_t^{\left(l\right)}\left(i\right)}\frac{{\mathrm{\ω}}_{\mathrm{im}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{im}},{\mathrm{\σ}}_{\mathrm{im}}^2)}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{ik}},{\mathrm{\σ}}_{\mathrm{ik}}^2)}$

相应地，基于L个观察值序列的B-W参数修正算法为：

$\stackrel{\‾}{\mathrm{\π}}=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_1^{\left(l\right)}(i,j)$

$\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)}{\underset{l}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,k)}$

$\stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{im}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)O_t^{\left(l\right)}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

${\stackrel{\‾}{{\mathrm{\σ}}_{\mathrm{im}}}}^2=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}}){(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}})}^{\′}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

$\stackrel{\‾}{\mathrm{\ω}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,k)}$

训练完成之后将模型参数存储，系统就具备了对训练故障诊断的能力。

在诊断环节，读入待检测轴承音频信号，经过预处理和MFCC特征参数提取后，得到观察值序列O={O₁,O₂,...,O_T}。然后采用前向-后向算法计算出各HMM模型下输出O的概率P(O/λ)，一般情况下，概率最大的模型即为诊断结果。在本系统中为了进一步提高系统的诊断精度，即诊断的准确度，在后处理阶段辅以必要的拒识算法（拒识算法用于区分预测结果有效还是无效，例如采用概率阈值），比如设定适当的概率阈值，如果最大概率小于这个阈值，则诊断系统为健康状态。

根据征兆，进一步分析有关状态的情况及发展趋势，当风机的某一个或某几个零部件发生故障时，详细分析故障的类型和故障程度，即定量分析。

（5）决策干预

根据状态及发展趋势，做出决策，如做出诊断报告，建议调整、维修或监视等。

本发明的积极进步效果在于：

1、音频信号包含风机运行状态的重要信息，通过分析这些信息就能对轴承故障进行有效诊断，而且音频信号能够非接触式采集，具有使用方便、成本低廉等优点。

2、通过故障类型音频模板的建立，使得用户得以在不依赖于振动信息的情况下仅通过对音频信号的检测也能实现对风机故障的预测和故障发生概率的预测。

3、在建立以及完善了故障类型音频模板和故障类型振动模板，可以同时利用音频信号和振动信号实现对风机故障的预测和故障发生概率的预测，以得到较为精准的预测结果，利于用户对风机的及时维护。

附图说明

图1为本发明一实施例的故障类型预测模型的建立方法的流程图。

图2为本发明一实施例的故障类型预测模型的建立系统的结构框图。

图3为本发明一实施例的故障概率预测模型的建立方法的流程图。

图4为本发明一实施例的故障概率预测模型的建立系统的结构框图。

图5为本发明一实施例的风机监测预警方法的流程图。

图6为本发明一实施例的风机监测预警系统的结构框图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

参考图1，本发明所述的一故障类型预测模型的建立方法，包括以下步骤：

步骤S₁、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S₂、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S₃、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S₄、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

鉴于音频信号具有携带信息丰富和非接触测量的特点，可对移动目标进行检测，可以采用音频信号来建立精准、全面的故障类型预测模型。在该故障类型预测模型建立之初，可以采用该故障类型数据库中根据历史振动数据建立的故障类型振动模板先将与该振动特征参数相对应的故障类型确定下来，由于音频信号和振动信号是同时采集的，它们之间有着唯一确定的关系，继而可以通过该唯一确定的关系将该音频特征参数与该故障类型相关联，并由此建立故障类型音频模板，多个故障类型音频模板构成该故障类型预测模型。这样，基于音频数据的故障类型预测模型就建立完成了。当然，故障类型预测模型建立之后还可以在采集了更丰富的振动数据、音频数据后不断对该故障类型预测模型进行完善。当该故障类型预测模型由足够多的数据完善到一定程度时，甚至可以完全基于音频特征参数来实现风机的监测预警。

首先，对于振动信号来说，可以采用现有的预处理和特征提取方法来处理采集的振动信号，例如振动信号的采样按照现有的一维信号进行时频分析处理，提取信号处理的特征参数。其中，时频分析的方法，它的思路是设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。利用时频分布来分析信号，能给出各个时刻的瞬时频率及其幅值，并且能够进行时频滤波和时变信号研究。时频分析的方法包括时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法、小波分析方法。以上只是举例说明，对于振动特征参数的获得不局限于上述方法，还可以采用其他的现有手段实现。

其次，对于音频信号来说：

步骤S₂中预处理该音频信号还包括以下步骤：

步骤S₂₁、对该音频信号分帧处理；

步骤S₂₂、预加重经分帧处理的该音频信号；

步骤S₂₃、加窗处理经预加重的该音频信号。

具体来说，步骤S₂₁中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S₂₂中通过一预加重数字滤波器来实现预加重；和/或，

步骤S₂₃中通过汉明窗来实现加窗处理。

即在对音频信号进行特征参数提取之前，先要对音频信号进行采样和预处理，预处理一般包括分帧处理、预加重和加窗处理三个部分。

例如由一模数转换器以合适的采样频率对模拟的音频信号进行采样，再以适合的量化精度进行量化，得到计算机能够处理的离散的数字信号。为了防止混叠效应，采样频率必须满足奈奎斯特定理。音频信号的时域波形显示出很强的时变特性，需要对音频信号进行分帧处理之后再进行特征提取。音频信号时一种典型的非平稳信号。因此音频信号可假定为短时平稳的，即在一时间段内，例如10-20ms的时间段内该音频信号是平稳的，其频谱特性和某些物理特性参量可近似地看作是不变的，因此在该时间段内可以采用平稳过程的分析处理方法来处理。也就是说，将音频信号进行分帧操作，将该音频信号分成多帧，例如分为每10ms-30ms一段，且相邻两帧之间有1/3到2/3的重叠。由于采样频率的差异，帧长和帧移所对应的实际采样点数也是不同的。假设所采用的音频信号的采样频率为22.05kHz，11.6ms的帧长对应256个点，5.8ms的帧移对应128个点。帧长的样点数=采样率*窗时间长，N=22050*0.0116=255.78，这个窗时间长取值为11.6ms，N不是整数，一般分帧的时候取到点数为整数，用整段输入语音（整段输入语音即为采样的音频信号）除上N取整就是分帧的个数，最后一帧不够N大小的样点可以不做处理。Overlap-add（重叠相加法）就是解决语音分帧后产生不连续的问题。采集器采集的肯定是一帧一帧的。

音频信号的高频端大约在800Hz以上按6dB/倍频程跌落，高频的音频信号频谱都很小，通常是频率越高幅值越小，为此要对语音信号进行预加重。预加重的目的是提升高频部分，使音频信号的频谱变得平坦，以便于进行频谱分析或声道参数分析。预加重通过两种渠道实现：一种可以放在A/D（模拟/数字）变换前在反混叠滤波之前进行，这样不仅能够进行预加重，而且压缩了信号的动态范围，有效地提高了信噪比。另一种可以放在A/D变换之后进行，用具有倍频程的提升高频特性的预加重数字滤波器来实现。它一般是一阶的H(z)=1-μz-1，其中μ值接近于1。在实际中选取μ等于0.9375的滤波器来对音频信号进行预加重处理。音频信号也是一个一维数组，就是将音频信号代入上述公式中，得到一个新的信号，就是预加重处理了。

为了保持语音信号（语音信号即为经分帧和预加重后的音频信号）的短时平稳性，利用窗函数来减少由截断处理导致的Gibbs效应（吉布斯现象Gibbs phenomenon，又叫吉布斯效应：将具有不连续点的周期函数（如矩形脉冲)进行Fourier series  （傅立叶级数）展开后，选取有限项进行合成。当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9%。这种现象称为吉布斯现象）。理想的窗函数的频率响应要求主瓣无限狭窄且没有旁瓣（无频谱泄露），但这种窗函数在实际工程中无法实现。所以，根据不同的应用我们可以采用不同的窗函数来逼近理想的频率响应。

把音频信号看成在短时段上是一个平稳过程。可以用对平稳过程的分析方法进行分析，因此需要将语音信号划分为一个一个的短时段，每一短时段称为一帧，为从语音信号中切取含有N个样本的音频信号波形，需要用时间窗函数乘以原来的音频信号。而矩形窗的采用使得每一帧信号在起始点和终点处发生突变，不再连续，从而导致Gibbs现象的出现。为了减小起始点和终点处的不连续性，可以改变窗函数的时域特性，使其在起始点和终点处逐渐变为零，如Hamming窗（汉明窗）。

其中，步骤S₂中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

具体来说，线性预测倒谱系数LPCC（linear forecast cepstrum coefficient）利用音频信号采样点之间的相关性，用过去的采样点的值来预测现在或者未来采样点的值。一个音频信号的抽样能够用过去若干个音频抽样或者他们的线性组合来逼近。通过使实际的音频信号抽样值与线性预测抽样值的均方误差达到最小，这样就能确定出唯一的一组线性预测系数。

而美尔频率倒谱系数MFCC（Mel Frequency Cepstrum Coefficient）是基于人的听觉特性，在1000Hz以下，感知能力与频率成线性关系；在1000Hz以上，感知能力与频率成对数关系。为了模拟这种人耳的感知特征，人们提出了频标的概念，意义为：1Mel为1000Hz的音调感知程度的1/1000。

小波包分析的音频信号特征提取包括：（1）将采集到得音频信号进行小波包分解，音频信号经小波包分解可得到其在各频带内成分的特征，即各低频和高频系数。（2）重构小波包分解系数，求取各频带的信号能量，并进行归一化处理。即将各个小波包分解系数做选择性重构，抽取和故障相关的几个频带进行重构，提取各频段范围的信号，并计算各频段的信号能量。（3）构造特征向量。由于出现故障对各频带内的信号能量有较大的影响，因此能量变化突出的若干信号为特征向量。本系统对音频信号进行db3小波分解，对得到的第3层小波包分解系数进行重构。（4）对得到的各频带的系数求取能量值并进行归一化处理，得到各类音频信号的离散小波变换系数。同样地，以上只是举例说明，对于音频特征参数的获得不局限于上述方法，还可以采用其他的现有手段实现。

另外，步骤S₃中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

BP算法主要包含4步，分为向前传播和向后传播两个阶段：

A）向前传播阶段

（1）从样本中取一个样本(Xp,Yp)，将Xp输入网路；

（2）计算相应的实际输出Op，在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时的执行过程。

B）向后传播阶段

（1）计算实际输出Op与相应的理想输出Yp的差；

（2）按极小化误差的方式调整权矩阵。

其中，步骤S₁中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。例如，采集传动系统的轴承的振动信号，采集传动系统的齿轮箱和轴承附近的音频信号。

具体来说，步骤S₁中采集的该振动信号和该音频信号为模拟信号，步骤S₁之后、步骤S₂之前还包括以下步骤：将该模拟信号转换为数字信号。

参考图2，本发明所述的故障类型预测模型的建立系统，其包括：

一振动传感装置11，用于采集风机的振动信号；

一音频传感装置12，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置13，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置14，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置15，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置16，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

其中，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

具体来说，该第一数据处理装置13用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：一分帧处理装置，用于对该音频信号分帧处理；一预加重装置，用于预加重经分帧处理的该音频信号；一加窗处理装置，用于加窗处理经预加重的该音频信号。

更具体地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

具体来说，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

其中，该振动传感装置11用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置12用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

优选地，该振动传感装置11采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置11还包括一第一A/D转换器（图中未示），该音频传感装置12还包括一第二A/D转换器（图中未示），该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

参考图3，本发明所述故障概率预测模型的建立方法，包括以下步骤：

步骤S_1T、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2T、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3T、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S_4T、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成故障类型预测模型；

步骤S_5T、采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

在确定了故障类型之后，针对每种故障类型，建立起HMM模型以便之后预测发生该种故障的概率，以及时提示用户实施相应的应对措施。隐马尔可夫模型HMM（Hidden Markov Model）是一种描述随机过程统计特性的概率模型，它是在Markov链的基础上发展起来的，能够对多个观察样本进行有效融合而构成一个模型。HMM训练是指从同类故障的大量信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的状态转移概率、观察概率分布和初始概率分布等参数。为了增加HMM故障诊断系统的稳健性和提高故障诊断的准确率，需要选取多个样本进行训练，以建立各类故障状态的HMM参数模型。记L各观察值序列（即L个样本）为O⁽¹⁾、O⁽²⁾、…、O⁽¹⁾,每个观察值序列的长度记为T，则O^(l)={O₁ ^l,O₂ ^l,...,O_T ^l}，l=1,2，...,L。

具体来说，步骤S_3T中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

其中，步骤S_2T中通过时频分析方法来预处理该振动信号；和/或，

步骤S_2T中预处理该音频信号还包括以下步骤：

步骤S_2T1、对该音频信号分帧处理；

步骤S_2T2、预加重经分帧处理的该音频信号；

步骤S_2T3、加窗处理经预加重的该音频信号。

更具体地，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

步骤S_2T1中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的

重叠；和/或，

步骤S_2T2中通过一预加重数字滤波器来实现预加重；和/或，

步骤S_2T3中通过汉明窗来实现加窗处理。

并且，步骤S_2T中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

其中，步骤S_1T中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

更为具体地，步骤S_1T中采集的该振动信号和该音频信号为模拟信号，步骤S_1T之后、步骤S_2T之前还包括以下步骤：将该模拟信号转换为数字信号。

其中，步骤S_5T中包括以下步骤：采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。具体来说，HMM模型训练是指从同类故障的大量音频信号样本中提取统计信息，利用恰当的训练算法对模型参数反复修正直至收敛，最后得到模型的初始状态概率π_i、状态转移概率矩阵a_ij、混合高斯函数权值ω_im、均值μ_im与协方差矩阵

等参数。

设有L个训练样本，经Mel频率倒谱系数（Mel-Frequency CepstrumCoefficients,MFCC）特征参数提取，得到L个观察值序列集合{o⁽¹⁾,O⁽²⁾，...O^(L)}，l=1,2，...,L.对任一样本观察序列o^(l)，计算出前向概率变量 ${\mathrm{\α}}_i^{\left(l\right)}\left(t\right),1\≤t\≤T,1\≤i\≤N$ 和后向概率变量 ${\mathrm{\β}}_t^{\left(l\right)}\left(j\right),1\≤t\≤T,1\≤j\≤N$ 然后得出过度概率

和混合输出概率

${\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)=P({\mathrm{\σ}}_t=S_i,{\mathrm{\σ}}_{t+1}=S_j/O^{\left(l\right)},\mathrm{\λ})$

${\mathrm{\γ}}_t^{\left(l\right)}(j,m)=\frac{{\mathrm{\α}}_t^{\left(l\right)}\left(j\right){\mathrm{\β}}_t^{\left(l\right)}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t^{\left(l\right)}\left(i\right){\mathrm{\β}}_t^{\left(l\right)}\left(i\right)}\frac{{\mathrm{\ω}}_{\mathrm{im}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{im}},{\mathrm{\σ}}_{\mathrm{im}}^2)}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ik}}N(O_t^{\left(l\right)},{\mathrm{\μ}}_{\mathrm{ik}},{\mathrm{\σ}}_{\mathrm{ik}}^2)}$

相应地，基于L个观察值序列的B-W参数修正算法为：

$\stackrel{\‾}{\mathrm{\π}}=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_1^{\left(l\right)}(i,j)$

$\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,j)}{\underset{l}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_t^{\left(l\right)}(i,k)}$

$\stackrel{\‾}{{\mathrm{\μ}}_{\mathrm{im}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)O_t^{\left(l\right)}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

${\stackrel{\‾}{{\mathrm{\σ}}_{\mathrm{im}}}}^2=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}}){(O_t^{\left(l\right)}-{\mathrm{\μ}}_{\mathrm{im}})}^{\′}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}$

$\stackrel{\‾}{\mathrm{\ω}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,m)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\γ}}_t^{\left(l\right)}(j,k)}$

训练完成之后将模型参数存储，由此就具备了对训练故障诊断的能力。

优选地，步骤S_5T中采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

为了进一步提高该故障概率预测模型的全面性和可靠性，可以利用该音频特征参数和该振动特征参数分别建立各自的HMM模型，以供后续的风机故障概率预测所用，以求得到更精准的预测结果。

参考图4，本发明所述的故障概率预测模型的建立系统，其包括：

一振动传感装置21，用于采集风机的振动信号；

一音频传感装置22，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置23，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置24，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置25，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置26，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型；

一故障概率预测模型建立装置27，用于采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

其中，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

另外，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

其中，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

具体来说，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

其中，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

其中，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

具体来说，该故障概率预测模型建立装置用于采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。

除了仅仅采用该音频特征参数之外，故障概率预测模型建立装置还用于采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

参考图5，本发明所述的风机监测预警方法，其包括以下步骤：

步骤S_1R、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2R、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3R、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，（和/或，将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，）其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

步骤S_4R、将该音频特征参数和/或该振动特征参数代入一故障概率预测模型中以计算该故障类型的概率，其中该故障概率预测模型采用如上所述的故障概率预测模型的建立方法得到。

参考图6，本发明所述的风机监测预警系统，其包括：

一振动传感装置31，用于采集风机的振动信号；

一音频传感装置32，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置33，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置34，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置35，用于将该振动特征参数代入一故障类型数据库中的故障类型模板以得到与该振动特征参数相对应的故障类型，和/或，用于将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

一故障概率分析装置36，用于将该音频特征参数和/或该振动特征参数代入一故障概率数据库中的故障概率模型以计算该故障类型的概率，其中该故障概率预测模型采用如上所述的故障概率预测模型的建立方法得到。

即在风机的机舱内、风机的传动系统（例如包括齿轮箱和轴承）附近安装音频传感装置，音频传感装置的作用是捕捉音频传感装置附近的音频信息；此外，在风机传动系统的轴承座上安装用于测量风机传动系统振动信息的振动传感装置。音频传感装置和振动传感装置可以与数据处理装置连接，将音频传感装置和振动传感装置分别捕获的音频信号和振动信号采集、存储后，应用音频与振动信号分析软件对所存储的信号进行分析和特征提取，以判断风机传动系统中关键部件（包括齿轮箱和轴承）是否有故障存在、故障的类型、以及故障的程度。

音频信号的诊断时一个模式识别匹配的过程。在这个过程中，如上所述，首先要根据各故障类型的特点建立故障类型音频模板，即对输入音频信号进行分析，并抽取所需的特征，在此基础上才能建立故障诊断所需的模板。而在诊断过程中要根据模板，将建立的信号特征模板与输入的音频信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入的音频信号匹配的模板，求出诊断的结果。在预测的过程中，已经具有预测模型，把现有的振动数据，求其特征值，放入BP预测模型中，找到对应的故障类型。然后用HMM算法的模型得到故障程度。

该风机监测预警系统通过BP神经网路预测模型定性分析该故障的类型，再通过隐马尔可夫模型详细分析故障的程度。

其中，对于故障模型的建立，实际操作还可以这样：

模型分二种方法建立，用振动数据定性分析可能发生故障的故障类型；再根据振动数据和声音数据定量分析该故障类型可能发生的概率。

系统为故障诊断建立振动数据特征参数数据表，故障类型预测模型表，故障概率预测模型表。

遍历历史振动采样数据，根据预设系统故障类型，分别分析振动数据提取的特征参数与每个故障类型的关系，调整每种故障类型对应的每一个振动数据特征参数的权值，该模型用来对故障诊断定性分析。模型存储在数据库的故障类型诊断模型表中，模型是故障类型和振动数据特征参数范围，即参数类的一个对应关系，数据特征参数存在不同的参数类中。

故障类型诊断过程是计算机接收到振动数据，之后计算振动特征参数，然后分析这些振动特征参数所在的特征参数类，根据故障类型预测模型表的故障类型预测模型得到故障的类型。

针对不同的故障类型，分别建立故障诊断模型，预测该故障类型发生的概率，该模型用来对故障诊断定量分析。查找所有该故障类型发生所对应的振动数据的参数类，遍历历史数据查找满足该振动数据参数类的时刻所对应的声音数据和振动数据，分别用LPCC、MFCC和小波包的方法提取特征参数和振动特征参数记录概率分布为观察概率分布，用HMM基于多观察值序列训练的重估公式，重新建立这四种预测模型，最后把预测模型记录到故障概率预测模型表中。

故障概率预测过程是计算机判断完风机发生的故障类型后，读取数据库中的故障概率预测模型表，读取到该故障类型所对应得故障概率预测模型，然后分析当前所监测的数据，并提取特征参数，代入到故障概率预测模型中，得到相应的概率，最后给出报告，用四种方法（声音三种，振动一种）分别预测的概率值。除此之外，存储采集的音频数据，之后还可以通过音频数据的回放，提供给用户一个能够用耳朵听取声音的一个功能，有些有经验的人可以用此方法判断风机是否存在故障。另外，还可以利用配对分析，即指和该音频同一时刻采集的振动数据和音频数据的对应关系的确定，这些振动数据分别属于不同位置传感装置采集上来的数据。

现有技术中仅仅采用振动传感装置采集振动数据来分析诊断和预测风机的故障，由此历史数据仅仅是振动数据，而现有技术中也仅仅是依赖于振动数据来判断风机的运行状态的。在本发明中，可以采用音频特征参数和振动特征参数两种参数进行诊断，即先采用采集的振动信号与历史数据相比较，采用振动信号定性地分析风机的故障类型，故障类型确定后同时可以将采集的音频信号与该故障类型对应起来，建立音频信号与故障类型的对应关系；继而再采用HMM模型和已确定故障类型的振动特征参数和音频特征参数从而获得预测模型，之后用该预测模型和再次采集、特征提取得到的振动特征参数和音频特征参数计算来得到故障概率。

本发明提出的技术方案，在风机机舱内、风力发电机传动系统（包括齿轮箱和轴承）附近安装音频传感装置，音频传感装置的作用是捕捉传感器附近的音频信息；此外，在风机传动系统的轴承座上安装用于测量风机传动系统振动信息的振动传感装置。音频传感装置和振动传感装置与数据采集模块连接，将音频传感装置和振动传感装置分别捕获的音频信号和振动信号采集、存储后，应用音频与振动信号分析软件对所存储的信号进行分析和特征提取，以判断风机传动系统中关键部件（包括齿轮箱和轴承）是否有故障存在、故障的类型、以及故障的程度。在理论分析的基础上，使用真实的现场采集的风机音频信号和振动信号融合分析，提高了监测预警的准确率。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (44)

1.一种故障类型预测模型的建立方法，其特征在于，包括以下步骤：

步骤S₁、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S₂、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S₃、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S₄、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

2.如权利要求1所述的故障类型预测模型的建立方法，其特征在于，步骤S₃中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

3.如权利要求1所述的故障类型预测模型的建立方法，其特征在于，步骤S₂中通过时频分析方法来预处理该振动信号；和/或，

步骤S₂中预处理该音频信号还包括以下步骤：

步骤S₂₁、对该音频信号分帧处理；

步骤S₂₂、预加重经分帧处理的该音频信号；

步骤S₂₃、加窗处理经预加重的该音频信号。

4.如权利要求3所述的故障类型预测模型的建立方法，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；

步骤S₂₁中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S₂₂中通过一预加重数字滤波器来实现预加重；和/或，

步骤S₂₃中通过汉明窗来实现加窗处理。

5.如权利要求1所述的故障类型预测模型的建立方法，其特征在于，步骤S₂中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

6.如权利要求1-5中任意一项所述的故障类型预测模型的建立方法，其特征在于，步骤S₁中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

7.如权利要求6所述的故障类型预测模型的建立方法，其特征在于，步骤S₁中采集的该振动信号和该音频信号为模拟信号，步骤S₁之后、步骤S₂之前还包括以下步骤：将该模拟信号转换为数字信号。

8.一种故障类型预测模型的建立系统，其特征在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型。

9.如权利要求8所述的故障类型预测模型的建立系统，其特征在于，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

10.如权利要求8所述的故障类型预测模型的建立系统，其特征在于，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

11.如权利要求10所述的故障类型预测模型的建立系统，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

12.如权利要求8所述的故障类型预测模型的建立系统，其特征在于，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

13.如权利要求8-12中任意一项所述的故障类型预测模型的建立系统，其特征在于，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

14.如权利要求13所述的故障类型预测模型的建立系统，其特征在于，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

15.一种故障概率预测模型的建立方法，其特征在于，包括以下步骤：

步骤S_1T、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2T、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3T、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

步骤S_4T、将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成故障类型预测模型；

步骤S_5T、采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

16.如权利要求15所述的故障概率预测模型的建立方法，其特征在于，步骤S_3T中该故障类型振动模板通过采用该故障类型数据库中的历史振动数据和BP算法获得。

17.如权利要求15所述的故障概率预测模型的建立方法，其特征在于，步骤S_2T中通过时频分析方法来预处理该振动信号；和/或，

步骤S_2T中预处理该音频信号还包括以下步骤：

步骤S_2T1、对该音频信号分帧处理；

步骤S_2T2、预加重经分帧处理的该音频信号；

步骤S_2T3、加窗处理经预加重的该音频信号。

18.如权利要求17所述的故障概率预测模型的建立方法，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

步骤S_2T1中将该音频信号分为每10ms-30ms一帧，且相邻两帧有的重叠；和/或，

步骤S_2T2中通过一预加重数字滤波器来实现预加重；和/或，

步骤S_2T3中通过汉明窗来实现加窗处理。

19.如权利要求15所述的故障概率预测模型的建立方法，其特征在于，步骤S_2T中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

20.如权利要求15-19中任意一项所述的故障概率预测模型的建立方法，其特征在于，步骤S_1T中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

21.如权利要求20所述的故障概率预测模型的建立方法，其特征在于，步骤S_1T中采集的该振动信号和该音频信号为模拟信号，步骤S_1T之后、步骤S_2T之前还包括以下步骤：将该模拟信号转换为数字信号。

22.如权利要求15所述的故障概率预测模型的建立方法，其特征在于，步骤S_5T中包括以下步骤：采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。

23.如权利要求15所述的故障概率预测模型的建立方法，其特征在于，步骤S_5T中采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

24.一种故障概率预测模型的建立系统，其特征在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系；

一故障类型预测模型建立装置，用于将该音频特征参数与该故障类型相关联以建立故障类型音频模板，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系，多个故障类型音频模板构成该故障类型预测模型；

一故障概率预测模型建立装置，用于采用该音频特征参数和HMM算法为每个故障类型建立故障概率预测模型。

25.如权利要求24所述的故障概率预测模型的建立系统，其特征在于，该故障类型振动模板是通过采用该故障类型数据库中的历史振动数据和BP算法获得的。

26.如权利要求24所述的故障概率预测模型的建立系统，其特征在于，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

27.如权利要求26所述的故障概率预测模型的建立系统，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每l0ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

28.如权利要求24所述的故障概率预测模型的建立系统，其特征在于，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

29.如权利要求24-28中任意一项所述的故障概率预测模型的建立系统，其特征在于，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

30.如权利要求29所述的故障概率预测模型的建立系统，其特征在于，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

31.如权利要求24所述的故障概率预测模型的建立系统，其特征在于，该故障概率预测模型建立装置用于采用该音频特征参数和HMM算法计算以下参数以为每个故障类型建立故障概率预测模型，该参数包括：初始状态概率、状态转移概率矩阵、混合高斯函数权值、均值和协方差矩阵。

32.如权利要求24所述的故障概率预测模型的建立系统，其特征在于，故障概率预测模型建立装置还用于采用该音频特征参数、该振动特征参数和HMM算法为每个故障类型建立故障概率预测模型。

33.一种风机监测预警方法，其特征在于，其包括以下步骤：

步骤S_1R、采集风机的振动信号，以及在采集该振动信号的同时采集风机的音频信号；

步骤S_2R、预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数，以及预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

步骤S_3R、将该振动特征参数代入一故障类型数据库中的故障类型振动模板以得到与该振动特征参数相对应的故障类型，和/或，将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

步骤S_4R、将该音频特征参数和/或该振动特征参数代入一故障概率预测模型中以计算该故障类型的概率，其中该故障概率预测模型采用如权利要求15-23中任意一项所述的故障概率预测模型的建立方法得到。

34.如权利要求33所述的风机监测预警方法，其特征在于，步骤S_2R中通过时频分析方法来预处理该振动信号；和/或，

步骤S_2R中预处理该音频信号还包括以下步骤：

步骤S_2R1、对该音频信号分帧处理；

步骤S_2R2、预加重经分帧处理的该音频信号；

步骤S_2R3、加窗处理经预加重的该音频信号。

35.如权利要求34所述的风机监测预警方法，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

步骤S_2R1中将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

步骤S_2R2中通过一预加重数字滤波器来实现预加重；和/或，

步骤S_2R3中通过汉明窗来实现加窗处理。

36.如权利要求33所述的风机监测预警方法，其特征在于，步骤S_2R中对预处理后的音频信号进行特征提取的方法选自：线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

37.如权利要求33-36中任意一项所述的风机监测预警方法，其特征在于，步骤S_1R中采集的为该风机的机舱中的振动信号和音频信号以及该风机的传动系统的振动信号和音频信号。

38.如权利要求37所述的风机监测预警方法，其特征在于，步骤S_1R中采集的该振动信号和该音频信号为模拟信号，步骤S_1R之后、步骤S_2R之前还包括以下步骤：将该模拟信号转换为数字信号。

39.一种风机监测预警系统，其特征在于，其包括：

一振动传感装置，用于采集风机的振动信号；

一音频传感装置，用于在采集该振动信号的同时采集风机的音频信号；

一第一数据处理装置，用于预处理该振动信号并对预处理后的振动信号进行特征提取以获得振动特征参数；

一第二数据处理装置，用于预处理该音频信号并对预处理后的音频信号进行特征提取以获得音频特征参数；

一故障类型分析装置，用于将该振动特征参数代入一故障类型数据库中的故障类型模板以得到与该振动特征参数相对应的故障类型，和/或，用于将该音频特征参数代入一故障类型数据库中的故障类型音频模板以得到与该音频特征参数相对应的故障类型，其中，该故障类型振动模板表示故障类型与振动特征参数之间的对应关系，该故障类型音频模板表示故障类型与音频特征参数之间的对应关系；

一故障概率分析装置，用于将该音频特征参数和/或该振动特征参数代入一故障概率数据库中的故障概率模型以计算该故障类型的概率，其中该故障概率预测模型采用如权利要求15-23中任意一项所述的故障概率预测模型的建立方法得到。

40.如权利要求39所述的风机监测预警系统，其特征在于，该第一数据处理装置用于通过时频分析方法来预处理该振动信号；和/或，该第二数据处理装置还包括：

一分帧处理装置，用于对该音频信号分帧处理；

一预加重装置，用于预加重经分帧处理的该音频信号；

一加窗处理装置，用于加窗处理经预加重的该音频信号。

41.如权利要求40所述的风机监测预警系统，其特征在于，时频分析方法选自：时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法和小波分析方法；和/或，

该分帧处理装置用于将该音频信号分为每10ms-30ms一帧，且相邻两帧有

的重叠；和/或，

该预加重装置为一预加重数字滤波器；和/或，

该加窗处理装置包括一汉明窗。

42.如权利要求39所述的风机监测预警系统，其特征在于，第二数据处理装置用于通过以下方法中的一种或多种来对预处理后的音频信号进行特征提取：该线性预测倒谱系数方法、美尔频率倒谱系数方法和小波包分析方法。

43.如权利要求39-42中任意一项所述的风机监测预警系统，其特征在于，该振动传感装置用于采集该风机的机舱中的振动信号和该风机的传动系统的振动信号，和/或，该音频传感装置用于采集该风机的机舱中的音频信号和该风机的传动系统和音频信号。

44.如权利要求43所述的风机监测预警系统，其特征在于，该振动传感装置采集的该振动信号和该音频传感装置采集的该音频信号为模拟信号，该振动传感装置还包括一第一A/D转换器，该音频传感装置还包括一第二A/D转换器，该第一A/D转换器和该第二A/D转换器均用于将该模拟信号转换为数字信号。

Images