论文总字数：27657字

摘 要

近些年，技术发展下，在一些场景中基于音频的故障检测手段可以取得比视频检测更好的效果。基于声音信号的故障检测被运用在很多领域，如电梯控制机柜中的声音检测与故障预警、轨道损伤检测等场景，据此提出基于简单场景中的声音检测与识别课题工作。故障检测应用领域繁多，故障检测对于人们日常生活以及企业生产来说，有着至关重要的作用，而基于声音的故障检测是在实际场景中非常便利并且有效的一种方法。

本文主要研究了基于声音的故障检测的算法。本系统通过使用python的librosa依赖库来获得多种不同类型的声音的特征，之后创建一个可供搜索的声音的特征库，将特征和文件名字存放到这个库中。最后，我们使用麦克风对声音进行录制，然后也通过librosa来获得它的特征，之后将该声音和库中已被提取的声音进行匹配，通过DTW计算音频相似度，检测该种声音的种类，并输出结果。

关键词：故障检测;特征提取;python;声信号;DTW

ABSTRACT

In recent years,with the development of technological ,in some scenarios, the fault diagnosis technology that based on the audio detection can obtain better results than that based on the video detection.Fault detection based on sound signal has been used in many fields，we need sound detection in our daily life and companys also need.There are many application fields of sound fault detection, which plays an important role in people's daily life and enterprise production, and sound based fault detection is a very convenient and effective method in the actual scene.

This paper mainly studies the algorithm of fault detection based on sound. This system uses librosa dependency Library in python to obtain the characteristics of different types of sound, and then creates a search library for searching sound. Next, it stores the characteristics and file names of each sound parsed by librosa in this search library, so that when recognizing, it can quickly match and search, and see that the Whether the detected sound matches the sound in the search library. Finally, we use microphone or other recording equipment to record the sound, and then obtain its features through librosa dependency library. Similarly, we also match the features of the sound and the features of the extracted sound in the library, and then pull the waveforms of the two sounds together through DTW to align the two waveforms on the time series, and then we will The distance between the two points corresponding to the agreed time point on the waveform is calculated, and then a value is blown through the minimum variance calculation. This value is used to represent the similarity of the two waveforms. Through the similarity, we can get which sound the detected sound belongs to, and output the meaning of the sound.

Keywords:fault diagnosis; feature extraction; python; sound signal;DTW

目录

摘 要 II

ABSTRACT III

第一章 绪论 1

1.1课题研究的背景和意义 1

1.2 论文的主要任务 4

1.3 论文结构安排 4

第二章 系统总体设计 6

2.1音频录制模块 7

2.1.1声音信号简介 7

2.1.2频率 7

2.1.3幅度与音强 8

2.1.4录音设备及平台 8

2.2特征库建立模块 11

2.3对比模块 11

第三章 特征库的建立与匹配软件设计 13

3.1声音录制程序 13

3.2建立特征库程序 16

3.3对比程序 18

第四章 系统调试 23

4.1 特征库建立部分调试 23

4.2 对比部分调试 24

4.2.1打印机声音测试 26

4.2.2流水线声音测试 27

4.2.3轴承工作声音测试 29

4.3遇见的问题 31

第五章 论文总结 35

参考文献 37

致谢 39

第一章 绪论

1.1课题研究的背景和意义

故障检测应用领域繁多，逐渐成为故障检测的热点，故障检测对于人们日常生活以及企业生产来说，有着至关重要的作用，而基于声音的故障检测是在实际场景中非常便利并且有效的一种方法。人们可以通过听觉从外界获得很多信息，而在这大量而复杂的信息中，人们经常可以从中快速的辨别出自己需要的信息，同时快速对所获得的信息进行相应的反应。随着人们对声信号这个领域的研究的逐渐增多，以及机器学习的日渐发展，人们已经能够让计算机具备了与人耳相似的功能，甚至某些情况下计算机的听觉能力已经超过了人耳。计算机模拟人耳的过程主要通过以下几个步骤：通过设备例如麦克风录制可以获得外界我们想要录制的信号，然后就是要对所获得的声信号进行滤波，因为日常生活或者企业生产时会存在各种噪音，尤其是在嘈杂环境中，噪声或者外界我们不需要的声音会产生很多影响，接着就是要对我们刚刚通过录制获得的声信号特征提取，将刚刚提取出来的特征存入文件来建一个可供搜索的搜索库等。由于人类是高级动物，人脑与人耳相结合的情况下，人类一听到声音在很短的时间内就可以辨别出，这种声音是什么声音，虽然目前已经有很多学者进行研究，但想要做到完全实现人耳的功能还有很长的路要走。尽管如此，这不能阻止目前的计算机听觉模仿人耳这一技术已经被运用在很多领域中，例如：语言识别，故障检测，人工智能等等，在这些领域里计算机听觉起到了至关重要的作用。

基于声音的系统故障诊断是近年来的研究热点，也是计算机听觉技术领域重要的研究方向之一。基于声音的故障检测是在我们通过外接设备例如麦克风录制来获取需要被应用的机器在日常运行过程中产生的声音信号例如流水线正常工作的声音，然后就是通过算法或者其他途径提取该声音的声音特征，例如本文中运用的是python的librosa依赖库；然后就是创建一个可供搜索的声音的搜索库，将依据通过算法解析过的声音的特征和文件名字存放到这个搜索库中，这个搜索库可以不断的更新学习来满足具体实际运用时的要求，最后，在使用时，我们只需要对需要检测的情况下的声音进行录制，然后也通过算法来提取它的特征，接着就是将该声音的特征和库中存入的各类声音的特征进行匹配，然后通过算法分析对比得出被检测的声音属于搜索库里的哪一种声音。算法拥有很多种，本次课题汇总我就是通过DTW来进行数据对比将两组数据之间的最小距离计算出来，该数值就是用来代表两种声音的相似度的。基于声音的故障诊断的优点是采集声音时不需要将机器停止工作，总所周知，时间就是金钱，机器停止会给企业生产带来诸多损失，我们可以将传感器直接安装在机器外壳上，这样机器就不需要停止工作才能被检测，而是一直持续的被监控，这一做法大大提高了便利度。另外，如果在实际运用中能够用光纤传感器来获得声信号，那么该做法可以屏蔽很多环境周围的电磁干扰，这样获得的声音就很清晰，这对检测来说非常重要，后续对信号进行一系列的分析提取对比时，这一做法能够大大提高准确度。

请支付后下载全文，论文总字数：27657字