本發明涉及水泵聲紋降噪，尤其涉及一種基于兩階段生成對抗網絡的水泵故障診斷方法。

背景技術：

1、地道泵房的潛水泵在地道排水系統中起著至關重要的作用，其故障可能導致排水能力下降，嚴重時會引發地道水淹，危及安全運營。由于潛水泵處于水下作業環境，其工作環境復雜，混雜了機械設備運轉聲音、水流聲音、車輛行駛經過等多種噪聲，屬于強噪聲環境，給潛水泵的聲紋識別帶來了挑戰。因此，有必要開發一種有效的聲紋降噪技術，以提高水泵聲紋識別的準確性，及時發現水泵故障。

2、現有的降噪技術在復雜噪聲環境下往往無法準確提取目標聲音特征，特別是當噪聲種類繁多且頻譜復雜時，傳統的濾波或信號處理方法效果有限。因此，如何有效去除強噪聲并增強水泵聲紋數據特征，從而提高聲紋識別的準確性，是本領域技術人員亟待解決的一個技術問題。

技術實現思路

1、本發明提供一種基于兩階段生成對抗網絡的水泵故障診斷方法，以解決上述技術問題。

2、為解決上述技術問題，本發明提供一種基于兩階段生成對抗網絡的水泵故障診斷方法，包括如下步驟：

3、步驟1：采集潛水泵在地道泵房內的運行聲音數據，所述運行聲音數據中包括無噪聲環境和帶噪聲環境下的正常運行數據和故障運行數據；

4、步驟2：對采集到的所述運行聲音數據進行預處理，獲取頻域特征；

5、步驟3：構建一階段生成對抗網絡，并利用所述頻域特征訓練所述一階段生成對抗網絡，輸出增強的潛水泵故障時頻圖和正常時頻圖；

6、步驟4：構建二階段生成對抗網絡，并利用所述頻域特征和一階段生成對抗網絡的輸出訓練所述二階段生成對抗網絡，輸出降噪后的潛水泵故障時頻圖和正常時頻圖；

7、步驟5：基于步驟4輸出的降噪后的潛水泵故障時頻圖和正常時頻圖檢測潛水泵故障。

8、較佳地，所述預處理的步驟包括：

9、步驟2.1：對所述運行聲音數據進行歸一化處理；

10、步驟2.2：將連續的聲音信號按照預設的時間窗口進行分幀處理；

11、步驟2.3：對每一幀的聲音信號進行短時傅里葉變換，生成時頻圖，提取聲音的時頻特征；

12、步驟2.4：對轉換后的頻譜數據進行幅值計算，生成二維時頻圖。

13、較佳地，所述預設的時間窗口為20ms。

14、較佳地，步驟3包括：

15、步驟3.1：構建第一生成器，將所述二維時頻圖作為輸入，對有噪聲和無噪聲的故障運行數據進行數據增強，生成增強時頻圖；

16、步驟3.2：構建第一判別器，將所述二維時頻圖和生成的增強時頻圖作為輸入，區分時頻圖的來源；

17、步驟3.3：構建第一對抗損失函數，并基于所述第一對抗損失函數優化所述第一生成器與第一判別器之間的對抗過程；

18、步驟3.4：定義重構損失，所述第一生成器通過重構損失保證生成的時頻圖保持原有特征；

19、步驟3.5：構建第一優化目標；

20、步驟3.6：基于所述第一優化目標，獲得增強的潛水泵故障時頻圖和正常時頻圖并輸出。

21、較佳地，所述重構損失為：

22、

23、其中，[||x-g1(x)||1]為l1范數，表示輸入樣本x和生成樣本g1(x)之間的差異；表示輸入樣本x和生成樣本g1(x)之間的差異期望值。

24、較佳地，所述第一優化目標為：

25、所述第一生成器的優化目標為最小化對抗損失和重構損失；

26、所述第一判別器的優化目標為最大化對抗損失。

27、較佳地，步驟4包括：

28、步驟4.1：構建第二生成器，將所述一階段生成對抗網絡生成的增強時頻圖和帶噪聲環境下的運行聲音數據的時頻圖作為輸入，生成降噪時頻圖；

29、步驟4.2：構建第二判別器，將所述二維時頻圖中的無噪聲時頻圖和所述第二生成器生成的降噪時頻圖作為輸入，區分時頻圖的來源；

30、步驟4.3：構建第二對抗損失函數，并基于所述第二對抗損失函數優化所述第二生成器與第二判別器之間的對抗過程；

31、步驟4.4：定義降噪損失，所述第二生成器通過降噪損失去除噪聲；

32、步驟3.5：構建第二優化目標；

33、步驟3.6：基于所述第二優化目標，獲得降噪后的潛水泵故障時頻圖和正常時頻圖并輸出。

34、較佳地，所述第二優化目標為：

35、所述第二生成器的優化目標為最小化對抗損失和降噪損失；

36、所述第二判別器的優化目標為最大化對抗損失。

37、較佳地，所述降噪損失為：

38、

39、其中，[||x-g2(x)||1]為l1范數，表示輸入樣本x和生成樣本g2(x)之間的差異；表示輸入樣本x和生成樣本g2(x)之間的差異期望值。

40、較佳地，步驟5包括：利用所述二階段生成對抗網絡輸出的降噪后的潛水泵故障時頻圖和正常時頻圖，通過機器學習或聲紋識別技術進行故障分類，獲取潛水泵故障檢測結果。

41、與現有技術相比，本發明提供的基于兩階段生成對抗網絡的水泵故障診斷方法具有如下優點：

42、1、本發明首先采集無噪聲和帶噪聲環境下的潛水泵正常運行和故障運行數據，再利用一階段生成對抗網絡進行數據增強，利用二階段生成對抗網絡進行降噪，能夠在地道泵房這樣復雜的強噪聲環境中，有效去除機械運轉聲音、水流聲音、車輛行駛聲音等噪聲，提取潛水泵的核心聲紋特征，顯著提升了降噪能力；

43、2、本發明在去除噪聲后，使水泵的聲紋特征更加清晰，避免了強噪聲對識別結果的干擾，從而提高了潛水泵故障狀態下聲紋識別的精度，這在地道泵房潛水泵故障診斷中，尤其是在排水系統的關鍵時刻，能夠及時檢測到潛水泵的運行異常，極大提高了潛水泵故障診斷的效率和準確性，保障了地道泵房系統的安全與可靠運行；

44、3、本發明通過一階段生成對抗網絡進行數據增強，生成了更多具有潛水泵故障特征的數據，這不僅增加了故障樣本的多樣性，還提高了聲紋識別模型的泛化能力，能夠適應更多樣化的噪聲和工作環境；

45、4、本發明具有非接觸性，即使潛水泵處于水下作業環境中，也能夠通過提取水下潛水泵的聲音信號，在實時監測的同時，實現高效的故障診斷，有助于地道泵房的自動化管理和潛水泵的遠程監控；

46、5、本發明通過兩階段生成對抗網絡，增強了系統對不同噪聲環境的適應性，尤其在多種噪聲源交疊的復雜環境下，表現出更高的魯棒性，其在噪聲種類復雜、頻譜差異大的情況下仍能保持較高的降噪效果，顯著優于傳統的濾波或頻域處理方法。

技術特征：

1.一種基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，包括如下步驟：

2.如權利要求1所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述預處理的步驟包括：

3.如權利要求2所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述預設的時間窗口為20ms。

4.如權利要求2所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，步驟3包括：

5.如權利要求4所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述重構損失為：

6.如權利要求4所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述第一優化目標為：

7.如權利要求4所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，步驟4包括：

8.如權利要求7所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述第二優化目標為：

9.如權利要求7所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，所述降噪損失為：

10.如權利要求7所述的基于兩階段生成對抗網絡的水泵故障診斷方法，其特征在于，步驟5包括：利用所述二階段生成對抗網絡輸出的降噪后的潛水泵故障時頻圖和正常時頻圖，通過機器學習或聲紋識別技術進行故障分類，獲取潛水泵故障檢測結果。

技術總結
本發明涉及一種基于兩階段生成對抗網絡的水泵故障診斷方法，包括：步驟1：采集潛水泵在地道泵房內的運行聲音數據，其中包括無噪聲環境和帶噪聲環境下的正常運行數據和故障運行數據；步驟2：對采集到的運行聲音數據進行預處理，獲取頻域特征；步驟3：構建并訓練一階段生成對抗網絡，輸出增強的潛水泵故障時頻圖和正常時頻圖；步驟4：構建并訓練二階段生成對抗網絡，輸出降噪后的潛水泵故障時頻圖和正常時頻圖；步驟5：基于步驟4的輸出檢測潛水泵故障。本發明采集無噪聲和帶噪聲環境下的潛水泵正常運行和故障運行數據，利用一階段生成對抗網絡進行數據增強，利用二階段生成對抗網絡進行降噪，有效解決了強噪聲環境下聲紋識別準確率低的問題。

技術研發人員：許璟琳,陳芊茹,辛佩康,張銘,黃軼,韓珂君,江凱,王鵬,劉寅,張錫霖
受保護的技術使用者：上海建工四建集團有限公司
技術研發日：
技術公布日：2025/4/24