[发明专利]基于大数据技术的托辊故障诊断方法、系统及存储介质

权利要求书

1.一种基于大数据技术的托辊故障诊断方法，其特征在于，包括以下步骤：

S1，采集托辊音频数据；

S2，提取音频数据的特征；所述音频数据的特征具体包括尖锐度、噪声烦恼度以及言语干扰级；

S3，音频数据的特征输入至已训练的逻辑回归模型中，逻辑回归模型对托辊的运行状态进行识别；

所述逻辑回归模型数学表达式如式(1)所示：

其中，X表示训练样本集；x表示自变量，即各样本数据提取的音频特征；h(x)为模型预测函数，表示托辊出现故障的概率；β表示逻辑回归模型的参数；y'为模型预测结果，用于表征识别的托辊运行状态；h(x)≥0.5则y'＝1，表示托辊运行异常；h(x)0.5则y'＝0，表示托辊运行正常；

损失函数如式(2)所示：

其中m表示数据集中数据点的个数，即样本数；x为训练样本；i表示第i组样本或第i次预测；h(x)表示训练样本输入模型得到的预测结果，y表示训练样本标注的真实结果；

采用梯度下降法求解损失函数，其求解结果如式(3)所示：

其中，j表示梯度迭代次数；

S4，若托辊运行异常，执行警报、监视或控制操作；若托辊运行正常，完成当前时刻的托辊故障诊断，执行步骤S5；

S5，更新时刻，重复执行步骤S1至步骤S4，进行下一时刻的托辊故障诊断。

2.根据权利要求1所述的基于大数据技术的托辊故障诊断方法，其特征在于，所述步骤S2采集的音频数据的特征包括尖锐度、噪声烦恼度以及言语干扰级；对音频数据进行频域变换得到音频数据的频域信息，然后计算尖锐度、噪声烦恼度以及言语干扰级。

3.根据权利要求2所述的基于大数据技术的托辊故障诊断方法，其特征在于，所述尖锐度、言语干扰级的计算公式如下所示：

尖锐度计算公式：

其中S为尖锐度，k为加权系数，24Bark表示尖锐度模型的24个特征频带，z为临界频带，N′(z)为临界频带z上的特征响度，g(z)为依据不同临界频段设置的响度计权函数：

言语干扰级计算公式：

其中LST为言语干扰级，L_P1、L_P2、L_P3分别表示500Hz、1000Hz、2000Hz为中心的三倍频带的噪声声压级。

4.根据权利要求1所述的基于大数据技术的托辊故障诊断方法，其特征在于，所述逻辑回归模型通过以下步骤训练：

A1，获取已标注的音频数据特征；

A2，构建逻辑回归模型，将已标注的音频数据特征输入到逻辑回归模型中，采用梯度下降法调整逻辑回归模型中的参数，得到训练后的逻辑回归模型。

5.根据权利要求4所述的基于大数据技术的托辊故障诊断方法，其特征在于，所述逻辑回归模型通过以下步骤训练：

步骤B1，获取已标注的音频数据特征，将已标注的音频数据特征分为训练数据集和测试数据集；

步骤B2，构建逻辑回归模型，将训练数据集输入到逻辑回归模型中，采用梯度下降法调整逻辑回归模型中的参数，得到训练后的逻辑回归模型；

步骤B3，测试数据集输入已训练的逻辑回归模型进行测试，得到预测结果，对测试数据集的预测结果与测试数据的实际结果进行统计分析，给出模型的预测准确率。

6.根据权利要求4所述的基于大数据技术的托辊故障诊断方法，其特征在于，步骤S1中模型实时识别过程中采集的音频数据和对应的步骤S3识别的托辊运行状态，也作为训练样本用于对逻辑回归模型进行训练。

7.一种采用权利要求1-6任一项所述方法运行的基于大数据技术的托辊故障诊断系统，其特征在于，包括顺次连接的以下模块：数据采集模块、特征提取模块、逻辑回归模型模块以及监控模块。

8.根据权利要求7所述的基于大数据技术的托辊故障诊断系统，其特征在于，还包括模型训练模块；特征提取模块的输出端连接模型训练模块的输入端，模型训练模块的输出端连接逻辑回归模型模块的输入端。

9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大数据技术的托辊故障诊断方法的步骤。