具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。

应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

本方案适于多种液压设备的异常监测，譬如减速机、马达等，液压设备启动、制动或者变速频繁，其运转时的动态载荷变化范围大并且频繁，会大大加快机械关键部件譬如轴承、齿轮等的疲劳速度，即相应接触部位的应力集中，引起金属材料内部晶格结构发生变化，并向外发射宽频弹性应力波，致使金属部件发生局部或整体振动，并会同步带动周围空气产生振动，生成大量异常声音信号。当晶格变化达到一定程度时会导致金属微裂纹产生，微裂纹会随着机械运行逐渐扩展，进一步引起轴承内圈或外圈剥离、磨损、裂纹、腐蚀、滚动体擦伤、磨损、裂纹、齿轮裂纹、断齿、崩落等故障，并伴随具有一定特征变化的异音信号。因此通过对伴随异音的分析，即可了解其关键金属部件轴承/齿轮等故障点声源的相关发展情况，从而反映出特定目标关键部件的健康状态。

如图1所示，本实施例公开了一种液压系统异常监测方法，该方法可以但不限于由一监测装置来执行，监测装置可以是软件，或者为软件和硬件的组合，监测装置可以集成在智能移动端、平板、电脑等智能设备中。具体的，该监测方法包括以下步骤S01～步骤S04。

步骤S01、获取多路被监测液压部件工作状态的声音信息，多路所述声音信息由阵列式声音采集器采集。此处被监测液压部件可以是轴承、齿轮等关键部位。声音信息有多路声音采集器采集，多路声音采集器为阵列式排布，其可为环状排布、方形排布或其他整列排布方式。声音采集器的数量为多路，譬如6路、8路、10路或者16路等均可。声音采集器可以采用麦克风、声学传感器或者其他拾音器，其固定安装在被监测液压部件上。

步骤S02、对多路所述声音信息进行处理，并将其合并为一路目标声音信息。具体的，该步骤包括步骤S021～步骤S023。

步骤S021、先对多路所述声音信号进行增强得到多路增强信号。可采用多种技术对声音信号进行增强，譬如采用归一化多维曲线映射方法，或者采用波束成形技术。优选的，针对本方案的多路声音信号，采用归一化多维曲线映射方法进行增强。

再采用空间滤波算法，去除多路增强信号中的强非稳态信号，此处强非稳态信号为信号强且非稳态的信号。

步骤S022、对所述多路增强信号进行加权相加，以在目标信号的方向形成一个拾音波束，同时衰减除目标信号方向的其他方向的发射声。经该步骤后，可有效的衰减出除目标信号方向的其他方向的发射声，有效减小干扰，提高后续频率特征提取的准确性。

步骤S023、有信号合并为一路目标声音信息。

步骤S03、将所述目标声音信息输入已训练完成的神经网络模型中，提取得到所述目标声音信息的频率信息。此处的神经网络模型需要是提前训练完成的，其由训练集提前训练完成。神经网络模型可采用卷积神经网络，具体的，可选用LeNet网络、AlexNet网络、VGGNet网络、NiN网络、GooLeNet网络、ResNet网络或DenseNet网络。具体且优选的，采用YOLO模型。YOLO模型用于待识别目标检测时，具有检测速度快、背景误检率低、通用性强的优势，可大大提高人物目标检测的准确度和效率。

步骤S04、将所述频率信息输入故障识别模型中进行比对，识别被监测液压部件健康状态。

以轴承某一元件表面出现损伤时为例，在受载运行过程中，损伤点要撞击其他元件表面而产生冲击脉冲力，损伤产生的冲击可以激起系统的振动。由于损伤点撞击其他元件是周期性的，因此会产生周期性的脉冲力，从而产生一系列高频固有衰减振动。在进行比对时，其直接根据频率信息、被监测液压部件实现健康状态识别。具体的，针对轴承，

外环故障频率为：

内环故障频率为：

滚珠故障频率为：

保持架碰内环：

保持架碰外环：

其中，D为节圆直径，d为滚珠直径，α为接触角，z为滚珠数，R为轴的转速频率。

具体的，如图2、3所示，为采集的某地铁3085车某走行部轴承的声音信息，经上述方法后，判定为疑似剥离且达到后期严重程度。

采用上述方法对声音信息进行处理和特征提取，识别出被监测液压部件的健康状态，从而对被监测液压部件异常进行识别，降低维护保养费用，提高装备完好性，避免出现故障才进行提示造成较大经济损失。

本发明第二方面提供一种液压系统异常监测设备，包括依次信号连接的信号接收单元、目标声音信息提取单元、多维特征提取单元和故障识别单元，

所述信号接收单元用于获取多路被监测液压部件工作状态的声音信息，多路所述声音信息由阵列式声音采集器采集；信号接收单元可以接口单元，或者其他接收单元。

所述目标声音信息提取单元用于对多路所述声音信息进行处理，并将其合并为一路目标声音信息。

所述多维特征提取单元用于将所述目标声音信息输入已训练完成的神经网络模型中，提取得到所述目标声音信息的频率信息。

所述故障识别单元用于将所述频率信息输入故障识别模型中进行比对，识别被监测液压部件健康状态。

本发明第三方面提供一种液压系统异常监测设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，所述处理器用于读取所述计算机程序，执行第一方面及其任一种可能中所述的液压系统异常监测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源单元、显示屏和其它必要的部件。

本发明第四方面一种液压系统异常监测系统，包括信号采集单元和第二方面或第三方面所述的液压系统异常监测设备，所述信号采集单元有多个且成阵列式排布。

本发明中第二方面至第四方面中的设备、系统的运行原理详见第一方面中所述，在此不再赘述。

本发明第五方面一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行第一方面及其任一种可能中所述的液压系统异常监测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。