一种基于深度学习理论的设备故障声源定位方法

摘要

本发明公开了一种基于深度学习理论的设备故障声源定位方法，包括如下步骤：通过麦克风阵列MEMS传感器进行声源信号采集，从而获取故障点的原始声源信号；对原始声源数据进行傅里叶变换和灰度处理，使其转换为STFT灰度图像，并将STFT灰度图像输入经过训练的声源位置神经网络模块，从而得到故障点的定位信息；将原始声源数据输入经过训练的声压强度神经网络模块，从而得到故障点的声压强度；结合故障点的定位信息和声压强度判断设备的故障情况。本发明基于原始声源数据的特性，创新性地采用相互独立的声源位置神经网络模块+声压强度神经网络模块的多任务学习网络构架，由此同时获取故障点的定位信息和声压强度，为设备故障情况的判断提供了双向支持。