基于声信号的windows mobile和平板电脑应用程序的机械健康监测外文翻译资料

 2022-10-28 15:03:01

英语原文共 6 页,剩余内容已隐藏,支付完成后下载完整资料


基于声信号的windows mobile和平板电脑应用程序的机械健康监测

Nishchal K. Verma, Jatin V. Singh, Mehak Gupta, Sonal Dixit, Rahul K. Sevakula, Al Salour

电机系,坎普尔科技,印度理工学院

电机系,科技鲁尔基,印度理工学院

波音公司,圣路易斯,密苏里州,美国

摘 要

随着新的API和IDE(集成开发环境)的可用性,App的发展比以往任何时候都更容易。快速的处理器,更好的内存,更好的操作系统功能和更好的存储选项赋予智能手机和平板电脑的大多数函数的一个较大的计算设备使用性能。在本文中,我们有关的应用探讨执行基于状态监测(CBM)意味着工业机器是在两个平台上开发的,即Windows Mobile操作系统和Windows平板电脑操作系统(Windows8专业版)。在面对每个平台的挑战,以及如何他们遇到制作到Windows上成功的应用这个基于智能手机和平板电脑为工业用途,已在本文深入讨论。该应用程序使用的声录音和数据挖掘技术来区分一台机器的健康和故障状态。先进的智能手机应用程序是一个训练成功往复式空气压缩机的从健康的状态进气阀故障来区别泄漏,并能准确地检测出故障。

关键词:基于状态的监控;智能手机; 平板电脑;Windows操作系统;故障诊断模型;声学特征

1. 引言

Windows已经成为开发之中颇为流行的和用户的高度交互的UI(用户界面)。 虽然Windows Mobile操作系统相比于Android和苹果的iOS的现代化建设而言变得非常晚,但它仍然能够得到良好的竞争。智能手机和平板电脑的移动性有着显著特点,即,快速的计算与多核处理器,互联网连接,GPS功能,进入云计算,摄像头的可用性和加速度计等,这些都能使智能电话来执行各种操作。它们已经能够执行手势识别[1],人脸识别[2],活动识别[3]等功能。

应用市场目前正与各种应用程序充斥在教育,气象信息,交通信息,娱乐应用程序,甚至检查健康状况等领域。调查开发者经济学2014年第3季度[4]日前透露,智能手机/平板电脑应用开发者已经开始瞄准企业部门的应用,甚至更多。一般人总是首选商业用途目的,并依靠微软的Windows环境。事实上,Windows移动OS目标这个特定社区为用户提供免费的MS Office应用程序,否则就是一种有偿在应用程序的桌面环境。这自然吸引开发人员可以选择基于Windows操作系统开发工业应用。牢记所有这些原因,这里对于行业的便携式解决方案进行了相应的设计,可以执行基于声学的车况监控(CBM)。

CBM是一种所使用的行业避免突然的机器故障的维护策略[5]。它可以很早的检测出在不同机器故障的检测变化参数签名。这种策略有助于防止机器的停机时间过长,节省维护成本,也延长了机器的生命[6]

故障诊断系统是一个决策系统,其中包括检测,隔离和故障识别。这个需要捕捉特定的机器特征,如声学,振动,温度,电流,磁通,局部电荷等[7]。 当机器经历状态的变化时和这种变化的观测有助于诊断故障机器的特性受到显著变化。这里,状态是指机器健康或一些特定的故障发生的条件。在这里提出的开发的应用,声学签名已被用于检测和分类故障。

我们早期的基于CBM申请是在Android上取得[8]。同样我们使用Windows设备,智能手机和平板电脑的Windows讨论实施CBM。本文讨论需要面临的每一个平台的挑战,以及他们如何成功制作基于Windows的工业用智能手机和平板电脑的应用。

这篇文章的结构如下:第二部分介绍了用于故障预测的整个故障诊断模型。第三节和第四节则处理Windows Mobile操作系统,并分别为Windows平板操作系统(Windows8专业版)做出应用的结构,组织,UI和实施细则。实验细节和结论则在第五节给出了。

2.程序故障诊断

本节介绍了用于在应用程序呈现故障诊断数据挖掘模型。整个任务可以被视为声学模式识别任务,即在健康的状态的基础上从CBM记录的声音记录识别故障状态。识别任务如下:监督学习,其中第一个有监督模式是在这两个模块的声录音训练,然后被用于预测测试样品的机器状态这种模式。训练和测试阶段可以分为5部分,即数据采集,数据预处理,特征提取,特征选择和最终分类。

A.培训阶段 - 培训模型的建立

1)数据采集:数据采集背后的主要思想是收集系统产生的实时数据并存储,充当预测系统的输入数据。这个过程还包括处理数据访问格式,即电信号转化为数字采样值。这里,内置的麦克风的设备如智能手机和平板电脑用于收购声录音。采集的声音信号存储在未压缩的.wav格式[9]中。该.wav文件存储为2的补数的16位的PCM以44.1kHz的采样频率,这相当于到CD质量的音频记录编码(5S持续时间)[10]。为了捕获数据,设备应保持在这些有望给尽可能多的信息中提到的敏感位置[11]。这样的决定也构成数据采集模块[12]的一部分。

2)数据预处理:由于嘈杂的工业环境,不必要的噪音也得到与降低数据的质量数据一起记录。去除噪音和异常值的影响的过程称为数据处理。在我们的应用预处理阶段包括归一化平滑和滤波剪裁的各方面。将最初记录数据进行过滤使用巴特沃斯低通滤波器[13]降低与样品中的高频含量。其中,我们选择其中可用于进一步的处理信号的最好的部分进行下一个削波。在这个阶段,5个第二信号被划分成9部分,其中每个部分是1秒。将各部分的标准偏差计算,然后与至少偏差部分被选择。一秒所选信号然后使用移动平均滤波器平滑化,然后用0-1正常化技术标准化。

3)特征提取:在此阶段,重要特点是从预处理的数据中提取出来的。数据在三个领域,即A)时间域B)频域C)小波域进行分析。时域特征主要包括8个统计参数即绝对平均值,最大峰值,均方根,方差,峰度因子,振幅因数,形状因子和偏态[14]。频域分析了频率内容出现的数据信息。在这个分析中,数据被分解为8个等份。每个箱总信号能量的能量比给出八大功能。在小波域分析中,我们观察到的数据w.r.t时间频率成分的变化。小波分析被很多专家公认为是对非稳定信号[15]的分析的最显着的方法之一。共有270功能可以从小波分析收集。在270个功能中,7个功能使用Morlet小波系数计算,采用离散小波9功能使用离散小波变换和剩余的254功能使用小波包变换[8]。因此共提取286个特征。

4)功能选择:该过程包括从提取的总去除冗余和不相关的功能。此功能选择方法的目的是选择那些能够在两个国家之间的区分图形功能。如在本文中提到[16],以这种方式选择的特征已被证明给予更好的识别精度。自动选择这样的特征,四统计参数已分别计算过,A)零阈值(PCR)B)分离计数C)表示D值)的方式标准偏差。 ZCR计数的目的是值多少次设有彼此交叉反映值的相关性高。分离数给出了健康和故障部件穿过隔离假想线(健康,最小/最大错误的,反之亦然的最大值/最小值)的次数。率的不确定性意味着一个错误的特性类似于其健康的组件。Std.意味着计算标准偏差的平均值等于情节分为数据集的数据宽度归一化数据集。获取数据时,有时发现,整个数据集损坏或显示截然不同的趋势。训练时避免这些数据我们的模型,另外一个函数被用于拒绝看似坏数据。

5)数据分类:数据分类是学习的基础上选择的特征来区分两个或两个以上的类的过程。一旦特征被选择时,选择的特征值的平均值和标准偏差都存储在一个模型文件。虽然预测测试录音状态下,选择功能“值进行比较w.r.t.使用Z得分衡量这两个国家的平均特征值。的状态下,其Z得分的措施是降低,被选择为测试记录的状态。方程表示Z得分是如何计算的公式1所示:

(1)

其中,mu;是平均值,是数据的标准偏差。

B.测试阶段

在测试阶段,在第一测试记录(S)的前处理,然后在训练阶段描述的特征提取相同。在特征选择阶段,从模型文件的功能特点采用指数选择。用于预测测试记录所选择的特征值状态进行比较,根据Z得分这两个国家的平均特征值。状态的Z得分值是低级被选择为测试记录的状态。

3. 实现WINDOWS移动应用

A.结构与组织

这个应用程序已经构建了一个有序的组织方式,其流程图如图1所示。应用程序被分成数据采集,特征提取,特征选择,分类模块七个独立的工作子模块。在数据采集模块,两个模块开发A)培训数据记录仪B)敏感位置记录。这两个模块允许用户进行实时声学数据采集。通过敏感的位置记录器所记录用于发现敏感的位置。寻找敏感位置的计算非常密集;因此没有模块选择在计算机中这样做。用于查找敏感位置的算法是在台式机上执行,超出了本文的范围。因为敏感的位置被发现只有一次一对模块的,而不是经常在智能手机上没有执行,这不是一个问题。一旦敏感的位置被确定,录音采取培训数据记录仪。

图1 主要APPR的模块流程图

这些录音用于训练故障诊断模型。在这两个模块的数据存储在一个特定的用户定义的文件夹树中。文件夹树结构确保代码适当的布局时,代码执行选择以产生训练有素的模型文件。一个固定的文件夹树确保编译器的程序例程,向下移动一个文件夹树的文件搜索。它还可以防止用户做出努力创建每个单独的文件夹。为了使这个应用程序作为识别工作状态,这两个模块的录音作为训练数据。现在,训练数据是处理前使用预处理模块接着使用特征提取模块的特征提取。从这些提取的特征,选择模块找到最好的功能和在上一节中提到生成训练模型文件。数据分类模块,用于预测机器测试记录的状态。执行此过程,但相信在一个故障可以检测到基于声学签名大多数情况下,这个程序可以用于区分这两种状态。该应用程序允许用户使用是它们被存储在独立存储内存文件中间步骤的结果。如果在隔离存储中间,顺序执行的程序可以独立或结果存在内存中。查看独立存储的文件夹和文件,否则无法观看,一个模块命名隔离存储访问。必须指出这个模块故障诊断过程中没有任何作用,只为了方便用户。独立存储内存中已经详细解释分段题为实现细节。

B.应用程序接口

应用程序有一个高度互动的用户界面(UI)。敏感的位置记录,如图2所示(a)和训练数据记录器如图2所示(b)允许用户记录声波数据使用设备的内置麦克风。录音是在44.1 KHz和存储结构是决定使用自定义文件夹创建页面如图2所示(c)生成一个树的文件夹和子文件夹的数量根据用户的输入位置,状态和其他参数。用户选择保存记录和选择一个位置也选择放弃录音记录受损。

预处理、特征提取、特征选择和分类模块是对用户输入执行统计分析的数据如图2中所示(d)。每个模块的界面要求用户输入相应的文件或文件夹以及一些主要的输入喜欢的类型文件,采样频率,在计算中使用的数据集等。预处理模块如图2所示(e)接收文件和采样频率作为输入,然后执行操作,比如过滤、平滑、剪裁和标准化来减少的影响,异常值和噪声组件。统计最佳输入音频帧被选中时,加工,然后存储在一个文本文件中独立存储。如图2(F),特征提取页从时域,频域和小波域提取功能。该傅立叶变换已经使用内置Math.Net库在Visual Studio 2012的特征选择的NuGet [17]采用包,如图2所示(g),基于视觉分离、区分功能冗余和特性适合生成数据挖掘模型。算法计算ZCR分离计数,比率的均值和标准偏差意味着使用统计工具在Nuget包。模块返回一组指标代表最好的特征数据集获得用户使用设备。模块生成一个模型文件存储在一个单独的隔离存储的文件夹。分类界面如图2中所示(h)允许用户测试预录的数据或记录一个新的实时记录和测试基于模型文件选中用户相同的用户界面。算法比较的特性指标在模型文件中存储的特性模型文件并返回显示在结果页面的结论。

隔离存储访问是一个重要的子模块,用户需要检查进程是否运行正常。用户使用这个可以访问内部应用程序内存视图文件,创建和删除文件夹和几个不同的模块的各个功能,如图2所示(i)。选择和删除的独立性取决于模块访问。删除操作使用递归的方法来清除内部文件夹内容,然后删除整个文件夹。

C.实施细则

最突出的实现问题在Windows中包括与文件关联到内置的应用程序和URI协会一起访问限制到SD卡的手[18]。SD卡只允许那些尚未与内置的应用程序相关的文件读取权限。作为.wav文件和其它声音文件已经内置于应用视窗相关联,SD卡不能用于访问记录和其它文件。独立存储是文件访问和写作问题的可接受的解决方案。独立存储是指到Windows Phone的内部存储空间,它只允许属于特定的应用程序中的数据的完全访问权限。

Windows Phone的电动工具[19]是一个开源软件,它允许用户与独立存储交互并执行所有类似于在其他移动平台的SD卡操作的操作。在Visual Studio使用包括其允许处理复杂阵列的MathNet[20]所述的NuGet包。声数据采集是通过使用WASAPI音频比较[21]包,它允许定制的声学数据进行采集实现自定义的程序。微软手机控件工具箱[22]提供了改进的用户界面元素,使界面更加互动。Coding4Fun工具包提供了元素,如ListPickers file.browser中重要元素的独立存储。包System*(Linq,windows等)提供了选择定制的消息框和使用列表项来源不同的UI元素。MathNet包足智多谋的在频域提取特征(处理复杂的数组)以及计算傅里叶变换和傅里叶反变换。lt;

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[152876],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。