基于声音的故障检测与识别开题报告

1. 研究目的与意义（文献综述包含参考文献）

目前基于图像的故障检测、行为识别等有着广泛的研究和应用，但图像识别对硬件平台较高的要求使得在生产环境中尤其在预算不高的中小型企业中图像识别平台的部署较为困难。

而基于声场信息的故障检测平台不受安装环境、图像质量等因素的影响，灵活方便，同时对硬件要求较低，因此有着广阔的研究前景。

现阶段，基于声音的故障检测方案共分为两大类，其一针对运行状态单一的机械设备，通过检测限定频率的音强是否超过阈值判断设备是否出现限定故障；其二针对运行状态复杂的机械设备，通过对设备运行声音进行基于深度学习的全频谱分析，判断设备是否出现故障并判断故障类别。

2. 研究的基本内容、问题解决措施及方案

本次毕业设计所要解决的问题是完成基于音频数据的故障检测和识别系统的设计，要求实现下述目标：能够采集现场声信息，存储、处理和结果显示；采用网络提供的声数据集，基于深度学习的方法完成模型搭建，数据训练，并形成有效的检测系统算法；实现计算机平台中非实时的基于声的故障检测。

基于上述目标现将本次研究课题分为一下几个阶段：1.模型的建立：基于设备故障音频数据集使用神经网络进行深度学习得出用于判定设备是否故障的神经网络模型；2.模型的验证：基于求得的神经网络模型，使用设备运行录音文件或设备运行时实时录制的音频数据判定设备是否故障；3.模型的部署：将模型部署至基于linux系统的嵌入式设备，设备正常运转，具备录音及结果反馈功能，且运行效率（反应时延）可控。

基于上述三个阶段，将本系统拆解为多个模块进行实现，如附图一，以下简述各模块实现方法：1.音频数据获取：音频数据获取在两个阶段同时存在，即模型训练和模型部署阶段。