一种井筒设备故障诊断方法、装置、终端及存储介质与流程

阅读：评论：0

1.本技术涉及故障诊断技术领域，尤其涉及一种井筒设备故障诊断方法、装置、终端及存储介质。

背景技术：

2.立井罐笼是煤矿中最重要的生产设备之一，负责提升煤炭和材料、运输人员和各种设备，在矿井提升中发挥着巨大的作用，可以连接地面和井下，罐笼和天轮的安全稳定运行是关乎生产人员及物资的重要安全保障。
3.现在，通常采用点式传感器对煤矿设备进行故障侦听，以用来实现对煤矿设备的安全稳定运行的监测，但是，点式传感器无法解决长距离分布式监测，在复杂环境、无源环境中无法进行安装，无法实时在线监测设备状态。

技术实现要素：

4.本技术提供了一种井筒设备故障诊断方法、装置、终端及存储介质，以解决现有技术中在长距离分布且环境复杂的情况下无法实时对井筒设备进行故障诊断的问题。
5.第一方面，本技术提供了一种井筒设备故障诊断方法，包括：
6.采集井筒设备的振动音频数据；
7.基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于lstm神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；
8.若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。
9.第二方面，本技术提供了一种井筒设备故障诊断装置，包括：
10.采集模块，用于采集井筒设备的振动音频数据；
11.识别模块，用于基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于lstm神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；
12.确定模块，用于若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。
13.第三方面，本技术提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述井筒设备故障诊断方法的步骤。
14.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种
可能的实现方式所述井筒设备故障诊断方法的步骤。
15.本技术提供一种井筒设备故障诊断方法、装置、终端及存储介质，通过采集井筒设备的振动音频数据，由于井筒设备的安装环境，可以实现对长距离分布且环境复杂的井筒设备的振动数据采集；基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于lstm神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型，能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断，根据诊断结果预防进一步发生严重故障，提高了井筒设备运行的安全性、可靠性、有效性，将故障损失降到最低，保证设备发挥最大的经济效益。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术实施例提供的井筒设备故障诊断方法的实现流程图；
18.图2是本技术实施例提供的分布式光纤的敷设路线图；
19.图3是本技术实施例提供的正常特征的音频示意图；
20.图4是本技术实施例提供的螺栓松动的音频示意图；
21.图5是本技术实施例提供的罐笼与轨道碰撞的音频示意图；
22.图6是本技术实施例提供的井筒设备故障诊断装置的结构示意图；
23.图7是本技术实施例提供的终端的示意图。
具体实施方式
24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
26.图1为本技术实施例提供的井筒设备故障诊断方法的实现流程图，详述如下：
27.在s101中，采集井筒设备的振动音频数据。
28.由于井筒设备的不安全因素有很多，比如：设备未定期检验维修导致一些设备劳损未被及时发现，从而发生钢丝绳被拉断、制动阀失效、井架倾斜、指示器和防坠器失效、磨损腐蚀严重，甚至有安全系数不达标，质量检验不合格的设备一直在使用。
29.而且，井筒在不同机械状况下会产生不同的声音，声音都具有独特的特征，罐笼立井是矿山的主要提升通道，在提升过程中，机器运转摩擦产生不同特征声音，由于语音的物理属性：音质、音长、音强和音高，物理特征量各不相同，从而语音在声纹图谱上呈现不同的
声纹特征，因此，根据声纹特征参数，可以出机器设备正常运转和异常运转的规律。
30.因此，本技术对井筒设备的振动音频数据进行采集，对采集到的振动音频数据进行分析，判断井筒设备是否是安全的。
31.在一种可能的实现方式中，采集井筒设备的振动音频数据可以包括：
32.通过分布式光纤采集井筒设备的振动音频数据。
33.参照图2可以看出，沿着提升容器轨道和天轮等设备敷设分布式光纤，及时获取提升容器和天轮等设备实时运行中的振动音频数据，其中，井筒设备包括提升容器和天轮等。
34.分布式光纤，即分布式光纤传感器，是采用独特的分布式光纤探测技术，对沿光纤传输路径上的空间分布和随时间变化信息进行测量或监控的传感器。
35.采用分布式光纤，可以对长距离分布且复杂环境、无源环境安装下对提升容器和天轮等设备实时运行中的振动音频数据进行采集，提高了数据采集的有效性。
36.在一种可能的实现方式中，振动音频数据中还可以包括提升容器的位置数据，该方法还可以包括：
37.输出振动音频数据的告警信息，告警信息包括告警类型和对应的位置数据。
38.在本技术实施例中，由于分布式光纤是沿着提升容器轨道和天轮等设备进行敷设的，可以及时获取实时运行中提升容器的振动音频，并配合定位系统或者定位设备，分布式光纤部署在井筒轨道缝隙，可以实时监控提升容器所在位置。
39.根据获取的提升容器的振动音频数据与提升容器所在的位置数据，若当前提升容器的振动音频数据出现异常，则可以输出振动音频数据的告警信息，其中，告警信息可以包括告警类型和出现异常的提升容器的位置数据，比如，参照图2，主井筒中的a位置的提升容器的振动音频数据出现螺丝松动异常，则输出的告警信息为螺栓松动异常和主井筒提升容器a位置。
40.在s102中，基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于lstm神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到。
41.在本技术实施例中，声纹识别模型包括特征提取模型和异常判定模型，其中，特征提取模型是基于lstm神经网络和残差网络融合得到的，异常判定模型是基于高斯混合模型构建得到的，利用声纹识别模型提取井筒设备的音频特征，包括摩擦、振动、功率、质量等特征属性，通过历史属性状况变化对比和属性量化类型对比，预测井筒设备的特征类型。
42.lstm(long short-term memory，长短期记忆网络)是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。
43.残差网络的原理是以卷积神经网络为基础，进行变换后获得的。对于每一层卷积神经网络的卷积块一般是3*3的形状，经过平移提取信号的特征，最终的输出信号是256*1的向量，再经过聚类算法，将其判定为正常还是异常。
44.本技术实施例中将lstm神经网络与残差网络融合得到特征提取模型，主要作用为提取时间序列音频信号对应的音频特征。
45.高斯混合模型(gaussian mixed model，gmm)是用高斯概率密度函数(正态分布曲
线)精确地量化事物，是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。
46.本技术实施例中基于高斯混合模型构建的异常判定模型，主要作用为对特征提取模型提取到的音频特征的特征类型进行判定，特征类型包括正常特征和异常特征。
47.在一种可能的实现方式中，s102可以包括：
48.采用梅尔频率倒谱系数，对振动音频数据进行计算，得到时间序列音频信号；
49.基于特征提取模型对时间序列音频信号提取音频特征，并基于异常判定模型判断音频特征的特征类型。
50.在本技术实施例中，进行特征提取和特征类型判定前需要将采集的井筒设备的振动音频数据进行梅尔频率倒谱系数计算，得到振动音频数据对应的时间序列音频信号。
51.其中，梅尔频率倒谱系数(mel-frequency cepstral coefficients，mfccs)就是组成梅尔频率倒谱的系数。在声音处理领域中，梅尔频率倒谱(mel-frequency cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。
52.将梅尔频率倒谱系数计算得到时间序列音频信号输入到特征提取模型中，得到时间序列音频信号对应的音频特征，其中，该音频特征为一维向量；将该音频特征向量输入到异常判定模型中，得到该音频特征对应的特征类型。
53.在一种可能的实现方式中，声纹识别模型训练过程可以包括：
54.将lstm神经网络与残差网络进行融合连接；
55.将时间序列音频信号作为输入，将时间序列音频信号对应的音频特征作为输出，对融合连接后的lstm神经网络与残差网络进行训练，得到特征提取模型；
56.将音频特征向量作为输入，将音频特征对应的特征类型作为输出，对基于高斯混合模型构建得到的异常判定模型进行训练，得到异常判定模型。
57.本技术实施例对声纹识别模型的训练过程可以包括：
58.首先，对特征提取模型进行训练，将时间序列音频信号作为输入，将时间序列音频信号对应的音频特征作为输出，对基于lstm神经网络和残差网络融合得到的特征提取模型进行训练，得到训练好的特征提取模型，其中，该特征提取模型输出的音频特征是一维向量；
59.然后，根据上述特征提取模型输出的音频特征向量作为输入，将音频特征对应的特征类型作为输出，对基于gmm构建得到的异常判定模型进行训练，得到训练好的异常判定模型。
60.其中，lstm神经网络中对于不同类型的时间序列音频信号的输入和输出的序列长度一致，这样可以在产生异常时，引起振幅、频谱和声纹的变化。
61.异常判定模型的输出为特征类型，也可以为分数值，该分数值是一个加权对数概率值，根据该分数值判别特征类型。
62.在一种可能的实现方式中，在s102之后，该方法还可以包括：
63.对音频特征与井筒设备的历史音频特征进行聚类，判断音频特征与聚类中心的距离是否大于预设偏差；
64.若音频特征与聚类中心的距离大于预设偏差，则通过分布式光纤连接光纤侦听预警主机发出预警提示，预警提示用于分析井筒设备存在的危险因素，并提醒用户及时对井
筒设备进行维护。
65.将根据特征提取模型得到的时间序列音频信号对应的音频特征进行保存，与该井筒设备的历史音频特征进行聚类，计算该音频特征与聚类中心的距离d，判断距离d与预设偏差ε之间的大小关系。
66.若d≤ε，则表明当前时间序列音频信号对应的井筒设备与该井筒设备的历史运行状况无异，处于安全运行状态，无需进行维护。
67.若d》ε，则表明当前时间序列音频信号对应井筒设备的运行状况与该井筒设备历史运行状况存在较大偏差，通过分布式光纤连接的光纤侦听预警主机发出预警提示，对井筒设备分析存在的危险因素，并提醒用户及时对井筒设备进行维护。
68.在s103中，若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型。
69.根据s102判断确定提取的音频特征为异常特征，则将异常特征作为输入，输入到故障判定模型，确定音音频特征对应的故障类型。
70.在一种可能的实现方式中，故障判定模型训练过程可以包括：
71.采集已确定故障类型的故障音频的异常特征，并将异常特征作为训练样本，将异常特征对应的故障类型作为该训练样本的标签，其中故障类型包括螺丝松动和轨道异常；
72.采用训练样本对vgg网络进行训练，得到故障判定模型。
73.本技术实施例中采用vgg网络作为故障判定模型，采集已经确定故障类型的故障音频的异常特征，将该异常特征作为训练样本，将该异常特征对应的故障类型作为训练样本的标签，对vgg网络进行训练，得到训练好的故障判定模型。
74.在本技术实施例中，故障判定模型包含多种故障类型，比如，井筒设备的裂缝、螺栓松动、位移的原因引起的异响的故障类型，或者当设备发生异常时，罐笼在轨道上运行的时候，会产生碰撞或者周期性声音，声音的声纹发生变化，但是可能对于不常见的故障类型，需要定期逐步扩充模型的类别库，优化故障判定模型的识别效果。
75.下面通过一个实施例对井筒设备故障诊断方法进行举例说明。
76.参照图2，第一，采集井筒设备的振动音频数据。
77.第二，采用梅尔频率倒谱系数计算得到振动音频数据对应的时间序列音频信号。
78.第三，利用声纹识别模型中特征提取模型对时间序列音频信号提取对应的音频特征，并根据音频特征，利用异常判定模型判断该音频特征对应的特征类型，若特征类型为正常特征，则无需进行故障类型判断，此时的音频示意图参照图3，声音平缓；若特征类型为异常特征，则进行故障类型判断。
79.第四，根据故障判定模型，确定该音频特征对应的故障类型，比如，若故障类型为螺栓松动，此时的音频示意图参照图4，其中，图4的上半部分为时序图，当螺栓松动的时候发生咔嚓声响，振幅变大，频率上产生从高到低的频率变化；若故障类型为罐笼与轨道发生碰撞，此时的音频示意图参照图5，会产生宽度较宽的音频。
80.根据图3、图4和图5的音频示意图可以明显看出，设备发生异常时的音频波动很大，根据本技术实施例可以及时准确的对井筒设备的各种异常状态做出诊断。
81.本技术提供一种井筒设备故障诊断方法，通过采集井筒设备的振动音频数据，由于井筒设备的安装环境，可以实现对长距离分布且环境复杂的井筒设备的振动数据采集；
基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于lstm神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型，能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断，根据诊断结果预防进一步发生严重故障，提高了井筒设备运行的安全性、可靠性、有效性，将故障损失降到最低，保证设备发挥最大的经济效益。
82.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
83.以下为本技术的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
84.图6示出了本技术实施例提供的井筒设备故障诊断装置的结构示意图，为了便于说明，仅示出了与本技术实施例相关的部分，详述如下：
85.如图6所示，井筒设备故障诊断装置6包括：
86.采集模块61，用于采集井筒设备的振动音频数据；
87.识别模块62，用于基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于lstm神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；
88.确定模块63，用于若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型。
89.本技术提供一种井筒设备故障诊断装置，通过采集井筒设备的振动音频数据，由于井筒设备的安装环境，可以实现对长距离分布且环境复杂的井筒设备的振动数据采集；基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于lstm神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型，能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断，根据诊断结果预防进一步发生严重故障，提高了井筒设备运行的安全性、可靠性、有效性，将故障损失降到最低，保证设备发挥最大的经济效益。
90.在一种可能的实现方式中，采集模块可以具体用于：
91.通过分布式光纤采集井筒设备的振动音频数据。
92.在一种可能的实现方式中，振动音频数据中还可以包括提升容器的位置数据，该装置还可以包括告警模块，告警模块用于：
93.输出振动音频数据的告警信息，告警信息包括告警类型和对应的位置数据。
94.在一种可能的实现方式中，识别模块可以用于：
95.采用梅尔频率倒谱系数，对振动音频数据进行计算，得到时间序列音频信号；
96.基于特征提取模型对时间序列音频信号提取音频特征，并基于异常判定模型判断
音频特征的特征类型。
97.在一种可能的实现方式中，声纹识别模型训练过程可以包括：
98.将lstm神经网络与残差网络进行融合连接；
99.将时间序列音频信号作为输入，将时间序列音频信号对应的音频特征作为输出，对融合连接后的lstm神经网络与残差网络进行训练，得到特征提取模型；
100.将音频特征向量作为输入，将音频特征对应的特征类型作为输出，对基于高斯混合模型构建得到的异常判定模型进行训练，得到异常判定模型。
101.在一种可能的实现方式中，故障判定模型训练过程可以包括：
102.采集已确定故障类型的故障音频的异常特征，并将异常特征作为训练样本，将异常特征对应的故障类型作为该训练样本的标签，其中，故障类型包括螺丝松动和轨道异常；
103.采用训练样本对vgg网络进行训练，得到故障判定模型。
104.在一种可能的实现方式中，在识别模块之后，该装置还可以包括预警模块，预警模块用于：
105.对音频特征与井筒设备的历史音频特征进行聚类，判断音频特征与聚类中心的距离是否大于预设偏差；
106.若音频特征与聚类中心的距离大于预设偏差，则通过分布式光纤连接光纤侦听预警主机发出预警提示，预警提示用于分析井筒设备存在的危险因素，并提醒用户及时对井筒设备进行维护。
107.图7是本技术实施例提供的终端的示意图。如图7所示，该实施例的终端7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个井筒设备故障诊断方法实施例中的步骤，例如图1所示的s01至s103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61至63的功能。
108.示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端7中的执行过程。例如，所述计算机程序72可以被分割成图6所示的模块61至63。
109.所述终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端7的示例，并不构成对终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
110.所称处理器70可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
111.所述存储器71可以是所述终端7的内部存储单元，例如终端7的硬盘或内存。所述
存储器71也可以是所述终端7的外部存储设备，例如所述终端7上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述终端7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
112.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
113.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
114.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
115.在本技术所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
116.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
117.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
118.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个井筒设备故障诊断方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所
述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
119.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：

1.一种井筒设备故障诊断方法，其特征在于，包括：采集井筒设备的振动音频数据；基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于lstm神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。2.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，所述采集井筒设备的振动音频数据包括：通过分布式光纤采集所述井筒设备的振动音频数据。3.根据权利要求2所述的井筒设备故障诊断方法，其特征在于，所述振动音频数据中还包括提升容器的位置数据，所述方法还包括：输出所述振动音频数据的告警信息，所述告警信息包括告警类型和对应的位置数据。4.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，所述基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型包括：采用梅尔频率倒谱系数，对所述振动音频数据进行计算，得到时间序列音频信号；基于所述特征提取模型对所述时间序列音频信号提取音频特征，并基于所述异常判定模型判断所述音频特征的特征类型。5.根据权利要求4所述的井筒设备故障诊断方法，其特征在于，所述声纹识别模型训练过程包括：将所述lstm神经网络与所述残差网络进行融合连接；将时间序列音频信号作为输入，将所述时间序列音频信号对应的音频特征作为输出，对融合连接后的所述lstm神经网络与所述残差网络进行训练，得到特征提取模型；将所述音频特征向量作为输入，将所述音频特征对应的特征类型作为输出，对基于高斯混合模型构建得到的异常判定模型进行训练，得到异常判定模型。6.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，所述故障判定模型训练过程包括：采集已确定故障类型的故障音频的异常特征，并将所述异常特征作为训练样本，将异常特征对应的故障类型作为该训练样本的标签，其中，所述故障类型包括螺丝松动和轨道异常；采用所述训练样本对vgg网络进行训练，得到故障判定模型。7.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，在所述基于声纹识别模型，对所述振动音频数据提取音频特征之后，所述方法还包括：对所述音频特征与所述井筒设备的历史音频特征进行聚类，判断所述音频特征与所述聚类中心的距离是否大于预设偏差；若所述音频特征与所述聚类中心的距离大于预设偏差，则通过分布式光纤连接光纤侦听预警主机发出预警提示，所述预警提示用于分析所述井筒设备存在的危险因素，并提醒用户及时对所述井筒设备进行维护。
8.一种井筒设备故障诊断装置，其特征在于，包括：采集模块，用于采集井筒设备的振动音频数据；识别模块，用于基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于lstm神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；确定模块，用于若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述井筒设备故障诊断方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述井筒设备故障诊断方法的步骤。

技术总结

本申请提供一种井筒设备故障诊断方法、装置、终端及存储介质。该方法包括：采集井筒设备的振动音频数据；基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于LSTM神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型。本申请能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断。备的各种异常状态做出诊断。备的各种异常状态做出诊断。