52phm简介

专注于工业智能预警系统研发，通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。网站正在不断建设和完善过程中，欢迎大家给予建议和参与社区建设

联系我们

投稿说明

52phm，专注于预测性维护知识学习和交流，欢迎广大从事预测性维护行业人员投稿，投稿请联系管理员(wx: www52phmcn)，投稿内容可以是：

学习笔记
技术理论
工程案例
行业资讯

加入我们

官方公众号：52phm，专注预测性维护的学习平台

2022-03-23 22:57:45 互联网 648 当前专栏：语音信号预处理分类：算法开发本站官网：www.52phm.cn

公众号

语音信号的数据分析

数据集和代码均已上传到Github中，欢迎大家下载使用。

Github地址：https://github.com/JasonZhang156/Sound-Recognition-Tutorial

如果这个教程对您有所帮助，请不吝贡献您的小星星Q^Q.

数据分析

本节针对ESC-10数据集进行基本的数据分析，包括数据样本数，数据类别数，每类声音样本数等信息。并且对每类样本的声音波形，功率谱进行绘制，比较不同类样本之间的声音特性差异。代码如下：

# -*- coding: utf-8 -*-
"""
@author: Jason Zhang
@github: https://github.com/JasonZhang156/Sound-Recognition-Tutorial
"""

import os
import numpy as np
import librosa
import librosa.display
import matplotlib.pyplot as plt
from glob import glob


def data_stat():
    """data statistic"""
    audio_path = './data/esc10/audio/'
    class_list = [os.path.basename(i) for i in glob(audio_path  '*')]
    nums_each_class = [len(glob(audio_path  cl  '/*.ogg')) for cl in class_list]
    rects = plt.bar(range(len(nums_each_class)), nums_each_class)

    index = list(range(len(nums_each_class)))
    plt.title('Numbers of each class for ESC-10 dataset')
    plt.ylim(ymax=60, ymin=0)
    plt.xticks(index, class_list, rotation=45)
    plt.ylabel("numbers")

    for rect in rects:
        height = rect.get_height()
        plt.text(rect.get_x()  rect.get_width() / 2, height, str(height), ha='center', va='bottom')

    plt.tight_layout()
    plt.show()


def plot_wave(sound_files, sound_names):
    """plot wave"""
    i = 1
    fig = plt.figure(figsize=(20, 64))
    for f, n in zip(sound_files, sound_names):
        y, sr = librosa.load(os.path.join('./data/esc10/audio/', f))
        plt.subplot(10, 1, i)
        librosa.display.waveplot(y, sr, x_axis=None)
        plt.title(n  ' - '  'Wave')

        i = 1

    plt.tight_layout(pad=10)
    plt.show()


def plot_spectrum(sound_files, sound_names):
    """plot log power spectrum"""
    i = 1
    fig = plt.figure(figsize=(20, 64))
    for f, n in zip(sound_files, sound_names):
        y, sr = librosa.load(os.path.join('./data/esc10/audio/', f))
        plt.subplot(10, 1, i)
        D = librosa.logamplitude(np.abs(librosa.stft(y)) ** 2, ref_power=np.max)
        librosa.display.specshow(D, sr=sr, y_axis='log')
        plt.title(n  ' - '  'Spectrum')

        i = 1

    plt.tight_layout(pad=10)
    plt.show()

if __name__ == '__main__':
    # 每类样本选取一个demo文件
    sound_files = ['Dog/1-30226-A.ogg', 'Rooster/1-26806-A.ogg', 'Rain/1-17367-A.ogg', 'Sea waves/1-28135-A.ogg',
                   'Crackling fire/1-4211-A.ogg', 'Crying baby/1-22694-A.ogg', 'Sneezing/1-26143-A.ogg',
                   'Clock tick/1-21934-A.ogg', 'Helicopter/1-172649-A.ogg', 'Chainsaw/1-19898-A.ogg']
    # 各类的标签
    sound_names = ['Dog', 'Rooster', 'Rain', 'Sea waves', 'Crackling fire', 'Crying baby', 'Sneezing',
                   'Clock tick', 'Helicopter', 'Chainsaw']

    # 统计数据集中类别数，各类样本的数量，总样本数量等信息
    data_stat()
    # 画出每类样本的波形图，比较各类样本波形之间的差异
    plot_wave(sound_files, sound_names)
    # 画出每类样本的能量谱图，比较各类样本能量谱之间的差异
    plot_spectrum(sound_files, sound_names)

上述代码包含在Github中的data_analysis.py文件中。

代码运行结果：

ESC-10数据集统计结果：

2. ESC-10数据集每类样本的声音波形图

3. ESC-10数据集每类样本的功率谱图

对上图进行说明：

1）第一张图统计了ESC-10各类样本分布情况，和我们在上一节“数据集介绍”中对该数据集的描述是一致的：10类样本，每类40个样本，共400个样本；

2）第二张图展示了每类样本（选取了一个样本作为demo样本）的声音波形图。从图中我们可以看出，每类样本的波形变化还是千差万别的。当然也存在波形看起来比较相近的，比如“Rain”和"Sea waves"，这也是模型比较难区分的类别；

3）第三张图展示了每类样本声音的功率谱图。对比第二张图，我们发现声音的功率谱和波形的变化趋势是相近的，只不过是以频谱的形式展示出来。

原文链接：https://blog.csdn.net/zzc15806/article/details/84973370

免责声明

[推荐] 语音信号的预处理

2022-01-13 16:53:53 互联网 790 分类：算法开发专栏：语音信号预处理

[推荐] 数字信号处理的主要内容

2022-01-13 17:36:49 互联网 416 分类：算法开发专栏：数字信号处理

[推荐] 故障诊断之基于振动信号的阶比谱分析

2022-05-31 11:08:40 互联网 1569 分类：算法开发专栏：振动信号预处理

转发此文章到社区

轴承模拟疲劳损伤的实验数据集

该数据集是疲劳实验用于监测轴承在过载情况下的损坏过程数据，具体实验简介可在下载文件中获取。

2021-12-05 18:17:42 博客笔记 4381 分类：边缘感知专栏：轴承

江南大学轴承数据集

本文章介绍江南大学轴承数据集，提供数据集下载学习，江南大学轴承数据文件及实验简介可通过下载文件进行了解和学习~

2021-12-04 22:43:30 博客笔记 4576 分类：边缘感知专栏：轴承

工业大数据竞赛的轴承数据集

该轴承数据集是某大数据竞赛的训练数据集，本文提供了数据下载和数据描述文件下载入口，欢迎阅读~

2021-12-04 23:42:04 博客笔记 3182 分类：边缘感知专栏：轴承

国外工业数据集平台

2021-12-05 18:44:41 博客笔记 4222 分类：边缘感知专栏：轴承

刀具数据集

刀具数据及其数据说明文档详情请看本文章介绍

2021-12-04 23:12:45 博客笔记 1536 分类：边缘感知专栏：刀具

DSP期末总复习基于教材：《数字信号处理——原理、实现及应用（第3版）》高西全等编著一、基本概念1.1 信号1.2 系统1.3 卷积1.4 差分方程二、傅里叶变换2.1 连续信号：CTFT和CTFS2.2 时域离散信号：DTFT和DTFS2.3 周期信号的傅里叶变换2.4 离散傅里叶变换（DFT）2.5 快速傅里叶变换（FFT）三、Z变换3.1 Z变换3.2 Z变换的性质3.3 逆Z变换3.4 Z变换的应用四、模拟信号数字处理五、滤波器5.1 一些散落的实例5.

2021-12-14 10:44:43 互联网 795 分类：算法开发专栏：数字信号处理

基于Python的频谱泄露分析

1、频谱泄露对于频率为fs的正弦序列，它的频谱应该只是在fs处有离散谱。但是，在利用DFT求它的频谱时，对时域做了截断，结果使信号的频谱不只是在fs处有离散谱，而是在以fs为中心的频带范围内都有谱线出现，它们可以理解为是从fs频率上“泄漏”出去的，这种现象称为频谱“泄漏”。2、代码分析如果我们波形不能在fft_size个取样中形成整数个周期的话会怎样呢？将上篇博客中的采样对象...

2021-12-14 14:06:09 互联网 783 分类：算法开发专栏：数字信号处理

随机振动信号分析方法总结（时域、频域、时频域分析）

随机振动信号分析方法总结信号处理（信号滤波、时频域分析、神经网络、寿命预测）一、时域分析时域分析特征包括均值、方差、峭度、峰峰值等；振动信号降噪结果分析：对于去噪效果好坏的评价，常用信号的信噪比（SNR）、估计信号同原信号的均方根误差（RMSE）来判断。SNR 越高则说明混在信号里的噪声越小，否则相反。RMSE的计算值越小则表示去噪效果越好。信噪比定义：均方根误差定义：二、频域分析三、时频联合域分析（Joint Time-Frequency Analysis，JTFA）即时频分析，

2021-12-14 18:49:46 互联网 1376 分类：算法开发专栏：振动信号预处理

提升预测精度：时间序列探索性数据分析-EDA

提升预测精度：探索性数据分析-EDAsales_train_validation.csv参考：Python版本EDA+传统时间序列方法：<li>整体聚合销量时间序列。 <ul>- 销售额普遍上升，这对沃尔玛来说是个好消息。我们可以找出一些每年的季节性，在圣诞节下降，这是一年中唯一的商店关闭的日子

2021-12-21 14:15:31 互联网 477 分类：算法开发专栏：时间序列预测

【数字信号处理】--数字信号分析与处理基础知识

文章目录一、信号的时域分析1.1信号波形参数识别1.2检测方法过零检测法1.3数字信号微分与数字信号积分二、信号的频域分析2.1周期信号的频谱分析2.2 信号的频谱分析2.3数字信号的频谱计算方法三、信号的时差域相关分析3.1信号的相关系数3.2 相关应用3.3 数字滤波器和模拟滤波器的区别四、信号的幅值域分析4.1概率密度曲线与概率分布曲线的应用五、信号的数字滤波5.1滤波器概念5.2频率域滤波：5.3时域滤波5.4 时域FIR滤波器5.5 IIR滤波器5.6 其他滤波器5.7 数字音乐均衡器的设计六、

2022-01-13 17:40:13 互联网 343 分类：算法开发专栏：数字信号处理

52phm公告
在这里，可以学习接触到工业互联网技术知识以及落地案例，其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识！

语音信号预处理

语音信号的预处理

音频处理库—librosa的安装与使用

语音信号的数据分析

关于站长
从事设备故障预测与健康管理行业多年的PHM算法工程师（机器医生）、国际振动分析师，实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发，通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。

当前文章目录

52phm简介

联系我们

投稿说明

加入我们

语音信号的数据分析

数据分析

52phm公告

关于站长