一种基于改进DCGAN的压缩机异常状态检测方法技术

本发明专利技术提供一种基于改进DCGAN的压缩机异常状态检测方法，包括：采集待检测的压缩机声音，生成未知类型的声谱图；搭建改进的DCGAN网络模型，包括生成器和判别器；其中，在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。本发明专利技术通过搜集和自制各类压缩机异常声音数据集，并针对压缩机声音具体特征对现有算法进行针对性改进，提高检测分类效果。提高检测分类效果。提高检测分类效果。

【技术实现步骤摘要】
一种基于改进DCGAN的压缩机异常状态检测方法


[0001]本专利技术涉及设备状态检测
，具体涉及一种基于改进DCGAN的压缩机异常状态检测方法。

技术介绍

[0002]压缩机设备状态的异常检测一般通过声音进行检测，大致可分为两种分类方法。一种是将声音检测转换为图像识别问题，对声音进行图形特征提取后，使用相关图像算法进行异常数据的识别；另一种是对声音文件进行时间序列特征进行提取，也就是数值的形式，通过相关序列分析算法进行实现。
[0003]若使用算法，大部分是通过一些无监督的机器学习算法进行实现，例如自编码器、卷积自编码器等。自编码器实现的大致流程是其中主要的编码器和解码器两部分进行工作；编码器和解码器都有多个全连接层组成，编码器使用全连接层进行特征提取，解码器使用全连接层进行数据重构。重构数据特征与原始数据特征进行比较，根据重构的结果对比进行正常与异常的区分，进而实现压缩机实时的状态监测。
[0004]目前已有的一些异常状态监测方法，普遍都存在以下几点问题：对于现场压缩机正常声音特征自己制作的异常声音特征及其相似，故在使用异常声音进行判别时，数值区别不是很大，原始无监督方法的效果有待提高；在使用生成对抗网络中的特征图进行训练时，对于正常压缩机声谱图的图像重构效果不好，需对网络结构等进行相应改进。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种基于改进DCGAN的压缩机异常状态检测方法，通过搜集和自制各类压缩机异常声音数据集，并针对压缩机声音具体特征对现有算法进行针对性改进，提高检测分类效果。
[0006]为实现上述目的，本专利技术提供了如下的技术方案。
[0007]一种基于改进DCGAN的压缩机异常状态检测方法，包括以下步骤：
[0008]采集待检测的压缩机声音，生成未知类型的声谱图；
[0009]搭建改进的DCGAN网络模型；其中，在原DCGAN网络模型生成器的输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在原DCGAN网络模型生成器的判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；
[0010]将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。
[0011]优选地，所述改进的DCGAN网络模型的训练，包括以下步骤：
[0012]构建训练集，包括采集的正常压缩机声音，以及混合有随机噪声的压缩机声音，并均进行声谱图生成；
[0013]通过生成器训练正常压缩机声音的声谱图数据集，判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练；
[0014]根据判别器训练结果及SSIM损失值的梯度计算情况进行前向传播，更新生成器相关参数，完成改进的DCGAN网络模型的训练。
[0015]优选地，所述判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练，包括以下步骤：
[0016]通过判别器对正常声音与异常声音的重构信号的输出的不同结果进行异常判定；
[0017]其中，正常声音特征与异常随机噪声重构后进行比较，或异常声音特征与正常随机噪声重构后进行比较。
[0018]优选地，所述在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，包括以下步骤：
[0019]调用torch包中的LSTM模块对输入层数据进行格式转换，包括以下步骤：
[0020]计算遗忘门，公式如(1)所示：
[0021]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0022]其中，σ为sigmoid函数，W
f
为权重，h
t
‑1为t
‑
1时刻的细胞状态，x
t
表示当前状态下的输入，b
f
为偏置；
[0023]计算输入门，公式如(2)、(3)所示：
[0024]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0025][0026]其中，W
i
、W
c
为权重，表示当下待处理的细胞，b
i
、b
c
为偏置；
[0027]计算更新后时刻细胞状态，公式如(4)所示：
[0028][0029]其中，C
t
‑1表示前一时刻的数值；
[0030]计算输出门及输出值，公式如(5)、(6)所示：
[0031]o
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033]其中，W
o
为权重，b
o
为偏置，h
t
表示最终输出值。
[0034]优选地，所述在判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理，包括以下步骤：
[0035]在判别器结构的第一层之前加入Inception模块，将之前层的输入作为自己的输入，给Inception模块输入所需参数所有值，自行确定卷积核位置及是否还需要增加卷积层或池化层，通过Inception网络把所有Inception模块整合到一起。
[0036]优选地，还包括对所述改进DCGAN模型，设置标签及优化器参数；
[0037]更改完网络结构后设置真实标签为“1”，假数据标签为“0”，并设置网络结构优化器；
[0038]通过改进DCGAN模型的判别器，对未知类型的声谱图输出预测结果时，与提前设置好的阈值0.5进行比较，小于0.5时，压缩机状态正常，否则压缩机状态为异常。
[0039]优选地，还包括：
[0040]通过巡检机器人搭载的拾音器进行压缩机声音的采集，并通过巡检机器人对状态检测结果进行语音播报。
[0041]本专利技术的有益效果：
[0042]本专利技术提出一种基于改进DCGAN的压缩机异常状态检测方法，针对异常声音数据缺失、自己制造的数据集特征不准确的情况下，使用无监督的深度学习算法进行异常声音的判别，进而实现对压缩机状态的实时监控，更加适用场站中的实际情况；根据深度卷积生成对抗网络的判别器重构不好的问题，使用LSTM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DCGAN的压缩机异常状态检测方法，其特征在于，包括以下步骤：采集待检测的压缩机声音，生成未知类型的声谱图；搭建改进的DCGAN网络模型；其中，在原DCGAN网络模型生成器的输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在原DCGAN网络模型生成器的判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。2.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述改进的DCGAN网络模型的训练，包括以下步骤：构建训练集，包括采集的正常压缩机声音，以及混合有随机噪声的压缩机声音，并均进行声谱图生成；通过生成器训练正常压缩机声音的声谱图数据集，判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练；根据判别器训练结果及SSIM损失值的梯度计算情况进行前向传播，更新生成器相关参数，完成改进的DCGAN网络模型的训练。3.根据权利要求2所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练，包括以下步骤：通过判别器对正常声音与异常声音的重构信号的输出的不同结果进行异常判定；其中，正常声音特征与异常随机噪声重构后进行比较，或异常声音特征与正常随机噪声重构后进行比较。4.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，包括以下步骤：调用torch包中的LSTM模块对输入层数据进行格式转换，包括以下步骤：计算遗忘门，公式如(1)所示：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，σ为sigmoid函数，W
f
为权重，h
t
‑1为t
‑
1时刻的细胞状态，x
t
表示当前状态下的输入，b
f
为偏置；计算输入门，公式如(2)、(3)所示：i
t
＝σ(W
i...

【专利技术属性】
技术研发人员：王士兴，赵文婷，
申请(专利权)人：杭州安森智能信息技术有限公司，
类型：发明
国别省市：