一种可迁移的特征自动选取声学诊断方法及系统技术方案

本发明专利技术涉及声学诊断领域，提供一种可迁移的特征自动选取声学诊断方法及系统，包括：S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；S3：通过所述最优特征子集构建特征矩阵；S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。本发明专利技术通过SFS

【技术实现步骤摘要】
一种可迁移的特征自动选取声学诊断方法及系统


[0001]本专利技术涉及声学诊断领域，尤其涉及一种可迁移的特征自动选取声学诊断方法及系统。

技术介绍

[0002]基于声学特征的诊断主要包含特征提取和分类识别两个部分。当某一设备在运行的过程中，会由振动产生声信号，声信号中包含着设备的状态信息。当设备的某一状态发生变化时，其声信号的某些特征也会发生相应的变化。特征提取，是声学诊断中最具难点的部分，其任务在于利用一系列有目的的数据运算方式对信号进行处理，使信号更加接近纯粹本质的信息。
[0003]而声音信号的特征参数一般可以分为时域特征、频域特征等类型，特征的种类繁多，如何使提取的特征更有利于后续的分类识别是整个声学诊断的核心。因此，声学特征选择技术在声学诊断领域尤为重要。
[0004]目前，声学诊断领域选取声学信号的特征大多是凭借专家经验进行选取，而特征选择对模型性能有着直接的影响。如果选取的特征不合适或者特征选取不足，可能不能准确的涵盖故障信息，如果选取的特征过多又会使数据包含许多无关特征和冗余特征，直接使用这样的训练数据不但会消耗大量的计算资源，而且可能给模型带来过拟合的风险。
[0005]所以需要研究合适的特征选择方法来优选特征。由于单一的特征选择方法在空间中搜索的能力有限，不同的特征选择方法可能产生不同的选择结果。
[0006]因此，单一的特征选择方法可能会在筛选特征过程中忽略一些潜在信息，存在容易陷入局部最优，鲁棒性较差的问题。
[0007]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0008]为解决上述技术问题，本专利技术提供一种可迁移的特征自动选取声学诊断方法，包括：S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；S3：通过所述最优特征子集构建特征矩阵；S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。
[0009]优选的，步骤S1具体为：S11：对所述原始音频依次进行预加重处理、分帧处理和加窗处理，获得预处理后的音频；S12：从所述预处理后的音频中提取声学特征，所述声学特征包括：时域特征、频域特征、小波域特征和波形特征。
[0010]优选的，所述混合特征选择模型包括：SFS
‑
SVM模型、SFS
‑
KNN模型、RFE
‑
RF模型、RFE
‑
XGB模型和MIC模型。
[0011]优选的，步骤S2具体为：S21：通过SFS
‑
SVM模型计算获得SFS
‑
SVM模型准确率达到最高时所用的特征集合F
T1
，通过SFS
‑
KNN模型计算获得SFS
‑
KNN模型准确率达到最高时所用的特征集合F
T2
；S22：通过RFE
‑
RF模型计算获得RFE
‑
RF模型准确率达到最高时所用的特征集合F
T3
，通过RFE
‑
XGB模型计算获得RFE
‑
XGB模型准确率达到最高时所用的特征集合F
T4
；S23：通过MIC模型计算获得MIC模型的最优特征的排序Rank
MIC
；S24：计算获得最优特征子集的最大集合F
max
和最优特征子集的最小集合F
min
；，；S25：构建新排名，获取新排名下前T个特征集合F
T
，F
T
满足条件：；S26：计算获得最优特征子集F
a
，；为最小特征子集选取函数。
[0012]优选的，步骤S21具体为：S211：设置SVM特征集合、KNN特征集合和计数k，将SVM特征集合初始化为空集F
(SVM,0)
，将KNN特征集合初始化为空集F
(KNN,0)
，将k的值初始化为1；S212：判断计数k的值，若k≤m则进入步骤S213，否则进入步骤S218；m为提取的声学特征集合中的特征数量；S213：计算获得第k次SFS
‑
SVM模型的最优特征f
tk
，计算公式为：其中，为最优特征选取函数，F
(SVM,k
‑
1)
为第k
‑
1次更新后的SVM特征集合，G
SVM
()为SFS
‑
SVM模型的评价函数，X为声学特征数据，F为声学特征集合，f
j
为声学特征集合中的第j个特征，j为特征的编号；S214：将f
tk
添加至SVM特征集合中，获得第k次更新后的SVM特征集合F
(SVM,k)
，计算公式为：；通过第k次svm的评价函数获得第k次更新后的svm特征集合的准确率，计算公式为：S215：计算获得第k次SFS
‑
KNN模型的最优特征f
pk
，计算公式为：
其中，F
(KNN,k
‑
1)
为第k
‑
1次更新后的KNN特征集合，G
KNN
()为SFS
‑
KNN模型的评价函数；S216：将f
pk
添加至KNN特征集合中，获得第k次更新后的KNN特征集合F
(KNN,k)
，计算公式为：；通过第k次KNN的评价函数获得第k次更新后的KNN特征集合的准确率，计算公式为：S217：令k=k+1，返回步骤S212；S218：计算获得svm的最终排序，计算公式为：；其中，Rank
(SVM,F)
为SVM特征集合中最优特征的排序，为SVM特征集合中准确率的排序；计算获得KNN的最终排序，计算公式为：；其中，Rank
(KNN,F)
为KNN特征集合中最优特征的排序，为KNN特征集合中准确率的排序；S219：计算获得SFS
‑
SVM模型准确率达到最高时所用的特征集合F
T1
，计算公式为：其中，T1为SFS
‑
SVM模型达到最高准确率时所用特征个数；计算获得SFS
‑
KNN模型准确率达到最高时所用的特征集合F
T2
，计算公式为：其中，T2为SFS
‑
KNN模型达到最高准确率时所用特征个数。
[0013]优选的，步骤S22具体为：S221：设置RF特征集合、XGB特征集合和计数k，将RF特征集合初始化为满集，将XGB特征集合初始化为满集，将k的值初始化为1；S222：判断计数k的值，若k≤m则进入步骤S223，否则进入步骤S228；m为提取的声学特征特征数量；S223：计算获得第k次RFE
‑
RF模型的贡献度最小特征f
qk本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可迁移的特征自动选取声学诊断方法，其特征在于，包括：S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；S3：通过所述最优特征子集构建特征矩阵；S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。2.根据权利要求1所述的可迁移的特征自动选取声学诊断方法，其特征在于，步骤S1具体为：S11：对所述原始音频依次进行预加重处理、分帧处理和加窗处理，获得预处理后的音频；S12：从所述预处理后的音频中提取声学特征，所述声学特征包括：时域特征、频域特征、小波域特征和波形特征。3.根据权利要求1所述的可迁移的特征自动选取声学诊断方法，其特征在于，所述混合特征选择模型包括：SFS
‑
SVM模型、SFS
‑
KNN模型、RFE
‑
RF模型、RFE
‑
XGB模型和MIC模型。4.根据权利要求3所述的可迁移的特征自动选取声学诊断方法，其特征在于，步骤S2具体为：S21：通过SFS
‑
SVM模型计算获得SFS
‑
SVM模型准确率达到最高时所用的特征集合F
T1
，通过SFS
‑
KNN模型计算获得SFS
‑
KNN模型准确率达到最高时所用的特征集合F
T2
；S22：通过RFE
‑
RF模型计算获得RFE
‑
RF模型准确率达到最高时所用的特征集合F
T3
，通过RFE
‑
XGB模型计算获得RFE
‑
XGB模型准确率达到最高时所用的特征集合F
T4
；S23：通过MIC模型计算获得MIC模型的最优特征的排序Rank
MIC
；S24：计算获得最优特征子集的最大集合F
max
和最优特征子集的最小集合F
min
；，；S25：构建新排名，获取新排名下前T个特征集合F
T
，F
T
满足条件：；S26：计算获得最优特征子集F
a
，；为最小特征子集选取函数。5.根据权利要求4所述的可迁移的特征自动选取声学诊断方法，其特征在于，步骤S21具体为：S211：设置SVM特征集合、KNN特征集合和计数k，将SVM特征集合初始化为空集F
(SVM,0)
，将KNN特征集合初始化为空集F
(KNN,0)
，将k的值初始化为1；S212：判断计数k的值，若k≤m则进入步骤S213，否则进入步骤S218；m为提取的声学特征集合中的特征数量；S213：计算获得第k次SFS
‑
SVM模型的最优特征f
tk
，计算公式为：
其中，为最优特征选取函数，F
(SVM,k
‑
1)
为第k
‑
1次更新后的SVM特征集合，G
SVM
()为SFS
‑
SVM模型的评价函数，X为声学特征数据，F为声学特征集合，f
j
为声学特征集合中的第j个特征，j为特征的编号；S214：将f
tk
添加至SVM特征集合中，获得第k次更新后的SVM特征集合F
(SVM,k)
，计算公式为：；通过第k次svm的评价函数获得第k次更新后的svm特征集合的准确率，计算公式为：S215：计算获得第k次SFS
‑
KNN模型的最优特征f
pk
，计算公式为：其中，F
(KNN,k
‑
1)
为第k
‑
1次更新后的KNN特征集合，G
KNN
()为SFS
‑
KNN模型的评价函数；S216：将f
pk
添加至KNN特征集合中，获得第k次更新后的KNN特征集合F
(KNN,k)
，计算公式为：；通过第k次KNN的评价函数获得第k次更新后的KNN特征集合的准确率，计算公式为：S217：令k=k+1，返回步骤S212；S218：计算获得svm的最终排序，计算公式为：；其中，Rank
(SVM,F)
为SVM特征集合中最优特征的排序，为SVM特征集合中准确率的排序；计算获得KNN的最终排序，计算公式为：；其中，Rank
(KNN,F)
为KNN特征集合中最优特征的排序，为KNN特征集合中准确率的排序；S219：计算获得SFS
...

【专利技术属性】
技术研发人员：余永升，章林柯，胡永文，
申请(专利权)人：海纳科德湖北科技有限公司，
类型：发明
国别省市：