一种基于域泛化技术的无监督机器设备异常声检测方法技术

本发明专利技术公开了一种基于域泛化技术的无监督机器设备异常声检测方法，包括：采集机械设备运转发出正常音频数据和故障音频数据，划分为源域数据集和目标域数据集；将音频数据的原始波形转换为log

【技术实现步骤摘要】
一种基于域泛化技术的无监督机器设备异常声检测方法


[0001]本专利技术属于故障检测领域，特别涉及一种基于域泛化技术的无监督机器设备异常声检测方法。

技术介绍

[0002]通过识别机器运行时发出的声音及时发现机器异常对机器状态检测具有重要意义。近年来，随着工业大数据分析的兴起和计算能力的快速发展，数据驱动方法已成为机器故障检测中一个活跃的研究领域。在众多数据驱动的故障检测方法中，基于深度学习的故障检测方法以准确度高、响应速度快、安全性强的优点受到了广泛关注。
[0003]大多数基于深度学习的故障检测方法在训练数据和测试数据服从相同特征分布的条件下可以取得很好的结果。然而，在实际情况下，声学特征会随着工况变化而改变，训练数据和测试数据服从相同分布的假设在实际应用中几乎不成立。训练数据代表的源域与测试数据代表的目标域的分布差异通常会导致基于深度学习的故障检测模型的可靠性下降，阻碍了基于深度学习的故障检测方法在实际工程中的应用。
[0004]为了提高基于深度学习的故障检测模型的鲁棒性和适应性，域适应技术的研究受到关注。基于域适应技术的故障检测方法通过调整源域和目标域在高级子空间的分布来弥合不同领域之间的差异。虽然基于域适应技术的故障检测方法比传统的基于深度学习的故障检测方法性能有所提高，但这些方法在处理实际的跨域故障检测任务时仍面临很多困难。一方面，未标记的目标数据对于促进检测知识从源域转移到目标域是至关重要的，但是这些未标记的目标数据在实际工业场景下很难提前收集。另一方面，基于域适应技术的故障检测方法只是将检测知识从单一源域推广到特定目标域。所以当待检测样本的工作条件发生变化时，基于域适应技术的故障检测方法不可避免地会对单个域产生过拟合现象，影响故障检测的准确率。
[0005]为了摆脱数据对标签和单一特征的依赖，将故障检测模型推广到未知工况，域泛化技术成为机器设备智能状态监测和故障检测的研究热点方向。基于域泛化技术的异常声音检测方法从各个相关领域学习通用的声学特征，并将特征转移到未知工况下，并很好地完成对目标的检测任务。
[0006]基于域泛化技术的异常声音检测框架可以在不假设目标域数据可用的情况下更好地实现实时跨域故障检测，即可以直接从源域数据中学习广义检测模型，并有效地解决特征不同的目标域任务。
[0007]但是，现有的基于域泛化技术的异常声音检测方法大多无法检测出未知故障模式。当出现目标域数据来自未知工况，测试阶段出现未知故障模式时，检测模型会对未知的故障模式进行误检测，将影响检测模型的可靠性。

技术实现思路

[0008]鉴于此，本专利技术提出一种基于域泛化技术的无监督机器设备异常声检测方法，包
括以下步骤：
[0009]S1、采集机械设备运转发出的音频数据，包括正常音频数据和故障音频数据，将每种机械设备类型的m1个正常音频剪辑、n1个故障音频剪辑和标签信息作为源域数据集，将每种机械设备类型的m2个正常音频剪辑和n2个故障音频剪辑作为目标域数据集；
[0010]S2、将音频数据的原始波形转换为log
‑
mel谱图和幅值谱图；
[0011]S3、构建基于域泛化无监督网络故障检测模型，所述故障检测模型提取嵌入特征网络由log
‑
mel谱图网络和幅值谱图网络组成；
[0012]S4、将log
‑
mel谱图输入log
‑
mel谱图网络提取嵌入特征，幅值谱图输入幅值谱图网络提取嵌入特征，把两个网络提取得到的嵌入特征进行连接，并添加坐标注意力机制模块，重点学习特征中的重要的信息，抑制不重要的信息，并采用子簇AdaCos损失函数对基于域泛化无监督网络故障检测模型进行联合训练来区分机器类型和机器类型的不同属性信息；
[0013]S5、将从坐标注意力机制中输出的嵌入特征输入到具有完整协方差矩阵的高斯混合模型，来计算测试样本到对应类中心的余弦相似度，将其结果的对数似然值用作异常得分；
[0014]S6、将源域数据集和目标域数据集输入基于域泛化无监督网络故障检测模型，完成域自适应的机械故障检测。
[0015]进一步地，步骤S2中对log
‑
mel谱图采用采样时间均值归一化处理。
[0016]进一步地，所述log
‑
mel谱图网络基于改进的ResNet架构，包括一个2D卷积层，四个改进的残差块和一个最大池化；所述幅值谱图网络由3个一维卷积和5个密集层组成。
[0017]进一步地，步骤S4中，采用子簇AdaCos损失函数对模型进行联合训练，子簇AdaCos损失函数为每个机械类型学习多个子簇，对于给出的样本x
i
，子簇属于第C类型中的j类的概率：
[0018][0019]式中M
(j)
表示属于类j的所有子簇，S表示属于类j的子簇的数量，表示自适应尺度参数，根据机器类型自动调整，CS表示子簇总个数，θ
i,k
∈[0,π]表示通过余弦相似度定义的角度定义一个学习的簇中心W
k
，θ
i,l
∈[0,π]表示通过余弦相似度定义的角度定义一个学习的子簇W
l
。
[0020]进一步地，步骤S5中的高斯混合模型利用scikit
‑
learn实现，通过训练高斯混合模型的嵌入，并利用负加权对数似然得到异常分。
[0021]进一步地，训练基于域泛化无监督网络故障检测网络模型采用域混合的方法，对于每一种机械设备类型的组合，源域的常规训练样本对应的每一个嵌入都与目标域的随机样本的均值相混合。
[0022]进一步地，用优化后的线性插值法对源域和目标域样本组成的数据集R里面的多个故障类型进行混合参数求解，其中两个样本x
i
,x
j
∈R和相应的类标签y
i
,
j
∈[0,1]；
[0023]x
mix
＝x
x
+(1
‑
)x
j
[0024]y
mix
＝y
i
+(1
‑
)y
j
[0025]其中混合系数λ∈[0,1]，x
mix
表示得到的混合样本，y
mix
表示得到的混合样本的类标签。
[0026]本专利技术提供的技术方案带来的有益效果是：
[0027]本专利技术提供的基于域泛化技术的机器异常声音检测方法，能有效解决目前机器异常检测中存在的域转移问题。
附图说明
[0028]图1是本专利技术实施例方法的流程图；
[0029]图2是本专利技术实施例方法的框图。
具体实施方式
[0030]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0031]参考图1和图2，图1是本专利技术实施例方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域泛化技术的无监督机器设备异常声检测方法，其特征在于，包括以下步骤：S1、采集机械设备运转发出的音频数据，包括正常音频数据和故障音频数据，将每种机械设备类型的m1个正常音频剪辑、n1个故障音频剪辑和标签信息作为源域数据集，将每种机械设备类型的m2个正常音频剪辑和n2个故障音频剪辑作为目标域数据集；S2、将音频数据的原始波形转换为log
‑
mel谱图和幅值谱图；S3、构建基于域泛化无监督网络故障检测模型，所述故障检测模型提取嵌入特征网络由log
‑
mel谱图网络和幅值谱图网络组成；S4、将log
‑
mel谱图输入log
‑
mel谱图网络提取嵌入特征，幅值谱图输入幅值谱图网络提取嵌入特征，把两个网络提取得到的嵌入特征进行连接，并添加坐标注意力机制模块，重点学习特征中的重要的信息，抑制不重要的信息，并采用子簇AdaCos损失函数对基于域泛化无监督网络故障检测模型进行联合训练来区分机器类型和机器类型的不同属性信息；S5、将从坐标注意力机制中输出的嵌入特征输入到具有完整协方差矩阵的高斯混合模型，来计算测试样本到对应类中心的余弦相似度，将其结果的对数似然值用作异常得分；S6、将源域数据集和目标域数据集输入基于域泛化无监督网络故障检测模型，完成域自适应的机械故障检测。2.根据权利要求1所述的一种基于域泛化技术的无监督机器设备异常声检测方法，其特征在于，步骤S2中对log
‑
mel谱图采用采样时间均值归一化处理。3.根据权利要求1所述的一种基于域泛化技术的无监督机器设备异常声检测方法，其特征在于，步骤S3中，所述log
‑
mel谱图网络基于改进的ResNet架构，包括一个2D卷积层，四个改进的残差块和一个最大池化；所述幅值谱图网络由3个一维卷积和5个密集层组成。4.根据权利要求1所述的一种基于域泛化技术的无监督机器设备异常声检测方法，其特征在于，步骤S4中，采用子簇AdaCos损失函数对基于域泛化无监督网络故障检测模型进行联合训练，子簇Ad...

【专利技术属性】
技术研发人员：余永升，章林柯，
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：