一种自监督机器异常声音检测方法技术

本发明专利技术提供了一种自监督机器异常声音检测方法，包括将机器声音数据集中的音频段转换为声谱图，将声谱图沿时间和频率方向分解并重新组合为多通道的时间子谱图和频率子谱图组输入特征；将时间子谱图和频率子谱图组分别送入特征提取网络中两个并行训练的子网络分支，提取时间特征向量和频率特征向量；对特征提取网络输出的两组特征向量进行分类，计算时间和频率异常分数，将两组异常分数按不同加权系数融合作为最终异常分数，输出检测结果。本发明专利技术通过声谱图分解，在降低输入特征尺寸的同时尽量保留更多的频率特征；通过并行训练的特征提取子网络，提高了时域特征和频域特征的利用效率；通过自监督分类和异常分数融合，提升了方法的准确度和鲁棒性。法的准确度和鲁棒性。法的准确度和鲁棒性。

【技术实现步骤摘要】
一种自监督机器异常声音检测方法


[0001]本专利技术属于电子信息
，尤其是涉及一种自监督机器异常声音检测方法。

技术介绍

[0002]机器异常声音检测任务是工业自动化中的关键环节，通过机器发出的声音判断其运行状态是否产生异常。在实际工业环境中，机器很少产生异常，且异常情况多变，因此容易收集到大量正常数据而难以收集到完备的异常数据。
[0003]现有异常声音检测方法主要分为无监督学习和自监督学习两种。无监督学习主要是基于自编码器的方法，该类方法通常需要对每个机器单独训练模型，虽然对正常声音拟合较好，但是对异常声音的稳定性会急剧下降。近几年，大量基于数据驱动的自监督分类方法被用于异常声音检测任务，该类方法通过使用全部机器类型和机器ID的元信息训练分类器，对异常数据输出错误的预测分类结果，从而计算异常分数，这类方法比无监督方法有更好的通用性，但对声音信号的特征学习能力不强，检测效果不稳定。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种自监督机器异常声音检测方法，旨在解决现有检测方法对声学特征的提取能力不高，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自监督机器异常声音检测方法，其特征在于：包括以下步骤：步骤1：将机器声音数据集中的音频段转换为声谱图，将声谱图沿时间和频率方向分解并重新组合为多通道的时间子谱图组和频率子谱图组输入特征；步骤2：将时间子谱图组和频率子谱图组分别送入特征提取网络中两个并行训练的子网络分支，提取时间特征向量和频率特征向量；步骤3：对特征提取网络输出的两组特征向量进行分类，计算时间和频率异常分数，将两组异常分数按不同加权系数融合作为最终异常分数，输出检测结果。2.根据权利要求1所述的一种自监督机器异常声音检测方法，其特征在于：所述步骤1具体包含：步骤101：使用短时傅里叶变换将音频波形转换为原始声谱图；步骤102：将原始声谱图分别沿时间和频率方向分解为若干个大小相等的子谱图，分解过程按照以下公式计算：；其中，t和f分别为沿时间和频率维度分解的单个子谱图的时间帧和频率带数量，和分别为分解时间帧和频率带的步长，重叠率设为50%，则,；步骤103：将步骤102中分解获得的子谱图分别组合，形成多通道的时间子谱图组和频率子谱图组，时间子谱图组的尺寸为，频率子谱图组的尺寸为，作为输入特征。3.根据权利要求1所述的一种自监督机器异常声音检测方法，其特征在于：所述步骤2具体包括：步骤201：设计特征提取网络，特征提取网络由时间分支和频率分支组成，两个分支并行训练，具有相同的内部网络结构；步骤202：将步骤1中生成的时间子谱图组和频率子谱图组分别送入特征提取网络的时间分支和频率分支，以...

【专利技术属性】
技术研发人员：张涛，刘炜杰，杨明，孔令国，李栋磊，耿彦章，赵鑫，
申请(专利权)人：天津大学，
类型：发明
国别省市：