【技术实现步骤摘要】
一种基于梅尔谱图和神经网络的设备噪音检测方法
[0001]本专利技术涉及噪音检测
，具体的说是一种基于梅尔谱图和神经网络的设备噪音检测方法。
技术介绍
[0002]设备噪音检测综合机械工程、信号处理、计算机技术等多学科，在人机交互的发展中起着极其重要的作用。设备噪音检测技术有助于设备寿命的增加，为制造行业等领域的安全性和经济效益保障提供技术支撑。
[0003]根据音频识别与噪音检测的相关研究进展，适用于噪音检测任务的音频特征可被分为以下几类：韵律特征、声音质量特征和谱相关特征，其中，韵律特征包括过零率、对数能量、基频等，声音质量特征包括共振峰频率及其带宽、声门参数等，谱相关特征包括线性谱特征、倒谱特征、线性预测系数等。传统的噪音检测方法往往方法使用人工选取的低层特征以音频帧为单位进行提取，输入用于分类和识别的浅层机器学习模型。然而目前业界对这些特征集是否能有效地描述音频的噪音信息还存在一定的争议，并且韵律特征、音质特征和谱特征要么属于音频的时域特征，要么属于频域特征，缺少音频信号随时间变化的特性，即融合时频两域
【技术保护点】
【技术特征摘要】
1.一种基于梅尔谱图和神经网络的设备噪音检测方法，其特征在于,包括如下步骤：S1、从噪音数据库中获取设备噪音数据，进行预处理得到梅尔谱图；S2、对得到的每张梅尔谱图进行数据增强操作，得到梅尔谱图数据集；S3、设定阈值范围，将梅尔谱图数据集中的每张梅尔谱图以频率维度进行分解，得到低频梅尔谱图、中频梅尔谱图、高频梅尔谱图；S4、以低频梅尔谱图、中频梅尔谱图、高频梅尔谱图作为输入，分别构建并训练三个噪音检测神经网络子模型；S5、将三个噪音检测神经网络子模型中最后一个卷积层输出的特征图组，以频率为维度重新拼接为全频段特征图组，以该全频段特征图组作为输入，构建并训练噪音检测神经网络融合模型；S6、获取新音频数据，依次执行步骤S1进行预处理得到梅尔谱图，执行步骤S3进行分解得到低频梅尔谱图、中频梅尔谱图、高频梅尔谱图，并对应输入步骤S4训练好的噪音检测神经网络子模型中，提取三个噪音检测神经网络子模型最后一个卷积层输出的特征图，拼接为全频段特征图，输入步骤S5训练好的噪音检测神经网络融合模型中，得到新音频数据的噪音分类结果。2.根据权利要求1所述的一种基于梅尔谱图和神经网络的设备噪音检测方法，其特征在于，所述步骤S1的实现进一步包括如下操作：S1.1、噪音数据库中存储有设备正常、设备不稳定、设备不正常3种状态的噪音数据，对每条噪音数据进行预加重；S1.2、对预加重噪音数据进行分帧；S1.3、对分帧噪音数据采用汉明窗进行加窗处理，得到噪音数据的梅尔谱图。3.根据权利要求2所述的一种基于梅尔谱图和神经网络的设备噪音检测方法，其特征在于，执行步骤S1.3得到噪音数据的梅尔谱图，具体操作为：创建梅尔滤波器，梅尔滤波器函数H m(k)可表示为：其中，m代表滤波器的序号，f(m
‑
1)和f(m)、f(m+1)分别对应第m个滤波器的起始频率点、中间频率点和结束频率点，k为快速傅里叶变换(FTT)后的点数；对每一帧加窗分帧噪音数据分别进行快速傅里叶变换，把每一帧快速傅里叶变换后的频域信号转换为频谱图，将加窗分帧噪音数据的频谱图在时间上堆叠起来，即将每帧的频谱图在时间维度上进行拼接，得到加窗分帧噪音数据的功率谱，也称为梅尔谱图。4.根据权利要求1所述的一种基于梅尔谱图和神经网络的设备噪音检测方法，其特征在于，执行步骤S2，对每张梅尔谱图进行的数据增强操作包括：时间平移、频率遮蔽、时间遮蔽和时频遮蔽。5.根据权利要求4所述的一种基于梅尔谱图和神经网络的设备噪音检测方法，其特征
在于，对每张梅尔谱图进行时间平移、频率遮蔽、时间遮蔽和时频遮蔽的具体操作如下：(a)时间平移，梅尔谱图随机向右移动一段距离，空出来的部分用高斯噪声填补，高斯噪声指概率密度函数服从高斯分布(即正态分布)的噪声；(b)频率遮蔽，对f个连续的频率通道[f0，f0+f)应用遮蔽掩膜，f是从[0，F]均匀分布中选择得到，F为频率掩膜参数，F为设置在(0，v)之间的一个整数值，f0从[0，v
‑
f)中选择得到，v代表梅尔频率通道的总数量；(c)时间遮蔽，对t个连续的时间步长[t0，t0+t)应用掩膜，t从[0，T]的均匀分布中选择的数字，T为时间掩膜参数，T为设...
【专利技术属性】
技术研发人员：蔡文清，
申请(专利权)人：山东浪潮数字能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。