一种电机异常声纹检测方法、装置及终端设备制造方法及图纸

本发明专利技术适用于故障检测技术领域，提供了一种电机异常声纹检测方法、装置及终端设备，方法包括：获取待预测电机声纹数据；将待预测电机声纹数据输入预训练的自编码器，获得第一编码特征；加噪处理第一编码特征后，将其输出入改进的Transformer网络进行特征重构，获得第二编码特征；改进的Transformer网络使用相邻掩码注意力机制；计算第一编码特征和第二编码特征的均方根误差，计算结果大于正常声纹数据的最大异常值时，待预测电机声纹数据异常，电机处于异常工作状态。本发明专利技术通过改进的Transformer将全局注意力改为相邻掩码注意力，防止信息泄露，避免了恒等映射，并且，加入了特征扰动，提高了改进的Transformer网络的编码能力。编码能力。编码能力。

【技术实现步骤摘要】
一种电机异常声纹检测方法、装置及终端设备


[0001]本专利技术涉及故障检测
，尤其涉及一种电机异常声纹检测方法、装置及终端设备。

技术介绍

[0002]当电机出现故障时，通常会伴随着出现周期性的异响，收集这些声纹数据，可以发现一些较明显的异常特征。因而，目前常是使用的声纹检测方法是对声纹数据进行特征工程之后再建模，获得有区分度的特征，接着对特征进行分类，从而可以达到检测异常声纹的目的。
[0003]电机的异常声纹检测方法需要大量的电机异常数据进行优化训练，但实际上，异常是小概率事件，大量的电机异常数据是难以获取的，因此，会在正常样本上训练重建模型以重建异常样本。
[0004]基于重构的异常声纹检测方法的核心是编码器和解码器，然而常用的编码器使用如MLP和CNN这些结构，存在恒等映射问题，即将正常数据和异常数据都编码为相似的特征，不利于区分正常样本与异常样本。

技术实现思路

[0005]本专利技术的主要目的在于提出一种电机异常声纹检测方法、装置及终端设备，以解决现有技术中传统的异常声纹检测方法存在的恒等映射的问题。
[0006]为实现上述目的，本专利技术实施例第一方面提供一种电机异常声纹检测方法，包括：
[0007]获取待预测电机声纹数据；
[0008]将所述待预测电机声纹数据输入预训练的自编码器，获得第一编码特征；
[0009]加噪处理所述第一编码特征后，将其输出入改进的Transformer网络进行特征重构，获得第二编码特征；所述改进的Transformer网络使用相邻掩码注意力机制；
[0010]计算所述第一编码特征和所述第二编码特征的均方根误差，计算结果大于正常声纹数据的最大异常值时，待预测电机声纹数据异常，电机处于异常工作状态。
[0011]结合本专利技术第一方面，专利技术第一实施方式中，将所述待预测电机声纹数据输入预训练的自编码器之前，包括：
[0012]将所述待预测声纹数据转为梅尔倒谱图。
[0013]结合本专利技术第一方面第一实施方式，专利技术第二实施方式中，将所述待预测声纹数据转为梅尔倒谱图，包括：
[0014]对所述待预测声纹数据进行短时傅里叶变换；
[0015]将变换后的数据的每一帧结果沿另一维度堆叠，获得二维信号图；
[0016]通过梅尔尺度滤波器组对所述二维信号图进行处理，处理后的二维信号图为作为所述梅尔倒谱图。
[0017]结合本专利技术第一方面，专利技术第三实施方式中，计算结果小于正常声纹数据的最大
异常值时，待预测电机声纹数据正常，电机处于正常工作状态。
[0018]结合本专利技术第一方面，专利技术第四实施方式中，所述预训练的自编码器使用正常电机声纹数据进行训练。
[0019]结合本专利技术第一方面，专利技术第五实施方式中，所述改进的Transformer网络使用正常电机声纹数据进行训练。
[0020]结合本专利技术第一方面，专利技术第六实施方式中，所述改进的Transformer网络包括主干网络和其他网络，所述第一编码特征输入所述改进的Transformer网络中后，所述主干网络对其进行编码，并在将所述第一编码特征转为feature tokens时，加入噪声。
[0021]本专利技术实施例第二方面提供一种电机异常声纹检测装置，包括：
[0022]数据获取模块，用于获取待预测电机声纹数据；
[0023]第一编码模块，用于将所述待预测电机声纹数据输入预训练的自编码器，获得第一编码特征；
[0024]第二编码模块，用于加噪处理所述第一编码特征后，将其输出入改进的Transformer网络进行特征重构，获得第二编码特征；所述改进的Transformer网络使用相邻掩码注意力机制；
[0025]声纹检测模块，用于计算所述第一编码特征和所述第二编码特征的均方根误差，计算结果大于正常声纹数据的最大异常值时，待预测电机声纹数据异常，电机处于异常工作状态。
[0026]本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
[0027]本专利技术实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
[0028]本专利技术实施例提出一种电机异常声纹检测方法，通过改进的Transformer网络将全局注意力改为相邻掩码注意力，防止信息泄露，避免了恒等映射，并且，加入了特征扰动，提高了改进的Transformer网络的编码能力。
附图说明
[0029]图1为本专利技术实施例提供的电机异常声纹检测方法的实现流程示意图；
[0030]图2为本专利技术实施例提供的预训练的自编码器结构；
[0031]图3为本专利技术实施例提供的改进的Transformer网络的结构；
[0032]图4为本专利技术实施例提供的电机异常声纹检测装置的组成结构示意图。
[0033]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0034]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0035]需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0036]在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本专利技术的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
[0037]如图1所示，本专利技术实施例提供一种电机异常声纹检测方法，包括但不限于如下步骤：
[0038]S101、获取待预测电机声纹数据。
[0039]S102、将所述待预测电机声纹数据输入预训练的自编码器，获得第一编码特征。
[0040]在具体应用中，由于声纹的时变特性，在对声纹的时域信号进行分析计算比较困难，需要对声音信号进预处理，因此，在一个实施例中，将所述待预测电机声纹数据输入预训练的自编码器之前，包括：
[0041]将所述待预测声纹数据转为梅尔倒谱图。
[0042]其中，将所述待预测声纹数据转为梅尔倒谱图，包括：
[0043]对所述待预测声纹数据进行短时傅里叶变换；
[0044]将变换后的数据的每一帧结果沿另一维度堆叠，获得二维信号图；
[0045]通过梅尔尺度滤波器组对所述二维信号图进行处理，处理后的二维信号图为作为所述梅尔倒谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机异常声纹检测方法，其特征在于，包括：获取待预测电机声纹数据；将所述待预测电机声纹数据输入预训练的自编码器，获得第一编码特征；加噪处理所述第一编码特征后，将其输出入改进的Transformer网络进行特征重构，获得第二编码特征；所述改进的Transformer网络使用相邻掩码注意力机制；计算所述第一编码特征和所述第二编码特征的均方根误差，计算结果大于正常声纹数据的最大异常值时，待预测电机声纹数据异常，电机处于异常工作状态。2.如权利要求1所述的电机异常声纹检测方法，其特征在于，将所述待预测电机声纹数据输入预训练的自编码器之前，包括：将所述待预测声纹数据转为梅尔倒谱图。3.如权利要求2所述的电机异常声纹检测方法，其特征在于，将所述待预测声纹数据转为梅尔倒谱图，包括：对所述待预测声纹数据进行短时傅里叶变换；将变换后的数据的每一帧结果沿另一维度堆叠，获得二维信号图；通过梅尔尺度滤波器组对所述二维信号图进行处理，处理后的二维信号图为作为所述梅尔倒谱图。4.如权利要求1所述的电机异常声纹检测方法，其特征在于，计算结果小于正常声纹数据的最大异常值时，待预测电机声纹数据正常，电机处于正常工作状态。5.如权利要求1所述的电机异常声纹检测方法，其特征在于，所述预训练的自编码器使用正常电机声纹数据进行训练。6.如权利要求1所述的电机异常声纹检测方法，其特征在于，所述改进的Transformer网络使用...

【专利技术属性】
技术研发人员：朱冬，陈吉，陈小龙，李欣，唐国梅，
申请(专利权)人：七腾机器人有限公司，
类型：发明
国别省市：