基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统技术方案

本发明专利技术公开基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统，方法包括：对原始声信号进行对数梅尔能量特征提取；构建共享自动编码器架构的孪生网络；孪生编码器共享权重，提取源域和目标域对数梅尔能量的特征表示；构建域鉴别器，对齐源域和目标域的特征表示，以学习其不变特征表示；孪生解码器实现对源域和目标域的良好重建；构建整体损失函数，利用反向传播和

【技术实现步骤摘要】
基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统


[0001]本专利技术属于域漂移情景下的异常声信号检测
，具体涉及一种基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统
。

技术介绍

[0002]随着智能制造时代的到来，受人工智能算法
、
信息物理融合系统
、
云计算
、
大数据和物联网等支撑技术推动
。
现代工业生产过程
(
如航空航天
、
设备制造
、
纺织等
)
正朝着智能
、
高效
、
集成化发展
。
然而，现代工业设备的组成和结构愈加繁杂，各部件之间的关联也愈加紧密，倘若设备的某个部件发生异常现象，也许会直接影响产品的生产，导致不必要的经济损失甚至人员伤亡
。
因此，采取一定的异常检测技术十分必要
。
在众多异常检测信号采集方式中，声信号具有采集装备安装简单
、
成本低和无需接触式测量等优势，因而，工业设备异常声信号检测获得了研究学者的广泛关注
。
异常声音检测
(ASD)
是指识别机器发出的声音是否正常或异常
。
异常声音可能是由诸如磨损
、
机器的故障或不良操作之类的异常事件引起的
。
异常声信号检测不仅保证工业生产过程的安全稳定性能，同时也提高了工业生产效率
。r/>[0003]由于在实际的工业生产中很少能获取到异常的声信号数据，因此通常采用无监督的异常声信号检测方法
。
然而，不仅仅是工业设备声信号的异常状态情况，当工业设备的操作条件和环境发生变化时
(
即运行速度
、
机器负载
、
环境噪声
、
粘度等方面会存在差异
)
，源域
(
正常场景
)
和目标域
(
漂移场景
)
的数据分布会发生变化，这对与异常声信号检测来说也非常具有挑战性
。
[0004]本领域提出了许多方法来减少源域和目标域之间的分布差异
。
漂移学习是近年来的一个突破，它可以处理样本之间的分布差异，但存在负面影响转移现象
。GAN
主要通过两个领域之间的对抗性训练机制来拟合概率分布，但其训练需要达到“纳什均衡”。
此外，孪生网络的特殊结构可以在域漂移条件下较好地处理特征表示，这进一步提高了模型的表示能力
。
基于此，孪生对抗网络在计算机视觉领域应运而生，它通常是通过博弈游戏训练域分类器以区分从源域和目标域提取的数据
。
因此，将孪生对抗网络应用于域漂移情景下的异常声信号检测，可以更好地满足实际工业应用的需求
。
[0005]然而，各种工业设备声信号的不同频域特征具有不同的效果，因此需要筛选出有用的频谱特征并过滤掉无用的信息
。
倘若直接将提取的频域特征输入到模型中进行训练，虽然能取得一定的检测性能，但可能会限制模型的检测性能以及降低模型的鲁棒性
。

技术实现思路

[0006]针对现有技术存在的上述问题，本专利技术提出了一种基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统
。
本专利技术首先通过提取源域和目标域正常声信号的对数梅尔能量特征；然后，对所提取的两个域的特征分别到两个相同的具有基于频域的注意力
机制的编码器中；紧接着，构建域鉴别器以对其源域和目标域的特征表示，孪生解码器实现对源域和目标域的良好重建；再构建整体损失函数，利用反向传播和
Adam
优化训练孪生注意力对抗网络；最后，通过重构误差计算异常分数继而得到阈值，并根据阈值输出工业设备的状态
。
[0007]本专利技术解决其技术问题所采用的技术方案，使用孪生注意力对抗网络模型，其具体如下：
[0008]基于孪生注意力对抗网络的工业设备异常声信号检测方法，其包括如下步骤：
[0009](
一
)
模型训练阶段
[0010]步骤1‑1：对源域和目标域原始声信号进行对数梅尔能量特征提取；优选的，包括预加重
、
分帧
、
加窗
、
快速傅里叶变换
、
梅尔滤波器组和对数变换，获得其对数梅尔能量特征
F
M
。
[0011]步骤1‑2：构建一个共享自动编码器架构的孪生网络，由编码器和解码器构成
。
[0012]步骤1‑3：孪生编码器共享权重，并包括基于频域的注意力机制，用于较好地提取源域和目标域对数梅尔能量的特征表示
。
[0013]步骤1‑4：构建域鉴别器，对齐源域和目标域的特征表示，以学习其不变特征表示
。
[0014]步骤1‑5：孪生解码器实现对源域和目标域的良好重建，计算公式如下：
[0015][0016]其中
x
s
、x
t
分别是源域
、
目标域的对数梅尔能力特征，分别是
x
s
、x
t
的重建，
W
GD
是解码器的可学习的权重参数，
n
s
、n
t
分别是源域和目标域的输入对数梅尔能量特征的数量
。
[0017]步骤1‑6：构建整体损失函数，利用反向传播和
Adam
优化训练孪生注意力对抗网络，计算公式如下：
[0018]L
SAAN
(x
s
，
x
t
，
w
D
，
W
GEF
，
w
GD
)
＝
L
D
+L
M
+L
r
[0019]其中
x
s
、x
t
分别是源域
、
目标域的对数梅尔能力特征，
W
D
、W
GEF
和
W
GD
分别表示鉴别器
D、
编码
GEF
和解码器
GD
的可学习权重参数，
L
D
、L
M
分别是编码器
、
解码器的标准交叉熵损失函数，
L
r
为重建损失函数
。
[0020]步骤1‑7：将训练集
X
train
和验证集
X
val
输入到训练好的孪生注意力对抗网络中，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于孪生注意力对抗网络的工业设备异常声信号检测方法，其特征在于具体包括如下步骤：
(
一
)
模型训练阶段步骤1‑
1、
对原始声信号进行对数梅尔能量特征提取；步骤1‑
2、
构建共享自动编码器架构的孪生网络；步骤1‑
3、
采用孪生编码器共享权重，包括基于频域的注意力机制，用于提取源域和目标域对数梅尔能量的特征表示；步骤1‑
4、
构建域鉴别器，对齐源域和目标域的特征表示，以学习其不变特征表示；步骤1‑
5、
孪生解码器实现对源域和目标域的重建，计算公式如下：其中
x
s
、x
t
分别是源域
、
目标域的对数梅尔能量特征，分别是
x
s
、x
t
的重建特征，
W
GD
是解码器的可学习权重参数，
n
s
、n
t
分别是源域和目标域的输入对数梅尔能量特征的数量；步骤1‑
6、
构建整体损失函数，利用反向传播和
Adam
优化训练孪生注意力对抗网络，计算公式如下：
L
SAAN
(x
s
，
x
t
，
W
D
，
W
GEF
，
W
GD
)
＝
L
D
+L
M
+L
r
其中
x
s
、x
t
分别是源域
、
目标域的对数梅尔能量特征，
W
D
、W
GEF
和
W
GD
分别表示鉴别器
D、
编码器
GEF
和解码器
GD
的可学习权重参数，
L
D
、L
M
分别是编码器
、
解码器的标准交叉熵损失函数，
L
r
为重建损失函数；步骤1‑
7、
将训练集
X
train
和验证集
X
val
输入到训练好的孪生注意力对抗网络中，通过重构误差计算异常分数继而得到阈值，根据阈值输出工业设备的状态；
(
二
)
异常检测阶段对于采集到的未知声信号数据，进行如下处理判断其异常与否：步骤2‑
1、
按
(
一
)
模型训练阶段中的步骤1‑1提取对数梅尔能量特征
F
M
；步骤2‑
2、
将提取的对数梅尔能量特征
F
M
输入孪生注意力对抗网络中，得到异常分数
A
θ
；步骤2‑
3、
通过阈值
H
的判定，大于阈值为异常声信号，反之为正常声信号，表示为：
2.
如权利要求1所述基于孪生注意力对抗网络的工业设备异常声信号检测方法，其特征在于，步骤1‑1中，对原始声信号进行对数梅尔能量特征提取具体包括预加重
、
分帧
、
加窗
、
快速傅里叶变换
FFT
和对数梅尔滤波
。3.
如权利要求2所述基于孪生注意力对抗网络的工业设备异常声信号检测方法，其特征在于，步骤1‑1具体如下：步骤1‑
1、
对于预加重，由
H(x)
＝1‑
α
x
‑1计算，
x
为输入信号，
H(x)
为预加重之后的输出，
α
为预加重系数；步骤1‑
2、
对于分帧，帧长为
N
，帧移为
步骤1‑
3、
对于加窗，选择汉明窗
ω
(n)
，计算公式为
x(n)
＝
ω
(n)s(n)
，其中，
s(n)
为窗的宽度，是
N
的第
n
个采样点；步骤1‑
4、
对于快速傅里叶变换，将步骤1‑1至步骤1‑3处理得到的信号转换至频域，计算公式为其中
x(n)
为输入声信号，
j
为虚数单位，
X(k)
为
x(n)
对应的频域信号，
N
为傅里叶变换的点数；步骤1‑
5、
对于梅尔滤波器组，对步骤1‑4获得的频域信息进行加权，获得每个梅尔频率段的能量，共设有
M
个三角滤波器，则第
m
个梅尔滤波器的频响
H
m
(k)
计算公式为，其中
f(m)
为中心频率：步骤
1.6、
对于对数梅尔滤波运算，对步骤1‑5获得的梅尔频率段能量取对数，得到每帧信号经过第
m
个梅尔滤波器滤波后的对数梅尔能量，计算公式为：
4.
如权利要求1‑3任一项所述基于孪生注意力对抗网络的工业设备异常声信号检测方法，其特征在于，步骤1‑3具体实现如下：步骤1‑
3.1、
将输入的
X
通过具有
n
个隐藏单元的全连接层，经过
s...

【专利技术属性】
技术研发人员：周玉蓉，王亚威，张巧灵，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：