【技术实现步骤摘要】
一种暖通机房异常音频识别方法及装置
[0001]本申请涉及暖通
,具体涉及一种暖通机房异常音频识别方法及装置
。
技术介绍
[0002]异常声音检测任务可以分为有监督异常声音检测和无监督异常声音检测两种类型
。
[0003]有监督异常声音检测需要使用已标记好的正常声音和异常声音数据集进行训练,在测试阶段,算法会将新的声音样本与已训练好的模型进行比较,从而判断其是否为异常声音
。
但是,在设备实际运行过程中,因设备故障而导致出现异常声音的情况非常少,并且种类不定,想要搜集详细而且大量的异常声音数据集进行训练不太现实
。
[0004]相反,无监督异常声音检测则不需要预先标记数据集中的正常声音和异常声音
。
这种方法通常基于假设,即正常声音和异常声音在频域或时域上有不同的特征,如异常声音的能量或频谱分布
。
算法会自动学习这些特征,并将声音分为正常和异常两类
。
因此,这种方法只需要采集正常声音的信号特征,无需采集异常声音样本,也不需要人工标注数据,比较适合需要自动检测异常声音的场景
。
[0005]但是,目前异常声音检测任务仍然存在一些不足之处:
[0006]1、
针对性不强:不同的设备具有不同的声音特性和异常声音类型,目前尚且没有在暖通场景下对特定设备有针对性的进行声音信号分析,而通用数据集,可能不会包含足够多的特定类型的异常声音,使得模型难以学习其特征,从而导致检测准确性和敏感 ...
【技术保护点】
【技术特征摘要】
1.
一种暖通机房异常音频识别方法,其特征在于,包括:步骤1:通过巡检机器人获取设备的待识别音频,并提取所述待识别音频的
MFCC
特征;步骤2:获取设备的正常音频数据,并提取所述正常音频数据的
MFCC
特征;步骤3:将所述待识别音频的
MFCC
特征和所述正常音频数据的
MFCC
特征进行合并得到待分类数据集;步骤4:采用预先训练好的
KMeans
算法对所述待分类数据集进行分类,并根据分类结果判断所述待识别音频是否异常,从而得到第一预测结果;步骤5:采用预先训练好的孤立森林算法对所述待分类数据集进行分类,并根据分类结果分别判断所述待识别音频是否异常,从而得到第二预测结果;步骤6:对所述第一预测结果和所述第二预测结果进行投票,根据投票结果最终确定所述待识别音频是否异常
。2.
根据权利要求1所述的暖通机房异常音频识别方法,其特征在于,所述步骤1或所述步骤2中提取所述待识别音频的
MFCC
特征或所述正常音频数据的
MFCC
特征时采用
librosa
进行提取
。3.
根据权利要求1所述的暖通机房异常音频识别方法,其特征在于,所述步骤1或所述步骤2中提取所述待识别音频的
MFCC
特征或所述正常音频数据的
MFCC
特征时使用汉明窗函数进行加窗
。4.
根据权利要求1所述的暖通机房异常音频识别方法,其特征在于,所述步骤4中,所述
KMeans
算法的簇中心为样本的中位数
。5.
根据权利要求4所述的暖通机房异常音频识别方法,其特征在于,所述
KMeans
算法中样本到簇中心的距离计算公式为加权欧式距离,所述加权欧式距离计算公式为:其中,
、
为样本,,,为特征
k
对应的权重,
m
为特征个数;其中,为标注差,为:其中,
n
为样本数
。6.
根据权利要求5所述的暖通机房异常音频识别方法,其特征在于,所述步骤4具体为:步骤
...
【专利技术属性】
技术研发人员:刘龙豹,
申请(专利权)人:中瑞恒北京科技有限公司,
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。