异音识别方法技术

本发明专利技术涉及故障识别技术领域，提供一种异音识别方法

【技术实现步骤摘要】
异音识别方法、装置、电子设备和存储介质


[0001]本专利技术涉及故障识别
，尤其涉及异音识别方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]设备在运行过程中，会由于其工艺结构
、
装配水平
、
运行环境等因素导致运行声音异常，不同类型的异音通常对应于不同类型的设备故障
。
由于设备故障会影响设备的运行效果，减少设备的使用寿命，因此，可以通过设备的异音识别设备故障后，对设备进行相应的故障排查和检修，以保障设备的运行效果，延长设备的使用寿命
。
[0003]目前已经可以使用分类模型对设备异音进行识别，但利用声音样本对分类模型进行训练时，对声音样本的平衡性有较高的要求，即正样本的数量和负样本的数量需要达到平衡，才能使得训练后的分类模型具有较好的识别效果，而在一般工业生产环境中，负样本是稀少并不具备代表性的，因而造成分类模型的识别效果往往因负样本的低质量和低数量而大打折扣，从而降低设备异音识别的准确性，进而降低通过设备异音识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异音识别方法，其特征在于，包括：将采集的声音样本划分为训练集和测试集；其中，所述训练集为正样本的集合，所述测试集为正样本和负样本的集合，所述正样本为所述声音样本中的正常音样本，所述负样本为所述声音样本中的异常音样本；根据声音信号的强度和声音信号的频率中的至少一个，识别出所述测试集中的第一负样本；从所述测试集中剔除所述第一负样本，得到目标测试集；将所述目标测试集输入至异音识别模型，识别出所述目标测试集中的第二负样本；所述异音识别模型是以声音样本的损失值小于损失阈值为目标，利用所述训练集对无监督网络模型进行训练后得到的
。2.
根据权利要求1所述的异音识别方法，其特征在于，所述异音识别模型，是基于以下步骤得到的：所述无监督网络模型包括编码器和解码器，所述编码器包括多个卷积层和多个残差层；将所述训练集输入至所述编码器，得到所述训练集中的正样本的第一编码所服从的第一概率分布的第一均值和第一方差；对所述第一均值和所述第一方差进行批归一化，得到第二均值和第二方差；根据所述第二均值和所述第二方差，得到所述训练集中的正样本的第二编码；将所述第二编码输入至所述解码器，得到所述第二编码对应的正样本所服从的第二概率分布的第三均值和第三方差；根据所述第三均值和所述第三方差，得到所述第二编码对应的正样本的近似值，并完成所述无监督网络模型的一次训练；若本次训练中任一正样本的损失值大于或等于损失阈值，则调整所述编码器的批归一化参数后，返回将所述训练集输入至所述编码器的步骤，直至当前次训练中每个正样本的损失值均小于损失阈值，将此时的无监督网络模型确定为异音识别模型
。3.
根据权利要求1所述的异音识别方法，其特征在于，所述将所述目标测试集输入至异音识别模型，识别出所述目标测试集中的第二负样本，包括：将所述目标测试集输入至异音识别模型，得到所述目标测试集中的第二声音样本的损失值；若所述第二声音样本的损失值大于样本阈值，则确定所述第二声音样本为第二负样本；所述样本阈值是根据目标均值和目标方差，基于3‑
sigma
原则设定的；所述目标均值是对所述无监督网络模型进行训练的过程中，所有正样本的损失值均值，所述目标方差是对所述无监督网络模型进行训练的过程中，所有正样本的损失值方差
。4.
根据权利要求1所述的异音识别方法，其特征在于，所述根据声音信号的强度和声音信号的频率中的至少一个，识别出所述测试集中的第一负样本，包括：若所述测试集中的第一声音样本在第一特定时长内的信号强度累计值大于或等于累积阈值，...

【专利技术属性】
技术研发人员：张宇航，徐鹏，付旭，江新，孙通，
申请(专利权)人：美的集团股份有限公司，
类型：发明
国别省市：