System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及工业设备音频识别领域,特别公开了一种结合深度学习与聚类的轧机状态识别方法、装置及设备。
技术介绍
1、在工业设备音频识别领域,对轧机设备的状态,特别是空负载状态进行音频识别具有重要意义。然而,现有的如基于阈值分割等传统方法鲁棒性较差,存在一些局限性。
2、随着人工智能的快速发展,基于深度学习模型的音频识别方法取得了良好的效果,但是现有的深度学习模型,通常难以适应不同轧机设备测点间数据特征差异较大的情况,影响了模型的泛化性能。
技术实现思路
1、本专利技术提供了一种结合深度学习与聚类的轧机状态识别方法、装置及设备,以至少部分的改善上述问题。
2、为实现上述目的,本专利技术采用以下技术方案:
3、一种结合深度学习与聚类的轧机状态识别方法,其包括以下步骤:
4、s1、采集轧机在不同测点的一维音频信号,对所述一维音频信号进行逐秒分割,并通过梅尔频谱分析转为二维频谱图;
5、s2、将所述二维频谱图划分为多个子块,对每个子块添加位置嵌入,并将添加位置嵌入的子块输入至预训练的基于视觉自注意力模块构建的深度学习模型,通过多个视觉自注意力模块和子块合并,以从时间帧和频率维度压缩序列,最后通过二维卷积神经网络将子块的通道维度映射为类别;
6、s3、通过深度学习模型从所述二维频谱图中提取768维特征,再通过基于全连接模型的二分类算法生成不同轧机测点状态间的特征相似度矩阵;
7、s4、基于所述特征相似度矩阵,
8、s5、基于进一步划分的组别对所述深度学习模型进行调整,基于调整后的深度学习模型对轧机进行状态识别。
9、优选地,在步骤s1中,还包括:
10、对所述二维频谱图中的空值行过滤;所述梅尔频谱的参数为:跳跃长度为320,窗口长度为1024,窗口类型为汉宁窗,梅尔滤波器个数为48。
11、优选地,步骤s2具体包括:
12、s21、从时间帧维度将所述二维频谱图划分为16个窗口,在每一个窗口内从时间帧、频率维度划分4×4的子块,并对每个子块添加位置嵌入;
13、s22、将每个子块输入至深度学习模型;其中,所述深度学习模型包括叠加的四层视觉自注意力模块以及全连接层;在每层视觉自注意力模块中,子块的频率与时间维度压缩为1/2,通道维度扩充至4倍,在全连接层中,将通道维度扩展2倍;
14、s23、将所述通道维度通过二维卷积神经网络映射到类别维度,通过时间帧的平均值池化得到最终的类别。
15、优选地,步骤s3具体包括:
16、s31、通过深度学习模型从二维频谱图提取768维特征;
17、s32、建立3层的全连接模型,将不同轧机测点状态数据两两分类,得到二分类精度;
18、s33、以二分类精度作为相似度,建立不同轧机测点状态数据的特征相似度矩阵。
19、优选地,步骤s4具体包括:
20、s41、基于所述特征相似度矩阵,采用层次聚类算法,生成各轧机测点状态数据的层次树形图,并实现不同测点间的聚类,得到聚类结果;
21、s42、基于聚类结果,将特征相近的轧机测点划分到同一组别中。
22、优选地,步骤s5具体包括:
23、s51、对每个组别分别建立深度学习模型,并针对进一步划分的组别对所述深度学习模型进行调整;
24、s52、基于调整后的深度学习模型进行轧机状态识别;
25、s53、将逐秒的识别结果拼接后,采用一维形态学滤波算法的腐蚀与膨胀进行分类后处理,得到最终识别结果。
26、本专利技术实施例还提供了一种结合深度学习与聚类的轧机状态识别装置,包括:
27、二维频谱图生成单元,用于采集轧机在不同测点的一维音频信号,对所述一维音频信号进行逐秒分割,并通过梅尔频谱分析转换为二维频谱图;
28、映射单元,用于将所述二维频谱图划分为多个子块,对每个子块添加位置嵌入,并将添加位置嵌入的子块输入至预训练的基于视觉自注意力模块构建的深度学习模型,通过多个视觉自注意力模块和子块合并,以从时间帧和频率维度压缩序列,最后通过二维卷积神经网络将子块的通道维度映射为类别;
29、特征相似度矩阵生成单元,用于通过深度学习模型从所述二维频谱图中提取768维特征,再通过基于全连接模型的二分类算法生成不同轧机测点状态间的特征相似度矩阵;
30、聚类单元,用于基于所述特征相似度矩阵,采用层次聚类算法将不同轧机测点的数据聚类,得到进一步划分的组别;
31、状态识别单元,用于基于进一步划分的组别对所述深度学习模型进行调整,基于调整后的深度学习模型对轧机进行状态识别。
32、优选地,映射单元具体用于:
33、从时间帧维度将所述二维频谱图划分为16个窗口,在每一个窗口内从时间帧、频率维度划分4×4的子块,并对每个子块添加位置嵌入;
34、将每个子块输入至深度学习模型;其中,所述深度学习模型包括叠加的四层视觉自注意力模块以及全连接层;在每层视觉自注意力模块中,子块的频率与时间维度压缩为1/2,通道维度扩充至4倍,在全连接层中,将通道维度扩展2倍;
35、将所述通道维度通过二维卷积神经网络映射到类别维度,通过时间帧的平均值池化得到最终的类别。
36、优选地,特征相似度矩阵生成单元具体用于:
37、通过深度学习模型从二维频谱图提取768维特征;
38、建立3层的全连接模型,将不同轧机测点状态数据两两分类,得到二分类精度;
39、以二分类精度作为相似度,建立不同轧机测点状态数据的特征相似度矩阵。
40、本专利技术实施例还提供了一种结合深度学习与聚类的轧机状态识别设备,其包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上述的结合深度学习与聚类的轧机状态识别方法。
41、采用上述技术方案后,本专利技术实施例至少具有如下优点:
42、通过深度学习分析不同测点数据的特征相似度,采用层次聚类算法将数据特征相近的测点自动聚类,基于聚类结果微调模型,提高了基于深度学习的轧机空负载音频识别的效率,为进一步的自动化运行监测提供了有力支持,具有广泛的应用前景和重要的实际应用价值。
本文档来自技高网...【技术保护点】
1.一种结合深度学习与聚类的轧机状态识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,在步骤S1中,还包括:
3.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤S2具体包括:
4.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤S3具体包括:
5.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤S4具体包括:
6.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤S5具体包括:
7.一种结合深度学习与聚类的轧机状态识别装置,其特征在于,包括:
8.如权利要求7所述的结合深度学习与聚类的轧机状态识别装置,其特征在于,映射单元具体用于:
9.如权利要求7所述的结合深度学习与聚类的轧机状态识别装置,其特征在于,特征相似度矩阵生成单元具体用于:
10.一种结合深度学习与聚类的轧机状态识别设备,其特征在于,包括存储器以及处理器,所
...【技术特征摘要】
1.一种结合深度学习与聚类的轧机状态识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,在步骤s1中,还包括:
3.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤s2具体包括:
4.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤s3具体包括:
5.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,其特征在于,步骤s4具体包括:
6.如权利要求1所述的结合深度学习与聚类的轧机状态识别方法,...
【专利技术属性】
技术研发人员:梁磊,瞿千上,庄焰,谭熠,
申请(专利权)人:硕橙厦门科技有限公司,
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。