本发明专利技术公开了一种基于噪声估计和关键特征学习的阀门异常检测方法，具体按照以下步骤实施：步骤1、设计阀门异常检测方法的整体框架；步骤2、设计基于噪声估计的小波阈值去噪算法，去除工厂环境下的噪声，得到去噪后的音频信号；步骤3、将音频信号进行短时傅里叶变换，捕获音频信号的时频特性；步骤4、设计多尺度特征提取模块，提取音频信号的多尺度特征；步骤5、设计关键特征提取模块，赋予多尺度特征不同的权重，关键特征的权重高于非关键特征的权重；步骤6、设计自编码器结构，通过编码器解码器重构关键特征，比较重构特征和输入特征的误差，根据重构误差的大小，检测设备异常。本发明专利技术解决了现有技术中存在的噪声检测准确率低的问题。
1、随着信息时代的到来，万物互联、信息交互已经成为社会发展的必然趋势，信息的捕获、解析和利用是人类改造世界及推动社会朝前发展的重要手段。传感器可以在一个较长时期内采集数据，并对收集到的数据进行监测，可以检测出所监测的现象的存在或不存在。
2、传统的设备异常监测通常需要专业人员进行现场检查，随着待检测设备的数量增多，这种方法费时费力，而且无法全面覆盖设备的每一个细节。通过利用异常声音监测技术，可以实现对设备的实时监测，避免设备故障带来的损失。在工业设施中，对于稳定的设备故障声信号，目前已经取得了较好的检测结果，然而对于非稳定的声音信号的检测结果并不理想。水网管道是自来水运输的主要方式，其健康运行状态直接关乎城市居民的日常生活，水网管道的漏损问题一般发生在阀门，阀门漏损问题是威胁管道健康运行的主要问题，阀门漏损对水资源造成了重大的损失，因此供水管道的阀门泄漏问题一直是管道运输中需要致力解决的问题。阀门故障的检测主要取决于现场专家的经验，但由于检查请求的数量增加，缺乏足够多的专家进行实地检测，因此需要一个有效的解决方法来解决这个问题。基于图像分析的监控系统可以自动检测阀门泄漏，以确保工人的快速干预。然而在某些情况下，视觉信息是不可靠的，而使用声音检测器可以大大提高监控系统的整体可靠性。因此，可以使用工业物联网设备在供水管道上增加拾音器，收集附近的阀门的声学变化，然后通过异常声音监测技术进行阀门的异常检测。
>技术实现思路1、本专利技术的目的是提供一种基于噪声估计和关键特征学习的阀门异常检测方法，解决了现有技术中存在的噪声检测准确率低、的问题。
2、本专利技术所采用的技术方案是，基于噪声估计和关键特征学习的阀门异常检测方法，具体按照以下步骤实施：
3、步骤1、设计阀门异常检测方法的整体框架；
4、步骤2、设计基于噪声估计的小波阈值去噪算法，去除工厂环境下的噪声，得到去噪后的音频信号；
5、步骤3、将音频信号进行短时傅里叶变换，捕获音频信号的时频特性；
6、步骤4、设计多尺度特征提取模块，提取音频信号的多尺度特征；
7、步骤5、设计关键特征提取模块，赋予多尺度特征不同的权重，关键特征的权重高于非关键特征的权重；
8、步骤6、设计自编码器结构，通过编码器解码器重构关键特征，比较重构特征和输入特征的误差，根据重构误差的大小，检测设备异常。
9、本专利技术的特点还在于，
10、步骤1具体按照以下步骤实施：
11、设计阀门异常检测算法的整体框架，阀门异常检测算法整体架构由四个模块组成：分别为基于噪声估计的小波阈值去噪算法、多尺度特征提取模块、关键特征提取模块和自编码器模块。
12、步骤2具体按照以下步骤实施：
13、步骤2.1、采集工厂环境下阀门的音频x，根据噪声在音频x中出现的时间，截取音频x中的噪声，得到n个噪声段x1…xn，对噪声段x1…xn进行小波分解，计算音频高频成分的小波系数，然后通过计算小波系数的均值和方差确定阈值，阈值的计算公式如下：
14、
15、公式(1)中的threshold表示阈值，w函数表示小波分解，xi表示噪声信号，σ表示多个小波系数的方差；
16、步骤2.2、确定阈值后对含噪的音频信号x进行小波分解，得到不同尺度的小波系数，然后使用步骤2.1得到的阈值对不同尺度的小波系数进行阈值处理，保留大于阈值的小波系数，将小于阈值的小波系数置为零，以实现去噪过程；
17、步骤2.3、对处理后的小波系数进行逆小波变换，将信号重构回时域，得到去噪后的音频信号x′；
18、使用wavefile开源库的read函数计算含噪信号x和去噪后的信号x′的振幅，振幅分别为v和v′，使用短时傅里叶变换计算x和x′的频率，然后使用matplotlib库绘制音频去噪前后的时域图和光谱图，时域图的横轴和纵轴分别为时间和振幅，光谱图的横轴和纵轴分别为时间和频率。
19、步骤3具体按照以下步骤实施：
20、在去噪后的音频信号x′做傅里叶变换之前乘一个时间有限的窗函数h(t)，并假定非平稳信号在分析窗的短时间隔内是平稳的，通过窗函数h(t)在时间上的移动，对信号x′进行逐段分析得到一组局部频谱，使用的窗函数h(t)是汉明窗，汉明窗是3个矩形时间窗的频谱之和，短时傅里叶变换定义为：
21、
22、公式(2)中，信号x′在时间t处的短时傅里叶变换就是信号乘一个以t为中心的h(τ-t)后所作的傅里叶变换，stft(t,f)通过将信号分成较短的时间段，并对这些时间段应用傅里叶变换，从而得到音频x′的时频特征f。
23、步骤4具体按照以下步骤实施：
24、设计多尺度特征提取模块，提取音频信号的多尺度特征，将所述步骤3得到的时频特征进行一维卷积得到特征图，按照特征图的通道数将特征图平分，得到3个相同的特征图x1、x2、x3，第一个特征图x1直接保留下来，不进行变换，从第二个特征图x2开始，都进行卷积核大小为3的一维卷积，同时将当前特征图的卷积结果与后一个特征图进行残差连接，然后下一个特征图再进行卷积操作，通过这种方式使得后面特征图的感受野越来越大，从而实现多尺度特征的提取，将得到的多尺度特征记为fmult。
25、步骤5具体按照以下步骤实施：
26、设计关键特征提取模块，赋予多尺度特征不同的权重，关键特征的权重高于非关键特征的权重，将步骤4得到的多尺度特征fmult的每个通道进行全局平均池化映射成一个值，从而将特征图映射为一个向量，长度与特征图的通道数一致，这个过程描述为：
27、
28、公式(3)中，fz表示每个通道的特征的平均值，t表示通道数；
29、全局平均池化后对fz进行全连接操作，输出长度为特征通道数的k分之一，然后经过激活函数relu；再进行全连接操作，输出通道与特征通道数一致，然后经过激活函数sigmod，此时输出向量的每一个值，范围都是0到1之间，这个过程描述为：
30、s＝σ(w2r(w1fz+b1)+b2) (4)
31、公式(4)中，r表示relu激活函数，σ表示sigmoid激活函数，w1和w2的c和r分别表示输入通道的数量和降低的维度；
32、最后使用输出向量s的每一个值，对输入的fmult的对应通道进行加权，因为每个特征通道的重要性是不一样的，通过这种方式让神经网络自行学习每个特征通道的权重，公式为：
33、fc＝scfmult (5)
34、公式(5)中的，fc表示学习到的关键特征sc表示权重，fmult表示多尺度特征。
35、步骤6具体按照以下步骤实施：
36、设计编码器，编码过程是编码器将输入数据fc本文档来自技高网...
【技术保护点】
1.基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤3具体按照以下步骤实施：
5.根据权利要求4所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤4具体按照以下步骤实施：
6.根据权利要求5所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤5具体按照以下步骤实施：
7.根据权利要求6所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤6具体按照以下步骤实施：
【技术特征摘要】
1.基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于噪声估计和关键特征学习的阀门异常检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于噪声估计和关键特征学习的阀门异常检测方法，其...
【专利技术属性】
技术研发人员：李军怀，宋紫阳，王怀军，王侃，
申请(专利权)人：西安理工大学，
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。