【技术实现步骤摘要】
本专利技术涉及机器学习领域，尤其涉及一种基于自监督预训练模型的机器故障检测方法。
技术介绍
1、异常声音检测(asd)的任务是判断特定机器运行的声音是正常的还是异常的。因为它对保证工业机器的安全性和运行效率有着重要的作用，所以受到了很多研究人员的重视。与声音场景分类不同，因为机器故障数据难以收集，所以只能收集正常状态的数据用于训练，所以这个任务是一个无监督学习的场景。即使用正常数据训练出来的模型能够判断给定的测试机器声音样本是否属于异常。最近，很多研究者针对asd任务提出了许多深度学习方法去检测异常，且这些方法可以根据它们的训练准则分为两大类：无监督和自监督训练。无监督方法主要是通过建模正常运行状态的声音分布来训练模型，然后对比测试机器的声音是否和建模的正常分布的来判断异常状态。另一方面，自监督技术利用音频文件的元数据(如机器类型和机器状态)作为标签来训练一个分类器，通过分类来优化音频提取器从而判断异常。尽管这些方法取得了显著的成果，但受限于数据收集的困难和复杂的声学环境，这些模型的泛化能力往往受到限制。
2、语音自监督预训...
【技术保护点】
1.一种基于自监督预训练模型的机器故障检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，通过变速来模拟机器不同的运行状态，提升训练数据量。
3.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，在保持音频信号的音高不变的情况下，通过拉伸或者压缩音频时间达到变速的效果。
4.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，通过随机速率的数据增强，合成各种机器运行状态的模拟数据。
5.如...
【技术特征摘要】
1.一种基于自监督预训练模型的机器故障检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，通过变速来模拟机器不同的运行状态，提升训练数据量。
3.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，在保持音频信号的音高不变的情况下，通过拉伸或者压缩音频时间达到变速的效果。
4.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤1，通过随机速率的数据增强，合成各种机器运行状态的模拟数据。
5.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤2，大规模语音数据自监督预训练的模型引入外部知识，构建和提升故障检测模型。
6.如权利要求1所述的基于自监督预训练模型的机器故障检测方法，其特征在于，所述步骤2，使用大规模语音数据预训练的模型来作为特征提取器并初始化。
7.如权利要求1所述的基于自...
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。