基于多核支持向量机的工业电机设备异常声音检测方法技术

本发明专利技术属于工业设备的异常声音检测领域，涉及基于多核支持向量机的工业电机设备异常声音检测方法，包括：S1、获取工业电机设备正常声音数据和异常声音数据样本，对数据进行短时傅里叶变换以及梅尔刻度压缩来提取特征向量，对数据进行均值归一化预处理，将预处理后的正常声音数据和异常声音数据随机分割为训练集和测试集；S2、构建多核支持向量机，经过迭代得出最适应的模型和支持向量；S3、由多核支持向量机输出声音正常或异常结果；S2中，在构建多核支持向量机时，利用多种群遗传算法寻找多核支持向量机的超参数，在多种群遗传算法中，依据多核支持向量机的超参数确定搜索范围，采用训练集在多核支持向量机的AUC作为适应度函数。

【技术实现步骤摘要】

本专利技术属于工业设备的异常声音检测领域，涉及一种基于多核支持向量机的工业电机设备异常声音检测方法，用于快速发现工业电机异常。

技术介绍

1、电机是现代生产和生活中重要的机电设备，对工业流程的顺利进行和设备运行安全有着重要意义。但是生产的电机易出现异常状况，导致故障发生从而产生安全隐患。迅速发现异常设备，能够减少有缺陷产品的数量以及防止损坏继续蔓延。对人工检测而言，人工进行异常声音和其他特征的检测，将会极大的占用人力和物力的资源，但是机器识别异常设备却可以减少人力和经济带来的损失。常用的机器识别异常设备的方法有时域分析、频域分析、机器学习的支持向量机svm(support vector machine)、深度学习的卷积网络、自编码器autoencoder、生成对抗网络gan(generative adversarial networks)等。

2、对于工业设备异常声音伴随噪音的复杂情况，时域分析、频域分析不能有效的提取特征，进而降低了分类的精度。机器学习的支持向量机svm等模型有效进行了数据的拟合，但是泛化能力不足。深度学习的自编码器卷积网络a本文档来自技高网...

【技术保护点】

1.一种基于多核支持向量机的工业电机设备异常声音检测方法，包括：

2.根据权利要求1所述的基于多核支持向量机的工业电机设备异常声音检测方法，其特征在于：对于s个训练样本(x1,y1),(x2,y2),...,(xs,ys)的训练集，将方程分类问题表示为

3.根据权利要求2所述的基于多核支持向量机的工业电机设备异常声音检测方法，其特征在于，多核支持向量机的超参数C、g1、g2和α的取值范围分别为：(0,100]、(0,256]、(0,256]、[0,1]。

【技术特征摘要】

1.一种基于多核支持向量机的工业电机设备异常声音检测方法，包括：

2.根据权利要求1所述的基于多核支持向量机的工业电机设备异常声音检测方法，其特征在于：对于s个训练样本(x1,y1),(x2,y2),...,(xs,ys)的训练集...

【专利技术属性】
技术研发人员：陈兴达，张胜，谢海圣，卢明辉，
申请(专利权)人：苏州声学产业技术研究院有限公司，
类型：发明
国别省市：