一种基于深度学习的设备异常声音检测方法技术

本发明专利技术公开了一种基于深度学习的设备异常声音检测方法。该方法采集设备运行过程中的声音数据以及振动、温度等异构数据，对多源异构数据进行预处理提取特征；将声音特征输入第一深度神经网络学习模式表示，异构特征输入第二网络学习模式表示，并将两者融合；融合特征输入第三深度神经网络进行时序建模得到异常检测分数；将实时数据输入训练好的模型，根据异常分数输出警报。该方法融合了多模态数据，设计了适配时频特征的网络结构，结合了多种训练策略，并提供可视化监控与反馈功能。相比现有技术，本发明专利技术方法具有更高的检测精度和智能化水平，能广泛应用于工业设备的故障预警，具有重要的理论价值和应用前景。

【技术实现步骤摘要】

本专利技术涉及机器学习，尤其涉及一种基于深度学习的设备异常声音检测方法。

技术介绍

1、设备异常检测技术是指通过分析设备在运行过程中产生的各种数据，判断设备是否存在故障或异常状态的方法。及时、准确地发现设备异常，对于预防重大事故、降低维护成本、提高生产效率至关重要。

2、目前，设备异常检测技术主要有以下几种方式：1)依赖人工经验，通过人工观察和判断来发现异常；2)基于规则的方法，事先设定阈值等规则，当检测数据超出规则范围时判定为异常；3)基于模型的方法，建立设备正常运行时数据的模型，新数据与模型偏差较大时判为异常。但这些传统方法存在一定局限性。

3、人工检测效率低下且难以及时发现隐藏性故障；基于规则的方法缺乏适应性，往往需要大量经验知识，难以应对复杂多变的工况；而基于模型的方法对模型的建立和维护有一定要求，且单一数据源的模型表达能力有限，容易受噪声干扰导致判断失误。因此，亟需一种智能化、鲁棒性更强的异常检测新方法来解决现有技术的不足。

技术实现思路

1、为了解决现有技术的问题，本专利技本文档来自技高网...

【技术保护点】

1.一种基于深度学习的设备异常声音检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对声音数据进行预处理以获得声音特征的步骤包括：

3.根据权利要求2所述的方法，其特征在于，所述声音特征还包括梅尔loudness特征和gammatone频率倒谱系数特征。

4.根据权利要求1所述的方法，其特征在于，所述异构数据包括设备运行过程中的振动数据和温度数据。

5.根据权利要求1所述的方法，其特征在于，还包括对声音数据和异构数据进行数据增广的步骤，以扩充异常数据样本。

6.根据权利要求1所述的方法，其特征在于，所述...

【技术特征摘要】

1.一种基于深度学习的设备异常声音检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对声音数据进行预处理以获得声音特征的步骤包括：

3.根据权利要求2所述的方法，其特征在于，所述声音特征还包括梅尔loudness特征和gammatone频率倒谱系数特征。

4.根据权利要求1所述的方法，其特征在于，所述异构数据包括设备运行过程中的振动数据和温度数据。

5.根据权利要求1所述的方法，其特征在于，还包括对声音数据和异构数据进行数据增广的步骤，以扩充异常数据样本。

【专利技术属性】
技术研发人员：张晓东，闫力维，宋亚齐，郝大雨，
申请(专利权)人：国能数智科技开发北京有限公司，
类型：发明
国别省市：