基于生成模型的空调外机异常声检测方法及系统

本发明涉及空调外机的检测，尤其涉及深度学习、机器学习和音频处理等。更具体的，本发明提供了一种基于生成模型的空调外机异常声检测方法及系统。

背景技术：

1、空调外机整机出厂前需要经过运转测试由人工听诊确认外机运行状态下是否存在噪音异响，这样由人工听诊的方式效率低下，且人的主观性对听诊结果影响较大。如今伴随人工智能和深度学习技术的快速发展，基于声学传感手段的声音异常检测技术被越来越多的学者提出，并取得了一定的效果。

2、基于无监督学习的声音异常检测技术通常将符合所学特征的声音(空调正常运行声音)判为正常声音，而将与正常声音不同的声音(空调运行异常声音、其他未学习过的非空调运行声音)判为异常。然而实际中在背景噪音复杂的空调整机运转测试工业场景，传声器不仅仅会采集到空调运行的声音，同时会采集到周围的干扰噪音如电机噪音、气阀噪音等。这些干扰存在的情况下常见异常声音检测方法无法正确判别空调运行的声音是否正常。

技术实现思路

1、有鉴于此，本发明的目的在于提出了一种基于生成模型的空调外机异常声检测方法及系统，能够在工业复杂噪音干扰条件下对空调外机的运行声音进行无接触实时检测，降低人工成本，提高了空调外机的生产质量。

2、为实现上述目的及其他相关目的，本发明提供以下技术方案：

3、第一方面，本发明提供了一种基于生成模型的空调外机异常声检测方法，包括如下步骤：

4、获取空调外机正常运行声音数据得到第一声音数据，获取空调检测所处环境下的干扰声音数据，得到第二声音数据；

5、对所述第一声音数据和第二声音数据分别经过预处理后得到时频特征，进而得到第三声音数据和第四声音数据；

6、利用所述第四声音数据训练高斯混合模型，得到第四声音数据分布，将从所述第四声音数据分布中采样得到的声音数据叠加至第三声音数据中得到第五声音数据和对应采样步标签；

7、获取神经网络模型，所述神经网络模型包括音频降噪模块和异常检测模块；

8、由所述第三声音数据和第五声音数据训练所述神经网络模型，先固定住所述音频降噪模块权重，利用第三声音数据训练更新异常检测模块参数，再固定所述异常检测模块权重，利用第五声音数据和采样步标签训练音频降噪模块参数；

9、根据所述神经网络模型参加更新方式，多次重复直至所述神经网络模型收敛，获得训练好的空调外机抗干扰异响检测模型；

10、获取待测空调运行声音数据通过预处理后得到第六声音数据，利用所述训练好的空调外机抗干扰异响检测模型对所述第六声音数据进行异常检测。

11、在一些可选的实施方式中，所述获取空调检测所处环境下的干扰声音数据，包括：

12、由多通道传声装置采集传送装置运行声、气缸动作声、电机运行声和机械结构动作碰响声。

13、在一些可选的实施方式中，所述第一声音数据和第二声音数据的预处理为时频特征变换，处理过程包括：

14、首先对声音数据进行分帧和加窗，且帧与帧之间部分重叠，然后对每一帧数据做短时傅里叶变换取对数得到对数时频特征图。

15、在一些可选的实施方式中，所述利用第四声音数据训练高斯混合模型，确定所述第四声音数据分布包括：

16、初始化高斯混合模型参数，利用em算法反复迭代求解第四声音数据分布，其密度函数表示为：

17、

18、其中x为声音数据，m为高斯混合模型的成分个数，μi为对应成分的均值，∑i为对应成分的协方差矩阵，n为样本x的维度，i为第i个高斯分布函数，t为矩阵转置。

19、在一些可选的实施方式中，根据存在n个样本的第三声音数据，针对第三声音数据中的每个样本从高斯混合密度函数中t步随机采样得到t个干扰噪声样本，并逐一与所述第三声音数据叠加，得到含有n×t个声音样本的所述第五声音数据，以及n×t个对应采样步标签s。

20、在一些可选的实施方式中，第五声音数据由第三声音数据和从密度函数中采样得到的噪声样本叠加得到，描述为：

21、

22、其中，为第三声音数据中的第i个样本，为与第t步采样得到干扰噪声叠加生成的第五声音数据样本，权重αt＝1-βt，为为采样得到的噪声，β为人工设置参数，j为第j步；

23、所述采样步标签s归一化至(0,1)。

24、在一些可选的实施方式中，所述音频降噪模块为扩散模型，所述异常检测模块为深度卷积自编码模型。

25、在一些可选的实施方式中，训练所述神经网络模型包括:

26、先将第三声音数据输入网络，固定住音频降噪模块的权重，同时异常检测模块重建第三声音数据更新网络，然后固定住异常检测模块权重，由音频降噪模块顺序逐步估计第五声音数据上所叠加的干扰噪声，以及对应干扰噪声生成估计采样步再将第五声音数据减去估计出的干扰噪声后重新输入音频降噪模块中，直至所有的第五声音数据估计完成后，将最后一步得到的第五声音数据输入异常检测模块中，重复该过程直至所述神经网络模型收敛；所述神经网络模型的损失函数根据下式确定：

27、

28、其中∈为实际采样得到的干扰噪声，∈θ为音频降噪模块估计出的干扰噪声，t为干扰噪声采样步真值，为音频降噪模块估计出的干扰噪声采样步预测值，x为降噪后的声音数据，为异常检测模块重建的声音数据；θ、γ均为网络损失的权重参数。

29、在一些可选的实施方式中，根据训练好的空调外机抗干扰异响检测模型包括:

30、将获取到的空调外机运行声音数据经过预处理后得到时频特征，将其输入至训练好的空调外机抗干扰异响检测模型中；首先得到音频降噪模块的估计噪声∈θ，以及估计采样步再将所述时频特征减去估计噪声后重新输入音频降噪模块中，直至所述音频降噪模块输出的估计采样步小于阈值th_denoise～(0,1)，再将对应的音频降噪模块输入与估计干扰噪声相减后输入异常检测模块中，得到重建误差e；当重建误差e大于阈值th时，则判断该空调运行声音异常，否则正常。

31、第二方面，本技术提供了一种基于生成模型的空调外机异常声音检测系统，包括：

32、音频数据获取单元，用于获取空调外机正常运行声音数据得到第一声音数据，获取空调检测所处环境下的干扰声音数据，得到第二声音数据；

33、时频特征提取单元，用于对所述第一声音数据和第二声音数据分别经过预处理后得到时频特征，进而得到第三声音数据和第四声音数据；

34、高斯混合模型训练单元，用于利用所述第四声音数据训练高斯混合模型，得到第四声音数据分布，将从所述第四声音数据分布中采样得到的声音数据叠加至第三声音数据中得到第五声音数据和对应采样步标签；

35、神经网络模型获取单元，用于获取神经网络模型，所述神经网络模型包括音频降噪模块和异常检测模块；

36、神经网络模型训练单元，用于由所述第三声音数据和第五声音数据训练所述神经网络模型，先固定住所述音频降噪模块权重，利用第三声音数据训练更新异常检测模块参数，再固定所述异常检测模块权重，利用第五声音数据和采样步标签训练音频降噪模块参数；

37、异响检测模型获得单元，用于根据所述神经网络模型参加更新方式，多次重复直至所述神经网络模型收敛，获得训练好的空调外机抗干扰异响检测模型；

38、异常声音检测单元，用于获取待测空调运行声音数据通过预处理后得到第六声音数据，利用所述训练好的空调外机抗干扰异响检测模型对所述第六声音数据进行异常检测。

39、本发明提供的基于生成模型的空调外机异常声检测方法获取空调外机运行的声音数据，根据空调外机的声音数据检测空调外机的运行状态是否正常。相比于传统的人工听诊，本发明提供的基于生成模型的空调外机异常声检测方法能够在工业复杂噪音干扰条件下对空调外机的运行状态进行无接触实时检测，降低空调外机整机生产出厂的不良品率，提高空调外机的生产质量。

40、应当理解地，上述提供的第二方面的基于生成模型的空调外机异常声音检测系统与上述第一方面的方法对应，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。