基于数据增强的无监督机械声音异常识别方法及系统与流程

本发明属于机械声音识别相关，尤其涉及基于数据增强的无监督机械声音异常识别方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在现代工业生产过程中，机械设备的运行状态监测对于保障生产效率和设备安全至关重要。传统的机械异常声音检测方法通常依赖于经验规则或简单的阈值判断，这在处理复杂的工业噪声背景和非线性故障模式时存在诸多局限性。随着机器学习技术的发展，特别是无监督学习方法的应用，为复杂环境下的机械故障诊断提供了新的解决方案。

3、然而，现有的基于无监督学习的声音检测技术在实际工业环境中仍面临着挑战。这些挑战主要源于工业现场的声音数据受到多种变量的影响，包括不同的运行状态、环境噪声、设备的磨损程度等，这些因素使得从声音数据中准确的提取和识别异常模式变得复杂和困难。此外，大多数现有方法在设计时假定了一定的实验条件，例如稳定的背景噪声水平和恒定的设备运行状态，而这些假设在真实工业环境中往往难以满足。

4、现有技术中，由于机械设备异常声音样本稀缺存在检测模型性能不佳、泛化能力弱和低检测效率的问题；而且在特征提取上存在难以捕捉关键特征、模型优化困难以及无法有效处理特征长期依赖问题。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种基于数据增强的无监督机械声音异常识别方法及系统，通过对采集的正常音频数据进行数据增强处理，用于识别模型的训练，增强了识别模型对于复杂故障模式的识别能力，并提高了其对于未知故障类型的泛化能力。

2、为实现上述目的，本发明的第一个方面提供基于数据增强的无监督机械声音异常识别方法，包括：

3、采集不同机械设备的音频数据并进行预处理，所述音频数据包括正常音频数据和异常音频数据；

4、对预处理后的音频数据进行傅里叶变换，基于梅尔滤波器，对傅里叶变换后的音频数据进行特征提取，得到对数梅尔谱图；

5、对所得到的对数梅尔谱图，采用随机时间偏移、声音扰动和频率掩蔽方法进行数据增强，得到增强数据集；

6、利用增强数据集对改进的生成对抗性网络进行训练，得到用于对机械设备声音进行识别的识别模型；其中，所述改进的生成对抗性网络的生成器和判别器中添加了自注意力机制，用于捕捉特征的长距离依赖关系；

7、将待识别的机械设备声音输入到所述识别模型中，得到识别结果。

8、本发明的第二个方面提供基于数据增强的无监督机械声音异常识别系统，包括：

9、采集模块：采集不同机械设备的音频数据并进行预处理，所述音频数据包括正常音频数据和异常音频数据；

10、处理模块：对预处理后的音频数据进行傅里叶变换，基于梅尔滤波器，对傅里叶变换后的音频数据进行特征提取，得到对数梅尔谱图；

11、增强模块：对所得到的对数梅尔谱图，采用随机时间偏移、声音扰动和频率掩蔽方法进行数据增强，得到增强数据集；

12、训练模块：利用增强数据集对改进的生成对抗性网络进行训练，得到用于对机械设备声音进行识别的识别模型；其中，所述改进的生成对抗性网络的生成器和判别器中添加了自注意力机制，用于捕捉特征的长距离依赖关系；

13、识别模块：将待识别的机械设备声音输入到所述识别模型中，得到识别结果。

14、本发明的第三个方面提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行基于数据增强的无监督机械声音异常识别方法。

15、本发明的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行基于数据增强的无监督机械声音异常识别方法。

16、以上一个或多个技术方案存在以下有益效果：

17、在本发明中，通过对采集的正常音频数据提取对数梅尔谱图，并对对数梅尔谱图进行数据增强处理，用于识别模型的训练，增强了识别模型对于复杂故障模式的识别能力，并提高了其对于未知故障类型的泛化能力；在识别模型中通过添加自注意力机制捕捉长距离依赖，能够关注到输入特征图中相距较远的区域间的关系，提高特征提取和特征表达能力。

18、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.基于数据增强的无监督机械声音异常识别方法，其特征在于，包括：

2.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，对采集不同机械设备的音频数据进行预处理，具体为：对音频数据的原始波形进行预加重、分帧和加窗处理。

3.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，采用频率掩蔽方法进行数据增强，具体为：在所述对数梅尔谱图上随机选择一个频率范围，并将所选择的频率范围内的频率置零。

4.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，采用声音扰动方法进行数据增强，具体为：

5.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，所述改进的生成对抗性网络的生成器包括编码器和解码器，在所述编码器中，通过多个卷积模块对输入特征进行增强深度并减少尺寸，直至达到最小尺寸；在多个卷积模块中添加注意力机制和残差块，所述注意力机制用于捕捉特征的长距离依赖关系，利用残差块缓解网络梯度；在所述解码器中，通过多个反卷积模块对所述编码器的输出进行尺寸增加，并减少深度，直至恢复所述编码器输入的原始尺寸。

6.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，在所述改进的生成对抗性网络的判别器中，通过多个卷积层和非线性变换对所述判别器的输入进行特征提取，得到嵌入向量；基于子注意力机制，对所述嵌入向量进行进一步特征提取，基于经过自注意力机制提取的特征得到判别结果。

7.如权利要求1所述的基于数据增强的无监督机械声音异常识别方法，其特征在于，还包括，采集不同机械设备的异常数据，将所采集的不同机械设备的异常数据作为测试数据集，利用所述测试数据集对所述识别模型进行测试。

8.基于数据增强的无监督机械声音异常识别系统，其特征在于，包括：

9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一项所述的基于数据增强的无监督机械声音异常识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的基于数据增强的无监督机械声音异常识别方法。

技术总结本发明提出了基于数据增强的无监督机械声音异常识别方法及系统，通过对采集的正常音频数据提取对数梅尔谱图，并对对数梅尔谱图进行数据增强处理，用于识别模型的训练，增强了识别模型对于复杂故障模式的识别能力，并提高了其对于未知故障类型的泛化能力；在识别模型中通过添加自注意力机制捕捉长距离依赖，能够关注到输入特征图中相距较远的区域间的关系，提高特征提取和特征表达能力。技术研发人员：汪付强,杨淑梅,张旭,吴晓明,张鹏,马晓凤,张建强,马坤,郝秋赟,赵微受保护的技术使用者：山东省计算中心（国家超级计算济南中心）技术研发日：技术公布日：2024/4/17