基于自适应双通道模型的通用机器声音异常检测方法

本发明涉及机器设备异常检测，具体涉及一种基于自适应双通道模型的通用机器声音异常检测方法。

背景技术：

1、在智能化与工业化背景下，机器声音信号的异常检测成为关键技术领域，作为机器声音分析的前提步骤，信号的采集、特征提取、去噪、加强以及特征选择。这些步骤的执行效果对异常检测精度至关重要，在实际应用中，机器设备包括但不限于工业风扇、泵机、滑轨、阀门和变速箱，每种设备都有其特定的声音特征，需要精确和有效的处理方法。

2、现有技术在处理机器声音数据时通常采用单一的方法或需要运行多个模型以获得最佳结果，这不仅增加了计算复杂性，也增加了成本，并且限制了方法的泛化能力。例如，cn116935888a公开了一种工业设备异常声音检测方法及系统，提出了一种基于评价指标auc得分的异常检测模型。该模型通过对两个检测网络得出的正常与异常分数进行综合评价，最终获得auc分数，从而确定设备的异常状态。这一方法属于集成学习范畴，涉及多个方法的实验迭代，导致实现复杂度高和成本增加。cn117235437a公开了基于卷积网络结合自空间注意力机制的传感器故障识别方法，该方法首先采集振动传感器数据，然后进行emd分解并通过卷积网络提取空间特征，最终通过空间注意力机制增强信号处理能力。尽管这种方法在传感器故障识别上有效，但它主要针对传感器数据，而非机器声音。此外，该方法仅基于卷积网络，限制了特征提取能力和适用的数据类型。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供了一种基于自适应双通道模型的通用机器声音异常检测方法及装置，在双通道前设置基于信号平稳性分析的自适应选择器，减少了模型复杂度，提高了检测精度，降低成本。该技术方案如下：

2、第一方面，提供了一种基于自适应双通道模型的机器设备声音异常检测方法，包括如下步骤：

3、对音频数据进行预处理；

4、对预处理后的音频数据进行平稳性分析；

5、基于平稳性分析结果自适应确定音频数据的下一步处理通道，当平稳性分析结果满足第一条件时，将音频数据输入第一处理通道进行处理，当平稳性分析结果满足第二条件时，将音频数据输入第二处理通道进行处理；

6、基于第一处理通道和第二处理通道的输出结果确定设备声音异常检测结果。

7、在一些实施方式中，所述对预处理后的音频数据进行平稳性分析，包括：

8、采用振幅标准差作为时域上音频数据的第一平稳性分析结果，所述振幅标准差基于样本点振幅和所有样本点振幅平均值的平均偏差计算得到；

9、采用音频频谱平坦度作为频域上音频数据的第二平稳性分析结果，所述频谱平坦度基于音频数据功率谱的几何平均值除以功率谱的算术平均值得到；

10、基于第二平稳性分析结果和第一平稳性分析结果融合确定预处理后的音频数据的平稳性分析结果。

11、在一些实施方式中，基于第二平稳性分析结果和第一平稳性分析结果融合确定预处理后的音频数据的平稳性分析结果，包括：

12、基于第二平稳性分析结果中的音频频谱平坦度，去掉最高和最低值，剩下的取平均，获取平均频谱平坦度，对于在平均频谱平坦度上下20％幅度范围记为平均频谱平坦度区间；

13、对于音频频谱平坦度大于平均频谱平坦度区间上限值的音频数据确定为相对不平稳数据；

14、对于音频频谱平坦度小于平均频谱平坦度区间下限值的音频数据确定为相对平稳数据；

15、对于音频频谱平坦度在平均频谱平坦度区间内的音频数据，采用第一平稳性分析结果的振幅标准差确定，当音频振幅标准差大于平均振幅标准差，则确定音频数据为相对不平稳数据，当音频振幅标准差小于平均振幅标准差，则确定音频数据为相对平稳数据。

16、在一些实施方式中，所述第一条件表征声音数据平稳性高，所述第一处理通道包括：vae网络。

17、在一些实施方式中，所述vae网络的训练获得方法包括如下步骤：

18、将训练样本的音频数据提取mfcc和f-bank音频特征；

19、将mfcc和f-bank音频特征输入空间注意力融合模块，获取优化后的音频特征；

20、将空间注意力融合模块输出的数据输入vae网络的编码网络，获取隐变量特征；

21、基于隐变量特征和训练样本对应的机器类别参数共同作为vae网络的解码网络的输入；

22、基于解码网络的输出计算损失函数，基于损失函数训练vae网络的编码网络和解码网络；

23、基于训练完成的vae网络的解码网络对输入第一处理通道的音频数据进行处理，获得机器设备声音异常检测结果。

24、在一些实施方式中，所述第二条件表征声音数据平稳性低，所述第二处理通道包括vgg-gru网络。

25、在一些实施方式中，所述vgg-gru网络的训练获取方法包括如下步骤：

26、将训练样本的音频数据提取mfcc和f-bank音频特征；

27、将mfcc和f-bank音频特征输入空间注意力融合模块，获取优化后的音频特征；

28、将空间注意力融合模块输出的数据输入vgg卷积网络获得音频卷积特征；

29、基于vgg卷积网络输出的数据输入gru网络获取声音异常检测结果；

30、基于gru网络的输出计算损失函数，基于损失函数训练vgg卷积网络和gru网络；

31、基于训练完成的vgg-gru网络对输入第二处理通道的音频数据进行处理，获得声音异常检测结果。

32、第二方面，提供了一种基于自适应双通道模型的机器设备声音异常检测装置，包括：

33、音频预处理模块，用于对音频数据进行预处理；

34、音频预分析模块，用于对预处理后的音频数据进行平稳性分析；

35、异常检测模块，用于基于平稳性分析结果自适应确定音频数据的下一步处理通道，当平稳性分析结果满足第一条件时，将音频数据输入第一处理通道进行处理，当平稳性分析结果满足第二条件时，将音频数据输入第二处理通道进行处理；

36、检测结果获取模块，用于基于第一处理通道和第二处理通道的输出结果确定设备声音异常检测结果。

37、第三方面，提供了一种电子设备，所述电子设备包括：

38、处理器；

39、用于存储处理器可执行指令的存储器；

40、其中，所述处理器通过运行所述可执行指令以实现如上述第一方面所述的机器设备声音异常检测方法。

41、第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如上述第一方面所述的机器设备声音异常检测方法的步骤。

42、本发明的一种基于自适应双通道模型的通用机器声音异常检测方法及装置，对音频数据进行预处理；对预处理后的音频数据进行平稳性分析；基于平稳性分析结果自适应确定音频数据的下一步处理通道，当平稳性分析结果满足第一条件时，将音频数据输入第一处理通道进行处理，当平稳性分析结果满足第二条件时，将音频数据输入第二处理通道进行处理；基于第一处理通道和第二处理通道的输出结果确定设备声音异常检测结果。本发明通过一个自适应选择机制，根据信号的平稳性自动选择最适合的处理方法。该方法不仅简化了处理流程，还提高了异常检测的准确性和效率。