一种基于声音识别的设备异常检测方法与流程

本发明涉及设备检测，具体地说，涉及一种基于声音识别的设备异常检测方法。

背景技术：

1、由于现代工业过程在生产流程和自动化程度上都非常复杂，对可靠性和安全性的要求越来越高，系统任何部分的故障都可能导致整个系统故障；因此，早期检测潜在或发生的故障在工业过程中非常重要，流程工业设备异常及工况参数异常的及时诊断对于提高生产效率、稳定性，降低停机时间和维修成本，提高安全性和可靠性，以及降低能源消耗和环境影响具有重要的意义，通过合理的异常诊断方法和系统，可以实现对设备运行状态的实时监测和故障诊断，提高工业生产的效率、质量和可持续发展能力。

2、工业设备不正常运行时，设备产生的声音也会变化，声音异常的原因有多种，可能是设备磨损、零件松动、设备空载或超载等；经验丰富的工作人员可以通过声音直接判断设备出现异常的原因，但是有时会因为经验不足出现误判的情况，可以采用音频采集设备及音频识别方法实现设备声音异常识别。

技术实现思路

1、本发明的目的在于提供一种基于声音识别的设备异常检测方法，以解决上述背景技术中提出的问题。

2、为实现上述技术问题的解决，本发明的目的在于，提供了一种基于声音识别的设备异常检测方法，包括如下步骤：

3、s1、收集大量设备正常工作的音频信号；

4、s2、对正常工作的音频信号进行滤波处理；

5、s3、将正常工作的音频信号分窗采样，并转换为mfcc热力图；

6、s4、基于patchcore算法提取正常工作时的mfcc热力图的特征，训练设备正常运行的特征底库；

7、s5、收集实时采集的音频信号；

8、s6、对实时采集的音频信号进行滤波处理；

9、s7、将实时采集的音频信号分窗采样，并转换为mfcc热力图；

10、s8、基于patchcore算法提取实时工作时的mfcc热力图的特征，将特征与训练时的特征底库对比，检测异常，则表示设备声音异常。

11、作为本技术方案的进一步改进，所述s2和所述s6中对音频信息进行滤波处理的方法均为扩展卡尔曼滤波。

12、作为本技术方案的进一步改进，所述s3和所述s7中绘制热力图的具体步骤包括：

13、步骤1、预加重，采样后的音频信号s(z)通过一个高通滤波器，预加重高通滤波器h(z)为：

14、h(z)＝1-αz-1

15、其中，α为加权系数，z为输入信号；

16、步骤2、分帧加窗，将n个采样点集合成一帧，在采样时让相邻两帧之间有一段重叠区域，重叠区域包含m个取样点，之后将每一帧乘以blackman窗，对应公式为：

17、n＝2m

18、p(z)＝s(z)w(z)

19、

20、其中，p(z)为分帧后的信号，w(z)为blackman窗；

21、步骤3、快速傅里叶变换，对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱x(k)，设音频信号的离散傅里叶变换为：

22、

23、0≤k≤n-1

24、0≤n≤n-1

25、其中，i为虚数单位，k为整数，n为采样点数；

26、步骤4、通过mel频率滤波器提取频谱，将实际频率尺度转化为mel频率尺度，计算公式为：

27、

28、其中，f为音频信号的实际频率，fmel为mel频率；

29、计算两个相邻三角滤波器的中心频率的间距δmel为：

30、

31、在mel频率域上确定最低频率、最高频率和mel滤波器个数q，将每一个三角形滤波器的中心频率c(q)在mel频率上等间隔分配，设o(q)和h(q)分别为第q个三角形滤波器的下限和上限，则：

32、c(q)＝h(q-1)＝o(q+1)

33、mel频率滤波器设计如下：

34、

35、其中，hp(k)为第k个滤波器的频率响应；

36、对mel频谱取对数，得到对数频谱s(p)，对应公式为：

37、

38、0≤q＜q

39、步骤5、离散余弦变换，对s(p)进行离散余弦变换得到mfcc参数c(n)，计算公式为：

40、

41、0≤q＜q

42、将上述的对数能量代入离散余弦变换，求出l阶的mfcc参数，l阶指mfcc系数阶数；

43、步骤6、绘制热力图，以音频信号的帧数为横坐标，mel频率刻度为纵坐标，颜色强度表示在该时间和频率上的mfcc系数大小。

44、作为本技术方案的进一步改进，所述s4的具体步骤包括：

45、s4.1、将正常工作时的mfcc热力图作为训练集；

46、s4.2、使用预训练的卷积神经网络对训练集内的热力图提取局部特征；

47、s4.3、将所有正常热力图的特征聚合并存储进特征底库。

48、作为本技术方案的进一步改进，所述s6的具体步骤包括：

49、s6.1、使用预训练的卷积神经网络对实时收集的热力图提取局部特征；

50、s6.2、对于实时收集的热力图中的局部特征，分别计算与特征底库中对应特征之间的相似度；

51、s6.3、根据计算得到的平均相似度，计算整个实时热力图的异常得分，当实时热力图的异常得分低于设置阈值时，将其标记为异常热力图。

52、作为本技术方案的进一步改进，所述s4和所述s6中均在mfcc热力图上应用空间注意力机制，为每个特征赋予不同的权重。

53、作为本技术方案的进一步改进，所述s4和所述s6中均采用随机投影方法进行降维处理。

54、作为本技术方案的进一步改进，所述s4.3中采用k-means聚类正常工作的热力图的特征。

55、作为本技术方案的进一步改进，所述s6.3中相似度通过余弦相似度cosθ计算，计算公式为：

56、

57、其中，a为特征底库中的特征向量，b为需要检测的特征向量。

58、与现有技术相比，本发明的有益效果：该基于声音识别的设备异常检测方法中，首先通过滤波处理，去除环境的干扰，再通过mfcc提取音频信号，再绘制热力图，使用patchcore算法提取热力图的特征，将设备正常运行的数据作为特征底库，再将实时采集的热力图特征与特征底库对比，能够及时发现设备是否出现异常，便于及时排查问题。

技术特征：

1.一种基于声音识别的设备异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s2和所述s6中对音频信息进行滤波处理的方法均为扩展卡尔曼滤波。

3.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s3和所述s7中绘制热力图的具体步骤包括：

4.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s4的具体步骤包括：

5.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s6的具体步骤包括：

6.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s4和所述s6中均在mfcc热力图上应用空间注意力机制，为每个特征赋予不同的权重。

7.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s4和所述s6中均采用随机投影方法进行降维处理。

8.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s4.3中采用k-means聚类正常工作的热力图的特征。

9.根据权利要求1所述的基于声音识别的设备异常检测方法，其特征在于：所述s6.3中相似度通过余弦相似度cosθ计算，计算公式为：

技术总结本发明涉及设备检测技术领域，具体地说，涉及一种基于声音识别的设备异常检测方法，包括如下步骤：S1、收集正常工作的音频信号；S2、滤波处理；S3、分窗采样，并转换为MFCC热力图；S4、提取正常工作时的MFCC热力图的特征，训练正常运行的特征底库；S5、收集实时采集的音频信号；S6、滤波处理；S7、分窗采样，并转换为MFCC热力图；S8、提取实时工作时的MFCC热力图的特征，将特征与训练时的特征底库对比。本发明中，首先通过滤波处理，去除环境的干扰，再通过MFCC提取音频信号，再绘制热力图，使用PatchCore算法提取热力图的特征，将设备正常运行的数据作为特征底库，再将实时采集的热力图特征与特征底库对比，能够及时发现设备是否出现异常，便于及时排查问题。技术研发人员：田蕾,蒋若翔,王飞受保护的技术使用者：中建材信息技术股份有限公司技术研发日：技术公布日：2024/6/11