[发明专利]基于卷积神经网络的设备异常声音识别方法及系统

权利要求书

1.基于卷积神经网络的设备异常声音识别方法，其特征在于，包括以下步骤：

步骤1、分别采集相应数量的正常设备和异常设备在运行过程中的声音信号；

步骤2、分别提取正常设备和异常设备声音信号的有效区间特征；

步骤3、设计卷积神经网络模型，并训练正常设备和异常设备声音信号的有效区间特征，获得声音识别模型；

步骤4、在对设备声音进行识别时，提取设备声音的有效区间特征，并将该有效区间特征输入到声音识别模型中；

步骤5、通过所述声音识别模型判断设备的声音是否异常，并输出识别结果；

步骤2中，提取声音信号的有效区间特征包括以下步骤：

步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；

步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；

步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；

步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。

2.根据权利要求1所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤1中，所述声音信号的来源为发动机。

3.根据权利要求1所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤3中，所述设计的卷积神经网络模型中，网络结构为N个卷积层，且卷积层之后都有激活函数和池化层，当图像经过卷积、激活和池化后的结果称为特征图，用C表示，M个全链接层，卷积层的卷积核大小为Kn、步长为Sn、卷积核的个数为Xn，其中1≤n≤N，最后一个全连接层的神经元的个数为2，其他的全连接层的神经元的个数为Cm，其中1≤m≤M，每层卷积之后的激活函数为Max-Feature-Map，格式如下：

其中，C∈R^h×w×2n，C的数量是2n，n为预先设定的值；

则f的导数为：

其中，w为特征图的宽，h为特征图的高,i为特征图的第i列，0≤i＜w，j为特征图的第j行，0≤j＜h,1≤k≤n，R为实数空间。

4.根据权利要求3所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤3中，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。

5.基于卷积神经网络的设备异常声音识别系统，应用于权利要求1-4任意一项所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，包括：

设备声音信号采集模块，用于采集待测试设备的声音信号；

设备声音信号特征提取模块，用于提取声音信号的有效区间特征；

正常设备数据准备模块，用于准备训练设备声音识别模型所需要的正常设备数据集；

异常设备数据准备模块，用于准备训练设备声音识别模型所需要的异常设备数据集；

设备声音识别模型训练模块，用于设计和训练设备声音识别模型；

设备声音识别模块，用于识别设备声音是否异常；

所述设备声音信号特征提取模块在提取声音信号的有效区间特征时，包括以下步骤：

步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；

步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；

步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；

步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。

6.根据权利要求5所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，所述声音信号的来源为发动机。

7.根据权利要求5所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，在训练设备声音识别模型时，首先设计卷积神经网络模型，然后训练正常设备和异常设备声音信号的有效区间特征，最后获得声音识别模型。

8.根据权利要求7所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。