[发明专利]一种基于迁移学习的设备异音检测方法及系统

说明书

本发明提供了一种基于迁移学习的设备异音检测方法及系统，所述方法包括从设备录音中的至少一段音频区域提取声学特征；使用源领域特征模型从声学特征中提取设备的声纹特征向量；使用目标领域分类模型分类设备的声纹特征向量，判断所述设备是否是异常设备。还公开了采用上述方法的系统。通过采用本发明提供的方法和系统，能够解决异常设备音频样本少甚至没有而导致的设备故障诊断系统鲁棒性差的问题，更好地实现了利用机器学习和人工智能技术来判断设备的运行状态。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于迁移学习的设备异音检测方法及系统。

背景技术

通过专业人员采用人工听音的方式来判断设备在运行时产生的声音是否异常，是一种常用的设备异常状态无损检测方法。然而，采用人工听音的方式需要培训专业的听音人员，同时人工听音有一定主观性，听音人员的判断能力会受到自身的情绪和身体状况等因素的影响。

随着故障诊断技术的发展，利用机器学习和人工智能技术来判读设备的运行状态已经成为了一种趋势。在现实场景中，故障设备的音频很难采集到，甚至无法采集到，这就导致故障设备的音频样本数量过少，不足以支撑机器学习和人工智能预测，进而使得故障诊断系统的鲁棒性差。

如何能够利用样本数量较少的故障设备音频进行模型训练，从而获得具有更好鲁棒性的设备故障诊断系统是一个亟待解决的问题。

发明内容

鉴于此，本发明提供了一种基于迁移学习的设备异音检测方法及系统，利用迁移学习可以把大数据领域习得的知识和方法迁移到数据较少的领域使用的特点，训练源领域特征模型和目标领域分类模型，解决了故障设备的音频样本数量过少的问题，提高了故障诊断系统的鲁棒性差。

本发明通过下述技术方案解决上述问题：一种基于迁移学习的设备异音检测方法，其特征在于，包括对获取的设备录音进行提取和判断的步骤，具体包括：

步骤S101，从所述的设备录音中的至少一段音频区域提取声学特征；

步骤S102，使用源领域特征模型从所述声学特征中提取设备的声纹特征向量；

步骤S103，使用目标领域分类模型分类所述设备的声纹特征向量，判断所述设备是否是异常设备。

优选地，所述声学特征包括梅尔频率倒谱系数和/或能量归一化倒谱系数。

优选地，所述源领域特征模型的源领域是和音频识别相关的领域。

优选地，所述源领域特征模型由深度神经网络构成，所述深度神经网络是卷积神经网络、递归神经网络和延时神经网络中的一种或者多种网络的组合。

优选地，所述源领域特征模型通过训练获得，包括如下步骤：

步骤S201，获取源领域的音频样本及其真实标签；

步骤S202，提取音频样本的声学特征；

步骤S203，将声学特征输入到源领域特征模型中，提取设备的声纹特征向量，并得到音频样本的预测标签；

步骤S204，比较音频样本的预测标签和真实标签，并得到源领域的预测误差L_org；

步骤S205，判断是否达到设定的第一最大迭代次数或预测误差L_org小于设定的第一最小误差，如果是，则训练结束，否者转到步骤S206中；

步骤S206，通过反向传播的方式更新源领域特征模型的参数，更新方式为：其中ε是第一学习率，W_org是更新前的参数，W_org′是更新后的参数，再返回步骤S203。