本发明专利技术实施例提供一种基于深度学习的声纹采集装置的故障检测方法及装置，所述方法包括：对声纹采集装置的故障类型进行排列组合，得到故障声纹信息以及正常声纹信息，然后进行预处理，得到对应的正常频域特征、故障频域特征，并将正常频域特征、故障频域特征以及故障类型输入卷积神经网络模型进行训练，并将目标设备的运行声纹信息输出卷积神经网络模型，根据输出的故障类型数据判断目标设备是否故障及故障类型。采用本方法不仅能够在进行设备的声纹检测时检测声纹采集装置是否存在故障，从而提高了目标设备的检测准确性，同时也能够通过深度学习检测声纹采集装置的故障类型，方便相关工作人员进行后续处理。相关工作人员进行后续处理。相关工作人员进行后续处理。
【技术实现步骤摘要】
一种基于深度学习的声纹采集装置的故障检测方法及装置
[0001]本专利技术涉及故障检测
，尤其涉及一种基于深度学习的声纹采集装置的故障检测方法及装置。
技术介绍
[0002]随着声音相关的检测技术的飞速发展，越来越多的设备的检测或报警系统也向通过声音检测发展，比如气体运输装置，比如气体管道，当存在气体泄漏时，通常都会有对应的声纹采集装置采集管道声纹，然后通过管道声纹对气体管道进行检测，判断管道是否存在泄漏，让对应的工作人员能够及时的对气体泄漏进行处理。
[0003]但是，目前对于现有技术的研究在于如何通过声音检测各种领域、各种情况下的设备，但有时进行声音检测时，声纹采集装置可能本身就会存在故障，导致采集的声纹数据不准确，而目前对于声纹采集装置的故障判断，往往还依赖相关领域技术人员的经验进行判断。
技术实现思路
[0004]针对现有技术中存在的问题，本专利技术实施例提供一种基于深度学习的声纹采集装置的故障检测方法及装置。
[0005]本专利技术实施例提供一种基于深度学习的声纹采集装置的故障检测方法，包括：获取声纹采集装置的故障类型，将所述故障类型进行排列组合，得到声纹采集装置的故障类型集合，并分别通过携带所述故障类型集合中各故障类型的故障声纹采集装置采集目标设备的故障声纹信息；对所述故障声纹信息进行信息预处理，生成对应的故障频谱图，所述信息预处理，包括：将所述故障声纹信息转化为数字信号，并对所述数字信号进行傅里叶变换，获取所述目标设备正常运行时的声纹数据范围，根据所述声纹数据范围对傅里叶变换后的数字信号进行数字滤波，生成对应的故障频谱图；获取未携带任意故障类型的正常声纹采集装置采集目标设备的正常声纹信息，进行信息预处理得到对应的正常频谱图，分别对故障频谱图及正常频谱图进行图像识别，得到对应的故障频域特征及正常频域特征；将所述正常频域特征、故障频域特征以及对应的故障类型输入卷积神经网络模型进行训练，直至所述正常频域特征与故障频域特征的差值与故障类型的关联性出现收敛，得到训练后的卷积神经网络模型；通过运行声纹采集装置采集所述目标设备的运行声纹信息，将所述运行声纹信息与正常声纹信息进行匹配，当匹配结果不符合时，对所述运行声纹信息进行信息预处理，得到对应的运行频谱图，对所述运行频谱图进行图像识别，得到对应的运行频域特征；将所述运行频域特征输入训练后的卷积神经网络模型，检测训练后的卷积神经网络模型是否输出故障类型，当训练后的卷积神经网络模型输出故障类型时，输出所述运行
声纹采集装置的故障结果以及故障类型的报警信息。
[0006]在其中一个实施例中，所述方法还包括：基于频域特征类型的不同，分别计算在不同频域特征类型下，正常频域特征与故障频域特征的差值，并生成对应的频域差值集合，生成所述频域差值集合对应的差值矩阵，将所述差值矩阵以及对应的故障类型输入卷积神经网络模型进行训练。
[0007]在其中一个实施例中，所述方法还包括：当所述运行声纹信息为人类声纹信息时，所述当匹配结果不符合之后，还包括：发出报错指令，并接收所述报错指令对应的运行声纹信息。
[0008]在其中一个实施例中，所述方法还包括：当训练后的卷积神经网络模型未输出故障类型时，输出所述目标设备存在故障的报警信息。
[0009]在其中一个实施例中，所述故障类型，包括：传感器故障、电路故障、通信故障。
[0010]本专利技术实施例提供一种基于深度学习的声纹采集装置的故障检测装置，包括：获取模块，用于获取声纹采集装置的故障类型，将所述故障类型进行排列组合，得到声纹采集装置的故障类型集合，并分别通过携带所述故障类型集合中各故障类型的故障声纹采集装置采集目标设备的故障声纹信息；预处理模块，用于对所述故障声纹信息进行信息预处理，生成对应的故障频谱图，所述信息预处理，包括：将所述故障声纹信息转化为数字信号，并对所述数字信号进行傅里叶变换，获取所述目标设备正常运行时的声纹数据范围，根据所述声纹数据范围对傅里叶变换后的数字信号进行数字滤波，生成对应的故障频谱图；图像识别模块，用于获取未携带任意故障类型的正常声纹采集装置采集目标设备的正常声纹信息，进行信息预处理得到对应的正常频谱图，分别对故障频谱图及正常频谱图进行图像识别，得到对应的故障频域特征及正常频域特征；训练模块，用于将所述正常频域特征、故障频域特征以及对应的故障类型输入卷积神经网络模型进行训练，直至所述正常频域特征与故障频域特征的差值与故障类型的关联性出现收敛，得到训练后的卷积神经网络模型；匹配模块，用于通过运行声纹采集装置采集所述目标设备的运行声纹信息，将所述运行声纹信息与正常声纹信息进行匹配，当匹配结果不符合时，对所述运行声纹信息进行信息预处理，得到对应的运行频谱图，对所述运行频谱图进行图像识别，得到对应的运行频域特征；输出模块，用于将所述运行频域特征输入训练后的卷积神经网络模型，检测训练后的卷积神经网络模型是否输出故障类型，当训练后的卷积神经网络模型输出故障类型时，输出所述运行声纹采集装置的故障结果以及故障类型的报警信息。
[0011]在其中一个实施例中，所述装置还包括：计算模块，用于基于频域特征类型的不同，分别计算在不同频域特征类型下，正常频域特征与故障频域特征的差值，并生成对应的频域差值集合，生成所述频域差值集合对应的差值矩阵，将所述差值矩阵以及对应的故障类型输入卷积神经网络模型进行训练。
[0012]在其中一个实施例中，所述装置还包括：
第二输出模块，用于当训练后的卷积神经网络模型未输出故障类型时，输出所述目标设备存在故障的报警信息。
[0013]本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度学习的声纹采集装置的故障检测方法的步骤。
[0014]本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于深度学习的声纹采集装置的故障检测方法的步骤。
[0015]本专利技术实施例提供的一种基于深度学习的声纹采集装置的故障检测方法及装置，获取声纹采集装置的故障类型，将故障类型进行排列组合，得到声纹采集装置的故障类型集合，并分别通过携带所述故障类型集合中各故障类型的故障声纹采集装置采集目标设备的故障声纹信息；对故障声纹信息进行信息预处理，生成对应的故障频谱图，信息预处理，包括：将故障声纹信息转化为数字信号，并对数字信号进行傅里叶变换，获取目标设备的声纹数据范围，根据声纹数据范围对傅里叶变换后的数字信号进行数字滤波，生成对应的故障频谱图；获取未携带任意故障类型的正常声纹采集装置采集目标设备的正常声纹信息，进行信息预处理得到对应的正常频谱图，分别对故障频谱图及正常频谱图进行图像识别，得到对应的故障频域特征及正常频域特征；将正常频域特征、故障频域特征以及对应的故障类型输入卷积神经网络模型进行训练，直至正常频域特征与故障频域特征的差值与故障类型的关联性出现收敛，得到训练后的卷积神经网络模型；通过运行声纹采集装置采集目标设备本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的声纹采集装置的故障检测方法，其特征在于，包括：获取声纹采集装置的故障类型，将所述故障类型进行排列组合，得到声纹采集装置的故障类型集合，并分别通过携带所述故障类型集合中各故障类型的故障声纹采集装置采集目标设备的故障声纹信息；对所述故障声纹信息进行信息预处理，生成对应的故障频谱图，所述信息预处理，包括：将所述故障声纹信息转化为数字信号，并对所述数字信号进行傅里叶变换，获取所述目标设备正常运行时的声纹数据范围，根据所述声纹数据范围对傅里叶变换后的数字信号进行数字滤波，生成对应的故障频谱图；获取未携带任意故障类型的正常声纹采集装置采集目标设备的正常声纹信息，进行信息预处理得到对应的正常频谱图，分别对故障频谱图及正常频谱图进行图像识别，得到对应的故障频域特征及正常频域特征；将所述正常频域特征、故障频域特征以及对应的故障类型输入卷积神经网络模型进行训练，直至所述正常频域特征与故障频域特征的差值与故障类型的关联性出现收敛，得到训练后的卷积神经网络模型；通过运行声纹采集装置采集所述目标设备的运行声纹信息，将所述运行声纹信息与正常声纹信息进行匹配，当匹配结果不符合时，对所述运行声纹信息进行信息预处理，得到对应的运行频谱图，对所述运行频谱图进行图像识别，得到对应的运行频域特征；将所述运行频域特征输入训练后的卷积神经网络模型，检测训练后的卷积神经网络模型是否输出故障类型，当训练后的卷积神经网络模型输出故障类型时，输出所述运行声纹采集装置的故障结果以及故障类型的报警信息。2.根据权利要求1所述的基于深度学习的声纹采集装置的故障检测方法，其特征在于，所述将所述正常频域特征、故障频域特征以及对应的故障类型输入卷积神经网络模型进行训练，包括：基于频域特征类型的不同，分别计算在不同频域特征类型下，正常频域特征与故障频域特征的差值，并生成对应的频域差值集合，生成所述频域差值集合对应的差值矩阵，将所述差值矩阵以及对应的故障类型输入卷积神经网络模型进行训练。3.根据权利要求1所述的基于深度学习的声纹采集装置的故障检测方法，其特征在于，所述方法还包括：当所述运行声纹信息为人类声纹信息时，所述当匹配结果不符合之后，还包括：发出报错指令，并接收所述报错指令对应的运行声纹信息。4.根据权利要求1所述的基于深度学习的声纹采集装置的故障检测方法，其特征在于，所述检测训练后的卷积神经网络模型是否输出故障类型之后，包括：当训练后的卷积神经网络模型未输出故障类型时，输出所述目标设备存在故障的报警信息。5.根据权利要求1所述的基于深度学习的声纹采集装置的故障检测方法，其特征在于，所述故障类型，包括：传感器故障、电路故障、通信故障。6.一种基于深度学习的声纹采集装...
【专利技术属性】
技术研发人员：曹祖杨，陈卓楠，张永全，张凯强，方吉，包君健，陶慧芳，
申请(专利权)人：杭州兆华电子股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。