【技术实现步骤摘要】
本专利技术涉及机器故障检测，尤其涉及一种基于音频振动多特征多层次混合增强的机器故障检测方法。
技术介绍
1、如何通过机器的运行状态来检测机器是否存在故障是一个重要的研究课题，因其对保证工业机器的安全性和运行效率有着重要的作用，所以受到了很多研究人员的重视。现在基于音频的故障检测的算法主要分为训练和测试两阶段，如图1所示：在训练阶段，音频通过基于深度学习神经网络的音频特征提取器，得到音频表征，随后这个音频表征通过当前音频对应的机器状态进行自监督分类训练来进行梯度反传优化神经网络提取器。在测试阶段，训练好的深度学习音频表征提取器会对需要测试的音频提取音频表征，然后异常检测器会通过检测离群点的算法去判断当前音频是否是异常音频。
2、目前大多数检测都是仅仅通过传感器录制的音频或者振动信号去判断机器存在的故障，没有同时使用音频和振动特征融合后进行判断。其次，机器故障检测任务也面临数据难以收集的难题，一是机器种类少，二是机器的运行状态少，三是故障数据少。所以如何对有限的数据做数据增强增加数据的多样性从而提升故障检测模型的性能和泛化性也是需要研究的问题。
3、因此，本领域的技术人员致力于开发一种基于音频振动多特征多层次混合增强的机器故障检测方法，以克服现有技术存在的问题。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何更好的检测更多的故障类型，提升模型检测故障的准确率。
2、为实现上述目的，本专利技术提供了一种基于音频振动多特征
3、步骤1、对被检测机器同时采集音频信号和振动信号；
4、步骤2、对采集到的音频信号和振动信号分别进行傅立叶变换，得到音频频谱特征和振动频谱特征；
5、步骤3、采用同样架构的深度学习表征提取器对得到的音频频谱特征和振动频谱特征分别进行特征提取，得到音频表征和振动表征；
6、步骤4、对得到的音频表征和振动表征进行特征融合，得到融合表征。
7、进一步地，所述步骤3中的所述深度学习表征提取器使用残差网络。
8、进一步地，所述步骤3中的所述深度学习表征提取器包括音频深度学习表征提取器和振动深度学习表征提取器，所述音频深度学习表征提取器对得到的音频频谱特征进行特征提取，得到音频表征，所述振动深度学习表征提取器对得到的振动频谱特征进行特征提取，得到振动表征。
9、进一步地，所述步骤3中在所述分别进行特征提取的同时，加入多层次融合的策略。
10、进一步地，所述多层次融合包括：在所述深度学习表征提取器输入的时候，在数据层面进行特征融合。
11、进一步地，所述多层次融合包括：在所述音频深度学习表征提取器和振动深度学习表征提取器相对应的层之间进行特征融合。
12、进一步地，所述多层次融合包括：在所述深度学习表征提取器进行特征提取之后，在表征层面进行特征融合。
13、进一步地，所述步骤3中的所述深度学习表征提取器采用多层次混合增强策略，通过混合不同的样本以生成多样性的数据。
14、进一步地，所述深度学习表征提取器包括第一深度学习表征提取器和第二深度学习表征提取器，所述第一深度学习表征提取器和第二深度学习表征提取器对不同的音频频谱特征或振动频谱特征的不同的样本分别进行特征提取，得到不同的音频表征或振动表征。
15、进一步地，所述多层次混合增强包括在样本层面在均值和方差上进行随机插值，以及在在所述第一深度学习表征提取器和第二深度学习表征提取器相对应的层之间在均值和方差上进行随机插值。
16、本专利技术的有益效果在于：
17、(1)通过合并音频和振动信号，模型可以更好的检测更多的故障类型，提升检测的准确率。
18、(2)使用“混合增强”策略，数据可以扩增数据量，提升多样性，增加模型鲁棒性。
19、(3)特征融合可以在不同层次提取所需特征，提升模型检测故障准确率。
20、以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
本文档来自技高网...【技术保护点】
1.一种基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中的所述深度学习表征提取器使用残差网络。
3.如权利要求2所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中的所述深度学习表征提取器包括音频深度学习表征提取器和振动深度学习表征提取器，所述音频深度学习表征提取器对得到的音频频谱特征进行特征提取，得到音频表征，所述振动深度学习表征提取器对得到的振动频谱特征进行特征提取，得到振动表征。
4.如权利要求3所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中在所述分别进行特征提取的同时，加入多层次融合的策略。
5.如权利要求4所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述多层次融合包括：在所述深度学习表征提取器输入的时候，在数据层面进行特征融合。
6.如权利要求4所述的基于音频振动多特征多层次混合增强的机器故障
7.如权利要求4所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述多层次融合包括：在所述深度学习表征提取器进行特征提取之后，在表征层面进行特征融合。
8.如权利要求2所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中的所述深度学习表征提取器采用多层次混合增强策略，通过混合不同的样本以生成多样性的数据。
9.如权利要求8所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述深度学习表征提取器包括第一深度学习表征提取器和第二深度学习表征提取器，所述第一深度学习表征提取器和第二深度学习表征提取器对不同的音频频谱特征或振动频谱特征的不同的样本分别进行特征提取，得到不同的音频表征或振动表征。
10.如权利要求9所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述多层次混合增强包括在样本层面在均值和方差上进行随机插值，以及在在所述第一深度学习表征提取器和第二深度学习表征提取器相对应的层之间在均值和方差上进行随机插值。
...【技术特征摘要】
1.一种基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中的所述深度学习表征提取器使用残差网络。
3.如权利要求2所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中的所述深度学习表征提取器包括音频深度学习表征提取器和振动深度学习表征提取器，所述音频深度学习表征提取器对得到的音频频谱特征进行特征提取，得到音频表征，所述振动深度学习表征提取器对得到的振动频谱特征进行特征提取，得到振动表征。
4.如权利要求3所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述步骤3中在所述分别进行特征提取的同时，加入多层次融合的策略。
5.如权利要求4所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述多层次融合包括：在所述深度学习表征提取器输入的时候，在数据层面进行特征融合。
6.如权利要求4所述的基于音频振动多特征多层次混合增强的机器故障检测方法，其特征在于，所述多层次融合包括：在所...
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。