【技术实现步骤摘要】
本专利技术涉及测试，尤其涉及一种基于自编码器集成学习模型检测电机的方法。
技术介绍
1、电机是现代生产和生活中重要的机电设备，对工业流程的顺利进行和设备运行安全有着重要意义。但是生产的电机易出现异常状况，导致故障的发生从而产生安全隐患。迅速发现异常设备，能够减少有缺陷产品的数量以及防止损坏继续蔓延。对人工检测而言，人工进行异常声音和其他特征的检测，将会极大的占用人力和物力的资源，但是机器识别异常设备却可以减少人力和经济带来的损失。
2、电机设备的异常检测可以分为两类，监督学习和无监督学习。监督学习的异常检测指的是训练的时候有正常的数据和异常的数据，而无监督学习指的是训练的时候只有正常数据，无异常数据。监督学习的异常检测适用于异常数据较多且易于收集的情况，无监督学习的异常检测适用于异常数据较少且难以收集的情况。
3、常用的无监督学习的方法有，高斯模型，高斯混合模型，lof即local outlierfactor，生成对抗网络gan即generative adversarial networks，长短时记忆递归神经网络long short term memory-recurrent neural networks简写为lstm-rnn。然而，高斯模型，高斯混合模型，lof即local outlier factor等模型容量小泛化能力低，同时难以处理高维特征的数据。gan和lstm-rnn模型的容量虽然大且泛化能力高，但是参数较多，需要的数据量也较多。因此，常用的自编码器autoencoder简写为au解决了这
4、现有的技术方案有：
5、第一现有技术方案：许增朴,关帅,王永强,等.一种基于振动位移的扬声器异音故障检测方法[j].天津科技大学学报,2012,27(03):64-67+78.doi:10.13364/j.issn.1672-6510.2012.03.009。
6、第二现有技术方案：李明超.基于异音检测的电机故障诊断方法[d].五邑大学,2014。
7、第三现有技术方案：杨磊,权伟,李亮,等.基于itd-mfcc与卷积神经网络的核电电气设备异音检测技术[j].噪声与振动控制,2023,43(04):122-128+207。
8、第四现有技术方案：dcase challenge 2020: unsupervised detection ofanomalous sounds for machine condition monitoring。
9、第五现有技术方案：performing anomaly detection on industrial equipmentusing audio signals。
10、第六现有技术方案：孙旭日,刘明峰,程辉,等.结合二次特征提取和lstm-autoencoder的网络流量异常检测方法[j].北京交通大学学报,2020,44(02):17-26.doi:10.11860/j.issn.1673-0291.20200005。
11、第七现有技术方案：李仁杰.基于无监督对抗域适应单分类的齿轮箱异常声音检测研究[d].重庆科技学院,2022.doi:10.27854/d.cnki.gcqkj.2022.000011。
12、第八现有技术方案：y. kawaguchi and t. endo, "how can we detectanomalies from subsampled audio signals," 2017 ieee 27th internationalworkshop on machine learning for signal processing (mlsp), tokyo, japan,2017, pp. 1-6, doi: 10.1109/mlsp.2017.8168164. keywords: {anomaly detection;time-domain analysis;hidden markov models;monitoring;layout;spectrogram;sub-nyquist sampling;non-uniform sampling;end-to-end;long short-term memory(lstm);autoencoder}。
13、第九现有技术方案：marchi e, vesperini f, weninger f, et al. non-linearprediction with lstm recurrent neural networks for acoustic novelty detection[c]//2015 international joint conference on neural networks (ijcnn). ieee,2015: 1-7。
14、第十现有技术方案：harsh purohit, ryo tanabe, kenji ichige, takashiendo, yuki nikaido, kaori suefusa, and yohei kawaguchi, “mimii dataset: sounddataset for malfunctioning industrial machine investigation and inspection,”arxiv preprint arxiv:1909.09347, 2019。
15、第十一现有技术方案：harsh purohit, ryo tanabe, kenji ichige, takashiendo, yuki nikaido, kaori suefusa, and yohei kawaguchi, “mimii dataset: sounddataset for malfunctioning industrial machine investigation and inspection,”in proc. 4th workshop on detection and classification of acoustic scenes andevents (dcase), 2019。
技术实现思路
1、本专利技术提供一种基于自编码器集成学习模型检测电机的方法，解决电机异常检测精度较低的技术问题。
2、为解决上述技术问题，本专利技术所采取的技术方案在于如下方面：
3、一种基于自编码器集成学习模型检测电机的方法，包括如下步骤，步骤s101：基于训练集电机正常的音频数据提取获得电机正常的音频特征；步骤s102：获得自编码器集成学习模型，自编码器集成学习模型包括多个自编码器；步骤s103：获得自编码器集成学习模型中每一自编码器的权值和阈值，本文档来自技高网...
【技术保护点】
1.一种基于自编码器集成学习模型检测电机的方法，其特征在于：包括如下步骤，步骤S101：基于训练集电机正常的音频数据提取获得电机正常的音频特征；步骤S102：获得自编码器集成学习模型，自编码器集成学习模型包括多个自编码器；步骤S103：获得自编码器集成学习模型中每一自编码器的权值和阈值，获得训练好的自编码器集成学习模型；步骤S104：将电机正常的音频特征作为训练输入特征输入至训练好的自编码器集成学习模型，获得自编码器集成学习模型中每一自编码器的训练输出特征，计算获得每一自编码器的训练输入特征与训练输出特征的均方误差并作为训练误差，获得每一训练误差的倒数，归一化并获得集成的权值；步骤S2：基于测试集电机正常和异常的音频数据提取获得电机正常和异常的音频特征，将电机正常和异常的音频特征作为测试输入特征输入至训练好的自编码器集成学习模型，获得自编码器集成学习模型中每一自编码器的测试输出特征即重构后的特征，计算获得每一自编码器的测试输入特征与测试输出特征的均方误差并作为重构误差，对重构误差进行加权求和获得异常分数。
2.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法
3.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法，其特征在于：在所述步骤S102中，自编码器包括编码器encoder和解码器decoder，设定自编码器集成学习模型中编码器encoder的层数、神经元个数和激活函数，设定自编码器集成学习模型中解码器decoder的层数、神经元个数和激活函数，从而确定自编码器的架构，获得自编码器集成学习模型。
4.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法，其特征在于：在所述步骤S103中，获得自编码器集成学习模型中每一自编码器的权值和阈值的步骤包括步骤S1031和步骤S1032，获得训练好的自编码器集成学习模型的步骤为步骤S1033，
5.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法，其特征在于：在所述步骤S104中，根据式(2)计算训练误差，根据式(3)计算集成的权值，
6.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法，其特征在于：在所述步骤S2中，根据式(4)计算异常分数，
...【技术特征摘要】
1.一种基于自编码器集成学习模型检测电机的方法，其特征在于：包括如下步骤，步骤s101：基于训练集电机正常的音频数据提取获得电机正常的音频特征；步骤s102：获得自编码器集成学习模型，自编码器集成学习模型包括多个自编码器；步骤s103：获得自编码器集成学习模型中每一自编码器的权值和阈值，获得训练好的自编码器集成学习模型；步骤s104：将电机正常的音频特征作为训练输入特征输入至训练好的自编码器集成学习模型，获得自编码器集成学习模型中每一自编码器的训练输出特征，计算获得每一自编码器的训练输入特征与训练输出特征的均方误差并作为训练误差，获得每一训练误差的倒数，归一化并获得集成的权值；步骤s2：基于测试集电机正常和异常的音频数据提取获得电机正常和异常的音频特征，将电机正常和异常的音频特征作为测试输入特征输入至训练好的自编码器集成学习模型，获得自编码器集成学习模型中每一自编码器的测试输出特征即重构后的特征，计算获得每一自编码器的测试输入特征与测试输出特征的均方误差并作为重构误差，对重构误差进行加权求和获得异常分数。
2.根据权利要求1所述的基于自编码器集成学习模型检测电机的方法，其特征在于：所述步骤s101、步骤s102、步骤s103和步骤s104形成步骤s1训练的步骤，步骤s101具体划分包括如下步骤，步骤s1011：基于训练集电机正常...
【专利技术属性】
技术研发人员：陈兴达，张胜，顾正云，卢明辉，谢海圣，
申请(专利权)人：苏州声学产业技术研究院有限公司，
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。