【技术实现步骤摘要】
本专利技术涉及工业设备监测领域，尤其是一种用于检测工业设备异常音的先进技术。
技术介绍
1、工业设备异常音检测是确保生产安全和效率的关键环节。该技术通过实时监测设备运行产生的音频信号，可及时发现设备的异常状态，从而预防潜在的故障，具有重要的工业应用价值。而由于异常状态的声音难以获取，该技术往往通过仅使用正常状态下的声音作为数据集来构建模型，将偏离模型分布的样本检出为异常。
2、在实际的工业应用中，由于设备需要频繁切换工况以适应不同的生产需求，导致采集到的正常状态音频数据往往是不均衡的。而深度模型往往倾向于关注数据集中数量较多的样本类型，忽略少数样本。这种不均衡性对构建深度异常音检测模型的鲁棒性提出了挑战。特别是在严重不均衡的条件下，如何使模型在训练时不仅能够学习常见正常状态样本的模式，还能对稀有的、少见的正常状态样本给予同样的关注，成为了一个关键技术问题。而现有技术未能有效解决此问题，因此需要更加鲁棒的异常音检测技术。
3、在分类任务中，增量高斯混合模型(igmm，incremental gaussian mixturemodel)被用于对不同类别数据的概率建模；而重构模型，如自编码器，其损失值可以反映出当前样本具有的模式在整体训练样本中的出现频率，例如：少见的样本往往倾向于得到更高的重构误差值。在本专利技术将igmm与焦点损失结合，在进行重构模型训练的同时，对重构损失进行动态概率建模，从而实现在训练过程中，强调正常数据中的少见模式，使模型对少数正常音样本更加关注，同时，结合矩损失优化异常得分分布，使得异
技术实现思路
1、本专利技术提供了一种鲁棒工业设备深度异常音检测方法，以解决工业环境下异常音检测技术的鲁棒性问题。其包括训练和检测两个阶段：
2、训练阶段，其包括三个步骤：
3、步骤一，初始化：使用全部正常样本dx训练重构模型，如自编码器，其损失函数lmse为均方误差(mse，mean square error)：
4、
5、其中，n为样本数量，xi为原始样本，为重构样本；
6、训练完成后，使用训练后的模型获取样本集dx的mse损失值xmse；根据贝叶斯信息准则(bic，bayesian information criterion)，确定用于拟合xmse初始igmm的高斯成分个数m，并对igmm的各高斯分布进行拟合，得到xmse的初始分布参数，即各高斯成分的初始分布参数：均值μi和协方差矩阵σi，j∈[1,m]。
7、步骤二，高斯分量更新：使用dx再次训练重构模型，其损失函数之一为lmse；对于当前模型输入样本xi的xmse_i，根据igmm的高斯分量更新方式，对高斯分量参数(μi,σi)进行更新/创建/剔除；
8、步骤三，关注少量样本：更新xmse_i所属的igmm高斯成分mj后，获取xmse_i在此分量mj上的概率值p(xmse_i|mj)：
9、计算xmse_i的焦点损失lfl，即公式(2)，对mj中的低概率样本进行强调，使模型更加关注那些在数据集dx整体中少见的特征：
10、lfl＝-α(1-p(xmse_i|mj))γlog(p(xmse_i|mj)) (2)
11、其中，p(xmse_i|mj)为xmse_i的在mj分量上的概率值，γ≥0，为聚焦参数，α∈[0,1]，为权重因子；
12、此外，对mj的分布参数进行约束，使得均值μj与协方差矩阵使σj尽可能小，从而使正常样本的异常得分集中，促进整体的公平性，即公式(3)：
13、lmoment＝||μj||2+∑|∑j+ei| (3)
14、其中，e是一个很小的正数，用于防止分布失效。
15、模型再次训练时的总损失为：loss＝lfl+lmse+lmoment，计算总损失值，进行反向传播，对模型参数进行优化。
16、检测部分：
17、在检测阶段，设置阈值t，将待检测的样本y输入到模型中，计算其重构误差ymse；计算ymse与各高斯分量(μj,σj)的马氏距离dm，选择马氏距离最小的高斯分量mj，计算其在mj的概率值p(ymse|mj)，并计算lmse与lfl的和作为异常得分输出，即公式(4)：
18、
19、其中，n为待测样本特征帧的数量，lfl_i为第i帧特征的焦点损失，lmse_i为第i帧特征的重构损失；
20、最后，将异常得分高于阈值者(anomaly score≥t)判别为异常。
本文档来自技高网...【技术保护点】
1.一种鲁棒工业设备异常音检测方法，其特征在于，包括训练和检测两个阶段；训练阶段包括三个步骤，具体为：步骤1，初始化：使用全部正常样本Dx训练重构模型，训练完成后，记录每个样本的均方误差(MSE)损失值xmse；根据贝叶斯信息准则，确定用于拟合xmse分布的增量高斯混合模型(IGMM)的高斯成分个数M，并对IGMM分布进行拟合，得到xmse的初始分布，即各高斯成分的初始分布参数：均值μi和协方差矩阵Σi，i∈[1,M]；步骤2，高斯分量更新：使用Dx再次训练自编码器，其损失函数之一为MSE，Lmse；对于当前样本xi的xmse，根据IGMM的高斯分量更新方式，对高斯分量参数(μi,Σi)进行更新/创建/剔除；步骤3，关注少量样本：更新xmse_i所属的IGMM高斯成分Mj后，获取xmse_i在此分量Mj上的概率值p(xmse_i|Mj)，计算xmse_i的焦点损失LFL，对Mj中的低概率样本进行强调，使模型更加关注那些在数据集整体中少见的正常样本特征；此外，对Mj的矩进行约束，使得均值μj与协方差矩阵使Σj尽可能小，Lmoment；以LFL+Lmse+Lmoment作为整体损失，
...【技术特征摘要】
1.一种鲁棒工业设备异常音检测方法，其特征在于，包括训练和检测两个阶段；训练阶段包括三个步骤，具体为：步骤1，初始化：使用全部正常样本dx训练重构模型，训练完成后，记录每个样本的均方误差(mse)损失值xmse；根据贝叶斯信息准则，确定用于拟合xmse分布的增量高斯混合模型(igmm)的高斯成分个数m，并对igmm分布进行拟合，得到xmse的初始分布，即各高斯成分的初始分布参数：均值μi和协方差矩阵σi，i∈[1,m]；步骤2，高斯分量更新：使用dx再次训练自编码器，其损失函数之一为mse，lmse；对于当前样本xi的xmse，根据igmm的高斯分量更新方式，对高斯分量参数(μi,σi)进行更新/创建/剔除；步骤3，关注少量样本：更新xmse_i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。