【技术实现步骤摘要】
本专利技术属于人工智能及异常检测，具体涉及一种基于conformer网络的机器异常声检测方法。
技术介绍
1、当前，各种自动化设备已经广泛地应用于各行各业，机械系统的稳定运行对于机械生产的效率、质量乃至整体安全都扮演着至关重要的角色。传统的设备故障检测方法采用人工对设备进行全面的检测，不仅耗时费力，而且检测员的经验和能力参差不齐，故障检测结果容易受到检测员的主观因素影响，难以保证其准确性，造成一定经济损失。
2、在大部分时间里，机器都处于稳定运行阶段，此时发生的故障相对较少。然而，这些故障的种类却相当繁多，涉及机械系统的各个方面。由于故障种类的多样性，收集到机器所有可能的故障声音并进行有监督的训练，成为了一个极具挑战性的任务。
3、目前企业的主流方法是使用视频监控对工厂的生产环境进行监测，但视频信息流处理对设备的存储能力和计算能力要求较高，因此系统的硬件成本十分昂贵，导致难以普及到购买力不强的中小企业。基于声音的监控系统作为安全监控的重要组成部分，可以通过机器发出的声音来判断机器是否发生异常。该系统能够及时检测到机器的异常情况，为客户提供决策的数据依据，从而避免重大事故和危急情况的发生，在保障企业生产安全方面发挥积极作用。
技术实现思路
1、针对现有技术中存在的上述问题，本专利技术的目的在于提供一种基于conformer网络的机器异常声音检测方法，在仅使用正常声音样本训练模型的情况下，可实现异常声音样本的识别。
2、本专利技术提供如下技术方案：一
3、s1：采集正常运行状态(即设备的运行参数在设定的范围内)下机器的音频数据，将采集的音频数据进行划分，生成训练集，训练集数据的命名包括来源标签的字符和四位代号数字；
4、s2：对训练集中的每个音频文件分段并转换成log-mel谱图；
5、s3：基于conformer编码器，将conformer编码器的depthwise conv卷积层修改为res2net中含有尺度的卷积层，并汇聚多个conformer编码器的输出值进行池化，以构建改进的conformer网络；
6、s4：将训练集数据转换成的log-mel谱图和训练集数据的来源标签输入步骤s3中构建的网络，利用分类损失函数训练网络；
7、s5：将待测音频和待测音频的来源标签输入s4中训练好的网络，利用输出值计算异常分数。
8、进一步的，所述s1中，音频数据的格式为采样率在设定频率下的单声道wav文件，文件命名格式为idx_xxxx，其中，x为数字。
9、进一步的，所述s2中，对音频数据文件以设定的的窗长和移动间隔来分段，并在每段音频提取log-mel谱图时，对帧大小、跳长及n_mel滤波器数量进行参数设置。
10、进一步的，所述s3中，含有尺度的卷积层计算式如下：
11、
12、式中xi为输入张量分成s组后的张量，ki()表示一维卷积计算，yi为对应的输出张量；
13、所述汇聚多个conformer编码器的输出值是将多个编码器的三维张量按第二个维度进行堆叠；
14、所述池化的计算公式如下：
15、
16、m＝softmax((h-μ)t×(h-μ))
17、
18、式中ti表示张量第三维的第i列向量，t表示第三维的长度，softmax()表示softmax归一化计算，h为输入张量，为输出张量，μ表示时间维度下平均值张量、m表示归一化后的张量内积值矩阵。
19、进一步的，所述s4中，使用的损失函数为aam-softmax损失函数。
20、进一步的，所述步骤s5的具体过程如下：
21、s5.1:将待测音频文件以设定的窗长和移动间隔来分段，并在每段音频提取log-mel谱图时，对帧大小、跳长及n_mel滤波器数量进行参数设置；
22、s5.2:将所有log-mel谱图输入到训练好的网络中，得到反映音频属于每个来源标签的概率的张量；
23、s5.3:用待测音频文件的来源标签去索引所有张量对应位上的数值，对所有数值求平均数，然后把平均数与1的差值作为异常分数。
24、通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
25、本专利技术提出的机器异常声音检测方法，在异常样本较少时可以充分发挥作用；利用该网络均衡的全局特征和局部特征提取能力，使得网络能够对正常样本和异常样本的差异保持敏感，提高异常声音检测的识别成功率。
本文档来自技高网...【技术保护点】
1.一种基于Conformer网络的机器异常声检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于Conformer的机器异常声音检测方法，其特征在于，所述S1中，音频数据的格式为采样率在设定频率下的单声道wav文件，文件命名格式为idx_xxxx，其中，x为数字。
3.根据权利要求1所述的一种基于Conformer的机器异常声音检测方法，其特征在于，所述S2中，对音频数据文件以设定的的窗长和移动间隔来分段，并在每段音频提取log-mel谱图时，对帧大小、跳长及n_Mel滤波器数量进行参数设置。
4.根据权利要求1所述一种基于Conformer的机器异常声音检测方法，其特征在于，所述S3中，含有尺度的卷积层计算式如下：
5.根据权利要求1所述的一种基于Conformer的机器异常声音检测方法，其特征在于，所述S4中，使用的损失函数为AAM-Softmax损失函数。
6.根据权利要求1所述的一种基于Conformer的机器异常声音检测方法，其特征在于，所述步骤S5的具体过程如下：
【技术特征摘要】
1.一种基于conformer网络的机器异常声检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于conformer的机器异常声音检测方法，其特征在于，所述s1中，音频数据的格式为采样率在设定频率下的单声道wav文件，文件命名格式为idx_xxxx，其中，x为数字。
3.根据权利要求1所述的一种基于conformer的机器异常声音检测方法，其特征在于，所述s2中，对音频数据文件以设定的的窗长和移动间隔来分段，并在每段音频提取log-mel谱...
【专利技术属性】
技术研发人员：陈德富，周浩，周云龙，刘小湖，桑伊健，胡姗，
申请(专利权)人：浙江工业大学，
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。