【技术实现步骤摘要】
本专利技术涉及评估设备健康状态的技术，特别是涉及一种基于音频分析的设备异常检测方法。
技术介绍
1、随着工业4.0和智能制造的快速发展，设备的智能化、自动化和精细化运维成为现代工业生产的关键。然而，设备在长期运行中会面临磨损、老化和故障等问题，这不仅会影响生产效率，还可能带来严重的安全隐患。因此，如何及时、准确地检测设备异常状态，保障设备的可靠运行，已成为工业界关注的焦点。
2、传统的设备异常检测方法主要依赖于物理传感器，如振动传感器、温度传感器、压力传感器等，这些传感器通过采集设备的物理参数来判断设备是否处于异常状态。然而，这些方法存在安装复杂、维护成本高的问题，且对设备的结构和环境有较高的依赖性。近年来，基于音频分析的异常检测方法由于其非接触、低成本和易于部署的优势，逐渐成为工业设备异常检测的热点技术。音频分析是一种通过采集和分析设备运行时产生的声音信号来评估设备健康状态的技术。音频分析能够提供非接触、低成本的故障检测手段，通过信号处理、特征提取和特征建模，实现对设备异常的实时监测。检测机器或设备在运行过程中产生的异常声音，通过分析设备的正常声音特征，当声音特征发生异常变化时，系统可以识别并标记为异常事件。
3、基于音频分析的异常检测的目标是通过学习设备在正常运行时的声音特征，识别出其中的异常情况。目前，研究主要集中在基于自监督分类模型和生成式重构模型的异常检测方法上。例如，如专利申请号为202310933972.5的改进ae的机器异常声音检测方法和装置、专利申请号为202310768780.3的元数
4、然而现在的最受关注的异常声音检测技术，如专利申请号为202310933972.5的改进ae的方法通过学习正常数据的分布来检测异常情况。这些模型在训练过程中会尝试重构或生成与正常数据相似的样本，当模型无法重构或生成相似的样本时，便标记为异常。然而，这类方法容易出现过拟合现象，即模型在训练数据上表现良好，但在面对新数据或未见过的异常情况时，模型可能无法有效检测出异常。还有例如专利申请号为202310768780.3的元数据自监督分类模型依赖于元数据所提供的分类信息，然而不同类型的机器在运行过程中可能会产生非常相似的声音特征，这使得模型难以区分不同类别的声音。即使在同一类别的机器之间，由于个体差异、运行条件的变化，声音特征也可能表现出较大的差异，这进一步增加了模型提取到鲁棒特征的难度。而且当元数据不完整、分类标签不明确或标签错误时，模型难以从中提取到有效的特征表示，导致分类性能下降。
5、总的来说，现有异常声音检测方法在鲁棒性、泛化能力和检测效果方面存在显著不足，尤其是在复杂多变的工业音频场景中，难以稳定检测设备的异常状态。传统方法对原始音频及对数梅尔谱图的特征提取能力有限，难以充分捕捉声音信号中的时序动态和异常特征，导致检测性能受限。
6、需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的主要目的在于解决上述
技术介绍
中存在的问题，提供一种基于音频分析的设备异常检测方法。
2、为实现上述目的，本专利技术采用以下技术方案：
3、在本专利技术的第一方面，一种基于音频分析的设备异常检测方法，包括如下步骤：
4、s1、从设备中采集声音信号，并对采集到的信号进行预处理，生成对数梅尔谱图；
5、s2、通过时间特征增强网络tanet和时域混合增强模块tmixup，对步骤s1生成的对数梅尔谱图进行多重特征增强，生成增强后的时序特征表示；
6、s3、通过多尺度时序特征提取模块mstnet从原始音频信号中提取多尺度时序特征，包括短期、中期和长期的时间依赖关系，从而捕捉音频信号的时间动态；
7、s4、利用步骤s2得到的多重特征增强后的对数梅尔谱图特征和步骤s3提取的多尺度时序特征，通过潜在扩散模型ldm和生成对抗网络gan，在潜在空间中进行扩散和对抗性训练，生成能够区分正常与异常声音模式的特征，并通过生成对抗网络的判别器进行设备正常运行与异常状态的判别，从而识别设备是否处于异常状态。
8、在本专利技术的第二方面，一种计算机程序产品，包括计算机程序，所述计算机程序由处理器执行时实现所述的基于音频分析的设备异常检测方法。
9、本专利技术具有如下有益效果：
10、本专利技术提出了一种基于音频分析的设备异常检测方法，通过引入时序特征增强网络、多尺度时序特征提取模块和潜在扩散对抗生成模型，深入挖掘音频信号的多尺度时序信息，增强特征提取能力，构建高效、精准的设备异常检测系统。该方法不仅提升了检测的鲁棒性和泛化能力，还能够在面对不同设备类型、复杂工况和未见异常时保持高效、准确的检测性能，为工业设备提供了更加可靠和经济的异常检测解决方案。
11、具体地，本专利技术将潜在扩散模型(ldm)作为生成器引入gan框架，通过在低维潜在空间中进行扩散过程，以减少计算复杂度和训练难度，同时提升生成特征的真实性和多样性。比于传统生成模型，本专利技术基于时序特征增强的潜在扩散生成对抗模型(tldiffgan)克服了模式崩溃和训练不稳定的问题。生成特征在扩散过程中逐步逼近真实分布，通过判别器的对抗性训练，使得生成器能够产生更加真实和判别力更强的异常特征，从而提高了模型的异常检测性能。本专利技术还引入多尺度特征提取网络模块(mstnet)，有效弥补了谱图在时间信息表达上的不足，通过与log-mel谱图特征融合，为模型提供了更加全面的输入。这种多尺度特征提取策略，显著增强了模型对复杂音频模式的识别能力，特别是面对异常事件时，表现出更强的灵敏度和准确性。
12、本专利技术还引入数据增强网络(tanet)，其能够有效提取和强化谱图中的关键时序区域，尤其在识别异常变化时具有显著优势。结合tmixup操作，时序特征得到进一步增强，使模型在面对多变的音频信号时依然能够保持较高的检测精度。相比于现有的自监督和生成式方法，本专利技术在面对多种类型机器的音频信号时，展现出卓越的适应性。尤其在应对未见过的异常情况时，展现出更高的检测准确性和鲁棒性。本专利技术的设备异常检测系统可广泛应用于制造业、能源、交通运输和机器人等领域，适用于多种类型的设备。通过实时分析设备运行时的音频信号，系统能够在不影响设备正常工作的情况下，快速识别异常事件，极大提高了工业生产的安全性和可靠性。同时，由于本专利技术的音频分析和特征提取方法，系统具有较高的泛化能力和鲁棒性，即使在复杂环境下仍能保持稳定的检测性能。
13、本专利技术实施例中的其他有益效果将在下文中进一步述及。
本文档来自技高网...【技术保护点】
1.一种基于音频分析的设备异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于音频分析的设备异常检测方法，其特征在于，步骤S1中，通过对采集到的信号进行去噪、归一化和短时傅里叶变换STFT，生成对数梅尔谱图。
3.如权利要求1或2所述的基于音频分析的设备异常检测方法，其特征在于，步骤S2中，时间特征增强网络TANet对对数梅尔谱图进行的处理具体包括：
4.如权利要求1至3任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤S2中，时域混合增强模块TMixup对对数梅尔谱图进行的处理具体包括：
5.如权利要求1至4任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤S3中，多尺度时序特征提取模块MSTNet对原始音频信号进行的处理具体包括：
6.如权利要求5所述的基于音频分析的设备异常检测方法，其特征在于，步骤S3中，对音频信号的每个片段应用一系列LKDConv层，每个LKDConv层具有特定的扩张率，以分别捕捉短期、中期和长期的时间依赖特征；在LKDConv层之后，使用多层扩展卷积块Dil
7.如权利要求1至6任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤S4中，步骤S3得到的多尺度特征与生成对抗网络的判别器中的嵌入进行拼接，输入到最终的嵌入预测器，为最终的异常检测提供全面的特征信息。
8.如权利要求1至7任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤S4中的潜在扩散与对抗生成的处理具体包括：
9.如权利要求1至7任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤S4中的潜在扩散与对抗生成进一步包括以下处理方法：
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序由处理器执行时实现如权利要求1至9任一项所述的基于音频分析的设备异常检测方法。
...【技术特征摘要】
1.一种基于音频分析的设备异常检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于音频分析的设备异常检测方法，其特征在于，步骤s1中，通过对采集到的信号进行去噪、归一化和短时傅里叶变换stft，生成对数梅尔谱图。
3.如权利要求1或2所述的基于音频分析的设备异常检测方法，其特征在于，步骤s2中，时间特征增强网络tanet对对数梅尔谱图进行的处理具体包括：
4.如权利要求1至3任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤s2中，时域混合增强模块tmixup对对数梅尔谱图进行的处理具体包括：
5.如权利要求1至4任一项所述的基于音频分析的设备异常检测方法，其特征在于，步骤s3中，多尺度时序特征提取模块mstnet对原始音频信号进行的处理具体包括：
6.如权利要求5所述的基于音频分析的设备异常检测方法，其特征在于，步骤s3中，对音频信号的每个片段应用一系列lkdconv层，每个lkdconv层...
【专利技术属性】
技术研发人员：杨文明，马程远，
申请(专利权)人：清华大学深圳国际研究生院，
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。