一种基于声学特征驱动的工业装备故障检测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115273791A(43)申请公布日2022.11.01(21)申请号202210913419.0(22)申请日2022.07.29(71)申请人江西科骏实业有限公司地址330103江西省南昌市新建区长堎镇子实路1589号2栋(72)发明人邓仰东肖罡肖尧万可谦姜友友刘小兰杨钦文(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008专利代理师胡君(51)Int.Cl.G10K11/178(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图3页(54)发明名称一种基于声学特征驱动的工业装备故障检测方法及装置(57)摘要本发明公开一种基于声学特征驱动的工业装备故障检测方法及装置，步骤包括：在训练阶段，获取不同类型装备正常声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出特征提取模块；在正常特征提取阶段，将不同类型装备正常声学数据输入至训练后得到的特征提取模块进行特征提取，得到正常数据嵌入特征；在实时故障检测阶段，将被测设备的声学数据输入至训练后得到的特征提取模块进行特征提取，得到被测设备的嵌入特征；根据被测设备的嵌入特征与对应的正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。本发明能够基于声学特征驱动实现无监督故障检测，且具有实现方法简单、故障检测效率以及精度高等优点。CN115273791ACN115273791A权利要求书1/2页1.一种基于声学特征驱动的工业装备故障检测方法，其特征在于，步骤包括：在训练阶段，获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出所述深度神经网络模型中的特征提取模块；在正常特征提取阶段，将不同类型装备在正常运行状态下的声学数据输入至训练后得到的所述特征提取模块，由所述特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；在实时故障检测阶段，将被测设备的声学数据输入至训练后得到的所述特征提取模块进行特征提取，得到被测设备的嵌入特征；根据所述被测设备的嵌入特征与对应的所述正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。2.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述深度神经网络模型包括特征提取模块、ArcFace层以及Softmax层，由所述特征提取模块进行特征提取，提取得到的特征参数输入至所述ArcFace层，由所述ArcFace层计算装备类别的标签，根据所述ArcFace层的计算结果经所述Softmax层计算损失函数。3.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述损失函数采用加性角度间隔损失函数，所述加性角度间隔损失函数中在参数向量和特征向量的夹角上设置有惩罚项。4.根据权利要求3所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述加性角度间隔损失函数的表达式为：其中，L3表示损失函数，N表示批归一化中的输入数量，表示权重参数与样本输入的角度度量，yi表示第i个输入样本所属的分类类别，m表示额外角度边缘惩罚项，s表示将输入特征xi的模固定并且重新调整后得到的，n表示分类任务的目标类别数，θj表示不同于yi的其他类别。5.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述实时故障检测阶段中，从所述正常数据嵌入特征对应的正常数据特征向量中，查找与所述被测设备的嵌入特征对应的特征向量最为接近的多个向量，根据所述被测设备的嵌入特征对应的特征向量与查找到的各向量之间的距离计算故障评分值，得到所述被测设备的故障状态检测结果。6.根据权利要求5所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，以余弦相似度作为距离度量，所述余弦相似度的计算公式为：其中，similarity表示A向量与B向量之间的距离值，θ表示两个向量之间的夹角，n表示向量的维度。2CN115273791A权利要求书2/2页7.根据权利要求1～6中任意一项所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，还包括使用曲线下面积AUC和/或部分曲线下面积pAUC作为模型度量指标。8.根据权利要求1～6中任意一项所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，在所述训练阶段、正常特征提取阶段以及故障检测阶段中，将数据输入至所述特征提取模块前还包括预处理步骤，所述预处理步骤包括使用短时傅里叶变换的方式将音频数据转化为二维时频谱。9.一种基于声学特征驱动的工业装备故障检测装置，其特征在于，包括：训练模块，用于获