一种面向工业设备故障诊断的小样本声纹识别方法

本发明涉及工业设备故障诊断与智能声学信号处理，尤其涉及一种面向工业设备故障诊断的小样本声纹识别方法。

背景技术：

1、工业设备在运行过程中会产生反映设备运行状态和故障特征的声学信号，基于声学信号的声纹识别方法在工业设备状态监测和故障诊断中具有应用价值。

2、现有工业设备声纹识别方法通常依赖充足且标注完备的样本数据对模型进行训练。然而，在实际工业现场中，故障样本往往数量有限，尤其是早期故障、偶发故障以及特定工况下的异常样本更为稀缺，导致声纹识别模型面临显著的小样本问题。与此同时，不同设备、不同工况以及不同采集环境之间的差异，会使得源数据域与目标数据域之间存在明显的分布偏移，进而造成在一个场景中训练得到的识别模型难以直接适用于另一设备或另一工况下的故障识别任务。

3、此外，工业现场通常伴随着较强背景噪声、瞬态冲击和频带混叠等复杂因素，传统的单一时域特征或频域特征提取方法难以充分表征故障声纹中的关键细节信息，导致模型在复杂噪声环境下的鲁棒性和泛化能力不足。现有迁移学习方法虽然能够在一定程度上缓解跨域识别问题，但多数方法侧重于在网络深层或末端进行单一分布适配，难以同时兼顾浅层通用特征的分布校正与深层判别特征的跨域自适应。对于工业设备小样本声纹识别任务，仍然存在浅层特征分布偏差难以有效校正、深层判别特征跨域适应能力不足以及多尺度频带信息利用不充分等问题。

4、因此，亟需提供一种能够适应小样本、跨设备、跨工况和复杂噪声环境的工业设备声纹识别方法，以改善目标域声纹识别的稳定性和泛化能力。

技术实现思路

1、为了解决现有技术中存在的故障声纹样本少、跨设备和跨工况分布差异大，以及深浅层特征迁移效果不足的问题，本发明提出了一种面向工业设备故障诊断的小样本声纹识别方法，能够在目标域故障声纹样本较少的情况下，依次完成统一时频表征构建、浅层通用特征分布校正、多频带故障相关特征增强、深层跨域分布匹配以及联合训练分类输出，实现跨域故障声纹识别。其具体技术方案如下：

2、一种面向工业设备故障诊断的小样本声纹识别方法，包括：

3、步骤1，采集工业设备运行过程中的源域声纹数据和目标域声纹数据并进行统一时频表征的预处理，得到源域cwt时频图和目标域cwt时频图；

4、步骤2，采用共享浅层特征提取单元对源域cwt时频图和目标域cwt时频图进行浅层特征提取，并采用通用特征迁移模块进行特征迁移以减小特征间分布偏移，完成浅层分布对齐；

5、步骤3，将对齐后的源域浅层特征和目标域浅层特征分别依次通过多频带信号分解、多尺度并行特征提取，后采用多尺度时频坐标注意力模块沿时间维度、频率维度和通道维度进行特征注意力增强，得到源域和目标域各自增强后的多尺度声纹特征；

6、步骤4，采用特定领域自适应迁移模块，分别对增强后的源域与目标域多尺度声纹特征进行深层特征提取，并通过构建域差异损失进行域差异约束，实现跨域分布匹配，从而得到对应域的域不变声纹特征表示；

7、步骤5，基于分类损失并结合所述域差异损失指导声纹识别模型进行联合优化，利用优化好的模型输出目标域声纹识别结果。

8、进一步地，所述步骤1具体包括：

9、步骤1.1，分别采集源域工业设备和目标域工业设备在运行过程中的原始声学信号：源域声纹数据和目标域声纹数据，所述源域声纹数据为已知设备或已知工况下采集并具有类别标签的声学样本，所述目标域声纹数据为待识别设备或待识别工况下采集的声学样本；

10、步骤1.2，对原始声学信号进行统一输入格式处理，使源域声纹数据和目标域声纹数据具有一致的采样组织形式、样本长度和批次结构，形成源域预处理样本和目标域预处理样本；

11、步骤1.3，对源域预处理样本和目标域预处理样本，分别采用预设小波基函数执行连续小波变换，使一维声纹信号中的时间变化信息和频率分布信息同步映射至二维时频特征空间，得到源域cwt时频图和目标域cwt时频图；

12、步骤1.4，按照样本顺序和批次顺序保存所述源域cwt时频图和目标域cwt时频图，使每个时频图与其原始声纹预处理样本保持对应关系。

13、进一步地，所述步骤2中的共享浅层特征提取单元，包括第一共享卷积层和第二共享深度卷积层，所述第一共享卷积层用于对源域cwt时频图和目标域cwt时频图进行初步时频响应提取，所述第二共享深度卷积层用于进一步提取时频局部结构特征或通道关联特征；其中，源域的浅层特征提取和目标域的浅层特征提取共用所述第一共享卷积层和第二共享深度卷积层的网络参数。

14、进一步地，所述步骤2中的通用特征迁移模块设置连接在共享浅层特征提取单元的输出端，包括：浅层特征中心计算单元和中心偏移校正单元，所述浅层特征中心计算单元根据源域浅层特征和目标域浅层特征，分别计算两个域的浅层特征中心，所述中心偏移校正单元根据浅层特征中心之间的偏移量构建浅层对齐损失，通过最小化所述浅层对齐损失，减小源域与目标域浅层特征中心之间的偏移量，并据此对浅层特征进行映射校正，得到对齐后的源域浅层特征和目标域浅层特征。

15、进一步地，所述步骤3具体包括：

16、步骤3.1，对对齐后的源域浅层特征和目标域浅层特征执行多频带信号分解，得到高频子带特征和低频子带特征，并基于不同尺度的卷积处理和特征重构获得多频带声纹特征；

17、步骤3.2，将多频带声纹特征输入多尺度并行特征提取支路，分别提取局部时频纹理、中等范围时频结构、宽范围频带关联信息和扩张感受野特征，并进行融合；

18、步骤3.3，将融合特征输入多尺度时频坐标注意力模块，分别沿时间维度、频率维度和通道维度生成对应的注意力权重，再将时间、频率和通道注意力权重融合后作用于融合特征，得到重标定特征并与多频带声纹特征进行残差相加，得到增强后的多尺度声纹特征，所述增强后的多尺度声纹特征在保留多频带基础特征的同时，增强故障相关时间片段、频率区域和有效通道响应，并抑制噪声相关特征。

19、进一步地，所述步骤3.1中的多频带信号分解采用小波滤波器组实现，将输入浅层特征分解为高频子带特征和低频子带特征，对所述高频子带特征采用1×1卷积进行通道维度变换，对所述低频子带特征采用5×5卷积提取局部时频结构特征，随后通过逆小波变换对处理后的高频子带特征和低频子带特征进行特征重构，得到多频带声纹特征，并对所述多频带声纹特征进行维度对齐。

20、进一步地，所述特定领域自适应迁移模块包括深层特征映射单元和域差异度量单元，所述步骤4具体包括：

21、步骤4.1，将增强后的多尺度声纹特征输入深层特征映射单元，进行深层特征映射，分别获得源域深层特征和目标域深层特征。

22、步骤4.2，将源域深层特征和目标域深层特征输入域差异度量单元，通过域差异度量函数计算俩深层特征之间的分布差异，并根据所述分布差异构建域差异损失，以进行域差异约束；

23、步骤4.3，通过减小上述域差异损失，使源域深层特征和目标域深层特征在深层特征空间内靠近，从而得到对应域的域不变声纹特征表示。

24、进一步地，所述步骤4.2中的域差异度量函数采用最大均值差异，则域差异损失表示为：

25、

26、

27、

28、其中，表示第个源域深层特征，表示第个目标域深层特征；表示将深层特征映射至再生核希尔伯特空间的核映射函数；表示由所述核映射函数确定的再生核希尔伯特空间；和分别表示源域深层特征和目标域深层特征在所述再生核希尔伯特空间中的均值嵌入；和分别表示源域样本数和目标域样本数；表示再生核希尔伯特空间中的范数；表示采用最大均值差异得到的域差异损失，通过最小化该损失，使源域和目标域深层特征在核映射空间中的分布差异减小。

29、进一步地，所述步骤5具体包括：

30、步骤5.1，基于源域声纹数据中的源域样本标签构建分类损失，将源域的域不变声纹特征输入分类器中，使分类器学习源域声纹数据与故障类别之间的对应关系；

31、步骤5.2：将分类损失与域差异损失进行加权组合，形成联合优化目标；

32、步骤5.3，根据联合优化目标，对由共享浅层特征提取单元、通用特征迁移模块、多尺度时频坐标注意力模块、特定领域自适应迁移模块和分类器组成的声纹识别模型进行训练和参数更新；

33、训练过程中，通过最小化联合优化目标对参数进行联合更新，使声纹识别模型在保持源域故障类别判别能力的同时减小源域与目标域之间的特征分布偏移；

34、步骤5.4，在训练完成后，将待识别的目标域声纹数据输入训练后的模型，并由分类器输出目标域声纹识别结果。

35、进一步地，所述分类器包括共享全连接层，源域的域不变声纹特征和目标域的域不变声纹特征均输入所述共享全连接层，其中，源域的域不变声纹特征经共享全连接层输出源域预测标签，并与真实源域样本标签构建分类损失，目标域的域不变声纹特征经同一共享全连接层输出目标域声纹识别结果。

36、本发明的有益效果：本发明通过构建由浅层通用特征对齐和深层领域自适应组成的跨域迁移链路，减小源域与目标域之间的分布偏移；通过连续小波变换构建统一时频表征，并结合多频带信号分解提取多尺度声纹特征，增强故障相关信息表达；通过多尺度时频坐标注意力模块对时间片段、频带特征和通道特征进行联合建模，在保留时频位置信息的同时强化故障相关区域的特征表达；通过分类损失和域差异损失联合训练，有利于改善小样本及复杂噪声条件下目标域工业设备声纹识别的泛化能力。