1.本发明数据人工智能检测技术领域，具体涉及到一种基于压缩神经网络的设备异常工况声纹分析算法。
背景技术：
2.随着人工智能技术的快速发展，以及计算机硬件算力的增长，以深度神经网络技术为核心的图像处理系统应运而生，以深度神经网络为代表的深度学习模型在目标物体检测和追踪、动作识别等任务上都表现出优越的性能，并得到广泛应用。基于深度神经网络的算法在智能检测领域得到越来越多的应用，但是目前现有算法大多是对零件的外观进行检测，其处理对象为图像，使用的网络结构为卷积神经网络。对于无法从外观上识别缺陷的产品，则不能使用上述基于图像的方法。在实际生产过程中，工人可以通过识别发动机运转时的异常声音以进行缺陷检测，但是在计算机领域，通过音频检测产品缺陷的技术仍然为空白。
3.现有的大部分异常声音检测算法，都是通过人工识别出异常声音的特点，并总结出一套算法流程对未知声音进行判断。此类算法并不能自动学习出异常声音的特点，因此适用范围较小，且无法重复用于不同类型的声音检测；一些算法采用卷积神经网络对音频进行处理，这样虽然可以自行学习出异常声音的特征并进行检测，但是卷积神经网络要求输入具有相同大小，而音频通常却无法达到这一要求；如果通过裁剪等方式对音频进行预处理，则可能丢失部分信息。
4.基于此，本发明设计了一种基于压缩神经网络的设备异常工况声纹分析算法，以针对组装完成的设备中某些故障无法通过观测进行识别这一问题进行解决。
技术实现要素：
5.本发明要解决的技术问题在于提供一种基于压缩神经网络的设备异常工况声纹分析算法，结合设备声纹关键片段提取算法、深度学习的异常声音检测算法，以解决上述背景技术中提出的问题。
6.为了解决上述技术问题，本发明通过以下方式来实现：
7.一种基于压缩神经网络的设备异常工况声纹分析算法，包括设备异常工况声纹分析系统、设备运行情况的视频数据和变量数据；
8.所述设备异常工况声纹分析系统包括：
9.正常设备声纹数据库，其内存储有设备正常运行时的声纹图谱数据；
10.异常设备声纹数据库，其内存储有设备异常运行时的声纹图谱数据；
11.设备音频采集单元，其利用在线声音收集工具实时采集设备运行音频，并通过音频分析工具将所采集音频进行音频图谱化；
12.声纹匹配单元，基于正常设备声纹数据库对设备运行声纹进行声纹匹配，实时监测设备运行状态：
13.当设备运行声纹与正常设备声纹数据库内对应声纹一致时，判定该设备无异常：将该设备运行声纹实时更新至正常设备声纹数据库内；当设备运行声纹与正常设备声纹数据库内对应声纹不一致时，判定该设备异常并发出预警信号；
14.所述视频数据输入至由压缩神经网络和全连接神经网络组成的网络模型架构中，将所述变量数据直接输入至全连接神经网络，获得所述视频数据和变量数据的识别结果，基于所述视频数据和变量数据组成的大数据深度学习后，完成网络模型架构参数设置，获得目标网络模型架构；获取待检测视频数据和待检测变量数据，将所述待检测视频数据和待检测变量数据输入到目标网络模型架构，检测所述待检测数据中的设备运行情况是否存在异常，若异常进行分类并发送报警指示信息。
15.与现有技术相比，本发明具有的有益效果：
16.本发明的异常工况检测算法，能够基于构建的网络模型架构同时处理获取的视频数据和输入的变量数据，提高了离线学习的准确率和在线诊断的效率，从而提高了用户的使用体验。同时采用基于深度学习的压缩神经网络异常声纹分析方法，通过大量已知标签的样本即可自动学习出正常及各类异常声音的特点，而无需人工对声音的特点进行分析，方便地用于处理其它类似问题，而无需进行大量修改；采用可以处理变长序列输入的循环神经网络模型：使用了可以接受变长序列作为输入的循环神经网络作为输入层，并在此基础上构建了一个深度神经网络模型，从而成功地避免了传统使用压缩神经网络对音频进行处理，需要所有的输入具有相同的规模，但是音频的长度通常不固定的问题。
附图说明
17.图1为本发明的结构模块示意图。
具体实施方式
18.下面结合附图和具体实施例对本发明的具体实施方式作进一步详细的说明。
19.如图1所示，一种基于压缩神经网络的设备异常工况声纹分析算法，包括设备异常工况声纹分析系统、设备运行情况的视频数据和变量数据；
20.所述设备异常工况声纹分析系统包括：
21.正常设备声纹数据库，其内存储有设备正常运行时的声纹图谱数据；
22.异常设备声纹数据库，其内存储有设备异常运行时的声纹图谱数据；
23.设备音频采集单元，其利用在线声音收集工具实时采集设备运行音频，并通过音频分析工具将所采集音频进行音频图谱化；
24.声纹匹配单元，基于正常设备声纹数据库对设备运行声纹进行声纹匹配，实时监测设备运行状态：
25.当设备运行声纹与正常设备声纹数据库内对应声纹一致时，判定该设备无异常：将该设备运行声纹实时更新至正常设备声纹数据库内；当设备运行声纹与正常设备声纹数据库内对应声纹不一致时，判定该设备异常并发出预警信号；
26.所述视频数据输入至由压缩神经网络和全连接神经网络组成的网络模型架构中，将所述变量数据直接输入至全连接神经网络，获得所述视频数据和变量数据的识别结果，基于所述视频数据和变量数据组成的大数据深度学习后，完成网络模型架构参数设置，获
得目标网络模型架构；获取待检测视频数据和待检测变量数据，将所述待检测视频数据和待检测变量数据输入到目标网络模型架构，检测所述待检测数据中的设备运行情况是否存在异常，若异常进行分类并发送报警指示信息。
27.进一步的，所述视频数据输入至由压缩神经网络和全连接神经网络组成的网络模型架构中，将所述变量数据直接输入至全连接神经网络，获得所述视频数据和变量数据的识别结果，具体包括：将所述视频数据输入至压缩神经网络，经过卷积层和池化层进行处理，获得特征降维后的压缩数据，将压缩数据输入至全连接神经网络的全连接层；获得与所述视频数据对应的变量数据，将所述变量数据加入至压缩神经网络的全连接层与压缩数据进行拼接获得目标数据；将目标数据经过全连接神经网络的隐藏层进行运算处理，获得所述视频数据和变量数据的识别结果。
28.以上所述仅是本发明的实施方式，再次声明，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进，这些改进也列入本发明权利要求的保护范围内。
技术特征：
1.一种基于压缩神经网络的设备异常工况声纹分析算法，其特征在于：包括设备异常工况声纹分析系统、设备运行情况的视频数据和变量数据；所述设备异常工况声纹分析系统包括：正常设备声纹数据库，其内存储有设备正常运行时的声纹图谱数据；异常设备声纹数据库，其内存储有设备异常运行时的声纹图谱数据；设备音频采集单元，其利用在线声音收集工具实时采集设备运行音频，并通过音频分析工具将所采集音频进行音频图谱化；声纹匹配单元，基于正常设备声纹数据库对设备运行声纹进行声纹匹配，实时监测设备运行状态：当设备运行声纹与正常设备声纹数据库内对应声纹一致时，判定该设备无异常：将该设备运行声纹实时更新至正常设备声纹数据库内；当设备运行声纹与正常设备声纹数据库内对应声纹不一致时，判定该设备异常并发出预警信号；所述视频数据输入至由压缩神经网络和全连接神经网络组成的网络模型架构中，将所述变量数据直接输入至全连接神经网络，获得所述视频数据和变量数据的识别结果，基于所述视频数据和变量数据组成的大数据深度学习后，完成网络模型架构参数设置，获得目标网络模型架构；获取待检测视频数据和待检测变量数据，将所述待检测视频数据和待检测变量数据输入到目标网络模型架构，检测所述待检测数据中的设备运行情况是否存在异常，若异常进行分类并发送报警指示信息。2.根据权利要求1所述的一种基于压缩神经网络的设备异常工况声纹分析算法，其特征在于：所述视频数据输入至由压缩神经网络和全连接神经网络组成的网络模型架构中，将所述变量数据直接输入至全连接神经网络，获得所述视频数据和变量数据的识别结果，具体包括：将所述视频数据输入至压缩神经网络，经过卷积层和池化层进行处理，获得特征降维后的压缩数据，将压缩数据输入至全连接神经网络的全连接层；获得与所述视频数据对应的变量数据，将所述变量数据加入至压缩神经网络的全连接层与压缩数据进行拼接获得目标数据；将目标数据经过全连接神经网络的隐藏层进行运算处理，获得所述视频数据和变量数据的识别结果。
技术总结
一种基于压缩神经网络的设备异常工况声纹分析算法，包括设备异常工况声纹分析系统、设备运行情况的视频数据和变量数据；设备异常工况声纹分析系统包括：正常设备声纹数据库，异常设备声纹数据，设备音频采集单元实时采集设备运行音频，并通过音频分析工具将所采集音频进行音频图谱化；声纹匹配单元对设备运行声纹进行声纹匹配，实时监测设备运行状态：当设备运行声纹与正常设备声纹数据库内对应声纹一致时，判定该设备无异常：将该设备运行声纹实时更新至正常设备声纹数据库内；当设备运行声纹与正常设备声纹数据库内对应声纹不一致时，判定该设备异常并发出预警信号。判定该设备异常并发出预警信号。判定该设备异常并发出预警信号。
技术研发人员：张利君 孔繁清 彭贵全
受保护的技术使用者：成都瑞贝英特信息技术有限公司
技术研发日：2021.06.23
技术公布日：2021/9/27
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
