基于声音异常检测研究综述

置顶 ji0ng

已于 2023-11-28 17:17:49 修改

阅读量4.9k

点赞数 57

文章标签：音频语音识别深度学习机器学习卷积神经网络神经网络

于 2023-11-25 16:29:34 首次发布

本文链接：https://blog.csdn.net/jiongjng/article/details/134615758

版权

一、背景

现有的故障诊断方法涵盖了振动信号、温度、红外图像、声信号等多种测量方式。其中振动信号与故障关联性强,在故障诊断中应用最为广泛,然而其受限于接触式测量方式,无法应用于高温、高腐蚀和设备表面不规则等非接触场景。温度信号可采用非接触式测量,但其在某些故障情景下变化不明显。红外图像亦无需接触式测量,但是其安装成本较高。相比之下,声信号采集装备安装简单、成本低,且无需接触式测量,在工业设备故障诊断中具有很大优势。

二、传统方法

传统故障诊断方法流程：

1.信号滤波

常用方法主要包括奇异值分解滤波、小波阈值滤波和经典模态分解滤波等经典滤波方法，此外，还包括随机共振、混沌振子、差分振子等方法。

2.特征工程

经过信号滤波后的声信号通常是高维信号，无法由分类器进行有效地训练。因此，需要对滤波后的信号进行特征构建，提取与选择以降低信号的维度，减少计算时间以及提高最终故障诊断的准确性。

常见的声信号特征：时域特征、频域特征（梅尔倒谱系数MFCC）、时频特征、融合特征。

声信号的特征提取方法：时域分析法、频域分析法、时频分析法。

3.故障诊断

三、深度学习方法

基于声信号和深度学习的故障诊断研究思路：

（1）深度学习用于诊断分类

（2）深度学习用于特征工程

（3）深度学习用于特征工程与诊断分类

1.监督学习

监督学习基于正确分类或标记的数据进行模型的训练,从而使得模型能够对任意给定的输入,给出其相应的输出。其代表性方法包括:深度置信网络(deepbelief network，DBN)、卷积神经网络(convolutionalnetwork，CNN)以及循环神经网络(recurrentneuralneural network ,RNN)。

2.无监督学习

虽然有监督学习算法可以很好的进行故障诊断，但是,真实的工业设备大多在正常状态下运行,故障声信号往往是未知或者未标记的。标记每个数据是一个复杂而昂贵的过程,需要专家监督。相比之下,无监督学习算法可以在没有标签的数据里发现潜在的一些结构因此,无监督学习算法在工业设备故障诊断中具有重要价值,其代表性方法一般包括:堆叠自动编码器(stackedauto encoders，SAE)、生成式对抗网络(generativeadversarial network，GAN)以及迁移学习(transferlearning , TL)。