针对工业生产中设备故障在线智能检测的迫切需要,提出了一种基于音频特征深度卷积神经网络和聚类算法联合优化的故障检测方法(fault detection method on the strength of the joint optimization of audio feature deep convolutional ...针对工业生产中设备故障在线智能检测的迫切需要,提出了一种基于音频特征深度卷积神经网络和聚类算法联合优化的故障检测方法(fault detection method on the strength of the joint optimization of audio feature deep convolutional neural network and clustering algorithm,FDM_DCNN-CA)。该方法详细阐述了三维坐标系中的特征位置归一化提取和音频信息融合聚类分析等关键技术要点。FDM_DCNN-CA在具有不同背景噪声的音频数据集MIMⅡ上进行了测试,结果表明即使在检测难度较大的“阀门”设备上,仍然取得了良好应用结果。“阀门”设备总体AUC分数超过91%,并且在异常音频信号判断上具有更好的鲁棒性,正确率超过95%。展开更多
文摘针对工业生产中设备故障在线智能检测的迫切需要,提出了一种基于音频特征深度卷积神经网络和聚类算法联合优化的故障检测方法(fault detection method on the strength of the joint optimization of audio feature deep convolutional neural network and clustering algorithm,FDM_DCNN-CA)。该方法详细阐述了三维坐标系中的特征位置归一化提取和音频信息融合聚类分析等关键技术要点。FDM_DCNN-CA在具有不同背景噪声的音频数据集MIMⅡ上进行了测试,结果表明即使在检测难度较大的“阀门”设备上,仍然取得了良好应用结果。“阀门”设备总体AUC分数超过91%,并且在异常音频信号判断上具有更好的鲁棒性,正确率超过95%。
