一种基于音频数据特征提取和单分类器的电机异常监测方法

针对工业现场电机故障样本不足、数据严重不平衡的问题,提出了支持向量数据描述(Support Vector Data Description, SVDD)、自编码器(Auto Encoder, AE)和孤立森林(Isolation Forest)三种分类算法融合的算法,实现了电机声音异常监测。实验数据采自工业现场,根据拾音器采集的声音信息,提取梅尔频率倒谱系数(Mel Frequency Cepstral Coefficents, MFCC)、梅尔频谱、短时能量、过零率等反映电机运行状况的特征,然后进行特征筛选,去除冗余特征,挑选出最优的特征子集送入单分类器,实现电机的异常监测。实验结果分析表明,提出的方案准确率达到98%,与基于生成对抗单分类网络(Generative Adversarial Single Classification Network, GACN)方案相比提高约5%。