基于注意力机制的无监督异常声音检测方法

针对传统的基于自编码器的无监督异常声音检测方法存在特征表达能力不足的问题,提出一种基于注意力-跳跃自编码器-生成对抗网络的无监督异常声音检测方法ASAE-GAN(Attentional Skip-connected Auto Encoder and Generative Adversarial Network)。ASAE-GAN在跳跃自编码器和生成对抗网络的基础上,引入通道间注意力机制和时间注意力机制,增强模型的特征表达能力。使用MIMII数据集中的pump声音数据进行实验,评价指标使用AUC分数。结果表明:ASAE-GAN的平均AUC分数相比较于AE、UNET和Skip-GANomaly分别提升了16.27%、14.23%和6.55%,验证了其在无监督异常声音检测方面的优越性。

基于谱-时信息融合的机械设备异常声音检测

针对机械设备声音信号的特点提出了一种基于谱-时信息融合的机械设备异常声音检测方法(STvec-MFN),结合1DCNN网络时序特征和对数梅尔频谱的频谱特征,利用频-时联合注意力模块ST-JAM聚合频谱和时序特征,建立MobileFaceNet(MFN)模型完成机械设备故障检测,并在工业数据集MIMII和ToyADMOS上进行验证。实验表明,STvec-MFN的检测性能AUC和mAUC分别达到88.80%和81.33%,比目前性能优异的Glow算法提升4.2%和15.65%。

基于域泛化的工业设备无监督异常声音检测算法

在工业场景中,因为设备异常现象的罕见性和高度多样化,以及机器的操作条件或环境噪声在训练和测试阶段的不同,会改变训练和测试数据之间的声学特性。为解决上述问题,提出一种基于联合深度学习和变分贝叶斯高斯混合模型的无监督异常声音检测算法。通过两种神经网络联合训练进行信息提取,并利用变分贝叶斯高斯混合模型对其所获得的嵌入进行聚类分析;引入一种新的混合示例数据增强方法,用多种方式相结合的替代方法来生成示例,以对齐不同域之间的分布;应用了一种改进的子集群AdaCos损失函数,以排除潜在的异常值。实验结果表明,该方法在三种工业机器类型的数据集上目标域的平均曲线下面积达到了79.03%,平均F 1分数达到了67.23%;对比基线模型,谐波平均值提升约20%,在工业设备无监督异常声音检测中表现良好。

基于归一化流概率模型的水电机组异常声音检测

为推进水电机组智能化运维的发展,提出了一种自注意多阶统计量池化(SAMOSP)归一化流条件概率模型(NFCPM)用于水电机组的无监督异常声音检测。文中首次提出了自注意多阶统计量池化模块。该模块首先用一维压缩卷积层和瓶颈压缩激励部分自注意到时间帧的权重向量。权重向量用来计算多阶统计池化向量。然后再分频段的自注意到多阶统计池化量的不同权重,并按其提取不同频段的重要统计量信息,从而得到时频图的自注意统计池化特征向量。接着用归一化流条件概率模型对从水轮机组正常音频信号中提取到的自注意统计池化特征向量进行正常数据的概率建模。不同时间段的测试样本在该正常数据概率模型中进行测试,并得到相应的分数。分数越低表示概率密度越低,则异常程度越大,从而实现水电机组音频信号的无监督异常检测。

面向多场景的环境异常声音识别

随着人工智能和大数据的发展,各种场景中对异常声音识别的需求日益增长,基于人工智能的声音识别技术正在兴起并被高度重视。现行主流的异常声音识别算法多为浅层机器学习模型结构,对异常声音的识别率较低,且识别的声音类型单一。为了有效识别异常声音,提出一种基于梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)和卷积神经网络(convolution neural network,CNN)的环境声音识别算法,对各类异常声音进行采集和有效识别,并及时反馈声音状态,为各类声识别应用场景提供精细化管理技术手段。结果表明:提出的算法对5类场景下环境异常声音的识别率得到极大提高,适用于更广泛的声学场景,具有明显的优势。

基于深度学习的机器异常声音检测

随着大规模工业生产的发展,机器设备的健康管理越来越重要。由于机器设备潜在的故障,机器异常声音的检测对工业生产的保障有待提高。不同的机器运作时发出的声音有规律性,可以根据这一特性判断机器是否处于一个正常运作状态,通过对机器运作时的声音特征进行研究,提出一种基于深度学习的机器异常声音的检测,通过对声音特征的提取,经过模型的训练,判断机器是否处于异常状态,防患于未然。首先对数据集通过等高梅尔滤波器处理后提取出对数Mel谱作为声音特征,之后针对实际中异常声音的缺失等问题,使用mobilenetv2对声音模型进行训练,通过模型输出的逻辑回归值来计算异常分数和确定异常阈值。经过对比分析,表明对原始音频进行特征提取后训练的模型,机器异常声音检测性能有所提升。

异常声音检测方法比较与分析

异常声音检测在各个领域特别是工业和安全领域都有着重要意义,准确地识别异常声音能够有效的减少机器的损害和保护人员的安全。随着机器学习与深度学习的不断深入与发展,异常声音检测的方法也从早期传统的基于概率分布的检测方法,如高斯混合模型(GMM)和隐马尔可夫模型(HMM)等方法转变为基于机器学习的方法,如卷积神经网络(CNN), 循环神经网络(RNN)等。本论文旨在探究异常声音检测的方法,通过阐述不同方法对声音检测的基本原理和操作步骤,以及在一些场景的应用来比较传统方法和机器学习方法的优劣性。通过探究和比较综合研究结果和实验分析,得出基于机器学习的方法——卷积神经网络(CNN)和循环神经网络(RNN),在异常声音检测方面表现出明显的优势。它们能够更好地捕捉声音信号的复杂特征,提高了检测的准确度。与传统方法相比,机器学习方法能够更好地适应不同环境下的声音变化,具有更广泛的应用前景。

改进的ESMD用于公共场所异常声音特征提取

由于公共场所异常声音的特殊性及背景噪声的复杂性,极点对称模态分解(ESMD)用于异常声音分解时,存在一些理论和技术上的缺陷。经分析认为公共场所异常声音为非线性、非平稳信号,背景噪声服从T分布。为此,提出改进的ESMD用于公共场所异常声音分解,得到有利于识别的特征。所提出方法的特点是将T分布噪声序列添加到具有背景噪声的异常声音信号中,以减小背景噪声对特征提取的影响;将模态分量的排列熵作为判定异常声音与背景噪声的准则,自适应筛选有效的模态分量;用对称中点插值法替代极值中点奇偶插值法,以缓解ESMD插值端点不明确带来的模态失真。在公共场所异常声音数据库上进行了相关实验。实验结果表明,所提出的方法与目前典型的时频信号处理方法相比,在提高公共场所异常声音分类识别率的同时,缩短异常声音的分解时间,是一种有效的公共场所异常声音特征提取方法。

500kV主变压器异常声音分析

针对2001年3月至2002年10月,500 kV上河变电所主变压器连续5 次声音异常,外观检查、预防性试验、色谱分析确定主变压器状况无异常后,分析判断太阳磁暴的爆发引发地球磁场的变化使主变压器直流偏磁,铁心饱和运行是声音异常的原因。

基于MFCC和短时能量混合的异常声音识别算法

针对现行异常声音识别算法复杂度高和特征识别率低的问题,将梅尔频率倒谱系数(MFCC)与短时能量混合特征应用到异常声音识别系统中。该混合特征使得高斯混合模型(GMM)分类器可获得比使用MFCC特征及其差分MFCC更好的分类性能。给出了系统实现的具体步骤,并通过仿真实验证明了该算法的有效性,分类器的平均识别率可达到90%以上,并且计算复杂度小。

公共场所典型异常声音的特征提取

针对采用梅尔倒谱系数(MFCC)表征异常声音时识别率低下问题,提出获取MFCC的改进方法,包括对公共场所典型异常声音信号的特性分析和MFCC提取过程中滤波器组的重新设计。基于公共场所异常声音数据库的实验结果表明,与MFCC特征提取方法相比,该方法提高了特征参数在识别系统中的效率,具有一定的优越性和实用性。

基于短时处理的异常声音辨识系统研制

在对声信号处理研究的基础上,提出使用DSP Builder进行声音辨识系统进行开发,利用现场可编程门阵列器件实现异常声音辨识系统。通过对采集的现场声音信号进行时域和频域分析并提取异常声音的特征,将异常声音从正常声音中分离出来进行识别,当发生异常声音后能发出控制指令进行报警保护和输出控制指令,进行生产设备的保护。使机器在工农业的安全防护、故障诊断等领域实现对预定声音事件的自动辨识。

基于DSP芯片实现的异常声音识别系统

介绍了异常声音识别在控制领域中的应用 ,提出了一个完整的基于PC机和DSP芯片的异常声音识别系统。其中 ,提出了基于DSP芯片的高速数据采集系统的设计方案 ,以及DSP芯片对某种异常声音的处理算法。

配电变压器的异常声音分析与处理

配电变压器的运行条件一般都比较简陋,露天放置且要经受高温、严寒和风吹日晒的考验,尤其是在高原地区的使用过程中,经常会出现击穿、爆炸等事故。怎样才能及时发现故障,分析原因,提前预防事故发生,成了电力部门工作的重点。通过对配电变压器异常声音的分析,提出了具体处理方法及预防措施,为日常工作提供参考依据。

一种自适应的异常声音端点检测方法

在综合分析声音端点检测技术的基础上,针对公共场所异常声音的特点,提出一种综合短时优化过零率和短时TEO对数能量自适应端点检测方法,以及特征数据的模糊归一化方法,在此基础上引入背景噪声动态建模、前后端延时确认、阈值动态更新机制,进行异常声音端点检测。Matlab仿真实验表明,该方法能较好地适应低信噪比背景噪声变化的公共场所环境,具有较好的检出率和较低的误报率。

基于FPGA的异常声音报警系统设计

通过对异常声音的短时信号分析,使用FPGA对异常声音的短时过零率、短时能量等目标特征提取,实现将异常声音从背景声音中分离出来进行识别报警,实现切削与切割等机械加工设备的智能化。

变压器运行中的异常声音与原因

（1）电源电压过高导致变压器过励磁，响声增大且尖锐。 （2）绕组层间、匝间短路烧毁，变压器发出“咕嘟咕嘟”的开水沸腾声。

卷积神经网络在异常声音识别中的研究

卷积神经网络(CNNs)已广泛应用于语音识别领域中以改善传统声学模型存在的鲁棒性弱、实时性差、识别性能低等缺点。本文对卷积神经网络在异常声音识别任务中的适用性及其识别性能进行了研究,针对日常常见的6种不同异常声音样本,分析了不同声音特征的维度对卷积神经网络识别性能的影响,还将卷积神经网络分别与高斯混合模型、BP神经网络进行比较。实验结果表明,无噪声条件下,一维特征在卷积神经网络中的平均识别率比二维特征相对提升了2.91%,且误差收敛速度更快,但在有噪声条件下,二维特征的平均识别率比一维特征相对提升了3.41%。同时卷积神经网络比其他两种识别模型在对噪声的鲁棒性和误差收敛速度等方面均有明显的优势。

智能监控前端系统中异常声音检测的实现

针对智能监控前端系统中异常声音检测的高实时性和高准确率要求,提出一种基于混合特征参数和改进动态时间弯折(DTW)算法的异常声音检测方案。通过短时幅度和过动态门限率判决声音端点,提取包括短时幅度、美尔倒谱系数和差分系数在内的混合特征参数,采用改进的DTW算法进行声音识别。在TI TMS320DM368处理器平台上的实验结果表明,基于该方案的智能监控前端系统对异常声音的识别时间小于1 s,准确率达到89.3%。

基于单类支持向量机的异常声音检测

提出基于单类支持向量机的异常声音在线检测算法。该算法针对公共场合正常的环境声音,训练一个单类支持向量机模型,用来判断声音是否属于正常的环境声音,若不是则属于需要进一步识别的异常声音。采用窗长2秒的滑动窗对声音进行分窗,对每一个窗内的声音分帧并提取梅尔倒谱系数,短时能量,频谱质心,短时平均过零率等特征。采用基于帧之间互相关系数的方法对声音自动分段。最后对分段声音的判别结果进行中值滤波。当有连续多个帧被判别为异常时判定有异常声音出现。最后检验了算法在地铁背景条件下六类异常声音的漏检率和每小时误检次数,结果表明算法能有效检测到异常声音的发生而且误检次数较低。