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。

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。

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。

基于生成对抗单分类网络的异常声音检测

针对正常和异常声音可能具有较大的相似性,有时无法利用自编码器重构误差大小区分的问题,提出一种生成对抗单分类网络方法进行异常声音检测,通过多次训练,该方法学习正常样本的分布特征.在测试过程中,测试正常样本能以极小的误差进行重构,而异常样本重构效果较差,在某些频率段会发生畸变,从而给出判别分类结果.实验采用UrbanSound8K公开数据集和实测电机声音数据集进行了测试,获得该方法的准确率分别为86.3%和98.1%,比卷积自动编码器等主要深度学习方法分别提高了5.0%和3.0%.

基于域泛化的无监督机器设备异常声检测

在基于声信号的机器设备异常检测中,机器运行时发出的声音可能会因机器运转状态的改变而发生变化,环境噪声也会改变场景中的声学特征,而传统的机器异常声音检测系统会因为声学特征的改变导致正常的声音被错误地标记为异常。针对这一问题,提出了基于域泛化技术的无监督机器异常声音检测方法。首先,将声信号的对数梅尔谱图输入深度学习神经网络模型,结合域混合方法和坐标注意力机制模块,提高系统域泛化能力和异常识别性能;然后,在DCASE开源数据集上进行实验,与两种基线评估系统的AUC和pAUC得分进行对比。结果表明,所提出的方法在域泛化条件下的异常检测性能得到明显提升。

基于视频图像的异常行为检测研究

该文提出了基于视频图像的异常行为检测方法,并将涉及的技术应用到监控系统中,将提取的人体形态特征与数据库中人体形态特征样本图像进行匹配测试,根据匹配结果判断该行为是否为异常行为,在按照不同级别对该行为进行归类,对高级别行为(对公共安全产生严重影响的行为)发出告警,并保存相应数据,对中等级别行为(可能会对公共安全产生影响的行为)给与提醒,低级别行为(人类正常行为)则不需要进行处理。既可以有效防止出现行窃、打架等不文明行为,也可以在安全预防领域上创造极大的社会效益。

基于GMM-UBM的飞机发动机声音识别方法研究

高斯混合模型–通用背景模型(Gaussian mixture model-universal background model, GMM-UBM)是说话人识别技术中最为常用的模型,该模型在诸多试验中都取得了很好的效果。本设计探索把GMM-UBM模型用在异常声音检测中,通过对飞机发动机声音信号的处理,提取梅尔频率倒谱(MFCC)特征参数,训练UBM模型,用MAP自适应的算法得到GMM-UBM模型,用GMM-UBM模型检测识别发动机声音。实验证明,该方法优化了由于外界干扰变化导致的识别率下降的问题。