基于自监督特征提取的机械异常声音检测 |
| |
引用本文: | 薛英杰,陈颀,周松斌,刘忆森,韩威.基于自监督特征提取的机械异常声音检测[J].激光与光电子学进展,2022(12):361-371. |
| |
作者姓名: | 薛英杰 陈颀 周松斌 刘忆森 韩威 |
| |
作者单位: | 1. 昆明理工大学信息工程与自动化学院;2. 广东省科学院智能制造研究所广东省现代控制技术重点实验室 |
| |
基金项目: | 国家重点研发计划(2019YFB1804204);;广东省重点领域研发计划(2019B010154002);;广东省自然科学基金(2020A1515010768); |
| |
摘 要: | 基于声音诊断的机械设备异常状态检测在工业自动化领域具有重要意义。当前,无监督机械设备异常声音检测主要基于人工构造算法提取声音信号特征,再以此特征进一步进行异常检测,人工提取方法存在人为因素影响较大、通用性不强等问题。针对这些问题,提出一种自监督特征提取新方法,并将提取的特征输入自编码器(AE)进行机械设备异常声音检测。该方法首先将声音样本转换为时频谱图,采用设备正常声音的时频谱图作为训练样本,然后使用正常时频谱图和人为构造异常时频谱图构建自监督特征提取器(SSFE),以SSFE提取的正常样本特征训练AE,实现无监督机械设备异常声音识别。使用MIMII公开数据集进行实验,结果表明所提方法能够自适应提取滑轨、阀门、水泵和风扇等4种机械设备的声音特征,最终获得的平均曲线下面积(AUC)检测结果为88.5%,相较于线性声谱图、对数梅尔谱、梅尔频率倒谱系数等人工特征提取方法的结果有显著提升。
|
关 键 词: | 机器视觉 自监督学习 无监督学习 自编码器 异常检测 |
|