检索结果-南通市图书馆

基于注意力机制的酒瓶裂纹敲击异常声音检测系统

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年

作者：王谋白吉生黄思维李茁刘鑫杨飞然王子腾 OPPO广东移动通信有限公司中国科学院声学研究所噪声与振动重点实验室西北工业大学航海学院中国电子科技集团第三十四研究所

酒类罐装生产线中，酒瓶缺陷的自动准确检测可以减少生产线的成本并降低安全隐患。传统的基于机器视觉酒瓶缺陷检测方法由于玻璃瓶缺陷细微且易反光等原因，检测准确率和效率仍有待提升。针对上述问题，提出一种基于注意力机制的酒瓶裂... 详细信息

酒类罐装生产线中，酒瓶缺陷的自动准确检测可以减少生产线的成本并降低安全隐患。传统的基于机器视觉酒瓶缺陷检测方法由于玻璃瓶缺陷细微且易反光等原因，检测准确率和效率仍有待提升。针对上述问题，提出一种基于注意力机制的酒瓶裂纹敲击异常声音检测系统。该方法首先引入了Squeeze-and-Excitation和自注意力的两种注意力机制模块构建网络，强化特征通道间的动态、非线性关系及提高模型从声学特征中同步捕捉到全局和局部信息的能力。同时，引入一种基于合成少数过采样技术的酒瓶敲击声数据扩增方法来合成样本，用于解决训练样本不足且类别不平衡的问题。提出的方法在iFLYTEK A.I.开发者大赛——酒瓶瓶体裂纹敲击检测挑战赛排名第一。

关键词：卷积神经网络注意力机制数据过采样异常声音检测

基于加权非负矩阵分解的异常声音检测方法研究

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程与科学 2024年第8期46卷 1425-1432页

作者：潘雨青于浩李峰江苏大学计算机科学与通信工程学院江苏镇江212013

异常声音检测方法多用强标签数据进行训练,而高质量的强标签音频数据标注难度较大、收集成本高昂。针对现有异常音频检测方法使用弱标签数据会受到非平稳和时变噪声的干扰,导致训练结果较差、准确率低的问题,提出一种基于音频频谱的加... 详细信息

异常声音检测方法多用强标签数据进行训练,而高质量的强标签音频数据标注难度较大、收集成本高昂。针对现有异常音频检测方法使用弱标签数据会受到非平稳和时变噪声的干扰,导致训练结果较差、准确率低的问题,提出一种基于音频频谱的加权非负矩阵分解WNMF方法。该方法使用WNMF对弱标签和无标签数据进行标记,并分离目标声音事件和背景噪声。在适当的权值下,WNMF改变标记时不同频段音频信息的重要性,以抑制噪声,提高分离质量,使其逼近全监督模型训练的效果;之后使用卷积神经网络产生帧级预测和音频标签预测。仿真实验结果表明,该方法的准确率相比于传统NMF处理弱标签数据的方法提升了4.8%。

关键词：异常声音检测弱标签和无标签数据加权非负矩阵分解卷积神经网络

基于域泛化的工业设备无监督异常声音检测算法

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2024年第3期24卷 1091-1099页

作者：毕忠勤李欢峰张伟娜董真上海电力大学计算机科学与技术学院上海201306 国网上海市电力公司电力科学研究院上海200437

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... 详细信息

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。

关键词：异常声音检测工业设备域泛化深度学习数据增强

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的压缩机异常声音检测技术

基于深度学习的压缩机异常声音检测技术

作者：赵文婷西安石油大学

学位级别：硕士

天然气压缩机是油气田集气站现场的一种关键设备,在增压输入天然气网等领域已广泛应用,一旦发生异常,会严重影响生产作业的正常进行。机器人巡检技术采集石油集气站中天然气压缩机的声音,能够实现作业现场天然气压缩机状态的实时监测。... 详细信息

天然气压缩机是油气田集气站现场的一种关键设备,在增压输入天然气网等领域已广泛应用,一旦发生异常,会严重影响生产作业的正常进行。机器人巡检技术采集石油集气站中天然气压缩机的声音,能够实现作业现场天然气压缩机状态的实时监测。本文以油气田集气站中天然气压缩机的声音为研究对象,确定了以特征提取技术和深度学习检测技术相结合的天然气压缩机异常声音检测方案,提出了基于改进MFCC与VGG16融合的压缩机声音特征提取方法、基于改进Transformer模型的压缩机声音识别算法及基于Inception-DCGAN的压缩机异常声音检测算法,对油气田集气站中天然气压缩机的异常声音检测具有一定的指导意义。主要研究内容如下:(1)针对集气站采集的天然气压缩机的异常声音类间相似性较高的问题,提出了基于改进MFCC与VGG16融合的压缩机声音特征提取方法。通过提取低水平特征(LLDs),计算天然气压缩机异常声音的每一帧特征值,引入特征级融合模块进行信息压缩,达到了对特征区别不明显的天然气压缩机异常声音的更好区分。仿真实验表明,该方法有效地解决了天然气压缩机异常声音相似性过高的问题。(2)针对集气站设备排列较密,会导致采集到其他设备的干扰噪音而影响检测准确率的问题,提出了基于改进Transformer的压缩机声音识别算法。提取油气田集气站天然气压缩机声音的时间序列特征,引入空间注意力机制,关注数据特征中起决定作用的区域,结合迁移学习方法,提高检测效率,构建天然气压缩机异常声音识别模型。仿真实验表明,该方法提升了其他设备干扰情况下天然气压缩机异常声音的识别准确率。(3)针对集气站采集的天然气压缩机异常声音数据较少的问题,提出了基于Inception-DCGAN的压缩机异常声音检测算法。提取天然气压缩机声音声谱图特征,实现多维度、多层次的声音特征表示,DCGAN结合Inception网络,分别在深度和高度两个不同角度对网络进行高效扩充,使用SSIM值对未知类别声音进行异常判断。仿真实验表明,该方法实现了异常数据较少情况下的天然气压缩机的异常声音检测。

关键词：天然气压缩机异常声音检测深度学习 Transformer

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于表示掩码和层次约束的异常声音检测研究

基于表示掩码和层次约束的异常声音检测研究

作者：魏玉明哈尔滨工程大学

学位级别：硕士

目前智能化和无人化已经成为当前工业现代化不可避免的趋势,因此越来越多的公司提出了对工业机器故障检测的需求,其中异常声音检测是该领域中的一个关键组成部分,其基本原理是通过自动检测机器处于异常状况时发出的异常声音,从而对机器... 详细信息

目前智能化和无人化已经成为当前工业现代化不可避免的趋势,因此越来越多的公司提出了对工业机器故障检测的需求,其中异常声音检测是该领域中的一个关键组成部分,其基本原理是通过自动检测机器处于异常状况时发出的异常声音,从而对机器进行预测性维护、监控和检查。在实际工业应用中,机器在源域数据和目标域数据之间的声学特性存在差异,导致使用源域数据训练的传统异常声音检测模型难以准确地对少量目标域内正常音频特征进行建模,进而降低检测效果的准确率。本文将从提高模型的泛化能力和模型的特征提取能力两个角度出发,对域偏移下的异常声音检测进行研究。首先,针对模型在数据域偏移下容易对源域数据过拟合的问题,本文提出一种基于表示梯度掩码的异常声音检测方法。该方法首先通过确定训练过程中最高梯度相关联的特征表示,以确定哪些特征被过度依赖,然后对这些具有高梯度的特征进行掩码,使之不会对模型的更新产生贡献,最后对整个模型进行更新,使其可以适应新的数据,并在下一次迭代中重新定位、掩码和更新,从而有效解决数据特征分布偏移的问题,提高模型的泛化能力,且该方法在DCASE挑战任务二中排名第六。其次,针对模型在域偏移下提取的特征表示不够精细的问题,本文提出一种基于层次元数据信息约束的异常声音检测方法。该方法首先将每个机器ID下具有相应值的属性进一步分组为一个属性组,以表示由该属性组引起的具有特定声学特性的域,然后利用带有域偏移类型信息的机器ID和带有声学特性变化的机器属性之间的层次关系,在异常声音检测中层级约束来学习更精细的特征,从而增强模型对特征的提取能力,并且有效提高正常和异常之间的区分度。同时本文计算异常分数为检测声音的音频特征表示与每个属性组提取的精细音频特征的平均值的马氏距离,从而有效解决域偏移下的工业异常声音检测问题。综上所述,本文分别针对域偏移下模型易对源域数据过拟合的问题和模型提取的特征表示不够精细的问题,提出表示梯度掩码的异常声音检测方法,以及层次元数据信息约束的异常声音检测方法。实验结果表明,本文提出的方法在DCASE Challenge 2022Task 2数据集上显著提高了AUC和p AUC值,相较于官方基线方法和最先进方法有更好的检测效果,验证了该方法在工业异常声音检测任务中的有效性和优越性。

关键词：异常声音检测域偏移表示掩码层次约束

基于集成学习与注意力机制的泵机设备异常声音检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成学习与注意力机制的泵机设备异常声音检测方法研究

作者：卢安琪合肥学院

学位级别：硕士

泵机设备为化工厂流水线系统提供动力,是化工厂最容易损耗的一种重要设备。由于泵机长时间工作在化工车间较为恶劣的环境下,导致泵机零配件出现各种各样的故障,引起泵机内部产生异常、输出不平衡、甚至停机等问题,影响生产效率,甚至危... 详细信息

泵机设备为化工厂流水线系统提供动力,是化工厂最容易损耗的一种重要设备。由于泵机长时间工作在化工车间较为恶劣的环境下,导致泵机零配件出现各种各样的故障,引起泵机内部产生异常、输出不平衡、甚至停机等问题,影响生产效率,甚至危及到人生安全。因此,对泵机设备进行的异常检测显得尤为重要。目前,声音异常检测的机器学习技术,主要是从泵机设备运行声音中采集正常或者异常声音信号,并对其进行分类,从而对泵机设备运行声音中的异常信息进行提取,进而对泵机设备运行中的异常信息进行识别。这类算法因其局限性,导致预测准确率不高。针对以上问题,本文将基于注意机制与集成学习的思想,对现有的泵机设备运行时异常声音检测方法进行改进,从而实现对泵机设备的异常声音检测,并进一步提高其准确率,具体工作如下:(1)目前泵机设备异常检测是基于机器学习模型的泵机设备声音异常检测,但对于处理带有噪声数据的泵机设备网络模型少之又少。为解决带有噪声数据的泵机设备异常检测问题,本文提出一种基于注意力机制的泵机设备声音异常检测方法。该方法采用注意力机制的机理,将注意力机制应用到残差网络中,对泵机设备的声音进行二分类,实现了对泵机设备异常声音检测,其模型性能和精度得到了较大的提升。(2)针对单个模型很难对各种场景下泵机运行声音进行精确建模的问题,本文提出一种基于集成学习的泵机设备声音异常检测方法。该方法通过采集泵机设备的声音信号,并对其进行标注和预处理操作;针对泵机设备异常时其声音信号在时域和频域的不同表现特点,对预处理操作后的数据集提取时域特征和频域特征;通过抽样分别得到时域特征集和频域特征集;对于时域特征集,利用时域注意力机制的残差收缩网络分别进行训练,得到种不同的基学习器;对于频域特征集,利用通道域注意力机制的残差收缩网络分别进行训练,得到种不同的基学习器;将上述+种不同的基学习器进行加权融合得到最终的分类模型;通过分类模型对泵机设备进行异常检测,判断其是否存在故障。该方法实现了对泵机设备异常声音检测,其模型性能和精度得到了较大的提升。

关键词：异常声音检测残差收缩网络注意力机制集成学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自监督学习的异常声音检测

基于自监督学习的异常声音检测

作者：冯伟东北石油大学

学位级别：硕士

随着国家的工业互联网和智能制造2025等战略的提出,智能化和无人化已成为当前产业升级的必然趋势。因此越来越多的企业提出了音频监控的需求,其中异常声音检测是音频监控的重要组成部分,其核心是通过对工业环境下的声音进行建模分析,判... 详细信息

随着国家的工业互联网和智能制造2025等战略的提出,智能化和无人化已成为当前产业升级的必然趋势。因此越来越多的企业提出了音频监控的需求,其中异常声音检测是音频监控的重要组成部分,其核心是通过对工业环境下的声音进行建模分析,判断出某段时间或者某个位置是否出现了异常情况。传统解决方案是基于大量的有标注的样本去建模分析,弊端是显而易见的,需要足够多的音频数据（然而异常音频数据是很难获得的）并且对音频数据进行标注需要大量的时间、人力和专业知识的辅助。随着自监督学习的兴起,其强大的建模能力和不需要带样本标注的特性为该问题提供了新的指引,因此本文利用自监督学习对异常声音检测展开了研究,主要研究内容如下:（1）音频信号预处理:研究并分析了多个音频特征工程的效果,采用短时傅里叶变换作为异常声音检测任务的音频特征工程。对于环境声干扰利用了Berouti谱减法进行音频降噪,研究并设计了针对音频信号的数据增强方法。（2）设计异常检测方案:针对工业场景下随时间变化而产生数据分布偏移的问题,放弃了传统的基于分类的方案,设计了一种基于检索比对的方案,该方案能有效克服数据分布偏移的问题。同时改进了传统分类评价指标,提高了评价指标的有效性和可靠性。（3）建模手段:面向频谱图不同于自然图像的特性,设计了一种带注意力的网络模型,该模型可以提取有效的频谱图特征信息,抑制频谱图冗余的特征信息,从而提高模型的性能。另外,针对工业界异常数据稀缺的情况,利用大规模无标注数据集进行自监督学习的建模手段,不仅可以增强神经网络的特征提取能力,而且明显提高了类别之间的区分度。综上所述,本文研究的基于自监督学习的异常声音检测算法,在工业场景数据集上取得了误报率为1/100的情况下异常召回率达到88.9%的性能和1/1000的误报率情况下异常召回率达到59.3%的性能,AUC指标达到97.9%,表现符合预期。实验表明自监督学习相对于带注意力的有监督学习和一般的有监督学习具有更好的性能,且类间区分度更高,证明了基于自监督学习较有监督学习在异常声音检测领域的优越性。

关键词：异常声音检测卷积神经网络深度学习自监督学习机器状态诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自监督模型的机器异常声音检测方法研究

基于自监督模型的机器异常声音检测方法研究

作者：刘杰武汉轻工大学

学位级别：硕士

声音信息是目前日常生活中最重要的信息载体之一,利用声音信息对环境或者各种机器做监控可以弥补视频监控的许多不足。其中,异常声音检测是音频监控中最重要的技术。异常声音检测实际上是一个二分类问题,即判别被监控的声音中是否包含... 详细信息

声音信息是目前日常生活中最重要的信息载体之一,利用声音信息对环境或者各种机器做监控可以弥补视频监控的许多不足。其中,异常声音检测是音频监控中最重要的技术。异常声音检测实际上是一个二分类问题,即判别被监控的声音中是否包含异常声音。一般来说,检测方法可以分为特征提取和模型训练两个步骤,其中特征提取有音频特征和手工特征两种方式。在模型方面,传统的异常声音检测模型如支持向量机、高斯混合模型或隐马尔科夫模型存在建模能力不足,无法对音频信息做良好表征的缺点。目前,随着深度神经网络的发展,利用深度神经网络实现各种音频任务越来越普遍。本文使用深度神经网络对机器异常声音检测任务进行研究,主要的工作总结如下:本文在机器异常声音不容易收集的现实条件下提出了一种只使用机器正常声音训练的无监督模型LSTM-AE-GMM,该模型使用自编码器(Auto Encoder,AE)作为骨干网络,使用长短时记忆网络(Long Short-term Memory,LSTM)改进原始AE使其能够注意到声音中的时序信息,具体做法为使用LSTM替换原始AE网络解码层和编码层的全连接结构,同时使用高斯混合模型(Gaussian Mixture Model,GMM)和变分自编码器(Variational Auto Encoder,VAE)生成人造数据来弥补训练数据不足的缺点,对比数据集附带的AE模型,本文提出的LSTM-AE-GMM在toycar、toyconveyor、fan、pump、slider和valve六种机器上AUC值平均提高了0.154,在p AUC值上平均提高了0.146。本文在LSTM-AE-GMM上添加辅助任务将其改变为自监督模型,在六种机器上的AUC值平均提高0.0236,p AUC值平均提高0.0389。在卷积的启发下本文还设计了一种基于Conformer的自监督模型来进行机器异常声音检测,其在toycar、fan、pump和valve的AUC结果优于添加了辅助任务的LSTM-AE-GMM,同时本文使用了多种数据增强方式来进一步提高模型准确率。

关键词：异常声音检测无监督学习自监督学习自编码器特征融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的机器异常声音检测研究

基于深度学习的机器异常声音检测研究

作者：柯凯航汕头大学

学位级别：硕士

随着现代科技的发展,机械设备在工业生产中广泛应用,故障率随着使用年限的增加而逐步提高,工业机器的健康监测以及异常检测对于生产安全保障具有极其重要的意义。传统的机器学习算法作为机器异常检测常用的方法,主要通过收集正常和异常... 详细信息

随着现代科技的发展,机械设备在工业生产中广泛应用,故障率随着使用年限的增加而逐步提高,工业机器的健康监测以及异常检测对于生产安全保障具有极其重要的意义。传统的机器学习算法作为机器异常检测常用的方法,主要通过收集正常和异常声音数据提取数据特征,建立分类模型进行分类,实现对机器异常声音的检测。该方法主要存在两点不足:一是部分异常声音数据难以进行模拟制造和收集,二是模型对数据特征的学习有限,预测精度较低。针对上述问题利用深度学习对原有的机器异常声音检测方法进行提升改进,可以实现对机械设备的快速检测并进一步提升了准确性,具体工作如下:(1)针对实际生活中异常声音数据缺失问题,提出一种基于Mobile Net V3的有监督学习的机器异常声音检测模型,利用收集的机器正常运转声音,根据数据集中的机器编号对实验数据集进行划分,并对模型进行训练,实现了对机器异常声音检测,通过该模型比基于自编码器网络的基线系统的AUC(Area Under roc Curve)值提升9.72%,模型性能和精度得到较大的提升。(2)为了提高对数据特征学习的有效性,提出一种基于声音特征提取器和自编码器(MMNSFE-AE,Machine Mobile Net V3 Sound Feature ExtractorAuto Encoder)的机器异常声音检测方法,在Mobile Net V3模型基础上进行改进提升,将其作为声音特征提取器(MMNSFE),并将提取出的数据输入到自编码器(AE)模型中,实现机器异常声音检测任务。实验结果表明,该综合方法比基于自编码器网络的基线系统的AUC值提升14.6%,验证了声音特征提取器的有效性以及该方法的优越性。

关键词：异常声音检测深度学习自编码器 MobileNetV3