CN115288994A - 一种基于改进dcgan的压缩机异常状态检测方法 - Google Patents

Abstract

本发明提供一种基于改进DCGAN的压缩机异常状态检测方法，包括：采集待检测的压缩机声音，生成未知类型的声谱图；搭建改进的DCGAN网络模型，包括生成器和判别器；其中，在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。本发明通过搜集和自制各类压缩机异常声音数据集，并针对压缩机声音具体特征对现有算法进行针对性改进，提高检测分类效果。

Description

一种基于改进DCGAN的压缩机异常状态检测方法

技术领域

本发明涉及设备状态检测技术领域，具体涉及一种基于改进DCGAN的压缩机异常状态检测方法。

背景技术

压缩机设备状态的异常检测一般通过声音进行检测，大致可分为两种分类方法。一种是将声音检测转换为图像识别问题，对声音进行图形特征提取后，使用相关图像算法进行异常数据的识别；另一种是对声音文件进行时间序列特征进行提取，也就是数值的形式，通过相关序列分析算法进行实现。

若使用算法，大部分是通过一些无监督的机器学习算法进行实现，例如自编码器、卷积自编码器等。自编码器实现的大致流程是其中主要的编码器和解码器两部分进行工作；编码器和解码器都有多个全连接层组成，编码器使用全连接层进行特征提取，解码器使用全连接层进行数据重构。重构数据特征与原始数据特征进行比较，根据重构的结果对比进行正常与异常的区分，进而实现压缩机实时的状态监测。

目前已有的一些异常状态监测方法，普遍都存在以下几点问题：对于现场压缩机正常声音特征自己制作的异常声音特征及其相似，故在使用异常声音进行判别时，数值区别不是很大，原始无监督方法的效果有待提高；在使用生成对抗网络中的特征图进行训练时，对于正常压缩机声谱图的图像重构效果不好，需对网络结构等进行相应改进。

发明内容

为解决上述问题，本发明提供一种基于改进DCGAN的压缩机异常状态检测方法，通过搜集和自制各类压缩机异常声音数据集，并针对压缩机声音具体特征对现有算法进行针对性改进，提高检测分类效果。

为实现上述目的，本发明提供了如下的技术方案。

一种基于改进DCGAN的压缩机异常状态检测方法，包括以下步骤：

采集待检测的压缩机声音，生成未知类型的声谱图；

搭建改进的DCGAN网络模型；其中，在原DCGAN网络模型生成器的输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在原DCGAN网络模型生成器的判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；

将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。

优选地，所述改进的DCGAN网络模型的训练，包括以下步骤：

构建训练集，包括采集的正常压缩机声音，以及混合有随机噪声的压缩机声音，并均进行声谱图生成；

通过生成器训练正常压缩机声音的声谱图数据集，判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练；

根据判别器训练结果及SSIM损失值的梯度计算情况进行前向传播，更新生成器相关参数，完成改进的DCGAN网络模型的训练。

优选地，所述判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练，包括以下步骤：

通过判别器对正常声音与异常声音的重构信号的输出的不同结果进行异常判定；

其中，正常声音特征与异常随机噪声重构后进行比较，或异常声音特征与正常随机噪声重构后进行比较。

优选地，所述在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，包括以下步骤：

调用torch包中的LSTM模块对输入层数据进行格式转换，包括以下步骤：

计算遗忘门，公式如(1)所示：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

其中，σ为sigmoid函数，W_f为权重，h_t-1为t-1时刻的细胞状态，x_t表示当前状态下的输入，b_f为偏置；

计算输入门，公式如(2)、(3)所示：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

其中，W_i、W_c为权重，

表示当下待处理的细胞，b_i、b_c为偏置；

计算更新后时刻细胞状态，公式如(4)所示：

其中，C_t-1表示前一时刻的数值；

计算输出门及输出值，公式如(5)、(6)所示：

o_t＝σ(W_o[h_t-1,x_t]+b_o) (5)

h_t＝o_t*tanh(C_t) (6)

其中，W_o为权重，b_o为偏置，h_t表示最终输出值。

优选地，所述在判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理，包括以下步骤：

在判别器结构的第一层之前加入Inception模块，将之前层的输入作为自己的输入，给Inception模块输入所需参数所有值，自行确定卷积核位置及是否还需要增加卷积层或池化层，通过Inception网络把所有Inception模块整合到一起。

优选地，还包括对所述改进DCGAN模型，设置标签及优化器参数；

更改完网络结构后设置真实标签为“1”，假数据标签为“0”，并设置网络结构优化器；

通过改进DCGAN模型的判别器，对未知类型的声谱图输出预测结果时，与提前设置好的阈值0.5进行比较，小于0.5时，压缩机状态正常，否则压缩机状态为异常。

优选地，还包括：

通过巡检机器人搭载的拾音器进行压缩机声音的采集，并通过巡检机器人对状态检测结果进行语音播报。

本发明的有益效果：

本发明提出一种基于改进DCGAN的压缩机异常状态检测方法，针对异常声音数据缺失、自己制造的数据集特征不准确的情况下，使用无监督的深度学习算法进行异常声音的判别，进而实现对压缩机状态的实时监控，更加适用场站中的实际情况；根据深度卷积生成对抗网络的判别器重构不好的问题，使用LSTM网络及Inception模块进行网络结构改进，此外对于损失值函数使用SSIM值进行替换，判别效果更加准确。

附图说明

图1为本发明实施例的基于改进DCGAN的压缩机异常状态检测方法的流程图；

图2为本发明实施例的基于改进DCGAN的压缩机异常状态检测方法的判别流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于改进DCGAN的压缩机异常状态检测方法，如图1-2所示，包括以下步骤：

步骤一：数据采集。正常声音由巡检机器人在现场完成采集。异常声音由加噪方法、模拟录音、视频中录制及网上开源数据集下载几种方式进行收集。

步骤二：自定义数据集。对正常压缩机声音及各种类异常声音都进行声谱图生成，并将正常特征存储到“1”文件夹中；异常特征存储到“0”文件夹中；

步骤三：步骤四：搭建神经网络。由生成器及判别器组成。在生成器输入部分增加LSTM网络结构，经过一些非线性变换提取特征间的关联；在判别器输入部分增加Inception网络结构，对初始输入矩阵进行降维处理，实现从不同尺度实现特征进一步计算，更好的对特征进行学习。

其中，调用torch包中的LSTM模块对输入层数据进行格式转换，包括以下步骤：

计算遗忘门，公式如(1)所示：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

其中，σ为sigmoid函数，W_f为权重，h_t-1为t-1时刻的细胞状态，x_t表示当前状态下的输入，b_f为偏置；

计算输入门，公式如(2)、(3)所示：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

其中，W_i、W_c为权重，

表示当下待处理的细胞，b_i、b_c为偏置；

计算更新后时刻细胞状态，公式如(4)所示：

其中，C_t-1表示前一时刻的数值；

计算输出门及输出值，公式如(5)、(6)所示：

o_t＝σ(W_o[h_t-1,x_t]+b_o) (5)

h_t＝o_t*tanh(C_t) (6)

其中，W_o为权重，b_o为偏置，h_t表示最终输出值。

步骤四：数据加载，模型训练。训练系数设置为200。生成器对正常声音声谱图进行训练，并保存判别器重构过程图像，输出生成器、判别器及最终目标函数损失值，查看图像重构及损失值情况。

步骤五：参数更新。模型根据初始生成器训练损失及判别器训练损失进行梯度计算，从而进行损失值的不断更新，进行反向传播，直至两个模型都达到最小的损失值，模型更新完成。其中，此外，针对原始损失函数只对图像像素的平均值进行计算无法很好的区分每个图像的相似性及差异性的问题。使用SSIM损失值函数，利用其高斯核卷积思想进行归一化处理来代替。

步骤六：保存模型。通过torch模块的save方法对生成器结果及判别器结果进行模型保存。

步骤七：调用模型，进行预测。若是测试未知类型声音特征，则调用训练好的模型。通过判别器对正常声音与异常声音的重构信号的输出的不同结果进行异常判定。其中可以是正常声音特征与异常随机噪声重构后进行比较；也可以是异常声音特征与正常随机噪声重构后进行比较。由于整个生成器及判别器模型都是对正常声音声谱图进行训练，所以两种方法判别器输出结果都趋近于0。通过比对待分析样本判别器输出结果，与提前设置好的阈值0.5进行比较，最终预测所属声音类别。

步骤八：进行播报。巡检机器人接收正常或异常返回值后通过提前设置好的机器人巡检语音播报功能进行语音播报。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进DCGAN的压缩机异常状态检测方法，其特征在于，包括以下步骤：

采集待检测的压缩机声音，生成未知类型的声谱图；

搭建改进的DCGAN网络模型；其中，在原DCGAN网络模型生成器的输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，在原DCGAN网络模型生成器的判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理；

将未知类型的声谱图输入到训练好的改进的DCGAN网络模型中进行预测，获得所属声音类别，判断压缩机状态是否异常。

2.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述改进的DCGAN网络模型的训练，包括以下步骤：

构建训练集，包括采集的正常压缩机声音，以及混合有随机噪声的压缩机声音，并均进行声谱图生成；

通过生成器训练正常压缩机声音的声谱图数据集，判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练；

根据判别器训练结果及SSIM损失值的梯度计算情况进行前向传播，更新生成器相关参数，完成改进的DCGAN网络模型的训练。

3.根据权利要求2所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述判别器对混合有随机噪声的压缩机声音的声谱图数据集进行训练，包括以下步骤：

通过判别器对正常声音与异常声音的重构信号的输出的不同结果进行异常判定；

其中，正常声音特征与异常随机噪声重构后进行比较，或异常声音特征与正常随机噪声重构后进行比较。

4.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述在生成器输入部分增加LSTM网络结构，用于通过非线性变换提取特征间的关联，包括以下步骤：

调用torch包中的LSTM模块对输入层数据进行格式转换，包括以下步骤：

计算遗忘门，公式如(1)所示：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

其中，σ为sigmoid函数，W_f为权重，h_t-1为t-1时刻的细胞状态，x_t表示当前状态下的输入，b_f为偏置；

计算输入门，公式如(2)、(3)所示：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

其中，W_i、W_c为权重，

表示当下待处理的细胞，b_i、b_c为偏置；

计算更新后时刻细胞状态，公式如(4)所示：

其中，C_t-1表示前一时刻的数值；

计算输出门及输出值，公式如(5)、(6)所示：

o_t＝σ(W_o[h_t-1,x_t]+b_o) (5)

h_t＝o_t*tanh(C_t) (6)

其中，W_o为权重，b_o为偏置，h_t表示最终输出值。

5.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，所述在判别器输入部分增加Inception网络结构，用于对初始输入矩阵进行降维处理，包括以下步骤：

在判别器结构的第一层之前加入Inception模块，将之前层的输入作为自己的输入，给Inception模块输入所需参数所有值，自行确定卷积核位置及是否还需要增加卷积层或池化层，通过Inception网络把所有Inception模块整合到一起。

6.根据权利要求1所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，还包括对所述改进DCGAN模型，设置标签及优化器参数；

更改完网络结构后设置真实标签为“1”，假数据标签为“0”，并设置网络结构优化器；

通过改进DCGAN模型的判别器，对未知类型的声谱图输出预测结果时，与提前设置好的阈值0.5进行比较，小于0.5时，压缩机状态正常，否则压缩机状态为异常。

7.根据权利要求6所述的基于改进DCGAN的压缩机异常状态检测方法，其特征在于，还包括：

通过巡检机器人搭载的拾音器进行压缩机声音的采集，并通过巡检机器人对状态检测结果进行语音播报。

Images