CN117423353A - 结合lstm改进ae的机器异常声音检测方法和装置 - Google Patents
结合lstm改进ae的机器异常声音检测方法和装置 Download PDFInfo
- Publication number
- CN117423353A CN117423353A CN202310933970.6A CN202310933970A CN117423353A CN 117423353 A CN117423353 A CN 117423353A CN 202310933970 A CN202310933970 A CN 202310933970A CN 117423353 A CN117423353 A CN 117423353A
- Authority
- CN
- China
- Prior art keywords
- sound
- model
- normal
- detection
- sounds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 3
- 238000011895 specific detection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于异常声音检测技术领域，提供了一种结合长短时记忆网络改进自编码器的机器异常声音检测方法和装置。该方法包括：构建完成数据增强的生成模型和检测异常声音的检测模型，所述生成模型包括先后利用长短时记忆网络和高斯混合模型改进变分自编码器，所述检测模型包括使用长短时记忆网络改进自编码器；获取多个工厂机器的正常和异常声音样本数据集；使用所述生成模型对所述声音样本做数据增强；训练检测模型，并使用所述检测模型检测异常声音。通过上述方式，能够有效提取正常声音特征和重构正常声音，进而有效提高检测多个机器异常声音的检测准确率和通用性。
Description
技术领域
本发明涉及异常声音检测技术领域，尤其涉及一种结合LSTM改进AE的机器异常声音检测方法和装置。
背景技术
随着声音信号高维度、非线性、多项混叠等问题的出现以及深度学习的发展，选择进行声音异常检测的方法已由机器学习转变为利用神经网络去对声音信号进行建模分析。如Marchi等提出使用长短时记忆递归神经网络完成声音的建模任务。
由于工厂机器音频样本不平衡问题，采用无监督学习方式。无监督学习目前主流方式为离群值检测，比如自编码器(auto-encoder，AE)和变分自编码器(Variationalauto-encoder，VAE)。由于AE提取复杂数据潜在特征的能力不足、对噪音干扰敏感以及模型受训练数据体量大小的影响。先后有文献提出DAE和SSFE-AE，DAE通过改变AE结构和神经元分布状态去提高AE对正常声音的特征提取和重构能力。SSFE-AE首先通过对正常声音添加粉噪音构造异常数据，然后将人造的数据和原始数据混合后通过一种自监督提取器(SSFE)提取声音的特征用于训练AE。但是它们进行异常声音检测准确性和通用性仍不够理想，因此，我们基于多个工厂机器声音数据集提出一种分别改进AE和VAE的方法，且将改进的VAE作为生成正常声音的生成模型和改进的AE作为检测待检测声音的检测模型，将两者先后搭配使用从而提高机器异常声音检测的准确率和通用性。
发明内容
本发明的主要目的在于提供一种结合LSTM改进AE的机器异常声音检测方法和装置，旨在解决现有技术中在无监督条件下进行机器异常声音检测准确性和通用性不理想的技术问题，该方法更充分地提取和还原正常声音特征，从而更准确地重构正常声音和检测正常与异常声音，能显著提高异常声音检测准确率。
为实现上述目的，本发明提供了一种结合LSTM改进AE的机器异常声音检测方法。所述方法包括以下步骤：
构建生成正常声音的生成模型，所述生成正常声音的生成模型包括首先利用长短时记忆网络(Long short term memory，LSTM)改进VAE得到LVAE，再将所述LVAE模型和高斯混合模型(GaussianMixture Model，GMM)结合所得生成模型；构建检测待检测声音的检测模型(LAE)，所述检测待检测声音的检测模型包括使用LSTM改进AE得到检测模型(LAE)；获取多个工厂机器的正常和异常声音样本数据集，提取音频样本log-mel特征并将其拼接得到声音处理数据；将所述声音处理数据中的正常声音输入所述生成模型生成人造正常声音；混合所述人造正常声音和声音处理数据，提取其log-mel特征，并将其分为训练数据(正常声音)和测试数据(正常和异常声音)；将所述训练数据放入检测模型(LAE)进行训练和完成建模，得到目标模型；使用所述目标模型检测所述测试数据。
根据本发明的一个实施例，构建生成正常声音的生成模型，所述生成模型具体用于：扩充正常声音样本，以便于检测模型(LAE)充分学习到正常声音的分布空间。包括以下步骤：先后利用LSTM和GMM改进VAE得到生成正常声音的生成模型。
步骤1，用LSTM改进VAE得到LVAE模型，从而提高表征和重构正常声音信息的能力。具体的LSTM改进VAE分为如下几个步骤：
步骤11，结合原始VAE的损失函数并修改LSTM遗忘门f，使得人造数据分布更加均匀，LVAE的损失函数如下
其中，σ2为方差μ为均值。
步骤12，修改所述VAE中隐变量的采样方式，由原来的线性采样改为非线性采样，LVAE采样向量由如下公式计算得到
其中，修改增大了σ项，即增大了采样向量z的采样值，同时，ε的标准差由原来的1改为1.5，均值不变。
步骤13，将所述VAE的解码器和编码器由全连接结构替换为LSTM结构；
具体地，所述改进的VAE第n层编码器输出状态h、状态c和状态o，输出状态o传递给两个全连接层μ和σ层；z层采样向量通过对μ层和σ层输出做非线性变换得到。第n层解码器接受第n层编码器输出状态h与状态c和z层的输出状态o。
步骤2，用GMM改进LVAE得到生成模型，从而减少所述LVAE模型生成正常声音的重构误差。具体的GMM改进LVAE分为如下几个步骤：
步骤21，结合GMM的EM算法中的M步，模型中所述GMM的参数估计如下
其中，
zt为所述LVAE产生的采样向量；γti为样本zt属于第i(i＝1,2,…,m)个高斯分布的后验概率；k表示迭代的次数；T表示zt的维度。
步骤22，使用所述GMM学习所述LVAE编码器生成的正常声音特征向量分布，从而生成人造的特征向量。再将所得人造的特征向量输入所述LVAE的解码器得到与所述输入数据等量的人造正常声音。
根据本发明的一个实施例，构建检测待检测声音的检测模型(LAE)，所述检测模型具体用于：学习正常声音，检测待输入的正常和异常声音。包括以下步骤：利用LSTM改进AE得到检测待检测声音的检测模型(LAE)。
其中，所述用LSTM改进AE具体用于：通过提高表征和重构正常声音信息的能力，更好地达到检测正常与异常声音的检测效果。包括以下步骤：将AE的解码器和编码器由全连接结构替换为LSTM结构得到检测模型(LAE)。
具体地，所述改进的AE第n层编码器输出状态h、状态c和状态o，状态o输入瓶颈层，第n层解码器接受状态h与状态c和瓶颈层输出的状态o，设置输出层输入为解码器第n层状态h的输出。
根据本发明的一个实施例，使用所述检测模型(LAE)检测待检测声音，具体用于：将重构误差和检测阈值比较以检测正常和异常声音。包括以下步骤：将测试数据(正常和异常声音)输入检测模型完成检测。
具体地，检测模型完成检测包含以下步骤：
步骤1，所述检测模型(LAE)特征提取和重构待检测声音；
步骤2，所述检测模型(LAE)利用所述待检测声音与其重构声音数据的差异计算重构误差；
步骤3，所述检测模型(LAE)将所述重构误差和检测阈值进行比较以检测正常和异常声音，当所述重构误差高于所述检测阈值时，将检测到的声音判别为异常声音，否则为正常声音。
本发明还提出了一种结合LSTM改进AE的机器异常声音检测装置，包括构建模型模块：构建生成正常声音的生成模型和检测正常和异常声音的检测模型(LAE)；获取数据模块：用来获取用于生成的声音数据和用于检测的声音数据；数据生成模块：用来将所述正常声音处理数据输入所述生成模型生成人造正常声音；模型训练模块：用来基于所述LVAE的参数，使用所述训练数据训练所述声音检测模型(LAE)并完成建模，得到用于检测待检测声音的目标模型；异常检测模块：使用所述目标模型重构所述测试数据并计算重构误差，同时目标模型根据所述检测阈值检测输入声音是否为异常声音。
本发明具有能有效提取正常声音特征和重构正常声音的优点，进而有效提高检测多个机器的待检测正常和异常声音的检测准确率。
附图说明
图1是本发明方法的流程示意图；
图2为检测模型(LAE)结构示意图；
图3为本专利模型结构示意图；
图4为本发明装置的组成结构框图。
具体实施方式
以下结合附图对发明技术方案进行说明。
本发明实施例提供一种结合LSTM改进AE的机器异常声音检测方法和装置。
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。
本发明的基本流程如图1所示，本发明构建的模型完整结构参阅图3，首先构建生成正常声音的生成模型；紧接着构建检测待检测声音的检测模型(LAE)；然后获取多个工厂机器的正常和异常声音样本数据集，提取音频样本log-mel特征并将其拼接得到声音处理数据；并将所述声音处理数据中的正常声音输入所述生成模型生成人造正常声音；混合所述人造正常声音和声音处理数据，提取其所述log-mel特征，并将其分为训练数据(正常声音)和测试数据(正常和异常声音)；将所述训练数据放入检测模型(LAE)进行训练并完成建模，得到目标模型；最后使用所述目标模型检测所述测试数据。其具体步骤如下。
步骤1，构建生成正常声音的生成模型，包括首先利用LSTM改进VAE得到LVAE，再将所述LVAE模型和GMM结合所得生成模型。
具体地，包含以下步骤：
步骤11，结合原始VAE的损失函数并修改LSTM遗忘门f，使得人造数据分布更加均匀，LVAE的损失函数如下
其中，σ2为方差μ为均值。
步骤12，修改所述VAE中隐变量的采样方式，由原来的线性采样改为非线性采样，LVAE采样向量由如下公式计算得到
其中，修改增大了σ项，即增大了采样向量z的采样值，同时，ε的标准差由原来的1改为1.5，均值不变。
步骤13，将所述VAE的解码器和编码器由全连接结构替换为LSTM结构得到所述LVAE模型；
具体地，所述改进的VAE第n层编码器输出状态h、状态c和状态o，输出状态o传递给两个全连接层μ和σ层；z层采样向量通过对μ层和σ层输出做非线性变换得到。第n层解码器接受第n层编码器输出状态h与状态c和z层的输出状态o。
步骤14，结合GMM的EM算法中的M步，模型中GMM的参数估计如下
其中，
zt为所述LVAE产生的采样向量；γti为样本zt属于第i(i＝1,2,…,m)个高斯分布的后验概率；k表示迭代的次数；T表示所述zt的维度。
步骤15，利用GMM学习LVAE生成的正常声音特征向量分布，并生成特征向量输入LVAE的解码器以协助LVAE生成误差更小的正常声音。
步骤2，构建检测待检测声音的检测模型(LAE)，图2是检测待检测声音的检测模型的结构示意图，所述构建检测模型(LAE)包括将AE的解码器和编码器由全连接结构替换为LSTM结构得到所述检测模型(LAE)。
具体地，所述改进的AE第n层编码器输出状态h、状态c和状态o，状态o输入瓶颈层，第n层解码器接受状态h与状态c和瓶颈层输出的状态o，设置输出层输入为解码器第n层状态h的输出。
步骤3，获取多个工厂机器的正常和异常声音样本数据集，提取音频样本log-mel特征并将其拼接得到声音处理数据。
具体地，包含以下步骤：
步骤31，设置采样窗口的长度、帧间移动和滤波器的数量，使用原始音频采样频率提取log-mel频谱特征；
步骤32，单个音频文件生成二维数据，并将连续log-mel频谱特征拼接为一个窗口帧，形成新的二维数据，作为声音处理数据；
具体的，一个窗口帧的大小是一个log-mel频谱特征的5倍。
步骤4，将所述声音处理数据中的正常声音输入所述生成模型生成人造正常声音。
具体地，包含以下步骤：
步骤41，将步骤3中所得声音处理数据中的正常声音输入所述LVAE的编码器生成正常声音特征向量分布；
步骤42，将步骤41中所得正常声音特征向量分布输入所述GMM生成人造特征向量；
步骤43，将所述步骤42中GMM生成的人造特征向量输入所述LVAE的解码器中，得到与所述输入数据等量的人造正常声音；
步骤5，混合所述人造正常声音和声音处理数据，提取其所述log-mel特征，并将其分为训练数据(正常声音)和测试数据(正常和异常声音)。
具体地，混合所述步骤4所得的人造正常声音和步骤3所得的声音处理数据，预处理和提取其所述log-mel特征。拼接连续log-mel频谱特征为一个窗口帧，形成新的二维数据，为了得到训练数据和测试数据将其分为两组：大部分正常声音分为训练数据，异常声音和其余小部分正常声音分为测试数据。
步骤6，将所述训练数据(正常声音)放入检测模型(LAE)进行训练并完成建模，得到目标模型。
具体地，包含以下步骤：
步骤61，将步骤5所得的训练数据输入所述检测模型(LAE)进行训练并完成建模，得到所述训练数据的潜在特征分布；
具体地，将所述LVAE编码器和解码器的参数作为检测模型(LAE)编码器和解码器的初始化参数；
步骤62，所述检测模型(LAE)依据所述训练数据的潜在特征分布计算所述训练数据的重构误差分布；
具体地，使用对异常值更加敏感的均方根误差计算检测模型(LAE)的重构误差。
步骤63，所述检测模型(LAE)根据所述重构误差分布设定检测阈值，其中设定的检测阈值位于异常和非异常声音分界点；
步骤7，使用所述目标模型检测所述测试数据。
具体地，将步骤5所得测试数据(正常和异常声音)输入步骤6所得目标模型，目标模型完成的工作包含以下步骤：
步骤71，所述目标模型提取所述测试数据特征和重构所述测试数据；
步骤72，所述目标模型利用输入的测试数据与其重构数据的差异计算重构误差；
步骤73，所述目标模型将所述重构误差和步骤63设定的检测阈值进行比较以检测正常和异常声音，当所述重构误差高于所述检测阈值时，所述目标模型将检测到的声音判别为异常声音，否则为正常声音。
具体实施时，本发明所提供的方法可基于软件实现自动运行流程，也可采用模块化方式实现对应的装置。图4为本发明装置实施例的组成结构框图，本发明实施例提供一种结合LSTM改进AE的机器异常声音检测装置，包含以下模块：
构建模型模块，构建生成正常声音的生成模型和检测正常与异常声音的检测模型(LAE)；
获取数据模块：用来获取用于生成的声音和用于检测的声音数据；
数据生成模块：用来将所述正常声音处理数据输入所述生成模型生成人造正常声音；
模型训练模块：用来基于所述LVAE的参数，使用所述训练数据训练所述检测模型(LAE)并完成建模，得到用于声音检测的目标模型；
异常检测模块：使用所述目标模型重构所述测试数据并计算重构误差，同时目标模型根据所述检测阈值检测输入声音是否为异常声音。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种结合LSTM改进AE的机器异常声音检测方法，其特征在于，构建生成正常声音的生成模型，以生成人造正常声音，包括：所述生成正常声音的生成模型包括首先利用长短时记忆网络(Long short term memory，LSTM)改进VAE得到LVAE，再将所述LVAE模型和高斯混合模型(Gaussian Mixture Model，GMM)结合所得生成模型，具体的构建步骤如下：
步骤1，使用LSTM改进VAE得到LVAE模型，具体的改进步骤如下：
步骤11，结合原始VAE的损失函数并修改LSTM遗忘门f，使得人造数据分布更加均匀，LVAE的损失函数如下
其中，σ2为方差μ为均值。
步骤12，修改所述VAE中隐变量的采样方式，由原来的线性采样改为非线性采样，LVAE采样向量由如下公式计算得到
其中，修改增大了σ项，即增大了采样向量z的采样值，同时，ε的标准差由原来的1改为1.5，均值不变。
步骤13，将所述VAE的解码器和编码器由全连接结构替换为LSTM结构；
具体地，所述改进的VAE第n层编码器输出状态h、状态c和状态o，输出状态o传递给两个全连接层μ和σ层；z层采样向量通过对μ层和σ层输出做非线性变换得到。第n层解码器接受第n层编码器输出状态h与状态c和z层的输出状态o。
步骤2，使用GMM改进LVAE得到生成模型，具体的改进步骤如下：
步骤21，结合GMM的EM算法中的M步，模型中所述GMM的参数估计如下
其中，
zt为所述LVAE产生的采样向量；γti为样本zt属于第i(i＝1,2,…,m)个高斯分布的后验概率；k表示迭代的次数；T表示zt的维度。
步骤22，使用所述GMM学习所述LVAE编码器生成的正常声音特征向量分布，从而生成人造的特征向量。再将所得人造的特征向量输入所述LVAE的解码器得到与所述输入数据等量的人造正常声音。
2.一种结合LSTM改进AE的机器异常声音检测方法，其特征在于，构建检测待检测声音的检测模型(LAE)，以学习正常声音和检测待输入的正常与异常声音，包括：使用LSTM改进自编码器(auto-encoder，AE)得到检测待检测声音的检测模型(LAE)，具体的改进步骤如下：将AE的解码器和编码器由全连接结构替换为LSTM结构得到所述检测模型(LAE)；
具体地，所述改进的AE第n层编码器输出状态h、状态c和状态o，状态o输入瓶颈层，第n层解码器接受状态h与状态c和瓶颈层输出的状态o，设置输出层输入为解码器第n层状态h的输出。
3.一种结合LSTM改进AE的机器异常声音检测方法，其特征在于，检测模型(LAE)检测待检测声音，包括检测模型(LAE)将重构误差和检测阈值比较以检测正常和异常声音，具体的检测步骤如下：
步骤1，所述检测模型(LAE)特征提取和重构待检测声音；
步骤2，所述检测模型(LAE)利用所述待检测声音与其重构声音的差异计算重构误差；
步骤3，所述检测模型(LAE)将所述重构误差和检测阈值进行比较以检测正常和异常声音，当所述重构误差高于所述检测阈值时，将检测到的声音判别为异常声音，否则为正常声音；
其中，检测阈值是对检测模型(LAE)进行训练并完成建模时检测模型(LAE)根据所述重构误差分布设定得来，并且设定的检测阈值位于异常和非异常声音分界点。
4.根据权利要求1至3中所述的结合LSTM改进AE的机器异常声音检测方法，其特征在于，所述构建机器异常声音检测模型，包括：
构建生成正常声音的生成模型；
构建检测正常和异常声音的检测模型(LAE)；
获取多个工厂机器的正常和异常声音样本数据集，提取音频样本log-mel特征并将其拼接得到声音处理数据；
将所述声音处理数据中的正常声音输入所述生成模型生成人造正常声音；
混合所述人造正常声音和声音处理数据，提取其所述log-mel特征，并将其分为训练数据(正常声音)和测试数据(正常和异常声音)；
将所述训练数据放入检测模型(LAE)进行训练并完成建模，得到目标模型；
使用所述目标模型检测所述测试数据。
5.一种结合LSTM改进AE的机器异常声音检测装置，其特征在于，包括：
构建模型模块，构建生成正常声音的生成模型和检测正常与异常声音的检测模型(LAE)；
获取数据模块：用来获取用于生成的声音数据和用于检测的声音数据；
数据生成模块：用来将所述正常声音处理数据输入所述生成模型生成人造正常声音；
模型训练模块：用来基于所述LVAE的参数，使用所述训练数据训练所述检测模型(LAE)并完成建模，得到用于声音检测的目标模型；
异常检测模块：使用所述目标模型重构所述测试数据并计算重构误差，同时目标模型根据所述检测阈值检测输入声音是否为异常声音。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310933970.6A CN117423353A (zh) | 2023-07-27 | 2023-07-27 | 结合lstm改进ae的机器异常声音检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310933970.6A CN117423353A (zh) | 2023-07-27 | 2023-07-27 | 结合lstm改进ae的机器异常声音检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117423353A true CN117423353A (zh) | 2024-01-19 |
Family
ID=89527260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310933970.6A Pending CN117423353A (zh) | 2023-07-27 | 2023-07-27 | 结合lstm改进ae的机器异常声音检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423353A (zh) |
-
2023
- 2023-07-27 CN CN202310933970.6A patent/CN117423353A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| Ren et al. | A batch-wise LSTM-encoder decoder network for batch process monitoring | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN113284046B (zh) | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 | |
| EP4050518A1 (en) | Generation of realistic data for training of artificial neural networks | |
| CN113889198A (zh) | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN116757062A (zh) | 电力负荷频率特性分析方法、装置、设备和存储介质 | |
| CN116821697A (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
| CN116223020A (zh) | 基于Li-MDCCAN的齿轮箱智能故障诊断方法 | |
| CN116340881A (zh) | 一种气体传感器阵列自适应后融合检测方法 | |
| CN115859702A (zh) | 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统 | |
| CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 | |
| CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
| CN117330890A (zh) | 输电线路故障诊断系统及方法 | |
| CN117423353A (zh) | 结合lstm改进ae的机器异常声音检测方法和装置 | |
| CN112036240A (zh) | 一种基于分频算法诊断下机架松动故障的方法及系统 | |
| CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| Ying et al. | Stacked supervised auto-encoder with deep learning framework for nonlinear process monitoring and fault detection | |
| Gao et al. | A Novel Directed Graph Convolutional Neural Network for Rolling Bearings in Fault Diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |