1.一种基于字典学习的无监督异常声检测方法,其特征在于,所述检测方法包括:S1,针对处于运行状态的待检测设备,采集不同频率的机械声音频样本数据,对采集结果进行划分,生成训练集和测试集,其中,训练集中只有正常运行状态下的机械声音频样本,测试集中同时包含正常运行状态和异常运行状态的机械声音频样本;
S2,对训练集中的样本数据进行预处理,分隔得到若干个音频帧;
S3,遍历分隔得到的所有音频帧,对其进行特征提取,将提取的特征进行归一化后导入下述优化关系式,在满足优化关系式的基础上采用K‑SVD算法和OMP算法求解得到音频的本质特征D和训练集稀疏系数X:式中,m为特征维数,N为样本数,K为字典原子数,Y为原始样本Y,D为字典矩阵,F为范数函数运算,i为输入音频样本的下标,ε为收敛到的指定误差;
S4,基于CNN构建3级分类模型,将求解得到的音频的本质特征D和稀疏系数X导入分类模型,对模型进行训练,直至模型收敛;该分类模型用于对导入的测试集稀疏系数X‘进行处理,输出该测试集稀疏系数X‘对应的音频样本的类别,音频样本的类别包括正常音频数据、包含随机噪声的正常音频数据以及其他类型的音频数据三种。
2.根据权利要求1所述的基于字典学习的无监督异常声检测方法,其特征在于,步骤S3中,提取的特征包括用于反映待检测设备运行状态的时域特征参数,以及用于反映设备发生故障位置和原因的频域特征参数。
3.根据权利要求2所述的基于字典学习的无监督异常声检测方法,其特征在于,步骤S1中,所述待检测设备包括风扇和水泵。
4.根据权利要求3所述的基于字典学习的无监督异常声检测方法,其特征在于,步骤S3中,当待检测设备为风扇时,提取的时域特征参数包括峰值指标、波形指标、脉冲指标、峭度、歪度指标和裕度指标,提取的频域特征参数包括均方根频率、均值频率和能量谱特征;
当待检测设备为水泵时,提取的时域特征参数包括峰值指标、波形指标、脉冲指标、峭度、歪度指标和裕度指标,提取的频域特征参数包括均方根频率、均值频率、能量谱特征、频率方差、重心频率和频率标准差。
5.根据权利要求1所述的基于字典学习的无监督异常声检测方法,其特征在于,步骤S2中,所述对训练集中的样本数据进行预处理,分隔得到若干个音频帧的过程包括:遍历训练集中的每个音频样本数据,根据音频长度在时域上对其进行分帧加窗的预处理,再在频域加窗,分隔得到若干个音频帧。
6.根据权利要求1所述的基于字典学习的无监督异常声检测方法,其特征在于,所述分类模型用于对以下三种数据进行分类:正常数据、随机噪声的正常数据和其他类型的数据,并且利用分类模型的中层验证异常检测的有效性。
7.根据权利要求6所述的基于字典学习的无监督异常声检测方法,其特征在于,所述利用分类模型的中层验证异常检测的有效性的过程包括:将通过字典学习和稀疏表示的训练集样本输入到分类模型中,经过模型检测再输出样本数据标签;
对输出的样本数据标签进行分类,与机器运行状态做对比,得出无监督机械故障的准确度数据。
8.一种基于字典学习的无监督异常声检测装置,其特征在于,所述无监督异常声检测装置包括:样本数据采集模块,用于针对处于运行状态的待检测设备,采集不同频率的机械声音频样本数据,对采集结果进行划分,生成训练集和测试集,其中,训练集中只有正常运行状态下的机械声音频样本,测试集中同时包含正常运行状态和异常运行状态的机械声音频样本;
样本数据预处理模块,用于对训练集中的样本数据进行预处理,分隔得到若干个音频帧;
特征提取模块,用于遍历分隔得到的所有音频帧,对其进行特征提取;
字典学习和稀疏表示模块,用于将提取的特征进行归一化后导入下述优化关系式,在满足优化关系式的基础上采用K‑SVD算法和OMP算法求解得到音频的本质特征D和训练集稀疏系数X:式中,m为特征维数,N为样本数,K为字典原子数,Y为原始样本Y,D为字典矩阵,F为范数函数运算,i为输入音频样本的下标,ε为收敛到的指定误差;
分类模型构建模块,用于基于CNN构建3级分类模型,将求解得到的音频的本质特征D和稀疏系数X导入分类模型,对模型进行训练,直至模型收敛;
分类模型,用于对导入的测试集稀疏系数X‘进行处理,输出该测试集稀疏系数X‘对应的音频样本的类别,音频样本的类别包括正常音频数据、包含随机噪声的正常音频数据以及其他类型的音频数据三种。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1‑7中任一项所述的基于字典学习的无监督异常声检测方法。
10.一种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如权利要求1‑7中任一项所述的基于字典学习的无监督异常声检测方法。