[发明专利]一种DBSCAN进行异常声音特征的无监督算法

说明书

本发明公开了一种DBSCAN进行异常声音特征的无监督算法，包括以下步骤：S1、将声音的光谱形状和时间形态作为机器学习的声学特征，来识别输入的音频数据的物理特性，并采用Peeter's声学特徵提分类方法提取声学特征来识别异常声音。本发明集成了增量PCA和DBSCAN聚类，在提取机器声音的声学特征后检测异常声音，能够在不需要高计算能力的情况下实现高性能，能够训练大型正常数据集，根据转换后的音频信号提取声音特征，并检测小型异常数据进入时的异常性，该算法采用局部聚类准则，基于IPCA的DSBCAN采用密度和半径的线性优化计算，经过训练后正确找到所有聚类，达到高稳定性，新算法的体系结构采用了噪声调节方法，使背景噪声免受异常声音观测的影响。

技术领域

本发明涉及异常声音检测算法技术领域，具体为一种DBSCAN进行异常声音特征的无监督算法。

背景技术

物联网是指与设备启用相关的计算，这些设备能够在没有人类直接参与的情况下与内部或外部环境通信数据，异常声音检测(ASD)是这类设备的一种，它作为一种“智能”传感器，通过机器学习方法检测来自目标机器的异常声音，这有助于机器的操作人员避免由于高级检测而造成的额外损失。随着深度学习和人工智能的广泛采用，以缓解保持和扩大当前生产规模的劳动力需求不断增加与市场上劳动力减少的现实之间的冲突，ASD正成为现代产业的重要元素。

现有技术中，如中国专利号为：CN110706720A的“一种端到端无监督深度支撑网络的声学异常检测方法”，其步骤如下：将声学信号转化为梅尔频谱的声学谱图信号；将搜集到的声音信号划分为训练、验证、测试集，其中验证集负责用来确定异常阈值；构建无监督的深度支撑网络，包括特征学习网络负责提取声学特征，深度检测网络负责判决声音信号是否异常；构建深度支撑网络的损失函数，包括特征学习的最小二乘损失函数，以及深度检测网络的软间隔铰链损失函数；训练验证集，计算最优检测阈值；采用训练好的深度支撑网络定量计算声学的异常值。

但现有技术在实际应用时，利用异常声音检测提取设备声音数据特征，然后观察和检测目标机械发出的异常声音，作为目标运行状态的预警依据，发给操作员，工厂内的所有机械都可能发生故障，这给公司造成了潜在的损失风险，声学监测传感器可以在故障真正发生之前检测到机器状态的异常变化，但是对预测性维护的需求是巨大的，由于缺乏人性化的环境或熟练工人，维修服务的质量将受到重大影响；除了预测性维护的成本较低外，由于设备事故造成的死亡和严重伤害的风险降低是在维护实践中实施异常声音检测技术的另一个重要原因；然而，尽管随着工业4.0和物联网的发展，异常声音检测仍面临着相当多的挑战，而这些挑战主要与数据收集的限制有关，如不平衡训练数据集、高性能稳定性、硬编码体系结构、噪音、计算成本。

所以我们提出了一种DBSCAN进行异常声音特征的无监督算法，以便于解决上述中提出的问题。

发明内容

本发明的目的在于提供一种DBSCAN进行异常声音特征的无监督算法，以解决上述背景技术提出的问题。

为实现上述目的，本发明提供如下技术方案：一种DBSCAN进行异常声音特征的无监督算法，包括以下步骤：

S1、将声音的光谱形状和时间形态作为机器学习的声学特征，来识别输入的音频数据的物理特性，并采用Peeter's声学特征分类方法提取声学特征来识别异常声音；

S2、采用增强的增量主成分分析方法进行降维，并根据不同机器类型的最优历史结果，采用遗传算法选择IPCA的输入参数；

S3、基于密度的噪声应用程序的空间聚类，DBSCAN基于密度的聚类算法，通过低密度区域分离聚类。

优选的，在步骤S1中，所述音频数据的物理特性分为时域或频域和时域，基于不同的计算范围，区分时间扩展有效性的全局描述符计算整个信号和瞬时描述符计算每个时间帧。

优选的，在步骤S1中，描述符包括时间形状、光谱形状特征、谐波特性、强度和派生特征，所述进一步的机器学习处理的描述符包括：