[发明专利]基于深度学习及OOD技术的无监督工业机器声音异常检测方法

说明书

本发明公开一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法，包括以下步骤：在音频分类模型的最后全连接层的前后增加ReAct模块及Energy模块作为两个OOD模块；检测时，将待检测声音数据的频谱特征图输入至音频分类模型，经过特征提取部分提取特征向量，提取的特征向量经过ReAct模块进行min修饰后输入至全连接层计算logits向量，Energy模块根据输入的logits向量计算能量分数，依据能量分数确定异常检测结果，该方法可以实现对工业机器声音的无监督异常检测。

技术领域

本发明属于机械故障检测领域，具体涉及一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法。

背景技术

通过声音来检测机械故障在工业应用中是一种非常重要的技术。目前使用深度学实现异常声音检测方法主要分为两类：第一类为同时使用正常和异常数据训练异常检测模型的监督方法，例如专利文献CN109192222A公开的一种基于深度学习的声音异常检测系统，再例如专利文献CN111259921A公开的一种基于改进小波包和深度学习的变压器声音异常检测方法；第二类为只使用正常数据训练的无监督方法。在现实工厂中，实际异常的声音很少发生，并且高度多样化，难以预测，不可能人为故意制造或收集异常声音的所有模式。因此无监督方法是目前更具有前景的方案，但目前对于工业机器声音无监督异常检测的相关研究仍然较少。

目前声音异常检测多基于Autoencoder等生成式模型，该种模型做异常检测时具有较难收敛，迁移性较差的缺点。

另一方面随着深度学习的发展，神经网络对于图像深度特征的提取能力迅速提升，相关领域如图像分布外(Out ofDistribution,OOD)检测研究热度持续增高，已有许多优秀的工作。

所谓图像分布外检测技术是基于工业视觉领域的一个常见问题：在实际检测场景中常常会采集到目标类别之外的图像，其未在训练集中出现，也不是我们期望的输入。若将其输入到模型中，无论输出是什么都会对我们最终得到的结果产生干扰，因此需要将其检测出来。OOD技术总的思路是结合分类模型的信息对训练集的分布进行估计，并判断输入的数据是否与训练集的分布一致，若一致则为分布内数据(In Distribution,ID)，否则为域外数据(Out of Distribution,OOD)。

发明内容

鉴于上述，本发明目的是提供一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法，通过在音频分类模型中加入OOD模块，实现对工业机器声音的无监督异常检测。

为实现上述发明目的，实施例提供的一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法，包括以下步骤：

利用数据集对卷积神经网络进行预训练；

对工业机器声音异常检测公开数据中正常声音数据进行频谱特征图提取，并对频谱特征图进行数据增强；

将预训练的卷积神经网络迁移构建每种机器对应的分类网络，包括：以预训练的卷积神经网络除最后全连接层外的所有层作为特征提取部分，并在特征提取部分之后增加一新全连接层形成分类网络，该新全连接层的节点数与机器对应的ID类别相等，随机初始化新全连接层权重参数；

利用数据增强的频谱特征图在ID类别标签的监督下对分类网络进行再训练，训练后的每个分类网络作为每种机器对应的音频分类模型；

在音频分类模型的最后全连接层的前后增加ReAct模块及Energy模块作为两个OOD模块；

检测时，将待检测声音数据的频谱特征图输入至音频分类模型，经过特征提取部分提取特征向量，提取的特征向量经过ReAct模块进行min修饰后输入至全连接层计算logits向量，Energy模块根据输入的logits向量计算能量分数，依据能量分数确定异常检测结果。

优选地，所述卷积神经网络采用PANNs-CNN14。