[发明专利]一种异常声音检测方法及异常声音检测装置

说明书

本发明提供了一种异常声音检测方法，包括将待测音频特征参数与正常音频特征标准库中的标准音频特征参数进行KL散度对比，判定是否需要进行异常声音准确判定；若待测音频特征参数的KL散度与标准音频特征参数的KL散度差值小于预设阈值，则输出待测音频信号为正常音频信号的结果；若待测音频特征参数的KL散度与标准音频特征参数的KL散度差值大于预设阈值，则进行异常声音准确判定。异常声音准确判定是一个基于双层结构的分类器，能够实现异常声音信号的类型判定。同时本发明还提供了一种异常声音检测装置。本发明提供的异常声音检测方法和异常声音检测装置，能够实时、快速的判断待测音频信号是正常音频信号还是异常音频信号。

技术领域

本发明涉及音频信号处理领域，特别涉及一种异常声音检测方法和异常声音检测装置。

背景技术

随着生产制造领域技术的提升，越来越多的大型设备得以进入生产车间。但因其高精度、高复杂度、高昂的维护费用，及非常规性停机造成巨大的经济损失。因此，需要通过自动化方法进行实时监控当前设备的运行状态。传统的基于传感器和视频监控目前得到了广泛的应用，但通常情况下传感器由于种种故障而先于设备失效，而视频监控更大的意义在于对设备出现故障后进行回看检查。基于异常声音检测的方法能够实时地捕获设备由于非正常工作所产生的异常声音。基于异常声音的检测方法是通过分析设备运行时声音特征，跟设备正常运行时声音特征进行对比，如果两种声音信号区别较大，则表明当前设备处于异常状态；否则，当前设备处于正常状态。当系统判定出设备处于异常工作状态时，能够及时准确地给出报警提示。

目前主流的异常声音检测的技术方案是利用分类的方法对捕获的音频信号与正常工作状态下的信号进行对比分析。其中，在音频信号的特征抽取中，过零率，Mel倒谱系数(MFCC)及其导数，小波系数及其以均值、方差为代表的统计学参数，信号能量等属性应用广泛；在参数抽取中以Gaussian混合模型和隐马尔科夫模型应用最为广泛；在分类过程中，以人工神经网络和支持向量机最为应用广泛。

这些分类方法在固定数据集经过一定次数的训练后，基本上都能够取得较好的分类效果。但在实际应用中，分类方法存在一个典型的缺点，需要使用分类器结合训练数据集进行相关的训练，而在实际环节中，因设备的异常状态而产生的异常声音在获取时有一定的难度，且在训练前需要使用多个类型的异常数据，这在客观情况下增加了问题的难度。

发明内容

本发明旨在至少解决上述技术问题之一，提供一种能够实时、快速的判断待测音频信号是正常音频信号还是异常音频信号的异常声音检测方法和异常声音检测装置。

为实现上述目的，本发明采用以下技术方案：

本发明提供了一种异常声音检测方法，包括以下步骤：

步骤一，建立音频库；建立正常音频特征标准库和异常音频特征标准库；

步骤二，采集分析音频信号；采集待测音频信号，去除噪声，获取有效待测音频信号；抽取有效待测音频信号的待测音频特征参数；

步骤三，快速判定异常声音；将待测音频特征参数与正常音频特征标准库中的标准音频特征参数进行KL散度对比，判定是否需要进一步执行异常声音准确判定；

若待测音频特征参数的KL散度与标准音频特征参数的KL散度差值小于预设阈值，则输出待测音频信号为正常音频信号的结果；

若待测音频特征参数的KL散度与标准音频特征参数的KL散度差值大于预设阈值，则进行异常声音准确判定；

步骤四，进行异常声音准确判定；使用正常声音数据特征和异常声音数据特征训练一个基于分层结构的分类模型，如果分类模型准确率能够达到预先设定的指标，则认为分类模型训练完成；

将待测音频特征参数输入训练好的分类模型进行异常声音判定；

若判定结果为异常音频信号，则输出当前待测音频信号为异常信号；