[发明专利]一种可迁移的特征自动选取声学诊断方法及系统

说明书

本发明涉及声学诊断领域，提供一种可迁移的特征自动选取声学诊断方法及系统，包括：S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；S3：通过所述最优特征子集构建特征矩阵；S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。本发明通过SFS‑SVM模型、SFS‑KNN模型、RFE‑RF模型、RFE‑XGB模型和MIC模型综合构建的混合特征选择模型，可以将多种特征选择方法获得的选择结果进行综合分析，获得最佳的声学诊断，极大的提高了声学诊断结果的鲁棒性。

技术领域

本发明涉及声学诊断领域，尤其涉及一种可迁移的特征自动选取声学诊断方法及系统。

背景技术

基于声学特征的诊断主要包含特征提取和分类识别两个部分。当某一设备在运行的过程中，会由振动产生声信号，声信号中包含着设备的状态信息。当设备的某一状态发生变化时，其声信号的某些特征也会发生相应的变化。特征提取，是声学诊断中最具难点的部分，其任务在于利用一系列有目的的数据运算方式对信号进行处理，使信号更加接近纯粹本质的信息。

而声音信号的特征参数一般可以分为时域特征、频域特征等类型，特征的种类繁多，如何使提取的特征更有利于后续的分类识别是整个声学诊断的核心。因此，声学特征选择技术在声学诊断领域尤为重要。

目前，声学诊断领域选取声学信号的特征大多是凭借专家经验进行选取，而特征选择对模型性能有着直接的影响。如果选取的特征不合适或者特征选取不足，可能不能准确的涵盖故障信息，如果选取的特征过多又会使数据包含许多无关特征和冗余特征，直接使用这样的训练数据不但会消耗大量的计算资源，而且可能给模型带来过拟合的风险。

所以需要研究合适的特征选择方法来优选特征。由于单一的特征选择方法在空间中搜索的能力有限，不同的特征选择方法可能产生不同的选择结果。

因此，单一的特征选择方法可能会在筛选特征过程中忽略一些潜在信息，存在容易陷入局部最优，鲁棒性较差的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

为解决上述技术问题，本发明提供一种可迁移的特征自动选取声学诊断方法，包括：

S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；

S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；

S3：通过所述最优特征子集构建特征矩阵；

S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。

优选的，步骤S1具体为：

S11：对所述原始音频依次进行预加重处理、分帧处理和加窗处理，获得预处理后的音频；

S12：从所述预处理后的音频中提取声学特征，所述声学特征包括：时域特征、频域特征、小波域特征和波形特征。

优选的，所述混合特征选择模型包括：SFS-SVM模型、SFS-KNN模型、RFE-RF模型、RFE-XGB模型和MIC模型。

优选的，步骤S2具体为：

S21：通过SFS-SVM模型计算获得SFS-SVM模型准确率达到最高时所用的特征集合F_T1，通过SFS-KNN模型计算获得SFS-KNN模型准确率达到最高时所用的特征集合F_T2；

S22：通过RFE-RF模型计算获得RFE-RF模型准确率达到最高时所用的特征集合F_T3，通过RFE-XGB模型计算获得RFE-XGB模型准确率达到最高时所用的特征集合F_T4；