一种基于深度学习的设备声音分类方法与流程

本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的设备声音分类方法。

背景技术：

随着现代工业的发展，机械设备成为生产制造、日常生活中不可或缺的一部分。

在设备的使用过程中，因温度、湿度、地理位置等各种自然因素和人为因素的影响，机械设备容易出现磨损、老化等诸多问题。机器设备故障诊断是一个非常复杂的从现象发现原因的过程，尽管目前有很多关于机器设备故障诊断的研究，但由于故障类型众多，故障的发生存在偶然性或随机性，同时又由于机器设备本身的复杂性，使得机器设备故障发现及诊断仍然是一个待突破的问题。由于机械设备工作时必然会发出声音，有经验的维修人员可以通过设备声音进行设备工作状态的判断。但人工判断主观性强，引用场景优先，不利于大规模推广。

因此，有必要提出一种改进，以克服现有技术缺陷。

技术实现要素：

本发明的目的是解决现有技术中的问题，提供一种基于深度学习的设备声音分类方法。

本发明的技术方案是：

一种基于深度学习的设备声音分类方法，包括以下步骤：

s1、建立深度学习设备声音分类模型；

s2、采集设备各种状态下的不同声音数据，并对所述不同声音数据进行数据清洗，标记，形成设备声音训练数据；

s3、使用所述设备声音训练数据训练所述深度学习设备声音分类模型，所述深度学习设备声音分类模型经过训练后，将设备声音与所述设备声音训练数据中的标记产生关联；

s4、采集设备运行声音，将所述设备运行声音输入所述训练后的深度学习设备声音分类模型，所述深度学习设备声音分类模型输出所述设备运行声音的标记，根据标记将所述设备运行声音进行分类。

作为一种优选的技术方案，还包括以下步骤：s5、搭建基于深度学习的设备声音分类系统；所述基于深度学习的设备声音分类系统包括声音采集模块，计算模块及输出模块，所述计算模块为计算机模块或云计算模块。

作为一种进一步优选的技术方案，所述步骤s5设置于所述步骤s4之前。

作为一种优选的技术方案，所述步骤s2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。

作为一种优选的技术方案，所述步骤s2中，对所述不同声音数据进行标记包括以下步骤：

s2a、根据设备运行的不同状态，建立设备状态分类标准；

s2b、将设备运行状态各种不同的声音与设备状态分类标准进行对应；

s2c、将所述不同声音数据基于所述设备状态分类标准进行标记分类，所述设备状态分类标准中每一设备状态分类下均有对应声音数据，所有标记分类后的声音数据组成设备声音训练数据；

作为一种进一步优选的技术方案，所述步骤s2c中“将所述不同声音数据基于所述设备状态分类标准进行标记分类”为将所述不同声音数据对应的声音波形与所述设备状态分类标准进行对应并标记分类。

作为另一种进一步优选的技术方案，所述步骤s2a中，所述设备的不同状态包括设备正常状态、异常状态。

作为一种更进一步优选的技术方案，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。

作为再一种进一步优选的技术方案，所述步骤s2c“所述设备状态分类标准中每一设备状态分类下均有对应声音数据”中，每一设备状态分类下均有多条对应声音数据。

作为一种优选的技术方案，所述步骤s2“采集设备各种状态下的不同声音数据”中，所述不同声音数据的数据量不少于1000。

本发明的一种基于深度学习的设备声音分类方法，采用深度学习的方法将设备运行声音进行分类，对设备的工作声音采集后进行判断，输出设备运行状态。设备运行状态可以包括设备异常及异常的具体原因，从而可以对机械设备进行状态监控。本申请的基于深度学习的设备声音分类方法可以自动将设备运行声音进行分类输出对应结果，不需人工参与，节省人力的同时判断准确性和科学性更高。

附图说明

图1为本发明一种基于深度学习的设备声音分类方法具体实施方式流程框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

如图1所示，为本发明的一种基于深度学习的设备声音分类方法，其特征在于：包括以下步骤：

s1、建立深度学习设备声音分类模型；

s2、采集设备各种状态下的不同声音数据，并对所述不同声音数据进行数据清洗，标记，形成设备声音训练数据；

s3、使用所述设备声音训练数据训练所述深度学习设备声音分类模型，所述深度学习设备声音分类模型经过训练后，将设备声音与所述设备声音训练数据中的标记产生关联；

s4、采集设备运行声音，将所述设备运行声音输入所述训练后的深度学习设备声音分类模型，所述深度学习设备声音分类模型输出所述设备运行声音的标记，根据标记将所述设备运行声音进行分类。

本发明公开了一种基于深度学习的设备声音分类方法，通过建立深度学习设备声音分类模型，并对该深度学习设备声音分类模型进行数据训练后，将模型设置于后台，模型可以自动识别采集到的需要分类的设备运行声音并对其进行分类。

在实际应用中，为了节省项目时间，可以将步骤s1、s2同步进行。

为了使本发明的一种基于深度学习的设备声音分类方法运行，需要搭建对应的硬件设备，因此，本发明的一种基于深度学习的设备声音分类方法还包括以下步骤：s5、搭建基于深度学习的设备声音分类系统；所述基于深度学习的设备声音分类系统包括声音采集模块，计算模块及输出模块，所述计算模块为计算机模块或云计算模块。

其中声音采集模块可以为麦克风等声音传感器。计算模块可以为计算机模块、云计算模块、具有计算能力的工控机及计算机，或其他具有数据分析功能、包括信息处理、信息存储功能的装置。

在实际应用中，步骤s5的“搭建基于深度学习的设备声音分类系统”在步骤s4之前完成即可。也即步骤s1、s2及s3与步骤s5之间没有必然的时间顺序上的关联。

作为优选的技术方案，所述步骤s2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。所述将所述不同的声音数据进行处理和裁剪包括对所述不同的声音数据进行波形分析、处理和裁剪；使所述不同的声音数据波形的波形特征更加明显，以便于数据标记时的区分。例如，可以对所述不同声音数据进行波形数字处理，采用数学的方法对声音数据进行数据清洗和进一步处理，裁剪出相关性最强的声音数据波形。

数据清洗之后，需要对数据进行标记，以将声音数据进行分类及与设备运行状态进行关联。所述步骤s2中，对所述不同声音数据进行标记包括以下步骤：

s2a、根据设备运行的不同状态，建立设备状态分类标准；

s2b、将设备运行状态各种不同的声音与设备状态分类标准进行对应；

s2c、将所述不同声音数据基于所述设备状态分类标准进行标记分类，所述设备状态分类标准中每一设备状态分类下均有对应声音数据，所有标记分类后的声音数据组成设备声音训练数据。

对不同的声音数据进行标记的目的是将设备运行的不同状态与声音数据进行关联对应，建立起标准的声音数据与设备运行状态的关系。一般情况下，需要人工手动地将不同的声音数据根据设备状态分类标准进行标记。更为具体的，所述步骤s2c中“将所述不同声音数据基于所述设备状态分类标准进行标记分类”为将所述不同声音数据对应的声音波形与所述设备状态分类标准进行对应并标记分类。

此处的设备状态为设备运行时的各种状态，也即所述步骤s2a中，所述设备的不同状态包括设备正常状态、异常状态。正常状态可以包括无负荷状态，轻负荷状态，正常负荷状态等，异常状态还可以包括各种故障状态、待保养状态、超负荷状态等。为了能够将声音数据与不同的异常状态进行准确关联，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。

为了提高声音分类的准确性，作为深度学习的基础，所述步骤s2c“所述设备状态分类标准中每一设备状态分类下均有对应声音数据”中，每一设备状态分类下均有多条对应声音数据。

为了能够保证深度学习设备声音分类模型训练的效果，保证基于深度学习的设备声音分类模型的准确性，作为深度学习的基础，需要保证步骤s2中设备声音训练数据的数据量，例如，所述步骤s2“采集设备各种状态下的不同声音数据”中，所述不同声音数据的数据量不少于1000。此处的数据量仅为举例，在实际应用中，可以根据不同的应用情况选取数据量，但数据量应该足够大以保证模型训练效果。

本发明的一种基于深度学习的设备声音分类方法，采用深度学习的方法将设备运行声音进行分类，对设备的工作声音采集后进行判断，输出设备运行状态。设备运行状态可以包括设备异常及异常的具体原因，从而可以对机械设备进行状态监控。本申请的基于深度学习的设备声音分类方法可以自动将设备运行声音进行分类输出对应结果，不需人工参与，节省人力的同时判断准确性和科学性更高。

综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。