一种螺杆水冷机组的好音稳定预警方法、装置及存储介质与流程

本发明主要涉及音频识别技术领域，具体涉及一种螺杆水冷机组的好音稳定预警方法、装置及存储介质。

背景技术：

好音稳定预警本质上属于一种模式识别技术，在实际生活应用中，人们直观的对于音频的感官识别是基于音频层次最高层的语意层的，而且音频容易受到环境和传输转化设备的影响。

由于音频数据存在非人性化的风险、远程控制、低准确度和复杂性，它并不十分可靠。同时还有许多其它因素影响其准确性，比如说，声音样本的质量、情绪、背景噪音以及随着时间推移声音的变化等。目前还难以依靠仪器自动识别和识别，无法保证较高的识别准确率，同时，还难以实时判断和及时地预警。

技术实现要素：

本发明所要解决的技术问题是针对现有技术的不足，提供一种螺杆水冷机组的好音稳定预警方法、装置及存储介质。

本发明解决上述技术问题的技术方案如下：一种螺杆水冷机组的好音稳定预警方法，包括如下步骤：

导入多个原始音频数据，并对多个所述原始音频数据进行数据清洗，经数据清洗后剩余的原始音频数据作为目标音频数据，得到多个目标音频数据，所述原始音频数据是通过螺杆水冷机组设备得到的；

分别对各个所述目标音频数据进行特征提取，得到对应的特征点，并集合提取到的所有的特征点得到特征点数据集；

构建训练模型，并根据所述特征点数据集对所述训练模型进行训练，得到音频识别模型；

对所述音频识别模型进行优化处理，得到音频识别优化模型；

根据所述音频识别优化模型对待识别音频数据进行识别处理，得到音频数据的识别结果。

本发明解决上述技术问题的另一技术方案如下：一种螺杆水冷机组的好音稳定预警装置，包括：

数据清洗模块，用于导入多个原始音频数据，并对多个所述原始音频数据进行数据清洗，经数据清洗后剩余的原始音频数据作为目标音频数据，得到多个目标音频数据，所述原始音频数据是通过螺杆水冷机组设备得到的；

特征提取模块，用于分别对各个所述目标音频数据进行特征提取，得到对应的特征点，并集合提取到的所有的特征点得到特征点数据集；

模型训练模块，用于构建训练模型，并根据所述特征点数据集对所述训练模型进行训练，得到音频识别模型；

优化处理模块，用于对所述音频识别模型进行优化处理，得到音频识别优化模型；

好音稳定预警模块，用于根据所述音频识别优化模型对待识别音频数据进行识别处理，得到音频数据的识别结果。

本发明解决上述技术问题的另一技术方案如下：一种螺杆水冷机组的好音稳定预警装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的螺杆水冷机组的好音稳定预警方法。

本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的螺杆水冷机组的好音稳定预警方法。

本发明的有益效果是：通过分别对多个原始音频数据的数据清洗得到多个目标音频数据，可以筛除含缺失值的数据，还可以分析出更多有用信息的数据以及对识别和识别影响更大的信息，便于根据得到的目标音频数据制作数据集，从而便于获得识别和识别准确率更高的识别模型，分别对多个目标音频数据的特征提取，得到特征点数据集，构建训练模型并根据特征点数据集对训练模型的训练得到音频识别模型，能有效提高对好音稳定预警的可靠性和稳定性，根据预设调整参数对音频识别模型的优化处理得到音频识别优化模型，根据音频识别优化模型对待识别音频数据的识别处理得到音频数据的识别结果，能够进一步提高了音频识别准确率，克服了传统好音稳定预警的工作量大、效率低下和准确率不够的缺陷，能自动对大量的音频数据进行智能检测和识别，实时检测出的音频数据，为好音稳定预警做及时地干预，具有了效率高，稳定性强以及准确率高的特点。

附图说明

图1为本发明实施例提供的螺杆水冷机组的好音稳定预警方法的流程示意图；

图2为本发明实施例提供的螺杆水冷机组的好音稳定预警装置的模块框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的螺杆水冷机组的好音稳定预警方法的流程示意图。

如图1所示，一种螺杆水冷机组的好音稳定预警方法，包括如下步骤：

导入多个原始音频数据，并对多个所述原始音频数据进行数据清洗，经数据清洗后剩余的原始音频数据作为目标音频数据，得到多个目标音频数据，所述原始音频数据是通过螺杆水冷机组设备得到的；

分别对各个所述目标音频数据进行特征提取，得到对应的特征点，并集合提取到的所有的特征点得到特征点数据集；

构建训练模型，并根据所述特征点数据集对所述训练模型进行训练，得到音频识别模型；

对所述音频识别模型进行优化处理，得到音频识别优化模型；

根据所述音频识别优化模型对待识别音频数据进行识别处理，得到音频数据的识别结果。

应理解地，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。

应理解地，根据所述预设调整参数对所述音频识别模型进行优化处理，得到音频识别优化模型。

具体地，利用人工手动调参方法进行参数调优，能保证得到所述音频识别模型对应的最优参数，能进一步确保所述音频识别优化模型对音频的识别准确率，实时地检测出音频样放电的音频数据，为临床做及时地干预。

上述实施例中，通过分别对多个原始音频数据的数据清洗得到多个目标音频数据，可以筛除含缺失值的数据，还可以分析出更多有用信息的数据以及对识别和识别影响更大的信息，便于根据得到的目标音频数据制作数据集，从而便于获得识别和识别准确率更高的识别模型，分别对多个目标音频数据的特征提取，得到特征点数据集，构建训练模型并根据特征点数据集对训练模型的训练得到音频识别模型，能有效提高对好音稳定预警的可靠性和稳定性，根据预设调整参数对音频识别模型的优化处理得到音频识别优化模型，根据音频识别优化模型对待识别音频数据的识别处理得到音频数据的识别结果，能够进一步提高了音频识别准确率，克服了传统好音稳定预警的工作量大、效率低下和准确率不够的缺陷，能自动对大量的音频数据进行智能检测和识别，实时检测出的音频数据，为好音稳定预警做及时地干预，具有了效率高，稳定性强以及准确率高的特点。

可选地，作为本发明的一个实施例，所述分别对各个所述目标音频数据进行特征提取，得到对应的特征点的过程包括：

分别对多个所述目标音频数据进行降维处理，得到多个降维后的音频数据；

利用预设的语谱图分别对多个所述降维后的音频数据进行特征提取，得到多个特征点。

应理解地，在机器学习和统计学领域，降维是指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。对数据进行降维一方面可以节省计算机的储存空间，另一方面可以剔除数据中的噪声并提高机器学习算法的性能；数据降维的根本：降低数据维度、降维后的数据能尽可能的代表原始数据。

应理解地，利用lda线性判别分析算法分别对多个所述目标音频数据进行降维处理，得到多个降维后的音频数据。

具体地，分别将多个所述目标音频数据在低维度上进行投影，从而让音频文本从数千维降到k维，使投影后的所述目标音频数据类内方差最小，类间方差最大；将降维到新的特征空间上的所述目标音频数据进行压缩，并尽可能保留信息，得到多个所述降维后的音频数据。

应理解地，语谱图（spectrogram）是时序相关的傅里叶分析的显示图像，可以反映音乐信号频谱随时间改变而变换，语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示该点的语音能量越强。

语谱图中显示了大量与音乐信号特性相关的信息，如共振峰、能量等频域参数随时间的变化情况，它同时具有时域波形与频谱图的特点。也就是说，语谱图本身包含了音乐信号的所有的频谱信息，没有经过任何加工，所以语谱图关于音乐的信息是无损的。

语谱图中的花纹有横线，乱纹和竖直条等，横线是与时间轴平行的黑色带纹，它们是共振峰，从横线对应的频率和带宽可以确定相应的共振峰频率和带宽，在一段音频的语谱图中有没有横线出现是判断它是否是浊音的重要标志；竖直条是与时间轴垂直的窄黑条，每个竖直条相当于一个基音，条纹的起点相当于声纹脉冲的起点，条纹之间的距离表示基音，条纹越密表示基音频率越高。

上述实施例中，分别对多个目标音频数据的降维处理得到多个降维后的音频数据，利用预设的语谱图分别对多个降维后的音频数据的特征提取得到多个特征点，便于得到对螺杆水冷机组的好音稳定预警影响更大的主要特征，减小了后续步骤的运算量，后续支持向量机只需要较少的训练数据即可得到较高的准确率。

可选地，作为本发明的一个实施例，所述根据所述特征点数据集对所述训练模型进行训练，得到音频识别模型的过程包括：

s1：将所述特征点数据集随机划分成特征点训练集和特征点测试集；

s2：基于支持向量机算法构建模型，得到支持向量机结构；

s3：将所述特征点训练集和所述特征点测试集一并输入所述支持向量机结构进行最优识别超平面的寻找，得到最优识别超平面,并根据所述最优识别超平面得到支持向量集和vc可信度；

s4：根据所述vc可信度对所述支持向量集进行判别处理，得到判别函数，并根据所述判别函数生成训练模型；

s5：根据所述特征点训练集和所述特征点测试集对所述训练模型进行模型筛选处理，得到音频识别模型。

应理解地，由于所述特征点数据集每次随机分成特征点训练集和特征点测试集均是随机划分的，因此每次的随机比例均不相同，可以调用train_test_split函数进行随机划分。

具体地，支持向量机（supportvectormachine,，简称svm）是一种监督学习算法，svm理论提供了一种避开高维空间的复杂性,直接用此空间的内积函数(既是核函数),再利用在线性可分的情况下的求解方法直接求解对应的高维空间的决策问题.当核函数已知,可以简化高维空间问题的求解难度.同时svm是基于小样本统计理论的基础上的,这符合机器学习的目的.而且支持向量机比神经网络具有较好的泛化推广能力，对于噪声数据和存在缺失值的数据具有很好的鲁棒性，并且具有较快的学习深度，综合了多种机器识别算法的优势，性能高、稳定性强。

应理解地，vc可信度即为vc维置信度或置信风险，所谓vc维是对函数类的一种度量，可以简单的理解为问题的复杂程度，vc维越高，一个问题就越复杂。例如：很多分类函数能够在样本集上轻易达到100%的正确率，在真实分类时却一塌糊涂（即所谓的推广能力差，或泛化能力差）。此时的情况便是选择了一个足够复杂的分类函数（即它的vc维很高），能够精确的记住每一个样本，但对样本之外的数据一律分类错误。

具体地，将所述特征点训练集和所述特征点测试集均输入所述支持向量机结构中，利用支持向量机的样本特征空间找出各类别特征样本与其他特征样本的最优识别超平面，得到代表各类别样本的所述支持向量集及其相应的所述vc可信度，形成判别个特征的所述判别函数，得到所述训练模型。

上述实施例中，将所述特征点数据集随机划分成特征点训练集和特征点测试集，能保证数据的客观性，减少人为因素，有效提高后续识别模型的准确率，将特征点训练集和特征点测试集一并输入支持向量机结构的最优识别超平面寻找得到最优识别超平面,并根据最优识别超平面得到支持向量集和vc可信度，根据vc可信度对支持向量集的判别处理得到训练模型；根据特征点训练集和特征点测试集对训练模型的模型筛选处理得到音频识别模型，能使得待识别音频数据的准确率一直保持在较高水平，提高了音频识别的稳定性和可靠性。

可选地，作为本发明的一个实施例，所述步骤s5的过程包括：

s51：根据预设迭代训练次数将所述特征点训练集输入至所述训练模型中进行迭代训练，得到第一检测模型；

s52：将所述特征点测试集输入所述第一检测模型中进行检测，得到第一准确率，并判断所述第一准确率是否达到预设预期值，若是，则将所述第一检测模型作为音频识别模型，再对所述音频识别模型进行优化处理，若否，则执行步骤s53；

s53：根据所述预设迭代训练次数将所述特征点测试集输入至所述训练模型进行迭代训练，得到第二检测模型；

s54：将所述特征点训练集输入所述第二检测模型中进行检测，得到第二准确率；

s55：判断所述第二准确率是否达到所述预设预期值，若是，则将所述第二检测模型作为所述音频识别模型，再对所述音频识别模型进行优化处理，若否，则返回所述步骤s1。

优选地，所述预设预期值为0.90。

上述实施例中，通过得到的第一检测模型和第二检测模型，能保证较高的识别准确率，并得到符合预期的音频识别模型，当第一检测模型的第一准确率未达到预期值时，对特征点测试集的训练得到第二检测模型，并利用特征点训练集来检测得到第二准确率，相当于交换训练集和测试集，能进一步能保证得到符合预期的识别模型，能使得达到预期值对应的音频识别模型来检测待识别音频数据的准确率一直保持在较高水平，提高了音频识别的稳定性和可靠性。

图2为本发明实施例提供的螺杆水冷机组的好音稳定预警装置的模块框图。

可选地，作为本发明的另一个实施例，如图2所示，一种螺杆水冷机组的好音稳定预警装置，包括：

数据清洗模块，用于导入多个原始音频数据，并对多个所述原始音频数据进行数据清洗，经数据清洗后剩余的原始音频数据作为目标音频数据，得到多个目标音频数据，所述原始音频数据是通过螺杆水冷机组设备得到的；

特征提取模块，用于分别对各个所述目标音频数据进行特征提取，得到对应的特征点，并集合提取到的所有的特征点得到特征点数据集；

模型训练模块，用于构建训练模型，并根据所述特征点数据集对所述训练模型进行训练，得到音频识别模型；

优化处理模块，用于对所述音频识别模型进行优化处理，得到音频识别优化模型；

好音稳定预警模块，用于根据所述音频识别优化模型对待识别音频数据进行识别处理，得到音频数据的识别结果。

可选地，作为本发明的一个实施例，所述特征提取模块具体用于：

分别对多个所述目标音频数据进行降维处理，得到多个降维后的音频数据；

利用预设的语谱图分别对多个所述降维后的音频数据进行特征提取，得到多个特征点。

可选地，作为本发明的一个实施例，所述模型训练模块具体用于：

将所述特征点数据集随机划分成特征点训练集和特征点测试集；

基于支持向量机算法构建模型，得到支持向量机结构；

将所述特征点训练集和所述特征点测试集一并输入所述支持向量机结构进行最优识别超平面的寻找，得到最优识别超平面,并根据所述最优识别超平面得到支持向量集和vc可信度；

根据所述vc可信度对所述支持向量集进行判别处理，得到判别函数，并根据所述判别函数生成训练模型；

根据所述特征点训练集和所述特征点测试集对所述训练模型进行模型筛选处理，得到音频识别模型。

可选地，作为本发明的一个实施例，所述模型训练模块具体用于：

根据预设迭代训练次数将所述特征点训练集输入至所述训练模型中进行迭代训练，得到第一检测模型；

将所述特征点测试集输入所述第一检测模型中进行检测，得到第一准确率，并判断所述第一准确率是否达到预设预期值，若是，则将所述第一检测模型作为音频识别模型，再对所述音频识别模型进行优化处理，若否，则根据所述预设迭代训练次数将所述特征点测试集输入至所述训练模型进行迭代训练，得到第二检测模型；

将所述特征点训练集输入所述第二检测模型中进行检测，得到第二准确率；

判断所述第二准确率是否达到所述预设预期值，若是，则将所述第二检测模型作为所述音频识别模型，再对所述音频识别模型进行优化处理，若否，则再次将所述特征点数据集随机划分成特征点训练集和特征点测试集。

可选地，本发明的另一个实施例提供一种螺杆水冷机组的好音稳定预警装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的螺杆水冷机组的好音稳定预警方法。该装置可为计算机等装置。

可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的螺杆水冷机组的好音稳定预警方法。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。用于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。