一种电机检测方法、装置及终端设备

技术领域

本发明涉及故障检测技术领域，尤其涉及一种电机检测方法、装置及终端设备。

背景技术

当电机出现故障时，通常会伴随着出现周期性的异响，收集这些音频数据，可以发现一些较明显的异常特征。因而，目前常是使用的声音检测方法是对音频信号进行特征工程之后再建模，获得有区分度的特征，接着对特征进行分类，从而可以达到对异常声音进行检测的目的。

其中，音频特征工程包括短时傅里叶变换、Mel频谱、Log-Mel Spectrogram特征、MFCC特征等频域特征和倒谱特征等。通常可以直接基于此类特征并利用机器学习等算法，例如支持向量机、高斯混合模型、隐马尔科夫模型进行建模分析，但结果却都差强人意，原因是直接对频域特征或者倒谱特征这种较为具体且冗余的特征进行建模分析，使得本身就拟合能力不足的传统机器学习方法很难学习到真正的特征差异。所以，还会借助对比学习模型对特征进行预先处理，对比学习模型是典型的判别式自监督学习，它的指导原则是：通过自动构造相似实例和不相似实例，习得一个表示学习模型，通过这个模型，使得相似的实例在投影空间中比较接近，而不相似的实例在投影空间中距离比较远。如果训练数据中没有负样本的存在，模型会在预测时，会将正常实列和异常实列在投影空间中距离都很近，根本无法区分声纹数据是否正常，即模型坍塌。大多数对比学习方法为了避免模型坍塌，采用在数据集里加入负样本，但是在实际现场中，我们难以获得大量的异常声纹数据训练模型。

发明内容

本发明的主要目的在于提出一种电机检测方法、装置及终端设备，解决音频特征工程中，使用对比学习模型时需要使用大量的异常声纹数据训练模型的问题。

为实现上述目的，本发明实施例第一方面提供了一种电机检测方法，包括：

进行电机检测之前，获取正常电机声纹数据；

将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，获得高维特征并构建正常特征库；

其中，所述对比学习模型训练的编码器模型基于所述训练图形差分场图像得到编码正交的高维特征，并构建为正常特征库；

其中，所述对比学习模型训练的编码器模型包括两分支，每分支包括编码器和预测器；

所述编码器用于抽取通用的低层特征并编码任务不相关的通用细节信息，所述预测器用于编码任务相关的高阶特征信息；

进行电机检测时，获取待预测电机声纹数据；

将所述待预测电机声纹数据转换为目标图形差分场图像后输入对比学习模型训练的编码器模型，获取所述对比学习模型训练的编码器模型编码输出的目标特征；

计算所述目标特征和所述正常特征库中的已有特征之间的联合相似度；

若所述相似度在预设范围外，则所述待预测电机声纹数据异常，电机处于异常工作状态。

结合本发明第一方面，本发明第一实施方式中，将所述正常电机声纹数据转换为训练图形差分场图像之前，包括：

将所述正常电机声纹数据转为时序数据X(x

其中，N为正整数。

结合本发明第一方面第一实施方式，本发明第二实施方式中，将所述正常电机声纹数据转换为训练图形差分场图像，包括：

设置训练图形差分场图像的图像数量n(1

设置步长d(1≤d≤d

设置时间窗口s(s,s＝1,2,3,.....N-(n-1)d)，其中，任意两个时间窗口长度不同；

根据所述图像数量、步长和时间窗口，多次提取所述时序数据的任一段；

将多次提取的结果组合变换获得训练图形差分场图像。

结合本发明第一方面第二实施方式，本发明第三实施方式中，将多次提取的结果组合变换获得训练图形差分场图像，包括：

将多次提取的结果组合变换得到图形差分集，图形差分集

其中，

根据所述图形差分集定义新序列，并通过补零使所述新序列与所述图形差分集长度一致，新序列

定义图形差分场MDF

其中，

对于第i个通道图像，定义图像数组

其中，

填补所述图像数组中的零元素，定义图形差分场图像的每一个通道：

/>

其中

结合本发明第一方面，本发明第四实施方式中，将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，包括：

将任意两张所述训练图形差分场图像输入对比学习模型训练的编码器模型；

其中，任意两张所述训练图形差分场图像通过所述编码器编码后，通过所述预测器再次映射。

结合本发明第一方面，本发明第五实施方式中，所述对比学习模型训练的编码器模型使用冗余消除正则损失进行训练，所述冗余消除正则损失为：

RROLoss＝||cr(z

其中，cr表示求相关矩阵，I表示单位矩阵，z

结合本发明第一方面，本发明第六实施方式中，所述联合相似度包括负余弦相似度和欧式距离，计算公式为：

其中，z

本发明第二方面提供一种电机检测装置，包括：

训练数据获取模块，用于进行电机检测之前，获取正常电机声纹数据；

正常特征库构建模块，用于将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，获得高维特征并构建正常特征库；

其中，所述对比学习模型训练的编码器模型基于所述训练图形差分场图像得到编码正交的高维特征，并构建为正常特征库；

其中，所述对比学习模型训练的编码器模型包括两分支，每分支包括编码器和预测器；

所述编码器用于抽取通用的低层特征并编码任务不相关的通用细节信息，所述预测器用于编码任务相关的高阶特征信息；

待预测数据获取模块，用于进行电机检测时，获取待预测电机声纹数据；

目标特征转换模块，用于将所述待预测电机声纹数据转换为目标图形差分场图像后输入对比学习模型训练的编码器模型，获取所述对比学习模型训练的编码器模型编码输出的目标特征；

电机检测模块，用于计算所述目标特征和所述正常特征库中的已有特征之间的联合相似度；

若所述相似度在预设范围外，则所述待预测电机声纹数据异常，电机处于异常工作状态。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。

本发明实施例提出一种电机检测方法，使用对比学习模型训练的编码器模型，输出与正常电机声纹数据对应的高维特征，从而获取剩余特征构建正常特征库，其中，正常特征库包括相关特征和不相关特征，正常特征库用于与将待预测电机声纹数据对应的目标特征进行联合相似度的计算，从而通过特征对比来判断待预测电机声纹数据是否异常。因而，本发明在不需要大量的异常声纹数据训练模型的条件下也能解决模型坍塌的问题。

附图说明

图1为本发明实施例提供的电机检测方法的实现流程示意图；

图2为本发明实施例提供的对比学习模型训练的编码器模型的结构示意图；

图3为本发明实施例提供的电机检测装置的组成结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，在本文中，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过程、方法、物品或者装置不仅包括那些要素，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过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。

如图1所示，本发明实施例提供一种电机检测方法，包括但不限于如下步骤：

S101、进行电机检测之前，获取正常电机声纹数据；

S102、将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，获得高维特征并构建正常特征库；其中，所述对比学习模型训练的编码器模型基于所述训练图形差分场图像得到编码正交的高维特征，并构建为正常特征库。

在上述步骤S102的将所述正常电机声纹数据转换为训练图形差分场图像之前，还对正常电机声纹数据进行处理，包括：

将所述正常电机声纹数据转为时序数据。

本发明实施例通过图形差分算法实现正常电机声纹数据至训练图形差分场图像的转换，基于上述处理后的正常电机声纹数据，上述步骤S102中的将所述正常电机声纹数据转换为训练图形差分场图像，包括：

设置训练图形差分场图像的图像数量n(1

设置步长d(1≤d≤d

设置时间窗口s(s,s＝1,2,3,.....N-(n-1)d)，其中，任意两个时间窗口长度不同；

根据所述图像数量、步长和时间窗口，多次提取所述时序数据的任一段；

将多次提取的结果组合变换获得训练图形差分场图像。

其中，组合变换的实现步骤为：

将多次提取的结果组合变换获得训练图形差分场图像，包括：

将多次提取的结果组合变换得到图形差分集，图形差分集

其中，

根据所述图形差分集定义新序列，并通过补零使所述新序列与所述图形差分集长度一致，新序列

定义图形差分场MDF

其中，

对于第i个通道图像，定义图像数组

其中，

填补所述图像数组中的零元素，定义图形差分场图像的每一个通道：

其中

在本发明实施例中，所述对比学习模型训练的编码器模型包括两分支，每分支包括编码器和预测器；

所述编码器用于抽取通用的低层特征并编码任务不相关的通用细节信息，所述预测器用于编码任务相关的高阶特征信息。

因此，当上述步骤S102中，将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型后，输出高维特征将其构建为正常特征库，则正常特征库中包括相关特征和不相关特征。

需要说明的是，正常电机声纹数据不止一组，则获得的训练图形差分场图像也不止一个，则在进行电机检测前的阶段，使用对比学习模型训练的编码器模型时，获取多个训练图形差分场图像输入对比学习模型训练的编码器模型。

基于此，上述步骤S102中，将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，包括：

将任意两张所述训练图形差分场图像输入对比学习模型训练的编码器模型；

其中，任意两张所述训练图形差分场图像通过所述编码器编码后，通过所述预测器再次映射。

如图2所示，本发明实施例还提供了对比学习模型训练的编码器模型的结构示意图，预测器为接近任务的高层网络，会编码更多跟对比学习任务相关的信息，且示例性的，预测器为多层感知机；编码器为低层网络，偏向抽取通用的低层特征，往往与任务无关，通用性强，因而编码更多跟任务无关的通用细节信息，且示例行的，编码器为特征金字塔结构，用于提升模型的编码能力，编码出包含更多丰富信息的特征。在具体应用中，对于低层网络，对比学习训练任务相关的特征，可能会带来负面影响，也即，如果映射网络只包含编码器的话，那么特征表示里会有很多预训练任务相关特征，影响任务效果；而本发明实施例的对比学习模型训练的编码器模型，加上了预测器，等于增加了网络层深，这些任务相关特征就聚集在预测器，此时编码器不再包含预训练任务相关特征，只包含更通用的细节特征。因此，当随机输入的两张训练图形差分场图像通过编码器编码后，需要两次映射过程。

此外，本发明实施例中，所述对比学习模型训练的编码器模型使用冗余消除正则损失进行训练，所述冗余消除正则损失为：

RROLoss＝||cr(z

其中，cr表示求相关矩阵，I表示单位矩阵，z

在具体应用中，对比学习模型可以不使用大量的异常声纹数据训练模型避免模型坍塌，但同时需要用PCA降维移除多余相似特征。其中，PCA降维依赖认为设置参数，需要大量时间。而本发明实施例中，采用冗余消除正则损失，将降维操作融入到了模型当中，节省了设置降维依赖参数的大量时间，并且，能够使得模型编码出的特征包含更少的冗余信息，编码出尽可能多的正交特征，使得正常特征库中都是有代表性的不重复的特征，从而提升特征对比的精度。

S103、进行电机检测时，获取待预测电机声纹数据。

S104、将所述待预测电机声纹数据转换为目标图形差分场图像后输入对比学习模型训练的编码器模型，获取所述对比学习模型训练的编码器模型编码输出的目标特征。

S105、计算所述目标特征和所述正常特征库中的已有特征之间的联合相似度。

其中，若所述相似度在预设范围外，则所述待预测电机声纹数据异常，电机处于异常工作状态。

可以想到的是，若所述相似度在预设范围内，则所述待预测电机声纹数据正常，电机处于正常工作状态。

在具体应用中，通常通过欧式距离来判断是否相似，但欧式距离只是数值判定，无法在特征方向上判断是否相识，因此，我们引入了负余弦相似度和欧式距离一起来形成联合相似度，即融合特征值和特征方向综合度量特征之间的相似。因此，在本发明实施例中，上述步骤S105的所述联合相似度包括负余弦相似度和欧式距离，示例性的，其计算公式为：

其中，z

如图3所示，本发明实施例还提供一种电机检测装置30，包括：

训练数据获取模块31，用于进行电机检测之前，获取正常电机声纹数据；

正常特征库构建模块32，用于将所述正常电机声纹数据转换为训练图形差分场图像后输入对比学习模型训练的编码器模型，获得高维特征和正常特征库；

其中，所述对比学习模型训练的编码器模型基于所述训练图形差分场图像输出高维特征，剩余特征构建为正常特征库；

其中，所述对比学习模型训练的编码器模型包括两分支，每分支包括编码器和预测器；

所述编码器用于抽取通用的低层特征并编码任务不相关的通用细节信息，所述预测器用于编码任务相关的高阶特征信息；

待预测数据获取模块33，用于进行电机检测时，获取待预测电机声纹数据；

目标特征转换模块34，用于将所述待预测电机声纹数据转换为目标图形差分场图像后输入对比学习模型训练的编码器模型，获取所述对比学习模型训练的编码器模型编码输出的目标特征；

电机检测模块35，用于计算所述目标特征和所述正常特征库中的已有特征之间的联合相似度；

若所述相似度在预设范围外，则所述待预测电机声纹数据异常，电机处于异常工作状态。

本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例中所述的电机检测方法中的各个步骤。

本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述实施例中所述的电机检测方法中的各个步骤。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。