一种基于声学特征驱动的工业装备故障检测方法及装置与流程

1.本发明涉及工业装备监控领域，尤其涉及一种基于声学特征驱动的工业装备故障检测方法及装置。

背景技术：

2.现代工业装备包括各类型机床、风电机组、散热设备、泵、滑轨、阀门以及电子通信设备等机械设备、智能装备，其安全可靠运行至关重要。然而，随着设备复杂度的提高，影响系统正常、健康运行的因素也随之增多，故障或失效的潜在危害性也相应增加。因此，对工业装备的故障状态进行监测有重要意义。
3.传统设备的故障检测方法通常都是依赖介入式传感器(如振动数据等)对工业装备进行状态监测，即通过在设备上加装传感器，由传感器监测工业装备运行过程中产生的状态数据，然而在实际工业场景下，改造设备加装传感器存在较大难度，使得应用存在限制。基于声学信号分析的故障检测方法可以解决上述问题，该类方法是通过采用非介入的数据采集方式采集设备运行过程中的声学信号，然后通过频谱分析实现故障判别。基于声学信号分析的故障检测方法由于是采用非介入式的数据采集方式，因而具有极为广阔的应用前景。
4.但是由于声学信号本身复杂度较高、现场环境的噪声也会影响声音信号的质量，传统声学信号分析的实现复杂度较高，且传统的声学信号分析需要依赖于基于频谱分析的手动特征提取，使得建模工作量较大，同时装备数据往往会存在样本不均衡的突出问题，故障样本偏小，造成机器学习模型难以收敛的问题，因而传统基于声学信号分析的故障检测方法的检测效率以及精度并不高。
5.使用深度神经网络可以实现自动特征提取，可以解决上述基于声学信号分析的故障检测方式中需要手动提取大量特征而造成的效率低问题。但是现有技术中通常是将深度神经网络作为一个整体进行训练后形成分类模型，将测试数据输入至模型后即得到分类类别，分类精度取决于模型训练效果，而声学信号具有复杂度较高、易于受现场环境噪声等特性，因而为了确保分类精度往往需要进行大量的模型训练，使得仍然不能兼顾检测效率以及精度。

技术实现要素：

6.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、成本低、故障检测效率以及精度高的基于声学特征驱动的工业装备故障检测方法及装置，能够基于声学特征驱动实现无监督故障检测。
7.为解决上述技术问题，本发明提出的技术方案为：
8.一种基于声学特征驱动的工业装备故障检测方法，步骤包括：
9.在训练阶段，获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出所述深度神经网络模型中的特征提取
模块；
10.在正常特征提取阶段，将不同类型装备在正常运行状态下的声学数据输入至训练后得到的所述特征提取模块，由所述特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；
11.在实时故障检测阶段，将被测设备的声学数据输入至训练后得到的所述特征提取模块进行特征提取，得到被测设备的嵌入特征；根据所述被测设备的嵌入特征与对应的所述正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。
12.进一步的，所述深度神经网络模型包括特征提取模块、arcface层以及softmax层，由所述特征提取模块进行特征提取，提取得到的特征参数输入至所述arcface层，由所述arcface层计算装备类别的标签，根据所述arcface层的计算结果经所述softmax层计算损失函数。
13.进一步的，在训练阶段中，采用加性角度间隔损失函数作为模型训练的损失函数，所述加性角度间隔损失函数中在参数向量和特征向量的夹角上设置有惩罚项。
14.进一步的，所述加性角度间隔损失函数的表达式为：
[0015][0016]
其中，l3表示损失函数，n表示批归一化中的输入数量，表示权重参数与样本输入的角度度量，yi表示第i个输入样本所属的分类类别，m表示额外角度边缘(additive angular margin)惩罚项m，s表示将输入特征xi的模固定并且重新调整后得到的，n表示分类任务的目标类别数，θj表示不同于yi的其他类别，以用于表示求和。
[0017]
进一步的，所述实时故障检测阶段中，从所述正常数据嵌入特征对应的正常数据特征向量中，查与所述被测设备的嵌入特征对应的特征向量最为接近的多个向量，根据所述被测设备的嵌入特征对应的特征向量与查到的各向量之间的距离计算故障评分值，得到所述被测设备的故障状态检测结果。
[0018]
进一步的，以余弦相似度作为距离度量，所述余弦相似度的计算公式为：
[0019][0020]
其中，similarity表示a向量与b向量之间的距离值，θ表示两个向量之间的夹角，n表示向量的维度。
[0021]
进一步的，还包括使用曲线下面积auc或部分曲线下面积pauc作为模型度量指标。
[0022]
进一步的，在所述训练阶段、正常特征提取阶段以及故障检测阶段中，将数据输入至所述特征提取模块前还包括预处理步骤，所述预处理步骤包括使用短时傅里叶变换的方式将音频数据转化为二维时频谱。
[0023]
一种基于声学特征驱动的工业装备故障检测装置，包括：
[0024]
训练模块，用于获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出所述深度神经网络模型中的特征提取模块；
[0025]
正常特征提取模块，用于将不同类型装备在正常运行状态下的声学数据输入至训练后得到的所述特征提取模块，由所述特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；
[0026]
故障检测模块，用于将被测设备的声学数据输入至训练后得到的所述特征提取模块进行特征提取，得到被测设备的嵌入特征；根据所述被测设备的嵌入特征与对应的所述正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。
[0027]
一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行时实现如上述的方法。
[0028]
与现有技术相比，本发明的优点在于：
[0029]
1、本发明通过将深度神经网络模型中主体模型与紧密衔接分类任务的全连接层分离开来，将主体模型转化为特征提取模块，训练后输出该特征提取模块，由该特征提取模块对训练中使用的正常声学数据提取出正常嵌入特征，对被测设备的声学数据，经该训练得到的特征提取模块提取出嵌入特征后，与正常嵌入特征进行比较即可判别故障状态，可以实现基于声学特征驱动的无监督故障检测，无需依赖于大量的模型训练，可以大大减少训练的复杂度，从而提高检测效率以及精度。
[0030]
2、本发明通过进一步使用加性角度间隔损失函数作为模型训练过程中的损失函数，使得特征提取模块对于正常数据特征的映射空间更加接近超球面，并且在参数向量和特征向量的夹角上添加惩罚项，将修改后的损失函数应用到无监督故障检测任务的训练过程中，使输入模型后得到的故障数据特征与正常数据特征在多维空间中的区分度更大，进而使故障数据的故障评分相对性放大，有效提高故障检测的性能。
附图说明
[0031]
图1是本实施例基于声学特征驱动的工业装备故障检测方法的实现流程示意图。
[0032]
图2是本实施例中训练阶段的具体实现原理流程示意图。
[0033]
图3是在具体应用实施例中softmax loss与arcface loss的分类效果对比示意图。
[0034]
图4是本实施例中基于余弦相似度计算故障评分前后的图像对比示意图。
[0035]
图5是在具体应用实施例中计算pauc的原理示意图。
[0036]
图6是在具体应用实施例中采用传统softmax loss和本发明arcface loss的实验结果对比示意图。
具体实施方式
[0037]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0038]
如图1所示，本实施例基于声学特征驱动的工业装备故障检测方法的步骤包括：
[0039]
s01.训练阶段：获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出深度神经网络模型中的特征提取模块。
[0040]
在具体应用实施例中，预先收集一定数量的不同类型、不同型号工业装备的正常
声学数据，该声学数据即为装备在正常运行状态下的音频数据，在保证足够数量正常数据的前提下，还可以收集故障数据作为有效性参照。
[0041]
本实施例中，深度神经网络模型具体包括依次连接的特征提取模块、arcface层以及softmax层，由特征提取模块进行特征提取，提取得到的特征参数输入至arcface层，由arcface层计算装备类别的标签，根据arcface层的计算结果经softmax层计算损失函数。特征提取模块前还设置有预处理层，使用短时傅里叶变换的方式将音频数据转化为二维时频谱。如图2所示，将不同数据类别的正常数据(声学数据)进行预处理后，由特征提取模块进行特征提取，依次经arcface层、softmax层后进行损失函数计算，计算得到的损失函数再反向传播至特征提取模块，其中特征提取模块对应为模型的主体部分以用于提取特征参数，该部分与最后的全连接层和柔性最大值传输函数(softmax)层分离开，训练结束后独立保存该主体部分，也即为特征提取模块。模型训练的过程具体可以按照传统监督式学习分类任务进行训练。通过将特征提取模块与全连接层分离开，训练后独立输出特征提取模块，使得可以利用该训练的特征提取模块提取声学数据的嵌入特征，基于嵌入特征驱动实现无监督的故障检测，能够确保检测精度的同时避免大量的训练过程，从而兼顾检测效率以及精度。
[0042]
在具体应用实施例中，模型结构具体如表1所示，其中模型的主体模块(即特征提取模块)具体包含批处理规范(batch norm)，参数线性整流函数(prelu)。
[0043]
表1：模型结构
[0044]
[0045][0046]
本实施例中，训练过程中损失函数(loss)具体采用加性角度间隔损失函数(arcface loss)，加性角度间隔损失函数中在参数向量和特征向量的夹角上设置有惩罚项，以提高样本特征间的可区分性。加性角度间隔损失函数的具体表达式为：
[0047][0048]
其中，l3表示损失函数，n表示批归一化中的输入数量，表示权重参数与样本输入的角度度量，yi表示第i个输入样本所属的分类类别，m表示额外角度边缘惩罚项，s表示将输入特征xi的模固定并且重新调整后得到的，n表示分类任务的目标类别数，θj表示不同于yi的其他类别。
[0049]
本实施例通过使用上述softmax loss(softmax with cross-entropy loss)的方
法，使得特征提取模块对于正常数据特征的映射空间更加接近超球面，并且在参数向量和特征向量的夹角上添加惩罚项，将修改后的损失函数应用到无监督故障检测任务的训练过程中，使输入模型后得到的故障数据特征与正常数据特征在多维空间中的区分度更大，进而使故障数据的故障评分相对性放大，有效提高故障检测的性能。
[0050]
图3为本发明采用arcface loss对于softmax的增强的图形化呈现，其中图3中(a)对应为采用传统softmax loss的分类效果，图3中(b)对应为采用本发明arcface loss的分类效果。以8分类任务为例，为了呈现方式更为直观，将嵌入特征的维度设为2，图中圆弧上的点代表一个个样例，从圆心出发的线代表各个类别特征的中心方向。从图3中可以看出，传统softmax loss能够产生大致可区分的嵌入特征但在分类边界上存在较为明显的模糊；而采用本发明arcface loss能够显著地增强两个相近类别之间的距离。
[0051]
本实施例具体通过将传统分类器模型最后的全连接层进行改进形成arcface层，由arcface层引入数据的真实类别标签进行计算，并经过softmax层后输入交叉熵损失函数，以提升模型的故障检测性能。
[0052]
s02.正常特征提取阶段：将不同类型装备在正常运行状态下的声学数据输入至训练后得到的特征提取模块，由特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征。
[0053]
将训练过程使用到的正常声学数据再次输入模型主体部分，即保存的特征提取模块，将数据通过模型输出的特征按照不同机械类型、不同机械型号单独保存。假设某一型号有m条数据，每条数据经预处理后需要划分成n个二维数据输入模型，则该机械型号最终保存的正常数据嵌入特征即为一个(m
·
n)
×
l的矩阵。
[0054]
s03.实时故障检测阶段：将被测设备的声学数据输入至训练后得到的特征提取模块进行特征提取，得到被测设备的嵌入特征；根据被测设备的嵌入特征与对应的正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。
[0055]
本实施例具体从正常数据嵌入特征对应的正常数据特征向量中，通过查与被测设备的嵌入特征对应的特征向量最为接近的多个向量，根据被测设备的嵌入特征对应的特征向量与查到的各向量之间的距离计算故障评分值，得到被测设备的故障状态检测结果。
[0056]
本实施例具体以余弦相似度作为距离度量，余弦相似度的计算公式为：
[0057][0058]
其中，similarity表示a向量与b向量之间的距离值，θ表示两个向量之间的夹角，n表示向量的维度。
[0059]
在具体应用实施例中，将被测设备的声学数据经过预处理后输入训练后的主体模型(特征提取模块)，输出得到对应的嵌入特征，然后与前一阶段相同型号的正常数据经过预处理、分割后输入模型得到的嵌入特征的矩阵(n
×
128)进行匹配比较。进行故障判断时，具体借鉴k近邻(k-nearest neighbor，简称knn)学习的思想度量被测样本特征与正常数据特征之间的差距，同时以余弦相似度作为距离度量，进而计算得出故障评分作为最终故障检测的判定依据。具体将一条待测样本的嵌入特征看做n个特征向量，正常数据嵌入特征同样看做m
×
n个特征向量；然后对于待测样本的一个特征向量，以余弦相似度作为距离度量
到正常数据特征向量中与其最为接近的k个向量(k一般可以选取10)，待测样本的当前特征向量与查到的k个邻居的度量距离越小代表它越接近正常数据，反之若度量距离越大则表示其为故障数据的可能性越大。
[0060]
在具体应用实施例中，基于余弦相似度计算故障评分(score)的公式可以表示为：
[0061]
score＝(-similarity+1)/2
ꢀꢀ
(3)
[0062]
由此将故障评分的值域变为0到1，并且故障可能性越大，故障评分越高，可以直观的判断故障的状态，变换前后的对比图4所示，其中图4中(a)对应为余弦函数的图像，图4中(b)对应为故障评分的图像。进一步还可以将k个相似度求取平均值即可得到当前特征向量最终的故障评分。
[0063]
本发明通过采用无监督故障检测的方法，仅使用正常声学数据进行深度学习模型的训练，在基于分类度量的方法的基础上，采用基于嵌入特征的方式进行故障检测，通过将主体模型与紧密衔接分类任务的全连接层分离开来，将主体模型转化为特征提取模块，训练后输出该特征提取模块，由该特征提取模块对训练中使用的正常声学数据提取出正常嵌入特征，对被测设备的声学数据，经该训练得到的特征提取模块提取出嵌入特征后，与正常嵌入特征进行比较即可判别故障状态，可以实现基于声学特征驱动的无监督故障检测，无需依赖于大量的模型训练，可以大大减少训练的复杂度，从而提高检测效率以及精度。
[0064]
针对不同类型机械的数据，为了判定模型对于该类数据的可用性，需要一定度量指标来表征模型的效果，由于无监督故障检测可以大致类比于传统二分类问题，本实施例进一步使用曲线下面积(auc，area under roc curve)作为模型度量指标，auc的计算公式具体为：
[0065][0066]
其中，模型对于样例x的输出记作a(x)，x+、x-分别代表真实的正负样本(故障数据和正常数据)，并且已经按照模型预测结果(故障评分)降序排列。n+、n-分别为真实正负样本的数量。h(x)当x》0时返回1，否则(x≤0)返回0。
[0067]
在故障检测任务中如果故障检测系统经常给出错误的报警，那么很难信任该系统，误报一般可以用fpr(false positive rate，假阳性率)加以衡量，因此需要度量在比较低的fpr情况下的tpr(true positive rate，真阳性率)。为此本实施例在auc的基础上引入部分曲线下面积(pauc，partial-auc)作为模型度量指标，公式表示为：
[0068][0069]
上式中表示向下取整函数，p为预设的参数(具体可取p＝0.1)。公式中其他符号含义与auc公式(4)相同。pauc仅关注roc曲线中fpr《p的部分，如图5中填充部分(图中为了展示效果取p＝0.4)，pauc的值实际等于阴影部分面积再除以p。
[0070]
为验证本发明效果，采用本发明上述无监督故障检测方法分别对6种机械类型(风扇fan，泵pump，滑轨slider，阀门valve，模型车toycar，模型传送带toyconveyor)进行实验，并以auc和pauc作为性能度量，各个设备的实验结果如表2所示，由表2可知，本发明故障检测方法对于各类设备均具有较高的故障检测精度。
[0071]
表2：实验结果
[0072][0073][0074]
如图2所示，本实施例上述在训练阶段、正常特征提取阶段以及故障检测阶段中，
将数据输入至特征提取模块前均包括预处理步骤，预处理步骤具体包括使用短时傅里叶变换的方式将音频数据转化为二维时频谱。具体可选取傅里叶变换的窗口长度为2046，每一帧移动的距离(hop length)为512，生成的频域宽度为1024；然后将生成的时频谱依据时域分割为多个单元，具体选取的分割宽度为32，并且两个分割间有宽度为16的重叠。最终每一条音频数据转化为多个1024
×
32的二维数据，单个1024
×
32的数据即为模型输入单元。模型训练阶段和正常特征提取阶段均不区分两条不同的音频数据转化形成的模型输入单元，仅在故障检测阶段需要依据待一个待测样本转化的多个模型输入单元经过模型测试得出的结果来计算该待测样本的故障得分。
[0075]
模型训练阶段将各个机械类型内的机械型号作为分类目标，数据中共有6种机械类型，因此实验过程中共产生6个模型，每个模型针对一个机械类型。由于每个机械类型所包含的机械型号不同，因此每个模型对应的分类目标数也有所不同，其中toyconveyor有6个型号，其他5个类型都是7个型号。因为模型训练过程不区分两条不同的音频数据转化形成的模型输入单元，因此每一个模型输入单元都有自己的类型标签，该标签自然是原始音频的标签。总体模型的训练过程与传统的有监督分类任务的训练过程相近。将同一机械类型的音频数据转化来的所有模型输入单元按照9:1的比例划分为训练阶段使用的训练集和验证集，划分出验证集的目的在于观察总体模型的分类能力。训练过程具体选择带有涅斯捷罗夫(nesterov)动量的随机梯度下降(sgd)作为优化算法，学习率策略选用余弦退火策略，训练过程中的超参数如表3所示。
[0076]
表3：训练过程超参数设置
[0077][0078]
为验证本发明损失函数特征增强的效果，采用传统的softmax loss作为模型训练过程中的损失函数，在控制其他条件相同的情况下，实验结果如表4所示。
[0079]
表4：使用传统softmax loss的实验结果
[0080][0081]
使用传统softmax loss和使用本发明arcface loss训练模型在评测集上的实验效果对比如图6所示。通过对比可以看出，除了toyconveyor类别外，本发明通过使用arcface loss方法特征增强可以使得模型在auc和pauc两个性能指标上都有所提升，尤其是个别类别pauc指标上提升较为明显。
[0082]
本实施例基于声学特征驱动的工业装备故障检测装置包括：
[0083]
训练模块，用于获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出深度神经网络模型中的特征提取模块；
[0084]
正常特征提取模块，用于将不同类型装备在正常运行状态下的声学数据输入至训练后得到的特征提取模块，由特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；
[0085]
故障检测模块，用于将被测设备的声学数据输入至训练后得到的特征提取模块进行特征提取，得到被测设备的嵌入特征；根据被测设备的嵌入特征与对应的正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。
[0086]
本实施例基于声学特征驱动的工业装备故障检测装置与上述基于声学特征驱动的工业装备故障检测方法为一一对应，再次不再一一赘述。
[0087]
本实施例还提供存储有计算机程序的计算机可读存储介质，计算机程序执行时实现如上述方法。
[0088]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

技术特征：

1.一种基于声学特征驱动的工业装备故障检测方法，其特征在于，步骤包括：在训练阶段，获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出所述深度神经网络模型中的特征提取模块；在正常特征提取阶段，将不同类型装备在正常运行状态下的声学数据输入至训练后得到的所述特征提取模块，由所述特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；在实时故障检测阶段，将被测设备的声学数据输入至训练后得到的所述特征提取模块进行特征提取，得到被测设备的嵌入特征；根据所述被测设备的嵌入特征与对应的所述正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。2.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述深度神经网络模型包括特征提取模块、arcface层以及softmax层，由所述特征提取模块进行特征提取，提取得到的特征参数输入至所述arcface层，由所述arcface层计算装备类别的标签，根据所述arcface层的计算结果经所述softmax层计算损失函数。3.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述损失函数采用加性角度间隔损失函数，所述加性角度间隔损失函数中在参数向量和特征向量的夹角上设置有惩罚项。4.根据权利要求3所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述加性角度间隔损失函数的表达式为：其中，l3表示损失函数，n表示批归一化中的输入数量，表示权重参数与样本输入的角度度量，y
i
表示第i个输入样本所属的分类类别，m表示额外角度边缘惩罚项，s表示将输入特征xi的模固定并且重新调整后得到的，n表示分类任务的目标类别数，θ
j
表示不同于yi的其他类别。5.根据权利要求1所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，所述实时故障检测阶段中，从所述正常数据嵌入特征对应的正常数据特征向量中，查与所述被测设备的嵌入特征对应的特征向量最为接近的多个向量，根据所述被测设备的嵌入特征对应的特征向量与查到的各向量之间的距离计算故障评分值，得到所述被测设备的故障状态检测结果。6.根据权利要求5所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，以余弦相似度作为距离度量，所述余弦相似度的计算公式为：其中，similarity表示a向量与b向量之间的距离值，θ表示两个向量之间的夹角，n表示向量的维度。
7.根据权利要求1～6中任意一项所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，还包括使用曲线下面积auc和/或部分曲线下面积pauc作为模型度量指标。8.根据权利要求1～6中任意一项所述的基于声学特征驱动的工业装备故障检测方法，其特征在于，在所述训练阶段、正常特征提取阶段以及故障检测阶段中，将数据输入至所述特征提取模块前还包括预处理步骤，所述预处理步骤包括使用短时傅里叶变换的方式将音频数据转化为二维时频谱。9.一种基于声学特征驱动的工业装备故障检测装置，其特征在于，包括：训练模块，用于获取不同类型装备在正常运行状态下的声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出所述深度神经网络模型中的特征提取模块；正常特征提取模块，用于将不同类型装备在正常运行状态下的声学数据输入至训练后得到的所述特征提取模块，由所述特征提取模块进行特征提取得到特征参数，并按照不同设备类型进行划分，得到不同类型设备的正常数据嵌入特征；故障检测模块，用于将被测设备的声学数据输入至训练后得到的所述特征提取模块进行特征提取，得到被测设备的嵌入特征；根据所述被测设备的嵌入特征与对应的所述正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现如权利要求1～8中任意一项所述的方法或部分曲线下面积pauc作为模型度量指标。

技术总结

本发明公开一种基于声学特征驱动的工业装备故障检测方法及装置，步骤包括：在训练阶段，获取不同类型装备正常声学数据构成训练数据，并输入至深度神经网络模型进行训练，训练完成后输出特征提取模块；在正常特征提取阶段，将不同类型装备正常声学数据输入至训练后得到的特征提取模块进行特征提取，得到正常数据嵌入特征；在实时故障检测阶段，将被测设备的声学数据输入至训练后得到的特征提取模块进行特征提取，得到被测设备的嵌入特征；根据被测设备的嵌入特征与对应的正常数据嵌入特征之间的相似度关系，得到被测设备的故障状态检测结果。本发明能够基于声学特征驱动实现无监督故障检测，且具有实现方法简单、故障检测效率以及精度高等优点。效率以及精度高等优点。效率以及精度高等优点。