公开(公告)号：CN118053450B

公开(公告)日：2025-03-07

申请号：CN202410266452.8

申请日：2024-03-08

Applicant: 哈尔滨工程大学

Inventor： 关键 ,  张合静 ,  田健通 ,  肖飞扬

IPC: G10L25/51 ,  G10L25/27 ,  G10L19/022 ,  G10L19/18 ,  G10L15/18

Abstract: 本发明为一种利用元数据生成音频预测未知异常的异音检测方法，解决了目标机器异常音频样本对现有异音检测模型不可见导致异音检测模型无法选择超参数，异音检测系统性能受限的问题。本发明提供的异常样本预测策略借助音频特征和元数据信息特征对齐构建基于元数据信息的音频生成方法，进而预测未知的目标机器类型异常声音特性，为现有异常声音检测方法在First‑Shot场景下生成了可用于模型训练的目标机器预测声音样本，借助于预测声音样本，异音检测方法能在复杂的异常声音检测现实场景中确定最优模型，提升异音检测方法的性能和通用性。同时，本发明构建的统一的样本生成模型，缓解了现实场景中异常样本稀缺问题，有效降低了异音检测方法的工业化部署难度。

公开(公告)号：CN118053450A

公开(公告)日：2024-05-17

申请号：CN202410266452.8

申请日：2024-03-08

Applicant: 哈尔滨工程大学

Inventor： 关键 ,  张合静 ,  田健通 ,  肖飞扬

IPC: G10L25/51 ,  G10L25/27 ,  G10L19/022 ,  G10L19/18 ,  G10L15/18

Abstract: 本发明为一种利用元数据生成音频预测未知异常的异音检测方法，解决了目标机器异常音频样本对现有异音检测模型不可见导致异音检测模型无法选择超参数，异音检测系统性能受限的问题。本发明提供的异常样本预测策略借助音频特征和元数据信息特征对齐构建基于元数据信息的音频生成方法，进而预测未知的目标机器类型异常声音特性，为现有异常声音检测方法在First‑Shot场景下生成了可用于模型训练的目标机器预测声音样本，借助于预测声音样本，异音检测方法能在复杂的异常声音检测现实场景中确定最优模型，提升异音检测方法的性能和通用性。同时，本发明构建的统一的样本生成模型，缓解了现实场景中异常样本稀缺问题，有效降低了异音检测方法的工业化部署难度。

公开(公告)号：CN117079668A

公开(公告)日：2023-11-17

申请号：CN202310902397.2

申请日：2023-07-21

Applicant: 哈尔滨工程大学

Inventor： 关键 ,  兰海燕 ,  田健通 ,  魏玉明 ,  肖飞扬

IPC: G10L25/30 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/08 ,  G10L25/51 ,  G10L25/24

Abstract: 本发明属于异常声音检测技术领域，具体涉及一种利用元数据分层信息约束自监督分类的异音检测方法。本发明使用元数据分层信息结构约束神经网络对训练音频的低维特征和高维特征的学习，充分利用伴随音频文件的元数据，挖掘元数据属性对声学特征的影响，以使神经网络能学习到域偏移在音频特征上引起的变化，进而提高工业异音检测系统在域偏移条件下的性能。同时，本发明提出了一种以属性组为中心的异常分数计算方法，用于在域偏移条件下评估测试样本的异常分数，以判断测试音频是否正常。与现有技术相比，本发明的方法能够更精细地学习到音频特征，减轻域偏移在异常声音检测中带来的问题。