CN119442030A 电机异常检测模型训练方法及电机异常检测方法 （广东蘑菇物联科技有限公司）

电机异常检测模型训练方法及电机异常检在本申请提供的电机异常检测模型训练方传播和随机梯度下降算法更新频域特征提取子2获取电机运行时的多个音频样本及其对应的类别标签，并对将每个所述音频样本的多个扰动音频输入所述频域特征提取子模型将每个所述音频样本的多个扰动音频输入所述时域特征提取子模型对于每个所述音频样本，通过所述全连接层采用第一参数对该音频采用所述深度神经网络，对每个所述音频样本的融合增强特征进行根据每个所述音频样本的类别标签和分类概率计算三元组损失，神经网络，对每个所述音频样本的融合增强特征进行特征变换后输入所述分类器的步骤，采用所述深度神经网络，对每个所述音频样本的融合增强特征进行特3获取电机运行时的待检测音频，并对所述待检测音频进行速度扰将所述待检测音频的各个扰动音频输入至预先训练的电机异常检测扰动音频获取模块，用于获取电机运行时的多个音频样本及增强小波时频谱获取模块，用于将每个所述音频样本的增强时域特征获取模块，用于将每个所述音频样本的多个融合增强特征获取模块，用于对于每个所述音频样本，通分类概率获取模块，用于采用所述深度神经网络，对三元组损失，并通过损失反向传播和随机梯度下降算法分别更新所述频域特征提取子模待检测音频获取模块，用于获取电机运行时的待检测音频，并对4检测结果获取模块，用于将所述待检测音频的各个扰动音频输入至所述存储器中存储有计算机可读指令，所述计算机可读指令被所述5些方法通过分析电机运行时产生的振动信号和[0009]对于每个音频样本，通过全连接层采用第一参数对该音频样本的增强小波时频[0010]采用深度神经网络，对每个音频样本的融合增强特征进行特征变换后输入分类6b表示平移参数，用于控制母小波函数在时间轴上的位置，s()表示音[0028]扰动音频获取模块，用于获取电机运行时的多个音频样7[0039]存储器中存储有计算机可读指令，计算机可读指令被一89样本的增强小波时频谱，频域特征提取子模型用于将各个扰动音频进行连续小波变换后，化激活是一系列信号处理步骤，包括卷积操作用于提取局部特征，归一化用于标准化输[0061]本步骤中，可以通过脚本或数据管道将多个扰动音频加载到时域特征提取子模化激活的目的，使得模型能够有效地提取复杂的时域特征。卷积操作有助于捕捉局部结[0066]在得到两个权重矩阵后，逐元素将这两个权重矩阵与各自的输入特征进行相对增强的小波时频谱和时域特征进行加权融合，能够同时捕捉音频信号的时频和时域信b表示平移参数，用于控制母小波函数在时间轴上的位置，s()表示音而在音频信号的异常检测中显著提升了准确[0095]在一个实施例中本申请还提供了一种电机异常检测方法，如图2所示，该方法包[0105]下面对本申请实施例提供的电机异常检测模型训练装置和电机异常检测装置进[0107]扰动音频获取模块301，用于获取电机运行时的多个音频样本及其对应的类别标[0108]增强小波时频谱获取模块302，用于将每个音频样本的多个扰动音频输入频域特[0109]增强时域特征获取模块303，用于将每个音频样本的多个扰动音频输入时域特征[0112]电机异常检测模型训练模块306，用于根据每个音频样本的类别标签和分类概率计算三元组损失，并通过损失反向传播和随机梯度下降算法分别更新频域特征提取子模小波函数的频率，b表示平移参数，用于控制母小波函数在时间轴上的位置，s()表示音[0127]检测结果获取模块402，用于将待检测音频的各个扰动音频输入至预先训练的电实施例中电机异常检测模型训练方法进行训意图，该计算机设备500可以被提供为一服务器。参照图5，计算机设备500包括处理组件[0131]计算机设备500还可以包括一个电源组件503被配置为执行计算机设备500的电源一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作合。[0135]