嵌入式人工智能声振检测系统和模型构建方法与流程

本技术实施例涉及ai，特别涉及一种嵌入式人工智能声振检测系统和模型构建方法。

背景技术：

1、工业中常用基于声振信号检测电动机等设备异常。这种检测往往根据有经验的工人所谓的“金耳朵”进行人工判定，这种判断结果跟工人经验强度相关，存在不稳定，人力成本高，和效率低的缺陷。为了解决节省人力，提高效率和准确性，一些先进产商寻找外协开发智能化判定系统，但每增加一款新产品都需要定制化智能判定系统中的算法模块，随着产线的增减，外协开发的费用和系统维护不断增加，让很多厂商望而却步。

2、在相关技术中，部分厂商为了替代“金耳朵”，采用基于人工智能的声振检测模型来检测，但出厂的电动机可能会应用于不同场景，且对于测试的平台或测试设备性能各有差异，或采用同一标准化的检测模型，可能会导致普适性受限和检测精度降低。

技术实现思路

1、本技术实施例提供一种嵌入式人工智能声振检测系统和模型构建方法，解决模型测试平台及测试模型普适性受限和检测精度不高的问题。

2、一方面，本技术提供一种嵌入式人工智能声振检测系统，所述系统包括系统配置中心、ai模型验证及训练模块、嵌入式应用导出模块和嵌入式应用验证模块；

3、所述系统配置中心配置有处理器类型及架构信息、传感器类型信息、特征提取库、检测算法库以及应用场景信息；其中，特征提取库中存储有若干用于提取电动机声振数据特征的特征提取方法，所述检测算法库中存储有用于模型训练的特征检测算法；

4、所述ai模型验证及训练模块用于根据选定的特征提取方法、检测算法及其输入的电动机声振数据进行模型训练和验证；其中，特征提取方法和检测算法根据模型运行环境配置参数和所述电动机声振数据确定；

5、所述嵌入式应用导出模块用于根据训练好的ai模型及其模型参数进行自动编译，生成对应所述目标ai模型的模型静态库；所述嵌入式应用验证模块用于导入编译生成的所述模型静态库，以及根据输入的嵌入式验证数据进行模型精度验证。

6、具体的，所述模型运行环境配置参数包括处理器类型结构、芯片资源空间占用大小、处理器计算能力中的至少一种；

7、所述应用场景信息包括汽车领域、风力发电、水利发电、工农生产中的至少一种；所述传感器类型信息包括声音数据、振动数据、转速数据和电压数据和压力数据中的至少一种，对应模型配置参数包括传感器信号个数、信号种类和采集环境中的至少一种，所述采集环境包括强噪环境、普通环境和低噪环境。

8、具体的，所述检测算法库包括数据均衡算法、监督分类学习算法、异常值检测算法、新颖点检测算法和深度异常检测算法；所述特征提取库包括特征提取和特征选择方法；其中的特征提取方法包括阶次分析征提取方法、短时傅里叶特征提取方法、功率特征提取方法中的至少一种；特征选择方法至少包括相关系数法和信息增益法，用于对提取的所有特征类型进行选择。

9、具体的，所述ai模型验证及训练模块中还包括ai模型算法库；其中的ai模型基于所述特征提取库中选定的特征提取方法、特征选择方法，以及所述检测算法库中选定的检测算法构建，且所述ai模型算法库中包括任意特征提取方法、特征选择方法和检测算法组成的ai模型及其对应的模型参数，用于根据所述模型运行环境配置参数和所述电动机声振数据选定目标ai模型。

10、具体的，所述电动机声振数据的标签类型包括异常标签、ok标签和未知标签，分别用于表示电动机异常、正常和不明确状态；且所述异常标签分为一类异常标签、二类异常标签至n类异常标签，分别对应电动机不同功能异常。

11、具体的，所述数据均衡算法包括k近邻算法allknn、靠近点消除算法nearmiss、近邻删除规则算法neighbourhoodcleaningrule和单边选择算法onesidedselection中的至少一种；

12、所述监督分类学习算法包括k近邻算法、线性回归算法、支持向量机、决策树和随机森林中的至少一种；所述异常值检测算法包括kmeans算法、lof算法和孤立森林isolation forest算法中的至少一种；

13、所述新颖点检测算法包括一类支持向量机oneclasssvm算法、局部异常因子算法localoutlierfactor算法、和自动编码网络autoencoder算法中的至少一种；

14、所述深度异常检测算法包括深度卷积神经网络cnn算法、循环神经网络rnn算法和长短期记忆神经网络lstm算法中的至少一种。

15、另一方面，本技术提供一种嵌入式电动机声振检测模型构建方法，所述方法包括：

16、获取电动机声振数据训练样本，并确定样本数据量、传感器数据类型、模型应用场景信息和模型运行环境配置参数；所述模型运行环境配置参数用于确定处理器资源和计算能力，以及计算权值得分，所述权值得分用于确定目标ai模型的目标检测算法和/或目标特征提取方法；

17、当样本数据量小于最低数据量阈值，或处理器资源和计算能力小于最低阈值时，确定采用信号处理的特征提取方法提取样本数据特征，以及根据所述权值得分确定所述目标检测算法，组合构建生成第一目标ai模型；

18、当样本数据量大于最高数据量阈值，且处理器资源和计算能力大于最高阈值时，将深度异常检测算法确定为所述目标检测算法，并根据所述权重分数确定所述目标特征提取方法，组合构建生产第二目标ai模型；

19、当样本数据量位于最低和最高数据量阈值之间，或处理器资源和计算能力位于最低和最高阈值之间时，根据样本数据集的标签类型和所述权值得分确定所述目标检测算法和所述目标特征提取方法，组合构建生成第三目标ai模型。

20、具体的，样本数据的标签类型包括未知标签、异常标签和ok标签；其中的异常标签和ok标签为可识别标签，未知标签是不可识别标签；

21、当样本数据量低于最低数据量阈值时，样本数据集均为可识别标签；

22、当样本数据量位于最低和最高数据量阈值之间时，样本数据集包括可识别标签和/或不可识别标签；其中，可识别标签用于监督分类学习算法进行监督学习；

23、当样本数据量大于最高数据量阈值时，样本数据集均为可识别标签，用于深度异常检测算法进行深度学习。

24、具体的，当确定所述第一目标ai模型时，确定样本数据集的采集环境；当采集环境是低噪环境或普通环境时，直接采用信号处理的特征提取方法和所述权值得分确定所述目标检测算法进行构建；

25、当采集环境是强噪环境时，对样本数据集进行去噪滤波，然后采用信号处理的特征提取方法和所述权值得分确定所述目标检测算法进行构建；其中，信号处理的特征提取方法包括短时傅里叶和功率谱特征提取方法；

26、当确定所述第三目标ai模型时，先根据所述权值得分确定所述目标特征提取方法，然后确定样本数据集中的标签类型；当全部为包含异常标签的已知标签，且异常标签数据类型均衡时，采用监督分类学习算法构建ai模型；当全部为包含异常标签的已知标签，但异常标签数据类型不均衡时，先采用数据均衡算法进行数据预处理，然后采用分类学习算法构建ai模型；

27、当全部为未知标签和/或ok标签时，确定可识别标签类型，且在可识别标签类型全部是ok标签时，确定新颖点检测算法为所述目标检测算法，否则确定异常值检测算法作为所述目标检测算法，并构建ai模型。

28、具体的，所述目标特征提取方法和所述目标检测算法的运算量和存储量与所述权值得分呈正相关；所述权值得分基于样本数据量、传感器数据类型及数量、处理器资源和计算能力确定，且生成的目标ai模型及内置参数根据样本数据集的应用场景信息分类标记和储存。

29、本技术实施例提供的技术方案带来的有益效果至少包括：提供普适性的电动机声振检测系统，在系统配置中心配置处理器类型及架构信息、传感器类型信息、特征提取库、检测算法库以及应用场景信息等，便于根据具体的实例从特征提取库和检测算法库中提取到最适用的特征提取方法和检测算法，并以此来构建目标ai模型。在模型训练时，可以根据输入的各种电动机声振数据选择该目标ai模型进行训练和验证。训练后的ai模型可以通过嵌入式应用导出模块生成针对实际检测设备的模型静态库，并通过嵌入式应用验证模块进行召回验证，确认该模型的场景检测精度。

30、本技术提供的测模型构建方法，可以根据实际检测设备的硬件情况以及模型运行环境配置参数等，确定出构建ai模型的权重分数，并根据训练样本数量来确定具体的目标特征提取方法和目标检测算法，以此构建出最适用于硬件设备和应用场景的目标ai模型，提高检测精度和检测效率。