一种用于阀门声学信号空化检测与空化强度识别的多任务学习
声音
2022-05-11 v2 音频与语音处理
摘要
随着智能制造的快速发展，数据驱动的机械健康管理受到越来越多的关注。作为机械健康管理中最流行的方法之一，深度学习（DL）取得了显著成功。然而，由于声学信号中不同空化状态的样本有限且可分离性差，这极大地阻碍了DL模型在空化强度识别和空化检测中的最终性能。本文提出了一种新颖的多任务学习框架，使用一维双层次残差网络（1-D DHRN）同时进行空化检测和空化强度识别，用于分析阀门声学信号。首先，开发了一种基于滑动窗口和快速傅里叶变换（Swin-FFT）的数据增强方法，以缓解本研究面临的小样本问题。其次，构建了一维双层次残差块（1-D DHRB），从阀门声学信号的频域中捕获敏感特征。然后，提出了一种新的1-D DHRN结构。最后，在SAMSON AG（法兰克福）提供的两个无噪声阀门声学信号数据集（数据集1和数据集2）以及一个带有真实环境噪声的阀门声学信号数据集（数据集3）上评估了所设计的1-D DHRN。我们的方法取得了最先进的结果。1-D DHRN在空化强度识别上的预测准确率高达93.75%、94.31%和100%，表明1-D DHRN优于其他深度学习模型和传统方法。同时，1-D DHRN在空化检测上的测试准确率高达97.02%、97.64%和100%。此外，1-D DHRN还在不同频率的样本上进行了测试，并在手机可容纳的频率样本上表现出优异的结果。
引用
@article{arxiv.2203.01118,
title = {A multi-task learning for cavitation detection and cavitation intensity recognition of valve acoustic signals},
author = {Yu Sha and Johannes Faber and Shuiping Gou and Bo Liu and Wei Li and Stefan Schramm and Horst Stoecker and Thomas Steckenreiter and Domagoj Vnucec and Nadine Wetzstein and Andreas Widl and Kai Zhou},
journal= {arXiv preprint arXiv:2203.01118},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2202.13226