本发明涉及机器学习，尤其涉及一种基于深度学习的设备异常声音检测方法。
背景技术：
1、设备异常检测技术是指通过分析设备在运行过程中产生的各种数据，判断设备是否存在故障或异常状态的方法。及时、准确地发现设备异常，对于预防重大事故、降低维护成本、提高生产效率至关重要。
2、目前，设备异常检测技术主要有以下几种方式：1)依赖人工经验，通过人工观察和判断来发现异常；2)基于规则的方法，事先设定阈值等规则，当检测数据超出规则范围时判定为异常；3)基于模型的方法，建立设备正常运行时数据的模型，新数据与模型偏差较大时判为异常。但这些传统方法存在一定局限性。
3、人工检测效率低下且难以及时发现隐藏性故障；基于规则的方法缺乏适应性，往往需要大量经验知识，难以应对复杂多变的工况；而基于模型的方法对模型的建立和维护有一定要求，且单一数据源的模型表达能力有限，容易受噪声干扰导致判断失误。因此，亟需一种智能化、鲁棒性更强的异常检测新方法来解决现有技术的不足。
技术实现思路
1、为了解决现有技术的问题，本发明实施例提供了一种基于深度学习的设备异常声音检测方法。所述技术方案如下：
2、一方面，提供了一种基于深度学习的设备异常声音检测方法，包括：
3、采集设备运行过程中的声音数据以及至少一种异构数据；
4、对所采集的声音数据进行预处理以获得声音特征，对所采集的异构数据进行预处理以获得异构特征；
5、将所获得的声音特征输入至第一深度神经网络以学习声音特征的模式表示，将所获得的异构特征输入至第二深度神经网络以学习异构特征的模式表示；
6、利用注意力融合机制将声音特征的模式表示与异构特征的模式表示融合，得到融合特征表示；
7、将融合特征表示输入至第三深度神经网络，经过时序建模得到异常检测分数；
8、将实时采集到的声音数据和异构数据输入训练好的深度神经网络模型，根据所得异常检测分数判断设备是否存在异常并输出异常警报。
9、进一步地，所述对声音数据进行预处理以获得声音特征的步骤包括：
10、对原始声音数据进行降噪和重采样等预处理；
11、将预处理后的声音数据转换至时频域并提取梅尔频率倒谱系数等声音特征。
12、进一步地，所述声音特征还包括梅尔loudness特征和gammatone频率倒谱系数特征。
13、进一步地，所述异构数据包括设备运行过程中的振动数据和温度数据。
14、进一步地，还包括对声音数据和异构数据进行数据增广的步骤，以扩充异常数据样本。
15、进一步地，所述第一深度神经网络采用适配时频特征的卷积核结构，并使用卷积块注意力模块建模不同频带特征之间的长程依赖关系。
16、进一步地，所述第三深度神经网络包括双向长短期记忆网络，用于捕获特征的时序上下文信息。
17、进一步地，所述深度神经网络模型的训练包括：
18、基于标注的正常数据和异常数据进行有监督训练；
19、利用半监督学习方法结合未标注数据对模型进一步训练。
20、进一步地，所述半监督学习方法采用对比学习的范式。
21、进一步地，还包括：
22、展示实时声音波形、异常检测分数变化趋势以及可能故障原因及处理建议；
23、根据实际维修反馈信息持续优化更新所述深度神经网络模型。
24、本发明实施例提供的技术方案带来的有益效果是：
25、1.通过融合声音、振动、温度等多源异构数据，能够全面反映设备的运行状态，提高检测的稳健性和准确性。
26、2.提出了适配时频特征的卷积核结构，以及利用注意力机制建模不同频带特征之间的长程依赖关系，有效提取了声音信号中丰富的局部和全局模式信息。
27、3.结合双向长短期记忆网络的时序建模能力，能够捕获异常行为在时间维度上的演化规律，提高对连续型异常的检测能力。
28、4.采用有监督、半监督、迁移学习等多种训练策略，降低了对大量标注数据的依赖，降低了数据准备的成本和工作量。
29、5.提供智能化的可视化监控界面，直观呈现实时数据、异常趋势和故障诊断信息，大幅提升了系统的可解释性和用户体验。
30、6.通过持续优化模型，结合实际维修反馈，形成了一个闭环的自动化异常检测和诊断系统，能够不断提高检测精度。
31、7.算法部署成本低，只需普通的声音和振动传感器，便可广泛应用于工厂、电力等领域，实现工业设备的智能化运维和故障预警。
32、8.该技术方案的创新之处在于将多模态深度学习与工业大数据相结合，克服了传统检测方法的诸多缺陷，提出了一种高效、鲁棒、智能化的新范式，具有重要的理论意义和广阔的应用前景。
1.一种基于深度学习的设备异常声音检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对声音数据进行预处理以获得声音特征的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述声音特征还包括梅尔loudness特征和gammatone频率倒谱系数特征。
4.根据权利要求1所述的方法，其特征在于，所述异构数据包括设备运行过程中的振动数据和温度数据。
5.根据权利要求1所述的方法，其特征在于，还包括对声音数据和异构数据进行数据增广的步骤，以扩充异常数据样本。
6.根据权利要求1所述的方法，其特征在于，所述第一深度神经网络采用适配时频特征的卷积核结构，并使用卷积块注意力模块建模不同频带特征之间的长程依赖关系。
7.根据权利要求1所述的方法，其特征在于，所述第三深度神经网络包括双向长短期记忆网络，用于捕获特征的时序上下文信息。
8.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型的训练包括：
9.根据权利要求8所述的方法，其特征在于，所述半监督学习方法采用对比学习的范式。
10.根据权利要求1所述的方法，其特征在于，还包括：
