本发明属于工业设备安全监控与故障预警应用，具体涉及一种设备异常音频识别系统与方法。
背景技术：
1、随着现代工业生产装备的高度自动化，设备的安全稳定运行显得尤为关键。设备异常的音频信号往往是事故发生的先兆，如果不能及时发现和响应，可能会导致严重的后果。因此，异常音频的实时监测与预警系统的部署刻不容缓。
2、传统的监控系统主要依赖人工监听来检测异常音频，这种方法难以保证监测的全面性和响应的及时性。
3、近年来，随着语音识别、深度学习等技术的长足发展，异常音频监测开始采用智能方法，这些方法通过分析音频信号来检测设备的工作状态，当检测到异常时可以自动触发预警机制，实现异常音频的智能监控。而如何设计一种相应的设备异常音频识别的技术系统，是当前所研究解决的方向。
4、基于上述问题，本发明提供一种设备异常音频识别系统与方法。
技术实现思路
1、发明目的：本发明的目的是提供一种设备异常音频识别系统与方法，与人工监听相比，智能监控方法具有监测范围广、响应速度快、结果准确和成本低等优势，它可以实现对设备的全天候监测，并在第一时间检测出异常音频，大大缩短响应时间，避免或减轻因此导致的事故影响，总体来说智能异常音频监控技术为工业生产的安全稳定提供重要保障，前景广阔。
2、技术方案：本发明的第一方面提供一种设备异常音频识别系统，包括数据采集模块、数据处理模块、模型训练模块、音频识别模块、告警模块和反馈模块；所述数据采集模块、数据处理模块、模型训练模块、音频识别模块、告警模块依次连接，反馈模块分别与模型训练模块、告警模块连接；所述数据采集模块，用于采集设备产生的音频；所述数据处理模块，用于将采集的音频信号转换为频谱图；所述模型训练模块，用于使用频谱图特征训练图像分类模型，获得异常音频识别模型；所述音频识别模块，用于将采集音频输入识别模型，判断正常或异常；所述告警模块，用于在识别结果为异常时，触发本地或远程告警机制；所述反馈模块，用于收集人工检查结果，供系统优化识别模型。
3、本技术方案的，所述数据处理模块将一维音频信号转换为二维频谱图，将音频分类转换为图像分类；其中，二维频谱图所包含的频率和能量特征可以有效表示音频信号的特征，采用图像分类方法自动学习和提取该特征，判断正常和异常音频，实现音频分类。
4、本技术方案的，所述模型训练模块中的图像分类模型为卷积神经网络模型，该模型具有自学习和特征提取的能力，可有效识别声音频谱图的特征，判断音频的正常与异常。
5、本技术方案的，所述反馈模块的优化识别模型功能，依据人工再确认结果对深度学习模型自动重新训练、自动在线优化，实现模型算法在线自学习；其中，算法模型通过不断学习新的数据持续改进算法，节省大量重新开发模型的时间和资源，确保系统在实际应用中持续的稳定性和可靠性。
6、本发明的第二方面提供一种设备异常音频识别方法，应用于设备异常音频识别系统，所述设备异常音频识别系统，包括数据采集模块、数据处理模块、模型训练模块、音频识别模块、告警模块和反馈模块；所述数据采集模块，用于采集设备产生的音频；所述数据处理模块，用于将采集的音频信号转换为频谱图；所述模型训练模块，用于使用频谱图特征训练图像分类模型，获得异常音频识别模型；所述音频识别模块，用于将采集音频输入识别模型，判断正常或异常；所述告警模块，用于在识别结果为异常时，触发本地或远程告警机制；所述反馈模块，用于收集人工检查结果，供系统优化识别模型；
7、所述方法包括以下步骤：s1、数据采集模块使用拾音器采集设备的正常工作状态和异常工作状态下产生的音频，并由专家人工标注得到训练数据集；s2、数据处理模块对采集的音频信号进行处理，将音频信号转换为频谱图，获得音频信号的时频特征；s3、模型训练模块使用步骤s2得到的频谱图特征数据训练图像分类模型，获得设备异常音频的识别模型；s4、将实时采集的音频输入s3所得到的异常识别模型，判断音频属于正常还是异常；s5、当识别结果为异常音频时，自动触发本地或远程的告警机制；s6、关人员确认告警信息后，将检查结果反馈给系统；s7、系统根据s6的人工确认反馈结果自动重新训练识别模型，实现模型的在线迭代学习优化。
8、与现有技术相比，本发明的一种设备异常音频识别系统与方法的有益效果在于：
9、1、提高异常音频监测的准确性；通过频谱分析与深度学习算法自动学习设备的正常音频与异常音频特征，构建高精度的识别模型，实现对异常音频的准确识别，减少误报误判。
10、2、加快异常响应的速度；系统可以实时监测设备产生的音频，当识别出异常音频时，自动触发告警机制，通知相关人员尽快对设备进行检查和处理，缩短响应时间，减轻事故影响。
11、3、扩展监测范围；与人工监听相比，本系统可以实现全天候持续不间断的监测，监测更广范围的设备，发现更综合和细致的异常情况。
12、4、降低监测成本；本系统只需要部署拾音设备与监控终端，无需人工长时间监听，可以显著减少人力成本，降低公司运营成本。
13、5、不间断迭代优化；本系统可以利用设备最新的运行数据不断优化和迭代更新识别模型，使模型适应设备的变化，持续提高识别精度和稳定性。
14、6、为安全生产提供重要保障；部署本异常音频监测与预警系统，可以及时发现设备故障或异常，避免设备事故的发生，为工业生产的安全稳定运行提供重要技术手段和管理保障。
1.一种设备异常音频识别系统，其特征在于：包括数据采集模块、数据处理模块、模型训练模块、音频识别模块、告警模块和反馈模块；
2.根据权利要求1所述的一种设备异常音频识别系统，其特征在于：所述数据处理模块将一维音频信号转换为二维频谱图，将音频分类转换为图像分类；
3.根据权利要求1所述的一种设备异常音频识别系统，其特征在于：所述模型训练模块中的图像分类模型为卷积神经网络模型，该模型具有自学习和特征提取的能力，可有效识别声音频谱图的特征，判断音频的正常与异常。
4.根据权利要求1所述的一种设备异常音频识别系统，其特征在于：所述反馈模块的优化识别模型功能，依据人工再确认结果对深度学习模型自动重新训练、自动在线优化，实现模型算法在线自学习；
5.一种设备异常音频识别方法，应用于设备异常音频识别系统，其特征在于：所述设备异常音频识别系统，包括数据采集模块、数据处理模块、模型训练模块、音频识别模块、告警模块和反馈模块；所述数据采集模块，用于采集设备产生的音频；所述数据处理模块，用于将采集的音频信号转换为频谱图；所述模型训练模块，用于使用频谱图特征训练图像分类模型，获得异常音频识别模型；所述音频识别模块，用于将采集音频输入识别模型，判断正常或异常；所述告警模块，用于在识别结果为异常时，触发本地或远程告警机制；所述反馈模块，用于收集人工检查结果，供系统优化识别模型；