1.基于声音识别的机房异常监测方法,其特征在于,所述方法包括:步骤1:采集机房内的声音数据;
步骤2:在声音数据中,使用预设的分量分解模型,分别提取出多种类别的声音数据,包括:风扇声音数据、空调声音数据、设备运行声音数据、UPS声音数据、电力设备声音数据和空间反射声音数据;
步骤3:基于每种类别的声音数据,使用预设的时序预测模型,生成预测的声音数据,包括:风扇声音预测数据、空调声音预测数据、设备运行声音预测数据、UPS声音预测数据、电力设备声音预测数据和空间反射声音预测数据;
步骤4:基于声音数据或预测的声音数据在时间尺度上的波形图,将声音数据或预测的声音数据转换为对应的矩阵;对矩阵进行特征提取后,计算特征值,将特征值与预设值进行比较,以判断是否出现异常;
所述步骤2具体包括:
步骤2.1:将声音数据分解为个分量的线性组合,表示为:;
其中,是系数,是分量基函数,为时间;为下标,取值为1到6的整数,分别对应风扇声音数据、空调声音数据、设备运行声音数据、UPS声音数据、电力设备声音数据和空间反射声音数据;
步骤2.2:选择一组具有不同频率、相位、时频局部化特性的分量基函数;
步骤2.3:通过最小化重构误差来计算系数,使用范数正则化以增加分量的稀疏性;
步骤2.4:通过交替最小化方法更新系数;
步骤2.5:通过最小化重构误差更新分量基函数参数;
步骤2.6:根据当前重构误差和稀疏度,自适应地调整以达到更好的稀疏表示;
步骤2.7:使用更新后的系数和分量基函数重构声音数据,表示为:;
其中,为重构声音数据;
步骤2.8:计算重构声音数据与声音数据之间的误差,得到重构误差;判断重构误差是否达到收敛阈值,如果否,则返回步骤2.5;如果是,则输出,得到不同种类的声音数据;
所述步骤3具体包括:
步骤3.1:基于每种类别的声音数据,提取时频特征,得到其对应的时频特征表达,其中是特征数量,是时间步数;
步骤3.2:构建音频转换网络,所述音频转换网络是一个生成对抗网络,由生成器和判别器组成;生成器的输入是随机噪声时频特征,输出为预测声音特征;
步骤3.3:将预测声音特征与时频特征沿时间维度进行拼接,形成扩展特征矩阵;
步骤3.4:对进行噪声注入,模拟真实世界中的随机性;然后,通过时序注意力机制,对中的时序信息进行建模,得到增强时序特征矩阵;
步骤3.5:将增强时序特征矩阵输入频谱图恢复模型,使用逆变换操作将增强时序特征矩阵转换回预测的频谱图;
步骤3.6:通过将输入声音合成引擎,将频谱图恢复为预测的声音数据;
所述步骤3.6具体包括:使用随机的幅度和相位信息初始化频谱图,得到初始估计;进行多次迭代,每次迭代中,先将初始估计进行短时傅里叶变换得到相位信息,然后将预测的频谱图的幅度信息与相位信息相结合,得到新的频谱图估计;通过多次迭代逐步优化频谱图估计,最终得到合成的频谱图;将合成的频谱图转换为声音数据,得到预测的声音数据。
2.如权利要求1所述的基于声音识别的机房异常监测方法,其特征在于,所述步骤4具体包括:步骤4.1:基于声音数据在时间尺度上的波形图,将声音数据转换为对应的矩阵,包括:风扇声音矩阵、空调声音矩阵、设备运行声音矩阵、UPS声音矩阵、电力设备声音矩阵和空间反射声音矩阵;矩阵中的每个元素的坐标对应于时间步,每个元素的元素值对应于该时间步下的时间幅度值;
步骤4.2:基于预测的声音数据在时间尺度上的波形图,将预测的声音数据转换为对应的矩阵,包括:风扇声音预测矩阵、空调声音预测矩阵、设备运行声音预测矩阵、UPS声音预测矩阵、电力设备声音预测矩阵和空间反射声音预测矩阵;矩阵中的每个元素的坐标对应于时间步,每个元素的元素值对应于该时间步下的预测幅度值;
步骤4.3:对步骤4.1中得到的矩阵进行特征提取后,计算特征值,将每个特征值与其对应的预设值进行比较,以判断是否出现异常,若出现异常,则记录结果;对步骤4.2中得到的矩阵进行特征提取后,计算特征值,将每个特征值与其对应的预设值进行比较,以判断是否出现异常,若出现异常,则记录结果。
3.如权利要求2所述的基于声音识别的机房异常监测方法,其特征在于,所述分量基函数使用如下公式进行表示:;
其中,是窗口中心时间,是窗口宽度,是频率,是相位,均为分量基函数参数;为下标,用以区分不同种类的声音数据对应的窗口中心时间、窗口宽度、窗口频率和相位。
4.如权利要求3所述的基于声音识别的机房异常监测方法,其特征在于,使用如下公式,通过最小化重构误差来计算系数,使用范数正则化以增加分量的稀疏性:;
其中,是稀疏度控制参数,表示对进行范数正则化;
使用如下公式,通过交替最小化方法更新系数:
;
其中,是迭代次数。
5.如权利要求4所述的基于声音识别的机房异常监测方法,其特征在于,使用如下公式,通过最小化重构误差更新分量基函数参数:;
其中,表示范数正则化。
6.如权利要求5所述的基于声音识别的机房异常监测方法,其特征在于,所述步骤3.1具体包括:使用如下公式,对每种类别的声音数据进行预加重处理,以增强高频成分,减弱低频成分:;
是预加重后的声音数据,是预加重系数;
将预加重后的声音数据分割成短帧;对每个帧应用窗函数,以减少频谱泄漏效应;对每个帧应用FFT,将时域信号转换为频域信号;在频域上,将一组梅尔滤波器应用于频域信号,得到梅尔滤波器输出,对梅尔滤波器输出取对数;对取对数操作后的梅尔滤波器输出应用离散余弦变换,得到时频特征。
7.如权利要求6所述的基于声音识别的机房异常监测方法,其特征在于,使用逆短时傅里叶变换将合成的频谱图转换为声音数据,得到预测的声音数据。