公开(公告)号：CN117953913A

公开(公告)日：2024-04-30

申请号：CN202410086072.6

申请日：2024-01-22

Applicant: 东北大学

Inventor： 栾峰 ,  郑威 ,  李双 ,  魏阳杰 ,  李硕 ,  王传喆

IPC: G10L21/0216 ,  G10L21/0264 ,  G10L25/30 ,  G10L21/0232 ,  G01S5/18

Abstract: 本发明的一种基于深度学习的高噪环境下的声源定位和事件检测方法是设计一个通过对含噪声音进行增强，再对其进行声源定位和事件检测分析的方法。将含噪声音提取时频域特征后送入由深度可分离卷积组成的编码器‑解码器结构网络中，编码器和解码器之间由双路循环神经网络组成，并在块内循环神经网络中加入注意力机制，使得算法可以更加关注包含较多有用信息的频率部分，尤其是在高噪场景下，能够有效减少有用信息的损失。经过前端降噪后的声音数据提取SALSA特征并进行特征增强，可以解决重叠声源问题并增加数据集多样性。然后送入加入了挤压激励模块的SELD网络中进行训练。本发明解决了在高噪场景下定位与事件检测准确度较低的问题。

公开(公告)号：CN118939980A

公开(公告)日：2024-11-12

申请号：CN202411320774.2

申请日：2024-09-23

Applicant: 东北大学

Inventor： 李旭 ,  栾峰 ,  王传喆 ,  吴艳 ,  韩月娇 ,  高涵 ,  曹善鸿 ,  董学齐

IPC: G06F18/21 ,  G06F17/14 ,  G06F17/16 ,  G06F18/213 ,  G06F18/25 ,  G06F18/28 ,  G01M13/00 ,  G01M13/04 ,  G01M13/045

Abstract: 本发明的一种基于视听信息融合的旋转机械故障信号分离和诊断方法，将基于视觉信息辅助的声源定位方法与非负矩阵分解相结合实现对旋转机械故障信号源的定位、对故障信号的分离和特征提取。本发明提出的基于视觉信息辅助的声源定位方法，在多个声源之间角度差较小的情况下能够克服传统GCC声源定位算法的缺点，对目标故障源的角度进行更加准确的估计，得到源信号到达不同阵元的时间差，从而实现故障源的准确定位。实验表明，本发明的信号分离和诊断方法对故障信号的分离效果较好，且能够对故障类型做出准确的判断。