基于表示掩码和层次约束的异常声音检测研究.pdf

基于表示掩码和层次约束的异常声音检测研究

摘要

目前智能化和无人化已经成为当前工业现代化不可避免的趋势，因此越来越多的公

司提出了对工业机器故障检测的需求，其中异常声音检测是该领域中的一个关键组成部

分，其基本原理是通过自动检测机器处于异常状况时发出的异常声音，从而对机器进行

预测性维护、监控和检查。在实际工业应用中，机器在源域数据和目标域数据之间的声

学特性存在差异，导致使用源域数据训练的传统异常声音检测模型难以准确地对少量目

标域内正常音频特征进行建模，进而降低检测效果的准确率。本文将从提高模型的泛化

能力和模型的特征提取能力两个角度出发，对域偏移下的异常声音检测进行研究。

首先，针对模型在数据域偏移下容易对源域数据过拟合的问题，本文提出一种基于

表示梯度掩码的异常声音检测方法。该方法首先通过确定训练过程中最高梯度相关联的

特征表示，以确定哪些特征被过度依赖，然后对这些具有高梯度的特征进行掩码，使之

不会对模型的更新产生贡献，最后对整个模型进行更新，使其可以适应新的数据，并在

下一次迭代中重新定位、掩码和更新，从而有效解决数据特征分布偏移的问题，提高模

型的泛化能力，且该方法在DCASE挑战任务二中排名第六。

其次，针对模型在域偏移下提取的特征表示不够精细的问题，本文提出一种基于层

次元数据信息约束的异常声音检测方法。该方法首先将每个机器ID下具有相应值的属

性进一步分组为一个属性组，以表示由该属性组引起的具有特定声学特性的域，然后利

用带有域偏移类型信息的机器ID和带有声学特性变化的机器属性之间的层次关系，在

异常声音检测中层级约束来学习更精细的特征，从而增强模型对特征的提取能力，并且

有效提高正常和异常之间的区分度。同时本文计算异常分数为检测声音的音频特征表示

与每个属性组提取的精细音频特征的平均值的马氏距离，从而有效解决域偏移下的工业

异常声音检测问题。

综上所述，本文分别针对域偏移下模型易对源域数据过拟合的问题和模型提取的特

征表示不够精细的问题，提出表示梯度掩码的异常声音检测方法，以及层次元数据信息

约束的异常声音检测方法。实验结果表明，本文提出的方法在DCASEChallenge2022

Task2数据集上显著提高了AUC和pAUC值，相较于官方基线方法和最先进方法有更

好的检测效果，验证了该方法在工业异常声音检测任务中的有效性和优越性。

关键词：异常声音检测；域偏移；表示掩码；层次约束

基于表示掩码和层次约束的异常声音检测研究

Abstract

Withintelligenceandunmannedoperationsnowaninevitablepartofcurrentindustrial

modernization,moreandmorecompaniesareputtingforwardtheneedforindustrialmachine

faultdetection,ofwhichanomaloussounddetectionisakeycomponent.Thebasicprincipleis

toautomaticallydetectanomaloussoundsemittedbymachinesinabnormalconditionsto

performpredictivemaintenance,monitoringandinspection.Inpracticalindustrialapplications,

differencesintheacousticcharacteristicsofmachinesbetweensourceandtargetdomaindata

makeitdifficultfortraditionalanomaloussounddetectionmodelstrainedusingsourcedomain

datatoaccuratelymodelnormalaudiofeaturesinasmallnumberof