用于机器异常声音检测的自监督学习方法研究.pdfVIP

摘要

摘要

随着工业4.0的逐步推进，机器异常检测已经引起广泛关注。其中机器异常声

音检测技术旨在利用机器运行时发出的声音进行机器异常检测。目前机器异常声

音检测技术的研究大多采用深度学习的方法，其中面临的最大困难就是难以收集

到机器运行过程中发出的异常声音，但却很容易收集到足够多机器运行发出的正

常声音，这导致无法使用监督学习的方法对机器异常声音进行检测。

本文设计了一个自监督学习方法来解决机器异常声音检测模型在训练过程中

没有异常数据的问题，包括对网络结构的改进、强化潜在分布的收敛和优化异常

分数计算规则三个方面。首先利用残差卷积网络改进了原始的全连接网络结构，

并设计了辅助任务辅助模型训练。具体的做法是在模型的潜在特征层添加辅助分

支，利用机器正常声音中包含的辅助标签来辅助机器异常检测模型的训练。这样

既保证了原有的异常声音检测任务的训练，同时还可以使模型提取到更准确的特

征表达。在对模型进行辅助训练的同时，结合多种数据增强方法进行训练使潜在

特征的分布更加收敛，增强了模型的异常检测能力。同时，利用高斯混合模型优

化了原有的异常分数计算规则。最终应用本文提出的自监督学习方法的残差卷积

网络相较与基线系统在开发数据集上获得了0.104的AUC提升和0.146的pAUC

提升；在评估数据集上获得了0.063的AUC提升和0.131的pAUC提升。

为了验证该自监督学习方法对真实机器声音的检测效果，利用实测的变压器

声音数据和航空发动机声音数据对自监督学习方法进行了效果验证。并考虑到机

器异常声音检测的应用场景，在上述自监督学习方法的基础上开发了机器异常声

音检测系统。系统使用RaspberryPi作为核心板并搭配触摸屏实现了人机交互功

能，并且系统具备离线和在线两种检测模式，可以应对不同的检测需求。使用实

测的变压器声音数据和航空发动机声音数据分别对机器异常声音检测系统的离线

检测和在线检测模式进行验证。实验结果表明，自监督学习方法可以很好的对真

实场景下的机器声音进行检测，并且检测系统可以很好的区分正常声音和异常声

音，实现对异常声音的检出。

关键词：异常声音检测，自监督学习，残差卷积网络，数据增强

I

ABSTRACT

ABSTRACT

WiththegradualadvancementofIndustry4.0,machineanomalydetectionhasat-

tractedwidespreadattention.Amongthem,themachineanomaloussounddetectiontech-

nologyaimstousethesoundemittedbythemachinetoperformmachineanomalydetec-

tion.Atpresent,mostoftheresearchonmachineanomaloussounddetectiontechnology

adoptsthemethodofdeeplearning.Thebiggestdifficultyfacedbythedeeplearning

methodisthatitisdifficulttocollecttheanomaloussoundproducedbythemachinedur-

ingoperation,butitiseasytocollectenoughmachinenormalsounds.Thismakesit

impossibletousetraditionalsupervisedlearningmethodsformachineanomaloussound

detection.

Inthisthesis,aself-supervisedlearningmethodisdesignedtosolvetheproblemthat

themachineanomaloussounddetectionmodelhasnoanomalousdataduringthetrai