从“金耳朵”到 AI：基于小波散射的工业设备与小电机异响检测方法

摘要：传统的工业听音质检全靠老师傅的“金耳朵”，效率低、难复制且无法 24 小时在线。本文深度解读一篇发表于 Engineering Applications of Artificial Intelligence (EAAI) 的前沿论文。该研究并未采用常规的频谱分析，而是另辟蹊径，利用小波散射变换 (WST) 配合 自编码器特征图重构，像给机器做“声学 CT”一样，在大型潮汐涡轮叶片测试中实现了 99.5% 的惊人检出率 。苏州东原电子推出的 👉异音异响（Anomalous Sound Detection）检测系统👈 ，基于先进的机器听觉与无监督/弱监督学习算法，能够在无需大量故障样本的情况下，自动学习“正常声音模型”，并实时识别偏离正常状态的异常声学特征，实现对设备运行状态的持续监测与早期预警。

1. 痛点：为什么工厂里全是“苦行僧”？

在工业监测领域，尤其是像 FastBlade 这样的大型潮汐涡轮叶片疲劳测试设施中，挑战是史诗级的 。

想象一下，一个长达 10 米的巨型复合材料叶片，要在液压作动器的驱动下，日夜不休地进行数百万次的弯曲疲劳测试 。

• 无人值守的刚需：测试可能持续数周，让人类工程师 24 小时盯着是不可能的，且高压液压系统存在安全隐患 。
• 听音辨位的难度：虽然麦克风很便宜，但在嘈杂的工业环境下（液压泵声、电机声、环境噪音混杂），想要从轰鸣声中听出微弱的机械故障（如作动器异步、系统共振、螺栓微松动），难度堪比“大海捞针” 。

传统方法的“体温计”困境：为什么良品也被误杀？

以前的机器检测（如 PCA 或标准自编码器）通常只看频响曲线或简单的重构误差（MSE） 。这就好比医生只给你量体温。

• 体温正常≠没病：很多隐疾（如早期裂纹）根本不会引起整体声学能量的剧烈变化 。
• 核心难题：类内差异 (Intraclass Variability) ：这是本研究揭示的最大痛点。工业现场的“正常声音”并不是一成不变的。系统预热时、不同负载下、甚至润滑油温度变化，都会导致“正常声音”千差万别 。

如果用传统的“阈值法”，你会发现良品和次品的误差分布严重重叠。你想抓次品，就会误杀良品；你想放过良品，就会漏掉次品。

图注：传统方法的至暗时刻。基于 PCA 和 CAE 重构误差的直方图显示，良品（蓝色）和异常品（红色）的误差数据像两座纠缠的大山，严重重叠。这意味着无论你把报警阈值设在哪里，模型要么是“瞎子”（漏检），要么是“疯子”（误报） 。

2. “AI 老师傅”的黑科技修炼手册：从失败中诞生的神技

为了解决“良品声音千变万化”的难题，研究团队打出了一套独特的“组合拳”，彻底终结了这种“玄学”检测时代。

黑科技一：超越频谱图的“声学 CT” —— 小波散射变换 (WST)

普通的 AI 听声音喜欢用 短时傅里叶变换（STFT） ，但这玩意儿有个物理学上的死穴：海森堡测不准原理。

• STFT 的尴尬：你想要看清频率（高频分辨率），就看不清时间（时间分辨率低），反之亦然。对于工业噪音中稍纵即逝的“咔哒”声，STFT 往往会把它们模糊成一团雾 。

本文采用了一种数学上的降维打击——小波散射变换 (Wavelet Scattering Transform, WST) 。

它是如何工作的？

WST 不仅仅是做卷积，它引入了模运算（Modulus） 和平均池化（Averaging） 的迭代过程。

1. 平移不变性：不管故障声发生在第 1 秒还是第 10 秒，WST 提取的特征都是稳定的 。
2. 形变稳定性：即使机器转速有轻微波动（声音频率微变），WST 依然能识别出这是同一个故障 。
3. 多尺度透视：它就像一把多尺度的梳子，通过多层散射网络，既能抓住高频的瞬态冲击（如断裂声），又能稳住低频的周期性轰鸣 。

图注：声学“CT”扫描对比。

• 最下面一行 (e) 是普通的 STFT，对于异常信号（Anomaly 1），图像模糊不清，特征淹没在背景中。 * 上面两行 (a, b) 是 WST（小波散射） 。请注意 Anomaly 1 中部的亮斑，异常信号的纹理清晰可见，边缘锐利。这就像给声音开了 4K 高清画质，让 AI 能“看”清声音的每一个毛孔 。

黑科技二：透视“机器大脑”的潜意识 —— 隐藏层特征图 (Feature Maps)

这是本研究最精彩的“反转”部分。

最初，研究人员训练了一个 2D 卷积自编码器 (CAE) ，试图用“输入 vs 输出”的重构误差来检测异常。

结果惨败。因为 CAE 能力太强了，它不仅学会了还原正常声音，连异常声音也还原得惟妙惟肖！导致异常样本的重构误差很小，根本检测不出来 。

绝处逢生：不看结果，看过程

研究人员决定不再看输出端，而是直接把手术刀伸进了神经网络的内部隐藏层 。 他们发现：虽然 CAE 能勉强还原异常图像，但在中间层的特征图 (Feature Maps) 里，模型已经“困惑”了。

• 正常样本：激活了特定的水平纹理特征（代表稳定的周期信号）。
• 异常样本：激活的特征图杂乱无章，或者缺失了某些关键纹理 。

图注：AI 的“脑电图” 。

这是模型第 2 层卷积层提取出的特征图。

• 左边（良品） ：特征图呈现出清晰、规则的水平条纹。
• 右边（异常品） ：特征图变得模糊、断裂或出现不规则斑块。 AI 的“眼睛”其实已经敏锐地捕捉到了两者在纹理特征上的细微差异，只是被最终的输出掩盖了 。

核心算法：互相关性 (NCC)

为了量化这种差异，论文放弃了 MSE，改用 归一化互相关 (Normalized Cross-Correlation, NCC) 。 AI 会拿当前声音的特征图，去和“标准良品”的平均特征图做对比。

• 气质相符 (NCC 高) ：通过。
• 气质不符 (NCC 低) ：哪怕误差再小，只要特征图的“纹理”对不上，立刻报警 。

黑科技三：工业级的实战部署

这套系统不是实验室里的玩具，它是为了像 FastBlade 这样的大型设施设计的 。 研究人员搭建了一套完整的端到端流水线：

1. 传感器：使用廉价的 MEMS 数字麦克风（成本低，抗干扰强） 。
2. 算力：利用 NVIDIA GPU 加速 WST 的计算，将复杂的数学变换时间压缩到毫秒级 。
3. 流程：麦克风采集 -> GPU 进行 WST 变换 -> CAE 提取特征 -> 计算 NCC -> 分类器判断。

3. 实战战绩：快、准、狠

这位“AI 老师傅”上岗后的表现只能用“残暴”来形容。它在处理 类内差异巨大 的数据集时，表现出了惊人的统治力。

极速：毫秒级响应

在 NVIDIA RTX A6000 GPU 的加持下，处理一个 0.5 秒的音频样本：

• 特征提取 (WST) ：约 0.09 秒。
• 模型推理 (CAE + NCC) ：约 0.02 秒。
• 总耗时：约 0.2 秒 。 这完全满足实时监测的需求（测试循环通常较长），意味着故障刚一出现，系统就能在下一个循环前发出警报。

精准：99.58% 的准确率

在测试集上，结合 KNN 分类器（k=5）和 2D 特征图数据：

• 总体准确率：99.58% 。
• 召回率 (Recall) ：良品召回率 100%，异常品召回率 92%。这意味着它极少误报，且绝大部分故障都能被抓住 。

鲁棒：什么都能听

无论是 随机的敲击声（模拟外部干扰），还是 系统异步运行的怪声（模拟作动器故障），甚至是 系统启动时的变频声，都逃不过它的耳朵 。相比之下，传统方法对这些非稳态信号束手无策。

4. 总结与启示

这项发表于 EAAI 的研究给工业 AI 落地上了生动的一课：

1. 不要迷信端到端：有时候，传统的信号处理智慧（如小波变换 WST）能给深度学习提供更好的“食材” 。
2. 打开黑盒看一看：当模型的输出结果不理想时，不妨看看中间层的特征图，那里可能藏着被忽略的真相 。
3. 低成本也能做大事：不需要昂贵的振动传感器或高速摄像机，一个几十块钱的 MEMS 麦克风 + 精心设计的算法，就能让工业质检从“玄学”变成“科学” 。

如果你也是被“异音检测”折磨的工程师，面对嘈杂环境和微弱故障束手无策，那么这个融合了 前沿时频分析 (WST) 与 自监督特征学习 (CAE) 的创新框架，绝对值得你参考一试！

苏州东原电子有限公司推出的 谛听异音检测系统 正是该先进理念的工程化实践与应用典范。系统深度融合了智能声学分析与机器学习算法，将论文中的前沿方法转化为稳定、可复制的工业解决方案，实现了对设备异音的24小时在线、高精度、自动化检测，助力企业告别依赖人工听音的传统模式，迈向智能化预测性维护的新阶段。