无需故障样本的电机异音检测方案：自监督学习工程应用解析
翻译自《Self-Supervised Acoustic Anomaly Detection via Contrastive Learning》作者：Hadi Hojjati，Narges Armanfard 2021.10.21
在工业现场，很多问题不是先“看见”，而是先“听见”。风扇擦碰、轴承早期损伤、滑轨发涩、阀门卡滞、电机啸叫，最早往往都先体现在声音和振动里。对做 NVH（Noise, Vibration, Harshness）异音异响检测的团队来说，真正棘手的从来不是“有没有声音”，而是异常样本太少，很多故障既难复现，也拿不到足够标签。
我们团队读完这篇工作后的判断是：它非常适合电机异音异响检测、电机噪声检测这类“正常样本多、异常样本少”的场景。无论是 小电机异音异响检测、轮毂电机异音异响检测、中置电机异音异响检测，还是电动牙刷异音异响检测，核心矛盾都很像——正常件很多，真正的问题件很少，但客户又希望尽早发现异响趋势。
为什么工业现场越来越需要声学异常检测？
摄像头看不到的，麦克风 和振动传感器经常能先听出来。很多装配偏差、摩擦、松动、碰擦、共振，并不会立刻形成可见缺陷，却会先改变频谱纹理、节律和能量分布。对产线来说，声学检测适合做非接触、快速筛查；对售后和耐久试验来说，它又能提前暴露潜在失效。
传统方法到了现场为什么容易失灵？
经验规则和频谱阈值在单一工况下很好用，但设备型号一多、转速负载一变、背景噪声和夹具条件一变化，阈值就会迅速失稳。后来不少团队改用自编码器（Autoencoder）这类“只学正常样本”的方法，但它也有一个常见问题：有些异常并不是“更响”，而是重复模式被轻微打破，模型未必能靠重建误差把它们拉开。
这篇工作给电机异音异响检测什么启发？
它采用的是自监督学习（Self-Supervised Learning, SSL）里的对比学习（Contrastive Learning, CL）。做法并不复杂：先把正常声音做两次不同扰动，生成两种“外观不同、本质相同”的版本，再转成梅尔频谱图（Mel Spectrogram）送入网络。这里用到的增强不是图像里的旋转裁剪，而是更符合声音特点的升降调、时间拉伸、加白噪声、渐入渐出、时间平移，以及时间遮挡和频率遮挡。
从图1能看出，它真正学的不是某条录音，而是“正常声音在各种扰动下仍然保持稳定的结构”。这对工程落地很重要，因为同一款电机在不同批次、不同夹具、不同环境下，本来就会有轻微波动。文中的训练目标可以概括为：
大白话理解，就是既让同一条正常声音的两种变体彼此靠近，又让模型保留对声音细节变化的辨识能力。
到了推理阶段，系统并不急着判断“具体什么故障”，而是先判断“离正常有多远”。文中使用马氏距离（Mahalanobis Distance）计算异常分数：
其中，Sx 越大，说明它越不像训练时见过的正常声音。这种思路很适合产线首道筛查。
图2给了一个很直观的信号层面解释。正常泵、异常泵、正常阀、异常阀的 Mel 频谱图放在一起时，异常并不一定表现为整体更响，而更像是纹理被打乱、能量带偏移、重复节奏被破坏。尤其阀门样本，正常状态有明显的重复结构，异常状态则出现了局部破坏，这正是很多传统方法容易漏掉的类型。
从结果看，这套方法在风扇、泵、滑轨和阀门四类设备上的平均AUC（Area Under the Curve）分别达到80.11%、70.12%、77.43% 和 84.17%，整体明显优于文中的几种基线方法。更有意思的是，阀门这一类提升最明显，说明当异常体现为“模式被打破”而不是“幅值突然变大”时，对比学习的优势会更突出。文中对阀门测试集做的 T-SNE（t-distributed Stochastic Neighbor Embedding）可视化也显示，正常与异常已经在潜在空间里形成较清晰的分簇。
对实际落地的价值与局限
这篇工作的最大价值，是给电机异音异响检测和NVH异音异响检测提供了一条非常现实的路线：当异常样本稀缺时，先把正常边界学扎实。对小电机异音异响检测、电动牙刷异音异响检测这类节律强、故障样本难收集的产品，它尤其值得尝试；对轮毂电机异音异响检测和中置电机异音异响检测，如果再结合转速同步、阶次归一化、多传感器融合，通常会更稳。
当然，它也不是万能的。正常数据如果覆盖不全，模型很容易把工况变化当成异常；增强策略选得不好，可能学不到鲁棒特征；而且它更擅长回答“像不像异常”，不一定直接告诉你异常来自轴承、齿轮还是壳体共振。所以真正的工业方案里，我们更建议把它放在第一层筛查，再叠加频带解释、事件定位、振动与电流交叉验证，以及专家规则做闭环。
从工程角度看，这篇工作的意义不只是精度提升，而是给工业声学检测换了一个更实用的起点：先让设备学会什么是正常，再去听懂那些微小但关键的“不正常”。对于正在布局电机声学检测、异音异响检测和在线状态监测的团队，这条路很值得认真评估。
在实际工业场景中，异常样本稀缺始终是制约异音检测算法落地的关键难题。围绕这一痛点，苏州东原电子有限公司 结合自监督学习与工程化声学测试手段，构建了更具泛化能力的 👉异音异响检测解决方案 👈。通过高稳定性的声学采集系统与智能分析平台，可在仅依赖正常样本的情况下，实现对电机及各类设备早期异常的精准识别，帮助企业提升检测效率、降低误判率，加速智能质检与预测性维护的落地应用。
