轮毂电机及工业设备异响检测：基于深度学习的创新方法
翻译自《Acoustic Anomaly Detection of Mechanical Failures in Noisy Real-Life Factory Environments》
作者：Yuki Tagawa, Rytis Maskeliunas, Robertas Damaševičius，2021年9月23日
为什么工业现场需要声学/振动异常检测？
随着工业自动化的逐步推进，尤其是在低自动化的传统制造工厂，如何及时发现并诊断设备故障，避免生产停机，已经成为了现代制造业面临的一大挑战。过去，很多工厂依赖人工监测、定期检查和复杂的传感器来进行设备的健康监测。然而，这些方法不仅昂贵，而且无法提供及时的异常检测和故障预警。声学和振动监测作为一种较为低成本、易于安装且对环境适应性强的技术，逐渐成为预测性维护领域的重要手段。
声学异常检测能够通过监听设备运行过程中产生的声音信号，识别出潜在的机械故障。这些声音信号通常能反映出设备的运行状态，如电机的异响、风扇的故障或轴承的损坏等。尽管如此，工业环境中的背景噪音往往掩盖了这些关键的异常信号，给基于声学数据的故障检测带来了很大的挑战。
传统方法在实际工程中遇到的困难
在传统的声学异常检测中，噪音抑制和信号分离一直是重要问题。许多工厂的环境噪声强度较大，这些背景噪声往往会淹没设备故障产生的声响。尤其是在低信噪比（SNR）条件下，提取有效的故障信号几乎变得不可能。现有的传统方法，如基于滤波的噪声去除技术、频谱分析等，虽然可以在一定程度上改善信号质量，但它们通常无法处理非常复杂或含有大量噪声的信号。
此外，传统的机器学习算法（如支持向量机、K-means聚类等）虽然在某些领域取得了成功，但在噪声环境下，尤其是信号复杂、故障特征不明显的情况下，它们的效果明显下降。因此，工业现场的异音检测亟需一种能够更好处理噪声干扰、提高故障检测准确性的方法。
这篇论文提出了什么新思路？
本篇论文提出了一种基于生成对抗网络（GAN）和深度学习的新方法，用于在高噪声背景下实现工业设备的声学异常检测。该方法的核心在于通过生成对抗网络对信号进行重构，并利用这种重构来检测是否存在异常。通过这种方式，模型能够“学习”正常操作条件下的声音模式，并在异常状态下产生较大的重构误差，从而实现故障的检测。
论文的实验结果表明，所提出的方法在MIMII（工业机械故障检测和检查数据集）数据集上的表现优于传统的基于自编码器或支持向量机的方法，尤其是在面对含有背景噪声的复杂数据时，能够显著提高检测准确性。
关键方法的工程化理解
生成对抗网络（GAN） ：生成对抗网络是一种基于博弈的深度学习方法，通过训练两个网络（生成器和判别器）相互对抗，生成器试图生成接近真实的假数据，而判别器则尝试区分真假数据。在这篇论文中，GAN被用于重构设备正常状态下的声音信号，并检测与正常状态显著不同的异常信号。通过训练生成器来重建正常的声学信号，任何偏离正常模式的声音就能被检测为异常。
时频特征提取：为了应对噪声和信号的复杂性，论文通过短时傅里叶变换（STFT）和log-Mel频谱图技术提取声学信号的时频特征。这些特征为后续的深度学习模型提供了有力支持，使模型能够捕捉到信号中的关键信息。
自编码器和LSTM：自编码器用于学习正常状态下的声学模式，而LSTM则帮助模型学习时序信息。通过将自编码器和LSTM结合使用，模型能够识别出基于时间序列变化的异常模式。
UKF和L2正则化：为了进一步提高模型在噪声条件下的鲁棒性，论文提出在信号预处理阶段使用无迹卡尔曼滤波（UKF）方法，这能够更好地估计和抑制非高斯噪声，提高信号的可用性。此外，L2正则化项被用于减少过拟合，并增强异常检测的精度。
对工业异音检测的启发
该研究为工业设备的异常检测提供了新的思路，尤其是在高噪声环境中。通过GAN和深度学习模型，可以在不依赖传统传感器的情况下，仅依靠音频信号进行设备故障的检测。这一方法不仅有效解决了噪声干扰的问题，还提高了故障检测的精度，特别适用于电机、风扇、轴承等设备的故障检测。
对于实际应用而言，这种基于声学的故障检测方法具有很高的工程价值。通过在生产线中安装麦克风等音频采集设备，结合深度学习模型进行实时数据分析，可以为设备故障提供早期预警，避免昂贵的停机维修和突发故障。
对实际落地的价值与局限
从实际应用角度来看，这一研究方法在低信噪比的噪声环境下表现优异，尤其适用于早期故障检测和预测性维护。然而，尽管深度学习在处理复杂数据方面具有显著优势，但仍然存在以下几个挑战：
- 计算资源需求高：深度学习模型需要大量计算资源和训练时间，尤其是在大规模工厂环境中，部署和运行这些模型可能会面临硬件资源的瓶颈。
- 数据集的多样性与适用性：虽然MIMII数据集在实验中取得了良好的效果，但不同工业环境中的设备噪声和故障模式可能差异较大，因此该方法的普适性仍需进一步验证。
- 实时性与自动化：尽管此方法提供了较为准确的检测结果，但如何在实际生产环境中实现实时监控与自动化故障诊断，仍是未来工作中的重要课题。
总结
这项基于深度学习的工业声学异常检测方法为工业设备的故障诊断提供了新的技术路径，尤其在高噪声环境下，能够显著提高故障检测的准确性。未来，随着硬件设备和算法的进一步优化，该方法有望成为工业4.0中的关键技术之一，为智能工厂的建设和运维提供强大的支持。
在真实工厂嘈杂环境下，机械设备的微小异常声往往难以被传统方法精准捕捉。《Acoustic Anomaly Detection of Mechanical Failures in Noisy Real-Life Factory Environments》指出，通过声学信号分析与智能异常检测，可以有效识别潜在故障。借助苏州东原电子推出的 谛听异音检测系统，可将这一先进技术工程化应用，实现小电机、轮毂电机及各类工业设备的异音精准定位与监测，助力早期预警、优化维护流程并提升设备可靠性。该系统结合深度神经网络与工程化声学感知，专为复杂工况下的噪声环境设计，是提升工业品控效率和降低运维成本的理想方案。
