音频异常检测挑战赛技术突破

在2020年11月举办的声学场景与事件检测研讨会（DCASE 2020）上，某中心团队在音频异常检测挑战赛中包揽前三名，并从117个参赛方案中脱颖而出获得最佳论文奖。该挑战赛要求通过机器运行声音（如风扇、水泵、阀门等）判断设备状态是否异常。

技术方法

分组掩码自编码器

基于自回归神经密度估计技术提出改进方案，通过将输入特征按频率带分组进行预测，有效解决传统掩码自编码器对音频信号维度处理不足的问题。

自监督表示学习

首次将自监督学习应用于音频异常检测领域。在训练数据缺乏异常样本的情况下，通过让网络学习区分同类型机器的不同实例，使模型能够检测细微的异常模式。采用频谱扭曲和随机混合技术模拟新的机器实例。

实验数据

使用DCASE提供的六类机器数据（风扇、水泵、滑轨、阀门、玩具车、玩具传送带），采用ROC曲线下面积（AUC）和部分AUC（pAUC）作为评估指标。实验表明，针对特定机器类型进行微调可进一步提升检测精度。

技术价值

该方法仅需正常数据即可实现异常检测，有效解决工业场景中异常数据稀缺的难题。随着工业机器数据的持续积累，基于神经网络的方法将在设备预测性维护领域发挥重要作用。

正常阀门（上）与故障阀门（下）的音频频谱图对比，放大区域显示异常信号特征差异

原始频谱图（左）与自监督学习特征（右）的二维可视化，蓝色为正常样本，红色为异常样本