音频异常检测的神经网络方法突破

在机器状态监测领域，某中心团队在音频异常检测挑战赛中包揽前三名，并荣获最佳论文奖。该技术基于两种不同的神经网络方法，可提前检测机器故障声音。

技术背景

工业环境中的听觉机器状态监测已有数十年历史。经验丰富的维护专家通过听觉就能识别机器异常。但人耳可察觉异常时，问题往往已相当严重。随着机器学习和大数据技术的发展，早期异常检测成为可能。

数据挑战

异常检测面临三大训练方式：

• 全监督：使用标注的正常和异常数据
• 半监督：仅使用正常数据
• 无监督：无标签数据的自动异常分类

工业场景中，关键设备通常维护良好，故障数据稀缺且收集困难。机器运行模式多样，特性随时间变化，这些因素都增加了异常检测的难度。

神经网络解决方案

方法一：Group MADE

基于自回归神经密度估计技术，创新性地提出分组掩码自编码器。传统MADE模型对输入特征的每个维度单独预测，而Group MADE基于频率带分组进行预测，更好地捕捉音频信号的复合特征。

方法二：自监督学习

首次将自监督表示学习应用于音频异常检测。在训练数据缺乏异常的情况下，训练网络区分同类型机器的不同实例。通过学习到的特征敏感检测细微异常，采用频谱扭曲和随机混合技术模拟新机器实例。

实验成果

在DCASE挑战赛中，使用六类机器数据（风扇、泵、滑轨、阀门、玩具车、玩具传送带）进行测试。采用ROC曲线下面积（AUC）和部分AUC作为评估指标。经过机器特定调优后，检测精度显著提升。

技术意义

随着工业机器数据的不断积累，基于机器学习的方法将在机器监测和维护领域发挥重要作用。该方法为工业设备预防性维护提供了有效的技术解决方案。

表：异常检测精度对比

正常样本（蓝色）与异常样本（红色）在原始频谱图（左）和自监督学习特征（右）中的分布对比