基于字典学习的无监督机器异常声检测

• 作者: 姚瑶 李圣辰 邵曦
• 来源期刊: 复旦学报（自然科学版）
• 关键词: 字典学习 异常检测 单类支持向量机 传统机器特征
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 2020年全国声音与音乐技术会议(CSMT 2020)论文集|Proceeding of China Conference on Sound and Music Technology in 2020(CSMT 2020)
• 页码范围: 303-308
• 页数: 6页
• 分类号: TP37
• 语种: 中文

摘要

机器异常声检测是识别目标机器发出的声音是正常声音还是异常声音的任务,在机器生产中十分重要.而真实工厂中,实际的异常声音很少发生并且高度多样化,所以很难收集到详尽的异常声.针对训练集异常数据少的问题,本文提出了基于字典学习算法的无监督机器异常声检测系统,并通过单类支持向量机寻找异常点,可以在仅有正常声音样本作为训练数据的条件下有效检测未知的异常声音.在音频特征选择方面,我们选择了16个机械领域经典的传统特征(如方差、峭度等),并将音频分帧处理,以获取更多的音频特征信息.与DCASE2020 Challenge Task2中运用对数Mel谱作为特征,自编码器作为训练分类器的基线系统进行对比,我们的系统对部分机器的识别效果得到了显著提升.