基于领域知识的电动车车内声部异常检测方法

汽车客舱声部异常检测对于确保车辆质量和维持乘客舒适度至关重要。在许多实际场景中，这一任务更恰当地表述为无监督学习问题，因为缺乏标记的故障数据或标记的故障数据完全不存在。在这种无监督 setting 下，模型仅在健康样本上训练，并将异常检测为正常行为的偏离。然而，由于缺乏用于验证的标记故障样本以及常用指标（如 validation reconstruction error）的可靠性有限，有效的模型选择 remains a significant challenge。为克服这些限制，提出了一种基于 domain-knowledge-informed 的方法，用于 model selection，其中通过对健康 spectrogram 进行结构化扰动工程生成 proxy-anomalies，用于验证集以支持模型选择。该方法在一个高保真电动车数据集上进行评估，该数据集包含健康和故障的车厢声部，覆盖五种典型故障类型，即 Imbalance、Modulation、Whine、Wind 和 Pulse Width Modulation。该数据集通过先进的 sound synthesis 技术生成，并通过专家 jury 评估验证，已公开发布以促进进一步研究。针对这五种故障情况的实验评估表明，基于 proxy-anomalies 选择的模型显著优于传统模型选择策略。