基于人工神经网络的微小声音数据机器故障检测系统：案例研究
声音
2022-09-26 v1 机器学习
音频与语音处理
摘要
为推动基于深度学习的机器故障检测系统的研究，我们基于一个微小声音数据集展示了所提出系统的案例研究。我们的案例研究考察了变分自编码器（VAE）在扩充来自 Valmet AB 的小型钻头声音数据集上的应用。Valmet 数据集包含 134 段声音，分为“异常”和“正常”两类，这些声音记录自位于瑞典松兹瓦尔、为生物燃料生产提供设备与工艺的 Valmet AB 公司的一台钻孔机。使用深度学习模型在此类微小声音数据集上检测故障钻头通常难以成功。我们采用 VAE，通过从原始声音合成新声音来增加微小数据集中的声音数量。该扩充数据集由这些合成声音与原始声音组合而成。在将声音转换为梅尔频谱图之前，我们使用通带频率为 1000 Hz 的高通滤波器和通带频率为 22000 Hz 的低通滤波器对扩充数据集中的声音进行预处理。随后使用这些梅尔频谱图训练预训练的 2D-CNN Alexnet。与使用原始微小声音数据集训练预训练的 Alexnet 相比，使用扩充声音数据集使 CNN 模型的分类结果提升了 6.62%（在扩充数据集上训练为 94.12%，而在原始数据集上训练为 87.5%）。
引用
@article{arxiv.2209.11527,
title = {An artificial neural network-based system for detecting machine failures using tiny sound data: A case study},
author = {Thanh Tran and Sebastian Bader and Jan Lundgren},
journal= {arXiv preprint arXiv:2209.11527},
year = {2022}
}
备注
8 pages, 9 figures, conference