在小型短声音钻头数据集中检测钻头故障
声音
2021-11-10 v2 音频与语音处理
摘要
监测机器状态在制造业中至关重要。及早检测机器中的故障组件以停止并修复失效组件，可以最大限度地减少机器的停机时间。本文提出了一种基于 Valmet AB 钻头声音来检测钻机中发生故障的方法。该钻头数据集包含三类：异常声音、正常声音和无关声音，分别被标记为“Broken”、“Normal”和“Other”。由于以下原因，有效检测钻头故障仍然是一个挑战。钻头声音的波形复杂且短促，难以检测。此外，在真实声景中，环境中同时存在声音和噪声。而且，平衡的数据集规模较小，难以应用 state-of-the-art 深度学习技术。为了克服上述困难，我们对声音进行了数据增强以增加数据集中的声音数量。然后，我们提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）的模型，以从对数梅尔频谱图中提取特征，并学习全局高级特征表示，从而对三类进行分类。在我们提出的 CNN 中，使用泄漏修正线性单元（Leaky ReLU）代替修正线性单元（ReLU）作为激活函数。此外，我们在 LSTM 层之后的帧级别部署了注意力机制，以学习长期全局特征表示。结果表明，所提出的方法在钻头故障检测系统中达到了 92.35% 的总体准确率。
引用
@article{arxiv.2108.11089,
title = {Detecting Drill Failure in the Small Short-sound Drill Dataset},
author = {Thanh Tran and Nhat Truong Pham and Jan Lundgren},
journal= {arXiv preprint arXiv:2108.11089},
year = {2021}
}
备注
8 pages, 10 figures, journal