从噪声到知识：抽水蓄能水电站声学异常检测模型的比较研究
机器学习
2025-09-30 v1 人工智能
摘要
在工业工厂和能源生产商背景下，非计划停机成本高昂且难以维护。然而，现有的声学异常检测研究主要依赖通用工业或合成数据集，由于访问受限，很少有研究关注水电站。本文对基于声学的异常检测方法进行了比较分析，作为改进水电站预测性维护的一种途径。我们解决了在提取时域和频域特征之前，在高噪声条件下进行声学预处理的关键挑战。然后，我们对三种机器学习模型进行了基准测试：LSTM 自编码器、K-Means 和 OC-SVM，这些模型在来自奥地利 Rodundwerk II 抽水蓄能电站的两个真实世界数据集上进行了测试，一个包含诱导异常，另一个包含真实世界条件。单类 SVM 实现了准确率（ROC AUC 0.966-0.998）与最短训练时间的最佳权衡，而 LSTM 自编码器提供了强大的检测能力（ROC AUC 0.889-0.997），但计算成本更高。
引用
@article{arxiv.2509.22881,
title = {From Noise to Knowledge: A Comparative Study of Acoustic Anomaly Detection Models in Pumped-storage Hydropower Plants},
author = {Karim Khamaisi and Nicolas Keller and Stefan Krummenacher and Valentin Huber and Bernhard Fässler and Bruno Rodrigues},
journal= {arXiv preprint arXiv:2509.22881},
year = {2025}
}