用于噪声鲁棒机器故障分类的现场噪声暴露技术
声音
2023-04-10 v1 音频与语音处理
摘要
故障声音的现场分类是机器健康监测和诊断中的一个重要问题。然而，在工厂等噪声环境中，机器声音总是与环境噪声混合，且当机器未运行时可能存在仅含噪声的时段。因此，基于深度神经网络（DNN）的故障分类器必须能够区分噪声与机器声音，并对混合噪声具有鲁棒性。为处理这些问题，我们研究了现场噪声暴露（ONE），其将 DNN 模型暴露于记录自机器运行相同环境中的噪声。类似于离群值暴露技术，噪声暴露训练 DNN 分类器对仅含噪声的数据产生均匀的预测概率分布。在推理期间，经 ONE 训练的 DNN 分类器输出最大 softmax 概率作为噪声分数，并确定仅含噪声的时段。我们将 ToyADMOS2 数据集的机器声音与噪声混合以模拟高噪声数据。基于 ResNet 的分类器经 ONE 训练后与其他分布外检测技术训练的进行分类评估与比较。测试结果表明，将模型暴露于现场噪声可比使用其他噪声或检测技术使模型更鲁棒。
引用
@article{arxiv.2304.03522,
title = {On-site Noise Exposure technique for noise-robust machine fault classification},
author = {Wonjun Yi and Jung-Woo Choi},
journal= {arXiv preprint arXiv:2304.03522},
year = {2023}
}
备注
Presented at 24th International Congress on Acoustics (ICA) 2022