摘要：针对工业复杂环境下机械异常声特征提取困难,时序异常识别率低等问题,提出了一种基于双通道自监督编码器的无监督机械声异常检测方法。该方法利用双向循环网络和全连接网络构成双通道编码器压缩正常信号,实现正常声的时序信息和频域信息的深度提取与融合,同时设计自监督分类器引导上述双通道自编码器的训练,提升其提取的时频特征对于异常检测任务的有效性。实验使用MIMII数据集上的fan、valve、slider、pump四种机械声音数据进行验证,得到平均AUC检测结果为0.810,与DCASE2020 Challenge Task2的基线系统结果相比提高11.8%,尤其是非稳态数据集上提升达19.2%,表明该方法能够有效提取正常声音数据的时频特征,从而显著提升异常检测性能。

摘要：目前频谱峰值法被广泛用于罐装食品真空度检测,其是将罐盖振动所产生声音的谱峰频率是否在合适范围作为检测依据。而实际应用中出现了部分不合格类型产品的谱峰频率也处于设定的合适范围,导致该方法做出误判。为此,将罐装食品真空度检测归结为单分类问题,提出基于非负矩阵分解的单分类算法。该算法仅需从合格品的数据学习得到分类器,用于判断被检品真空度是否合格。设计一个罐装食品真空度检测实验系统,将本文方法、传统的频谱峰值法以及典型的单分类方法进行对比实验。