基于深度学习U-Net架构的设备音频异常检测方法
宋媛媛
李宏滨
汪慧娟
太原师范学院 山西晋中 030619
摘要：随着智能制造和工业互联网的快速发展,设备状态监测和故障检测成为确保设备安全和提升生产效率的关键技术方法.传统的设备异常检测方法大多依赖于人工经验或是基于经典机器学习算法,但这些方法在面对复杂且高维的设备音频数据时往往存在着局限性.针对以上问题,文章提出了一种基于自编码器与U-Net架构结合的深度学习模型(deep spectral anomaly net,DSANet),用于设备音频信号的异常检测.具体来说该方法通过梅尔频谱图提取音频信号的时频域特征并结合自编码器和U-Net架构对异常进行检测.在训练过程中该模型通过学习正常信号的特征并计算重建误差以此得到阈值,通过比较每帧音频的重建误差与预设阈值判断是否为异常信号.此外,文章在模型中引入了跳跃连接和注意力机制增强了对音频信号局部特征的提取能力,从而提高了异常检测的鲁棒性.
关键词：深度学习自编码器U-Net异常检测
论文发表日期：2025-07-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：5( 37-41 )