姚 瑤，李圣辰，邵 曦

(1.南京郵電大學 通信與信息工程學院，江蘇 南京 210003；2.西交利物浦大學 智能工程學院，江蘇 蘇州 215123)

近些年來，科學技術(shù)水平不斷提高，各種高科技產(chǎn)品也越來越智能化，其中就包括很多監(jiān)控設備.異常音頻事件檢測(Anomalous Sound Detection，ASD)成為了一個熱點問題，尤其是在視頻監(jiān)控難以到達的領(lǐng)域，如結(jié)構(gòu)復雜的機器內(nèi)部或者需要監(jiān)護的老人家里.這就需要一款既能實現(xiàn)實時監(jiān)測，又能保障顧客隱私的異常事件檢測系統(tǒng).音頻異常事件檢測系統(tǒng)就可以代替或者結(jié)合視頻監(jiān)控，雙管齊下，解決視覺盲區(qū)問題，緩解監(jiān)控人員的壓力，起到幾全其美的作用.

隨著工業(yè)技術(shù)的快速發(fā)展，機械化生產(chǎn)已經(jīng)成為主流，極大地提高了產(chǎn)品生產(chǎn)的效率，保障了產(chǎn)品生產(chǎn)的質(zhì)量.機器系統(tǒng)的穩(wěn)定運行對機器生產(chǎn)的效率、質(zhì)量，乃至安全都有重要的作用，所以在機器運行過程中做好監(jiān)測和及時警報具有重大意義.在大部分時間里，機器都處于穩(wěn)定運行階段，這段時間機器發(fā)生的故障很少，但故障種類較多[1]，難以收集到機器的所有故障聲進行有監(jiān)督地訓練.無監(jiān)督學習的機器異常聲檢測系統(tǒng)在異常音頻樣本數(shù)據(jù)集很少的情況下可以發(fā)揮巨大的作用.通過比對訓練集正常樣本庫里的特征和新出現(xiàn)的異常樣本特征，可以檢測到異常的音頻事件.

在信號處理領(lǐng)域，稀疏表示和字典學習被廣泛應用.字典學習最初起源于壓縮感知(Compressive Sensing，CS)領(lǐng)域，其主要思想是創(chuàng)建聲事件表或者特征詞典對場景建模，其中字典中的事件和特征不一定是先驗的，因此可以從數(shù)據(jù)中以無監(jiān)督的方式學習字典[2].目前構(gòu)建字典有兩種方法：一是解析法；二是學習法.解析法一般通過信號的某種數(shù)學變換來構(gòu)造，其構(gòu)造簡單，計算復雜度低，但是原子形態(tài)固定，不夠豐富，難以達到最優(yōu)表示的目的.而通過學習法來獲得過完備字典的方法被廣泛應用，它的字典原子更豐富，能更好地匹配信號本身，可以獲得更稀疏的表示[3]，這也是本文采用的方法.在稀疏表示領(lǐng)域，總是希望表示系數(shù)越簡單越稀疏越好.良好的稀疏度和較小的重構(gòu)誤差可以讓特征區(qū)分得更加明顯，以簡化分類過程.這一方法在人臉識別領(lǐng)域已經(jīng)取得了非常好的效果[4-5].對于無監(jiān)督學習的分類，常用的方法有局部異常因子(Local Outlier Factor，LOF)檢測[6]、孤立森林(Isolation Forest，iForest)[7]、自編碼器(Auto-Encoder，AE)等.我們選擇了單分類算法里的單類支持向量機(One-Class Support Vector Machine，OCSVM)[8]，它具有計算時間短，適用于只有較少樣本的訓練集，對噪聲的魯棒性強等特點.它通過正常聲音的數(shù)據(jù)建立異常聲檢測模型，該模型將訓練數(shù)據(jù)樣本通過核函數(shù)映射到高維特征空間，以獲得更好的聚集性，并且在特征空間中求解一個最優(yōu)超平面使得盡可能多的正常數(shù)據(jù)落入決策邊界內(nèi).

1 特征提取

1.1 數(shù)據(jù)預處理

本次使用的音頻為采樣頻率為16 kHz的單聲道機器聲，在進行特征提取之前，我們對原始音頻信號進行分幀加窗，以得到更多更加準確的信息.根據(jù)音頻長度，在時域上將每10 s分為311幀.將窗口的長度設置為1 024個點，單跳大小設置為512個點，然后對每一幀進行傳統(tǒng)特征計算，并在字典學習之前進行歸一化處理.

1.2 特征選擇

在特征選擇方面，由于本研究面對的是帶有故障的機器聲，信噪比很低，且具有機器特性，如振動特性、旋轉(zhuǎn)特性、摩擦性等，所以我們選擇了16個傳統(tǒng)信號參數(shù)組成的特征集.傳統(tǒng)的特征包含故障信息，更有利于學習異常音頻的相關(guān)分布，從而提高分類精度.下面我們介紹一下所用的特征.

首先是時域特征.時域特征表征的是信號在時間和空間中的變化規(guī)律及其內(nèi)在特性.通常機器信號的時域統(tǒng)計特征主要分為兩大類型：有量綱特征參數(shù)與無量綱特征參數(shù).其中，有量綱特征參數(shù)表征機器的運行狀態(tài)，并且會隨負荷、轉(zhuǎn)速的變化而產(chǎn)生相應的變化；無量綱特征參數(shù)是相同量綱參數(shù)的比值，它能夠反映機器運行過程中的故障情況.本研究用到的機器振動信號的時域特征參數(shù)分別如表1，表2所示.

表1 時域有量綱特征參數(shù)Tab.1 Dimensional characteristic parameters in time domain

表2 時域無量綱特征參數(shù)Tab.2 Dimensionless characteristic parameters in time domain

表中，Xabs代表信號絕對值，N代表采樣點數(shù).以上特征參數(shù)中，峰值指標、脈沖指標和峭度可以用來檢測信號有無沖擊；歪度指標可以反映數(shù)據(jù)分布情況；裕度指標、峰值和波形指標等都可以反映設備的磨損情況.我們通常用敏感性和穩(wěn)定性來衡量指標的性能，并且由于穩(wěn)定性和敏感性往往不會同時最優(yōu)，所以這些參數(shù)常常會被組合起來運用，來兼顧這兩方面的性能.例如脈沖指標、峰值指標和峭度可以很好地檢測出早期故障.在沖擊故障發(fā)生早期，它們的值會明顯增大，敏感性好，但是上升到一定程度后反而會下降，穩(wěn)定性差[9].有效值雖然對早期故障信號不敏感，但是穩(wěn)定性好，所以它們經(jīng)常被一起運用以獲得更好的效果.

機器信號的頻域特征參數(shù)可以反映出機器信號的能量隨頻率分布的情況.當機器出現(xiàn)故障時，機器設備的振動幅值會保持較高的值，這時時域特征參數(shù)僅可以表示機器設備發(fā)生了故障，而頻域特征參數(shù)可以幫助分析設備發(fā)生故障的具體位置和原因.本次我們選用的頻域特征如表3所示.其中：f=(1∶N/2)×fs/N；fs表示采樣頻率；S(f)表示信號頻譜.這樣，我們就獲得了所需要的16維特征，包括了5個有量綱的時域特征，5個無量綱的時域特征和6個頻域特征.

表3 頻域特征參數(shù)Tab.3 Frequency domain characteristic parameters

2 字典學習和異常聲檢測

2.1 字典學習

字典學習模型在過去幾十年中備受關(guān)注，并已經(jīng)運用到了包括圖像處理、信號還原和模式識別等領(lǐng)域.對于輸入的音頻特征，當用一組過完備基對它進行表示時，在滿足一定稀疏度或者重構(gòu)誤差的條件下，可以得到對原始音頻片段的近似表示，即Y≈DX.Y是輸入的需要得到稀疏表示的原始幀特征參數(shù)，維度為特征維數(shù)×樣本數(shù)，D代表稀疏矩陣，它的每一列稱為一個“原子”，X是得到的Y關(guān)于D的稀疏表示系數(shù)，維度為字典原子數(shù)×樣本數(shù).其優(yōu)化目標是在給定的過完備字典中用盡量少的原子來表示信號，得到稀疏的X的問題.此問題可以用以下公式來描述：

(1)

我們需要盡量減小還原后的誤差，并使得X盡量稀疏以獲得信號更為簡潔的表示，降低模型的復雜度.稀疏字典學習包括兩個階段：一是字典構(gòu)建階段；二是利用構(gòu)建好的字典表示樣本階段.字典作為信號的稀疏表示的有效工具，為提取信號隱藏的本質(zhì)特征提供了更有意義的方式.因此，獲得合適的字典是稀疏表示算法成功的關(guān)鍵.在本次實驗中，我們選擇學習字典法來初始化一個16×256維的離散余弦變換(Discrete Cosine Transform,DCT)過完備字典D，其中16是樣本中特征的維數(shù)，256為字典原子的個數(shù).然后對原始音頻幀特征數(shù)據(jù)使用正交匹配追蹤(Orthogonal Matching Pursuit，OMP)算法進行稀疏表示，得到對應字典的系數(shù)矩陣X，接著依據(jù)得到的系數(shù)矩陣X，利用K奇異值分解(K-Singular Value Decomposition，K-SVD)算法對字典D逐列快速進行更新[10]，同時也對系數(shù)矩陣X進行更新，并計算重構(gòu)誤差；經(jīng)過K次迭代或收斂到指定誤差內(nèi)，完成字典D和系數(shù)矩陣X的聯(lián)合優(yōu)化.

通常情況下，稀疏編碼用于異常檢測的時候，對于正常的事件樣本可以以很小的代價并且以很少的原子構(gòu)建，而異常事件和任何字典中的基原子都不相似，所以不能以很小的代價構(gòu)建或者構(gòu)建后表示系數(shù)的稀疏性很差[11].我們正是利用稀疏編碼的這一特性，將稀疏系數(shù)作為中間步驟輸入到OCSVM分類器中，與直接輸入原始特征的方法相比，對正負樣本的特征區(qū)分度更大，可以更好地實現(xiàn)異常事件的檢測.

2.2 異常事件檢測

在字典學習和稀疏表示階段結(jié)束后，我們利用訓練集中正樣本Y的稀疏系數(shù)矩陣X來訓練一個OCSVM分類器.

OCSVM是一種用途廣泛的分類器,是一種特殊的二分類器，其訓練數(shù)據(jù)集只包含一種數(shù)據(jù)集[12].OCSVM分類器可以根據(jù)輸入的正樣本數(shù)據(jù)點的特征，建立一個正樣本模型，并在測試階段作為判別器使用.對于沒有類別標簽的數(shù)據(jù)集，我們可以通過支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)來找到劃分的超平面和支持向量機[14].SVDD認為所有不是正常的樣本都是異常的，并且在特征空間中劃分一個超球體，獲得數(shù)據(jù)周圍的球形邊界，超球體的體積要求盡量小以最小化異常點數(shù)據(jù)的影響.OCSVM將輸出劃分后的標簽，如果輸入樣本在判決邊界以內(nèi)，則輸出標簽1，否則輸出標簽-1.整個系統(tǒng)的模型如圖1(見 第306頁)所示.

圖1 系統(tǒng)模型的框圖Fig.1 Block diagram of system model

2.3 后處理

在后處理階段，我們建立了兩種不同的評分方法來獲得異常分數(shù)：一種是異常幀百分比制；另一種是異常幀連續(xù)積分制.

在第1種方法中，分類器對音頻的每一幀進行預測，得到1或-1的標簽.通過計算所有幀中-1標簽的比例來確定最終得分.對于第2種方法，我們遍歷這些連續(xù)-1標簽的幀來計算得分.當計分器第1次遇到-1，就會積1分，如果第2個標簽仍然是-1，那么它的得分是2，如果第3個標簽也為-1，那么它的分數(shù)為4.

以此類推，每一個連續(xù)的第i個標簽為-1的幀得分為2i-1，最后將這些連續(xù)標簽為-1的幀的得分疊加求和.直到遇到標簽1，前述計分器停止計分，當再次遇到標簽-1時，重復前面的過程.計分器公式見式(2)～(4).由此，我們可以得到每一段音頻的異常分數(shù)Sanomaly，分數(shù)越高，這段音頻是異常的可能性就越大.

(2)

(3)

(4)

3 實驗結(jié)果

3.1 實驗數(shù)據(jù)集

本文采用DCASE2020 Challenge Task2提供的兩個數(shù)據(jù)集，分別是微型機器數(shù)據(jù)集ToyADMOS[15]和工業(yè)機器聲數(shù)據(jù)集MIMII Dataset[16].ToyADMOS數(shù)據(jù)集包含了toycar和toyconveyor兩個微型機器的操作聲，作者通過故意損壞微型機器來收集它們的異常操作的聲音；MIMII Dataset包含了pump，valve，slider和fan這4個真實工業(yè)類型的機器聲.在訓練集中除了toyconveyor只有3個機器ID以外，其他5類機器聲都有4個機器ID，每個機器ID下都有幾百個音頻片段，每個音頻片段時長大約10 s，包含了機器聲和其他環(huán)境噪聲.訓練集的所有音頻片段都只包含正常機器聲，不包含異常機器聲；而在測試集中，每個機器ID的音頻既包含了正常音頻也包含了異常音頻.

3.2 評價指標

為了評判系統(tǒng)的性能，我們將上述每段音頻的異常得分轉(zhuǎn)化為受測者工作特性曲線下面積(Area Under Curve，AUC).AUC是一種傳統(tǒng)的異常檢測性能指標，它表示隨機給定一個正樣本和一個負樣本，模型預測正樣本為正的概率預測大于負樣本為正的概率的可能性，我們將它記為ηAUC.ηAUC的值越大，系統(tǒng)性能越好，檢測異常的能力越強，其表達式如下：

(5)

3.3 實驗結(jié)果

我們通過對不同機型的百分率計分法和連續(xù)計分法的比較，選出最優(yōu)方法，并且對比了本文系統(tǒng)和DCASE2020 Challenge Task2官方提供的使用AE的基線系統(tǒng)(Baseline system)，結(jié)果如表4所示.

表4 本系統(tǒng)和Baseline系統(tǒng)的結(jié)果對比Tab.4 The comparison of results between the proposed system and Baseline system

實驗結(jié)果表明，基于字典學習的OCSVM系統(tǒng)對fan，pump，valve這幾個機器種類上的部分機型的識別效果是明顯優(yōu)于基線系統(tǒng)的，比如機器fan04的AUC從61.61%提升到了82.24%，性能提高了21%左右，機器pump00的AUC從67.15%提高到82.90%，性能提高了15%左右，機器valve02的AUC從68.18%提升到87.90%，性能提高了近20%；但是在兩類toy機器和slider上，只有個別機器的效果優(yōu)于基線系統(tǒng)，大部分的效果比基線系統(tǒng)的要差.

由此可以得出結(jié)論：該系統(tǒng)對fan,pump,valve這3類機器上的異常聲檢測效果較好，可以很好地實現(xiàn)機器異常聲檢測任務；對于toycar，toyconveyor和slider這3類機器，檢測效果不理想，還需要繼續(xù)改進.

4 結(jié) 語

本文針對無監(jiān)督的機器異常聲檢測問題，提出了基于字典學習的無監(jiān)督機器異常聲事件檢測系統(tǒng).對于異常機器聲數(shù)據(jù)集少，訓練集只有正常樣本的問題，使用了異常檢測算法中的OCSVM分類器對數(shù)據(jù)進行分類，并采用字典學習和稀疏表示算法來加大特征之間的區(qū)別度，簡化分類過程.同時采用更適用于機器聲的傳統(tǒng)特征參數(shù)作為特征集.實驗結(jié)果表明，對于數(shù)據(jù)集的一部分機器，如fan，pump，valve這3類機器，該方法有一定的提升作用，對于另外一部分機器，如toy和slider兩類機器，效果反而變差.通過觀察比較，我們發(fā)現(xiàn)數(shù)據(jù)集中的這幾類音頻的異常聲和正常聲的特征分布差別很小，故而在字典學習后的稀疏域上區(qū)分不明顯，導致OCSVM分類器不能很好地確定區(qū)分邊界.后續(xù)工作將在這方面繼續(xù)改進，研究可以更易區(qū)分正常聲和異常聲的方法.