欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用声学信号与一维卷积网络实现化工机泵异常诊断

上邦 AI 工程团队2026-10-17阅读 约 8 分钟
化工现场的机泵、阀门与风机在失效前往往先出现声音变化,用麦克风做非接触式监测成本低、布点快。本文给出一条可本地复现的技术路线:用 librosa 提取 MFCC 与梅尔谱特征,用一维卷积网络直接从声学信号学判别特征,并基于公开的 MIMII 工业机器声音数据集做验证,附带可运行代码与落地注意点。

为什么用声音做异常诊断

机械故障常以轴承磨损、不平衡、泄漏等形式先表现为声学特征变化。相比振动传感器,麦克风非接触、价格低、布点灵活,特别适合对泵、风机、阀门等旋转机械做规模化监听。公开的 MIMII 数据集(Hitachi)提供了风扇、泵、滑台与阀门的正常与异常声音,是验证声学异常检测方法的基准之一。

技术路线概览

第一步,采集与标注。在目标设备旁固定采样率(如 16kHz)录制正常与已知异常声音,按机器 ID 与工况切片。
第二步,特征提取。用 librosa 计算 MFCC 与梅尔谱图,把一维波形转为模型可学习的二维表示。
第三步,建模。用 1D-CNN 在 MFCC 序列或梅尔谱上做分类/异常打分,相比手工特征更抗噪。
第四步,阈值与闭环。用验证集确定异常分数阈值,超阈即告警并联动工单。

可运行示例

以下代码在本地完成特征提取与最简 1D-CNN 训练骨架,依赖 numpy、librosa 与 pytorch:

import numpy as np
import librosa
import torch
import torch.nn as nn

SR = 16000
DURATION = 10  # 秒

def load_features(path):
    y, _ = librosa.load(path, sr=SR, duration=DURATION)
    # 归一化到 [0,1],削弱麦克风距离带来的幅度差异
    y = y / (np.max(np.abs(y)) + 1e-8)
    mfcc = librosa.feature.mfcc(y=y, sr=SR, n_mfcc=20)
    mel = librosa.feature.melspectrogram(y=y, sr=SR, n_mels=64)
    return mfcc, mel

class Acoustic1DCNN(nn.Module):
    def __init__(self, in_ch=1, n_class=2):
        super().__init__()
        self.net = nn.Sequential(
            nn.Conv1d(in_ch, 32, 5, padding=2), nn.ReLU(),
            nn.MaxPool1d(2),
            nn.Conv1d(32, 64, 5, padding=2), nn.ReLU(),
            nn.AdaptiveAvgPool1d(1),
            nn.Flatten(),
            nn.Linear(64, n_class),
        )
    def forward(self, x):
        return self.net(x)

# 推理入口:把梅尔谱转成 (1, 64, T) 的张量
def predict(model, path):
    _, mel = load_features(path)
    x = torch.tensor(mel[None, None, ...], dtype=torch.float32)
    with torch.no_grad():
        return torch.softmax(model(x), dim=1)[0, 1].item()
代码要点有三:一是先对波形做幅度归一化,降低麦克风位置差异带来的分布偏移;二是 1D-CNN 直接在频域特征上卷积,可学到比手工阈值更鲁棒的判别模式;三是 predict 函数输出异常概率,便于和业务告警阈值对接。

落地注意点

注意跨设备泛化。公开研究显示,同一模型在不同机器 ID 上性能会明显下降(领域偏移),上线前应做同厂异机与跨工况验证,必要时引入领域自适应。
注意噪声基线。化工现场背景噪声复杂,建议在采集中显式混入背景噪声做增广,并保留纯背景样本用于误报排查。
注意人机闭环。声学告警只用于提示,最终处置仍需工程师确认,避免告警疲劳。
MIMII 数据集用于方法验证与教学,真实化工场景需在防爆、布点与合规前提下部署;模型指标以企业自有数据上的实测为准,本文示例未在真实产线评测。
上邦可基于客户现场声音与振动数据,搭建本地化的设备异常监测与告警方案,数据不出内网,方案详情见 https://aiwork.shangbon.com/ai-rag.html。

参考来源

MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection - Hitachi(arXiv:1909.09347)
librosa 官方文档
PyTorch 官方文档
相关标签:化工设备声学诊断1D-CNN预测性维护librosa

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案