简介基于声纹Deep-SVDD深度学习的电机异常检测工具采用PyQt5构建图形界面配合Python实现声音信号采集、分析与异常识别面向工业设备维护、智能制造及机器学习应用开发者。工具以电机正常运行声音为基线通过一分类深度模型刻画正常特征分布对偏离明显的音频样本给出异常提示可用于实时监测与早期故障预警。包体共10个文件、约4.83MB涵盖Python源代码py、训练好的Deep-SVDD模型h5、标准化参数scalar_ss、阈值数据npy、配置文件json及界面预览图png结构清晰便于直接运行或二次开发。该资源已有2172人学习下载包含可直接运行的PyQt5界面与预训练模型读者可据此理解Deep-SVDD在声学异常检测中的落地流程也可迁移至其他设备状态监测场景。1. 基于声纹 deep-SVDD 的电机异常检测从听音诊断到自动化判别的落地路径电机运转是否正常老师傅靠耳朵听新人靠手感摸产线靠振动传感器测。但声音这个信号其实比振动更早暴露问题——轴承早期磨损、转子扫膛、松动的螺栓在振动值还没超阈值时声纹里已经有高频谐波和冲击成分的变化。这个工具的核心思路是用深度支持向量数据描述deep-SVDD对正常工况下的声纹特征学一个“紧致边界”边界之外的都算异常。它只用正常样本训练不需要收集故障数据这对大多数工厂来说几乎是唯一现实可行的前提——因为故障样本本来就少也不愿意等它坏。适合设备保全工程师、故障诊断算法开发者、以及正在做工业声学检测但被数据标注困住的人。下面从特征输入、模型原理、PyQt5 封装到现场调试完整拆一遍这条技术路线。2. 特征输入把电机声音变成模型能学的固定维度表征deep-SVDD 不是端到端直接吃原始波形它和大多数工业声学方案一样需要先把声音转成二维特征图。这里有两个常见选择一是梅尔频谱图二是 MFCC 倒谱系数。对电机异常检测这个场景我更推荐梅尔频谱图直接作为输入——MFCC 在语音识别里表现好是因为它做了 DCT 去相关适合说话人识别这类任务但电机异常信号往往集中在特定频带的能量突起和调制边带梅尔频谱保留了完整的频带能量分布不会把异常特征在去相关过程中抹掉。2.1 采集与分帧参数为什么采样率选 48 kHz 而不是 16 kHz电机异响的有效频率范围通常在 20 Hz 到 12 kHz 之间峰值在 2 kHz 到 8 kHz。按奈奎斯特采样定理采样率至少是最高频率的两倍16 kHz 采样率理论上能覆盖 8 kHz但实际频谱分析里还要留出过渡带和抗混叠滤波器的衰减区间所以 48 kHz 是更稳妥的选择——这也直接决定了后面所有特征尺寸的计算。分帧参数我一般这样设帧长 2048 点帧移 512 点窗函数用汉宁窗。2048 点对应约 42.7 ms 的时窗在 48 kHz 采样率下频率分辨率能达到约 23.4 Hz足够分辨电机转频的整数倍谐波帧移 512 点对应的时域分辨率约 10.7 ms能捕捉到轴承保持架故障这类瞬态冲击。分帧之后每帧都要做短时傅里叶变换然后映射到梅尔刻度。梅尔滤波器组数量取 128 是性价比最高的——太少频带分辨率不够太多训练参数膨胀且容易过拟合。最后把连续 64 帧堆叠成一张特征图形状是 64×128刚好对应约 0.68 秒的声音片段这个时长既能覆盖电机稳定运转的周期特征又不至于让样本体积过大。以下是完整的特征提取代码建议直接存成feature_extractor.pyimport numpy as np import librosa def extract_log_mel_feature(file_path, sr48000, n_fft2048, hop_length512, n_mels128, n_frames64): # 加载音频并按目标采样率重采样 y, orig_sr librosa.load(file_path, srsr, monoTrue) # 过滤掉首尾 0.5 秒避免开关机和启停冲击污染特征 start int(0.5 * sr) end len(y) - int(0.5 * sr) y y[start:end] if end start else y # 计算梅尔频谱幅值转 dB 刻度并做归一化 mel_spec librosa.feature.melspectrogram( yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels, power2.0 ) log_mel librosa.power_to_db(mel_spec, refnp.max) log_mel (log_mel - log_mel.mean()) / (log_mel.std() 1e-8) # 按帧数切段不足一帧的补零到固定长度 num_frames log_mel.shape[1] if num_frames n_frames: pad_width n_frames - num_frames log_mel np.pad(log_mel, ((0, 0), (0, pad_width)), modeconstant) num_frames n_frames # 滑动切片得到多个样本相邻段间重叠 50%做数据增广 stride n_frames // 2 samples [] for start_frame in range(0, num_frames - n_frames 1, stride): segment log_mel[:, start_frame:start_frame n_frames] samples.append(segment.T) # 转成 [帧, 梅尔频带] 形状 return np.array(samples) # 使用示例一条 3 秒的录音能得到约 3~4 个训练样本 samples extract_log_mel_feature(motor_normal_001.wav) print(samples.shape) # 输出类似 (3, 64, 128)这段代码的核心是把一长段录音切成多个固定大小的重叠片段。切片跨度取 32 帧即 50% 重叠让相邻样本之间有重复覆盖训练时相当于做了时间维度的数据增广这对只有少量正常样本的现场场景很有用。归一化用的refnp.max是全局最大幅值而不是逐帧这是有意的——如果逐帧归一化会把背景噪声的相对电平差异抹平模型学到的就不是“声音形状”而是被拉伸后的假特征。2.2 数据集目录结构与正常样本的采集边界deep-SVDD 的训练只需要正常样本但“正常”的定义需要非常小心。这里的边界不是线画出来的是数据覆盖出来的。采集正常样本时至少要覆盖三类变化不同负载档位空载、半载、满载、不同转速区间、不同环境噪声水平。如果漏了某个工况模型会把那个工况下的声音当成边界外上线第一天就疯狂误报。目录结构建议这样组织后续 PyQt5 推理时加载也方便dataset/ ├── normal/ # 所有正常样本不限采集时间 │ ├── idle_1.wav │ ├── half_load_2.wav │ └── full_load_1.wav ├── abnormal/ # 可选仅用于事后验证模型判别力 │ ├── bearing_wear_1.wav │ └── loose_bolt_2.wav └── test_audio/ # 现场临时录音推理阶段使用一个容易忽视的细节是录音设备的一致性。训练时用 USB 麦克风采的数据部署时换成了无线头戴麦频响曲线不同尤其是低频衰减差异梅尔特征分布会整体偏移模型在训练集上的 AUC 再好看现场也大概率翻车。我一般会让现场采集设备与训练设备保持一致或者采集时直接用目标设备的麦克风采样归一化特性做一次全局补偿。3. deep-SVDD 模型训练最小超球原理与训练配置细节deep-SVDD 不是传统的二分类也不是重建式自编码器那种“能重建就是正常”。它的核心思想非常直白用神经网络把输入映射到一个特征空间然后在特征空间里找到一个最小半径的超球把几乎所有正常样本的特征向量包在球内。异常样本因为偏离了正常模式映射后的特征会落在球外或球面附近通过距离中心的距离来判断异常程度。3.1 目标函数与两个关键约束为什么网络不能有偏置项deep-SVDD 的目标函数由两部分组成[ \min_{W} \frac{1}{n} \sum_{i1}^{n} |\phi(x_i; W) - c|^2 \frac{\lambda}{2} \sum_{l1}^{L} |W_l|_F^2 ]第一项是让所有正常样本的特征向量到超球中心 (c) 的距离尽可能小第二项是权重衰减正则。本质上是在损失函数里压紧特征分布的半径——这和分类任务里的“拉大类别间距”正好相反它是把所有东西往一个点上收缩。训练里有两条硬性约束。第一条最后一层隐藏层不能加偏置项bias。加了偏置等于让特征空间多了一个可平移的维度网络会学出一个在平凡方向上“作弊”的解——直接把所有输入映射到同一点虽然损失降到极低但这个映射没有任何判别力。第二条中心 (c) 不能作为可训练参数随梯度更新它必须在第一次前向传播后固定下来。常见做法是对网络做一次预热前向取所有正常样本特征的平均值作为初始中心然后冻结它。网络结构上不需要堆很深我建议用三层卷积加一层全连接输出维度设 32 维。这个维度是我在几个电机噪声数据集上试下来的平衡点——16 维容易把细微异常也压进超球64 维以上训练参数增加但判别力没有同步提升。完整的训练脚本如下import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class DeepSVDDNet(nn.Module): def __init__(self, input_shape(64, 128), latent_dim32): super().__init__() c, h, w 1, input_shape[0], input_shape[1] self.feature_extractor nn.Sequential( nn.Conv2d(1, 16, kernel_size3, stride2, padding1), # 下采样到 32x64 nn.ReLU(), nn.Conv2d(16, 32, kernel_size3, stride2, padding1), # 下采样到 16x32 nn.ReLU(), nn.Conv2d(32, 64, kernel_size3, stride2, padding1), # 下采样到 8x16 nn.ReLU(), nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(), nn.Linear(64, latent_dim, biasFalse) # 关键最后一层无偏置 ) def forward(self, x): return self.feature_extractor(x) class DeepSVDDTrainer: def __init__(self, latent_dim32, nu0.05, lr1e-4): self.net DeepSVDDNet(latent_dimlatent_dim) self.lr lr self.nu nu # 控制超球半径的分位数类似 SVM 的松弛变量 self.center None def init_center(self, dataloader): # 预热前向用全部正常样本特征均值固定中心之后不再更新 features [] self.net.eval() with torch.no_grad(): for batch in dataloader: feat self.net(batch) features.append(feat) all_feat torch.cat(features, dim0) self.center all_feat.mean(dim0, keepdimTrue) def train(self, train_loader, epochs100, patience10): self.init_center(train_loader) optimizer optim.Adam(self.net.parameters(), lrself.lr) best_loss float(inf) wait 0 for epoch in range(epochs): self.net.train() epoch_loss 0.0 for batch in train_loader: optimizer.zero_grad() feat self.net(batch) # 距离中心越近越好等价于最小化超球半径 dist torch.sum((feat - self.center) ** 2, dim1) # 损失 平均距离 权重衰减通过 optimizer 内置 weight_decay loss dist.mean() loss.backward() optimizer.step() epoch_loss loss.item() avg_loss epoch_loss / len(train_loader) print(fEpoch {epoch1:03d}, Loss: {avg_loss:.6f}) # 早停连续 patience 轮损失不下降就退出 if avg_loss best_loss: best_loss avg_loss wait 0 else: wait 1 if wait patience: print(Early stopping triggered.) break return self.net # 训练入口加载特征构造 DataLoader # 特征 shape 为 (N, 64, 128)需增加通道维度变成 (N, 1, 64, 128) # features 来自 2.1 节的 extract_log_mel_feature 批量输出 # X torch.tensor(features, dtypetorch.float32).unsqueeze(1) # dataset TensorDataset(X) # loader DataLoader(dataset, batch_size32, shuffleTrue) # trainer DeepSVDDTrainer(nu0.05) # model trainer.train(loader, epochs100) # torch.save({state_dict: model.state_dict(), center: trainer.center}, svdd_model.pth)训练里的nu参数值得单独说。它对应 SVDD 原论文里的松弛项占比控制“允许多少个正常样本落在球外”。设 0.05 意味着训练时允许约 5% 的正常样本不收入球内这在采集数据混入少量非稳态噪声比如旁边有人走动、风吹过麦克风时很有用。但如果现场录音环境本身就稳定nu可以降到 0.01让边界更紧异常召回率更高。训练过程中要盯的不只是 loss。我一般每 5 轮在验证集同样是正常样本但没参与训练上算一次平均距离如果训练 loss 降但验证距离不降反升说明网络过拟合到了训练样本的具体噪声模式而非泛化的正常声纹模式需要增大权重衰减系数或减少潜伏维度。3.2 推理分数与阈值的关系距离本身不是概率模型训练完成后任何一个声音片段的异常分数就是特征向量到中心的欧氏距离[ s(x) |\phi(x) - c|_2 ]这个分数没有上界不是一个天然的 0-1 概率。很多新手拿到模型后会直接问“阈值设多少”这个问题本身就问错了——应该先用一批正常样本和少量已知异常样本画分布直方图看两类距离的重叠区域再决定阈值。两个典型设置正常样本距离通常集中在 0 到 3 之间异常样本距离通常在 6 以上。但现场工况一变这个分布整体会偏移。所以推理端不要写死一个绝对阈值而是记录部署初期的距离基线用“相对偏移倍数”来判异常——比如当前距离超过正常基线均值的 3 倍且持续时间超过 1 秒才报警。4. PyQt5 界面封装录音线程、模型推理与结果展示的工程化模型训练好只是第一步真正能拿到车间用的是界面工具。PyQt5 在这里承担的是完整应用壳录音控制、文件选择、模型加载、实时推理、结果展示。最核心的工程问题不是界面布局而是“录音不能卡界面”和“推理不能阻塞交互”这两件事。4.1 录音与推理线程分离signal/slot 的正确用法PyQt5 的界面线程必须保持响应否则录音 3 秒期间窗口转圈操作体验直接回到 Windows 95。标准做法是录音线程跑pyaudio的数据采集推理线程跑 PyTorch 的前向计算两者通过信号把结果传回主线程刷新界面。千万不能在槽函数里直接做重计算。下面是录音推理核心类的完整实现import sys import threading import numpy as np import pyaudio import torch from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QLabel, QTextEdit) class RecorderThread(QThread): 录音线程持续采集音频达到指定长度后发信号 finished_chunk pyqtSignal(np.ndarray) def __init__(self, sample_rate48000, chunk_duration1.0): super().__init__() self.sr sample_rate self.chunk_size int(sample_rate * chunk_duration) self.recording False self.stream None def run(self): p pyaudio.PyAudio() self.stream p.open( formatpyaudio.paInt16, channels1, rateself.sr, inputTrue, frames_per_buffer1024 ) buffer np.array([], dtypenp.int16) while self.recording: data np.frombuffer(self.stream.read(1024), dtypenp.int16) buffer np.concatenate([buffer, data]) if len(buffer) self.chunk_size: # 只发送最近一个 chunk避免内存无限增长 self.finished_chunk.emit(buffer[-self.chunk_size:].copy()) buffer np.array([], dtypenp.int16) self.stream.stop_stream() self.stream.close() p.terminate() class InferenceThread(QThread): 推理线程加载模型并计算异常分数 result_ready pyqtSignal(float) def __init__(self, model_path): super().__init__() self.audio None self.model_path model_path # 延迟加载线程启动后再初始化模型避免卡应用启动 self.model None self.center None self.ready False def load_model(self): checkpoint torch.load(self.model_path, map_locationcpu) # 特征提取网络与训练时代码共用 DeepSVDDNet self.model DeepSVDDNet(latent_dim32) self.model.load_state_dict(checkpoint[state_dict]) self.model.eval() self.center checkpoint[center] self.ready True def set_audio(self, audio): self.audio audio def run(self): if not self.ready: self.load_model() # 复用 2.1 的特征提取函数 features extract_log_mel_feature_from_raw(self.audio, sr48000) scores [] with torch.no_grad(): for feat in features: tensor torch.tensor(feat, dtypetorch.float32).unsqueeze(0).unsqueeze(0) out self.model(tensor) dist torch.sqrt(((out - self.center) ** 2).sum(dim1)).item() scores.append(dist) final_score float(np.mean(scores)) self.result_ready.emit(final_score)这段代码里有几个工程细节值得展开。首先finished_chunk发的是buffer[-self.chunk_size:].copy()只取最近 1 秒的数据而不是累积全部录音——连续推理时如果持续发送整段历史内存会被撑爆而且旧数据比重过大会稀释当下异常特征。其次推理线程用load_model()延迟加载而不是在构造时加载保证界面弹出来是快的模型加载放在后台用户看到的不是白屏而是“加载中”状态。extract_log_mel_feature_from_raw是从 2.1 节的函数改出来的版本唯一区别是输入不是文件路径而是 numpy 数组改法很简单把librosa.load换掉直接用原始数组传进librosa.feature.melspectrogram其他参数完全一致。4.2 界面布局与现场交互逻辑界面不需要复杂三个区域够了控制区开始/停止录音按钮、模型路径选择、实时状态区当前异常分数、判定结果、日志区历史判定记录带时间戳。判定逻辑里我建议加一个“连续确认”机制——单次分数超阈值先标记为“疑似”连续 3 次约 3 秒都超阈值才标记为“异常”。电机的瞬时冲击噪声比如旁边有人敲击管道会导致单次误判连续确认能把这类虚警压下去。主窗口的接法简洁干净class MainWindow(QMainWindow): def __init__(self): super().__init__() self.recorder RecorderThread(sample_rate48000, chunk_duration1.0) self.inferer InferenceThread(svdd_model.pth) self.inferer.load_model() # 录音线程完成一段采集 - 立刻交给推理线程不落盘 self.recorder.finished_chunk.connect(self.inferer.set_audio) self.recorder.finished_chunk.connect(self.inferer.start) # 推理结果回到主线程刷新界面 self.inferer.result_ready.connect(self.update_result) def update_result(self, score): threshold self.normal_baseline * 3.0 status 正常 if score threshold else 疑似异常 self.result_label.setText(f距离: {score:.3f} | {status})这里把录音线程和推理线程的接收都连到了同一个finished_chunk信号上顺序是先set_audio把数据准备好再start触发推理。要注意set_audio的槽函数必须是直接连接默认就是直连不能排队否则start运行时音频可能还没赋值上推理线程读到的是上一轮旧数据。5. 避坑与常见问题排查从数据到部署的六个典型翻车点这个方案我在三个电机噪声数据集上跑过也帮朋友在现场调过踩过的坑排名不分前后但每条都值得记下来。5.1 现象模型在验证集上 AUC 0.98现场却把正常电机判成异常原因几乎都是采集工况不一致。训练集是电机在车间稳定运转时录的现场测试时电机带了负载或者旁边有其他设备启动梅尔频谱的全局能量分布已经变了。这不是模型没学好是数据分布漂移。解决方法是重新审视正常样本的覆盖范围——把负载档位、转速、环境本底噪声都加进训练集。最实用的做法是部署前用目标电机的正常声音采集 20 分钟和训练集特征分布做一次余弦相似度检查低于阈值的先补数据再部署。5.2 现象训练 loss 降得很快但验证距离不降甚至反升这是过拟合到正常样本的个性噪声上。特征提取网络太深或者潜伏维度太高网络把每个样本的专属噪声模式都记住了泛化到新正常样本时映射距离反而更大。解决一是增大权重衰减系数二是降潜伏维度到 16 或 24三是把nu从 0.05 提到 0.1允许更多训练样本不参与紧致化。判断标准是训练 loss 与验证距离的差值——两者差距超过 30% 就基本可以断定过拟合了。5.3 现象PyQt5 界面点击“开始录音”后窗口未响应约 3 秒这是在槽函数里直接做了音频初始化。pyaudio.open()这台设备上的启动延迟有时到 1 秒以上放进 GUI 线程就表现为窗口卡死。解决把录音的初始化挪到RecorderThread.run()里线程启动本身不阻塞初始化完成后再开始采数。5.4 现象推理结果忽高忽低同一段正常声音两次判出不同结果大概率是推理用的是整段录音但没做稳态段截取。电机启动瞬间的电流冲击声、麦克风靠近时的风噪都会让特征图整体偏高。解决在特征提取前用短时能量检测找出稳态段——计算每个分帧的 RMS 能量把头部 10% 和尾部 10% 丢弃只保留中间能量稳定的 80%。这个逻辑我建议直接写进extract_log_mel_feature函数里而不是每次推理时手动处理。5.5 现象多个正常电机部署后阈值要各调各的没法统一根源是每台电机的基础噪声不同——功率等级、安装位置、传动方式都会影响绝对声压级和频率分布。硬性统一阈值是行不通的。我一般在部署流程里加一个“自校准”步骤对新到场的电机先录 30 秒正常声音计算这段声音的平均距离作为基线报警阈值设为该基线的 3 倍。这样每台电机用自己的基线做相对判断而不是拿统一绝对距离去套。5.6 现象训练时 GPU 显存溢出批量大小设为 32 时其实不至于但如果你把 64 帧窗口理解成序列用 RNN 或 Transformer 去跑显存确实会爆。deep-SVDD 用的是纯卷积显存占用和单张图片分类差不多。如果你的网络结构里加了 LSTM建议退回到卷积——电机声纹的时频局部特征本来就是平移不变的不需要序列模型去建模长程依赖。真要用序列建模把 batch size 降到 8 以下。6. 现场部署的验证闭环与阈值自校准技巧模型能不能用不是训练完看一眼 loss 就行的。我的验证流程分三步走每一步都在部署现场完成而不是留在开发机里。第一步是基线采集。设备安装后先用工具连续录 5 分钟正常运转声音按 2.1 节的特征提取方式切出约 200 个特征图全部过一遍模型记录距离分布的均值 ( \mu ) 和标准差 ( \sigma )。这一步是一切的基准——之后所有阈值判断都相对于这组统计量不直接用全局绝对值。第二步是人工注入验证。用工具敲击电机外壳模拟松动异响、用手电钻在旁边制造宽带噪声、用砂纸摩擦轴端模拟摩擦声每种异常录 10 秒同样切成特征图过模型看距离是否显著大于 ( \mu 3\sigma )。如果三种模拟异常里有两种距离不超标说明模型的敏感度方向错了需要复查特征提取里的频带范围是否覆盖了对应频段。第三步是阈值可视化校准。我用 matplotlib 把正常样本距离直方图和异常样本距离直方图叠加画在同一个坐标轴上直接看到两类分布的重叠区域。阈值选在重叠区域的右边缘保证正常样本误报率低于 1%同时异常召回率不低于 90%。这个过程不用写代码到工具里部署时临时跑一段 Python 就行。最后教你一个压误报的技巧双阈值判定。把 ( \mu 3\sigma ) 设为警告阈值( \mu 5\sigma ) 设为报警阈值。距离落在两者之间时只记录日志不触发联动落在 ( \mu 5\sigma ) 之上才真正报警。因为真实故障的冲击特征距离往往是正常的 6 到 10 倍和瞬时环境噪声有明显的幅度差双阈值能把虚警率再砍掉一半。从那以后我每次部署声纹检测工具都强制走一遍这三步闭环基线采集、人工注入验证、直方图定阈值。哪怕客户催得再急也不跳过——血泪经验告诉我跳过任何一步上线不出三天就会收到现场误报投诉。希望这个工具和这套流程能帮你少走一段弯路。本文还有配套的精品资源点击获取
简介基于声纹Deep-SVDD深度学习的电机异常检测工具采用PyQt5构建图形界面配合Python实现声音信号采集、分析与异常识别面向工业设备维护、智能制造及机器学习应用开发者。工具以电机正常运行声音为基线通过一分类深度模型刻画正常特征分布对偏离明显的音频样本给出异常提示可用于实时监测与早期故障预警。包体共10个文件、约4.83MB涵盖Python源代码py、训练好的Deep-SVDD模型h5、标准化参数scalar_ss、阈值数据npy、配置文件json及界面预览图png结构清晰便于直接运行或二次开发。该资源已有2172人学习下载包含可直接运行的PyQt5界面与预训练模型读者可据此理解Deep-SVDD在声学异常检测中的落地流程也可迁移至其他设备状态监测场景。1. 基于声纹 deep-SVDD 的电机异常检测从听音诊断到自动化判别的落地路径电机运转是否正常老师傅靠耳朵听新人靠手感摸产线靠振动传感器测。但声音这个信号其实比振动更早暴露问题——轴承早期磨损、转子扫膛、松动的螺栓在振动值还没超阈值时声纹里已经有高频谐波和冲击成分的变化。这个工具的核心思路是用深度支持向量数据描述deep-SVDD对正常工况下的声纹特征学一个“紧致边界”边界之外的都算异常。它只用正常样本训练不需要收集故障数据这对大多数工厂来说几乎是唯一现实可行的前提——因为故障样本本来就少也不愿意等它坏。适合设备保全工程师、故障诊断算法开发者、以及正在做工业声学检测但被数据标注困住的人。下面从特征输入、模型原理、PyQt5 封装到现场调试完整拆一遍这条技术路线。2. 特征输入把电机声音变成模型能学的固定维度表征deep-SVDD 不是端到端直接吃原始波形它和大多数工业声学方案一样需要先把声音转成二维特征图。这里有两个常见选择一是梅尔频谱图二是 MFCC 倒谱系数。对电机异常检测这个场景我更推荐梅尔频谱图直接作为输入——MFCC 在语音识别里表现好是因为它做了 DCT 去相关适合说话人识别这类任务但电机异常信号往往集中在特定频带的能量突起和调制边带梅尔频谱保留了完整的频带能量分布不会把异常特征在去相关过程中抹掉。2.1 采集与分帧参数为什么采样率选 48 kHz 而不是 16 kHz电机异响的有效频率范围通常在 20 Hz 到 12 kHz 之间峰值在 2 kHz 到 8 kHz。按奈奎斯特采样定理采样率至少是最高频率的两倍16 kHz 采样率理论上能覆盖 8 kHz但实际频谱分析里还要留出过渡带和抗混叠滤波器的衰减区间所以 48 kHz 是更稳妥的选择——这也直接决定了后面所有特征尺寸的计算。分帧参数我一般这样设帧长 2048 点帧移 512 点窗函数用汉宁窗。2048 点对应约 42.7 ms 的时窗在 48 kHz 采样率下频率分辨率能达到约 23.4 Hz足够分辨电机转频的整数倍谐波帧移 512 点对应的时域分辨率约 10.7 ms能捕捉到轴承保持架故障这类瞬态冲击。分帧之后每帧都要做短时傅里叶变换然后映射到梅尔刻度。梅尔滤波器组数量取 128 是性价比最高的——太少频带分辨率不够太多训练参数膨胀且容易过拟合。最后把连续 64 帧堆叠成一张特征图形状是 64×128刚好对应约 0.68 秒的声音片段这个时长既能覆盖电机稳定运转的周期特征又不至于让样本体积过大。以下是完整的特征提取代码建议直接存成feature_extractor.pyimport numpy as np import librosa def extract_log_mel_feature(file_path, sr48000, n_fft2048, hop_length512, n_mels128, n_frames64): # 加载音频并按目标采样率重采样 y, orig_sr librosa.load(file_path, srsr, monoTrue) # 过滤掉首尾 0.5 秒避免开关机和启停冲击污染特征 start int(0.5 * sr) end len(y) - int(0.5 * sr) y y[start:end] if end start else y # 计算梅尔频谱幅值转 dB 刻度并做归一化 mel_spec librosa.feature.melspectrogram( yy, srsr, n_fftn_fft, hop_lengthhop_length, n_melsn_mels, power2.0 ) log_mel librosa.power_to_db(mel_spec, refnp.max) log_mel (log_mel - log_mel.mean()) / (log_mel.std() 1e-8) # 按帧数切段不足一帧的补零到固定长度 num_frames log_mel.shape[1] if num_frames n_frames: pad_width n_frames - num_frames log_mel np.pad(log_mel, ((0, 0), (0, pad_width)), modeconstant) num_frames n_frames # 滑动切片得到多个样本相邻段间重叠 50%做数据增广 stride n_frames // 2 samples [] for start_frame in range(0, num_frames - n_frames 1, stride): segment log_mel[:, start_frame:start_frame n_frames] samples.append(segment.T) # 转成 [帧, 梅尔频带] 形状 return np.array(samples) # 使用示例一条 3 秒的录音能得到约 3~4 个训练样本 samples extract_log_mel_feature(motor_normal_001.wav) print(samples.shape) # 输出类似 (3, 64, 128)这段代码的核心是把一长段录音切成多个固定大小的重叠片段。切片跨度取 32 帧即 50% 重叠让相邻样本之间有重复覆盖训练时相当于做了时间维度的数据增广这对只有少量正常样本的现场场景很有用。归一化用的refnp.max是全局最大幅值而不是逐帧这是有意的——如果逐帧归一化会把背景噪声的相对电平差异抹平模型学到的就不是“声音形状”而是被拉伸后的假特征。2.2 数据集目录结构与正常样本的采集边界deep-SVDD 的训练只需要正常样本但“正常”的定义需要非常小心。这里的边界不是线画出来的是数据覆盖出来的。采集正常样本时至少要覆盖三类变化不同负载档位空载、半载、满载、不同转速区间、不同环境噪声水平。如果漏了某个工况模型会把那个工况下的声音当成边界外上线第一天就疯狂误报。目录结构建议这样组织后续 PyQt5 推理时加载也方便dataset/ ├── normal/ # 所有正常样本不限采集时间 │ ├── idle_1.wav │ ├── half_load_2.wav │ └── full_load_1.wav ├── abnormal/ # 可选仅用于事后验证模型判别力 │ ├── bearing_wear_1.wav │ └── loose_bolt_2.wav └── test_audio/ # 现场临时录音推理阶段使用一个容易忽视的细节是录音设备的一致性。训练时用 USB 麦克风采的数据部署时换成了无线头戴麦频响曲线不同尤其是低频衰减差异梅尔特征分布会整体偏移模型在训练集上的 AUC 再好看现场也大概率翻车。我一般会让现场采集设备与训练设备保持一致或者采集时直接用目标设备的麦克风采样归一化特性做一次全局补偿。3. deep-SVDD 模型训练最小超球原理与训练配置细节deep-SVDD 不是传统的二分类也不是重建式自编码器那种“能重建就是正常”。它的核心思想非常直白用神经网络把输入映射到一个特征空间然后在特征空间里找到一个最小半径的超球把几乎所有正常样本的特征向量包在球内。异常样本因为偏离了正常模式映射后的特征会落在球外或球面附近通过距离中心的距离来判断异常程度。3.1 目标函数与两个关键约束为什么网络不能有偏置项deep-SVDD 的目标函数由两部分组成[ \min_{W} \frac{1}{n} \sum_{i1}^{n} |\phi(x_i; W) - c|^2 \frac{\lambda}{2} \sum_{l1}^{L} |W_l|_F^2 ]第一项是让所有正常样本的特征向量到超球中心 (c) 的距离尽可能小第二项是权重衰减正则。本质上是在损失函数里压紧特征分布的半径——这和分类任务里的“拉大类别间距”正好相反它是把所有东西往一个点上收缩。训练里有两条硬性约束。第一条最后一层隐藏层不能加偏置项bias。加了偏置等于让特征空间多了一个可平移的维度网络会学出一个在平凡方向上“作弊”的解——直接把所有输入映射到同一点虽然损失降到极低但这个映射没有任何判别力。第二条中心 (c) 不能作为可训练参数随梯度更新它必须在第一次前向传播后固定下来。常见做法是对网络做一次预热前向取所有正常样本特征的平均值作为初始中心然后冻结它。网络结构上不需要堆很深我建议用三层卷积加一层全连接输出维度设 32 维。这个维度是我在几个电机噪声数据集上试下来的平衡点——16 维容易把细微异常也压进超球64 维以上训练参数增加但判别力没有同步提升。完整的训练脚本如下import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class DeepSVDDNet(nn.Module): def __init__(self, input_shape(64, 128), latent_dim32): super().__init__() c, h, w 1, input_shape[0], input_shape[1] self.feature_extractor nn.Sequential( nn.Conv2d(1, 16, kernel_size3, stride2, padding1), # 下采样到 32x64 nn.ReLU(), nn.Conv2d(16, 32, kernel_size3, stride2, padding1), # 下采样到 16x32 nn.ReLU(), nn.Conv2d(32, 64, kernel_size3, stride2, padding1), # 下采样到 8x16 nn.ReLU(), nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(), nn.Linear(64, latent_dim, biasFalse) # 关键最后一层无偏置 ) def forward(self, x): return self.feature_extractor(x) class DeepSVDDTrainer: def __init__(self, latent_dim32, nu0.05, lr1e-4): self.net DeepSVDDNet(latent_dimlatent_dim) self.lr lr self.nu nu # 控制超球半径的分位数类似 SVM 的松弛变量 self.center None def init_center(self, dataloader): # 预热前向用全部正常样本特征均值固定中心之后不再更新 features [] self.net.eval() with torch.no_grad(): for batch in dataloader: feat self.net(batch) features.append(feat) all_feat torch.cat(features, dim0) self.center all_feat.mean(dim0, keepdimTrue) def train(self, train_loader, epochs100, patience10): self.init_center(train_loader) optimizer optim.Adam(self.net.parameters(), lrself.lr) best_loss float(inf) wait 0 for epoch in range(epochs): self.net.train() epoch_loss 0.0 for batch in train_loader: optimizer.zero_grad() feat self.net(batch) # 距离中心越近越好等价于最小化超球半径 dist torch.sum((feat - self.center) ** 2, dim1) # 损失 平均距离 权重衰减通过 optimizer 内置 weight_decay loss dist.mean() loss.backward() optimizer.step() epoch_loss loss.item() avg_loss epoch_loss / len(train_loader) print(fEpoch {epoch1:03d}, Loss: {avg_loss:.6f}) # 早停连续 patience 轮损失不下降就退出 if avg_loss best_loss: best_loss avg_loss wait 0 else: wait 1 if wait patience: print(Early stopping triggered.) break return self.net # 训练入口加载特征构造 DataLoader # 特征 shape 为 (N, 64, 128)需增加通道维度变成 (N, 1, 64, 128) # features 来自 2.1 节的 extract_log_mel_feature 批量输出 # X torch.tensor(features, dtypetorch.float32).unsqueeze(1) # dataset TensorDataset(X) # loader DataLoader(dataset, batch_size32, shuffleTrue) # trainer DeepSVDDTrainer(nu0.05) # model trainer.train(loader, epochs100) # torch.save({state_dict: model.state_dict(), center: trainer.center}, svdd_model.pth)训练里的nu参数值得单独说。它对应 SVDD 原论文里的松弛项占比控制“允许多少个正常样本落在球外”。设 0.05 意味着训练时允许约 5% 的正常样本不收入球内这在采集数据混入少量非稳态噪声比如旁边有人走动、风吹过麦克风时很有用。但如果现场录音环境本身就稳定nu可以降到 0.01让边界更紧异常召回率更高。训练过程中要盯的不只是 loss。我一般每 5 轮在验证集同样是正常样本但没参与训练上算一次平均距离如果训练 loss 降但验证距离不降反升说明网络过拟合到了训练样本的具体噪声模式而非泛化的正常声纹模式需要增大权重衰减系数或减少潜伏维度。3.2 推理分数与阈值的关系距离本身不是概率模型训练完成后任何一个声音片段的异常分数就是特征向量到中心的欧氏距离[ s(x) |\phi(x) - c|_2 ]这个分数没有上界不是一个天然的 0-1 概率。很多新手拿到模型后会直接问“阈值设多少”这个问题本身就问错了——应该先用一批正常样本和少量已知异常样本画分布直方图看两类距离的重叠区域再决定阈值。两个典型设置正常样本距离通常集中在 0 到 3 之间异常样本距离通常在 6 以上。但现场工况一变这个分布整体会偏移。所以推理端不要写死一个绝对阈值而是记录部署初期的距离基线用“相对偏移倍数”来判异常——比如当前距离超过正常基线均值的 3 倍且持续时间超过 1 秒才报警。4. PyQt5 界面封装录音线程、模型推理与结果展示的工程化模型训练好只是第一步真正能拿到车间用的是界面工具。PyQt5 在这里承担的是完整应用壳录音控制、文件选择、模型加载、实时推理、结果展示。最核心的工程问题不是界面布局而是“录音不能卡界面”和“推理不能阻塞交互”这两件事。4.1 录音与推理线程分离signal/slot 的正确用法PyQt5 的界面线程必须保持响应否则录音 3 秒期间窗口转圈操作体验直接回到 Windows 95。标准做法是录音线程跑pyaudio的数据采集推理线程跑 PyTorch 的前向计算两者通过信号把结果传回主线程刷新界面。千万不能在槽函数里直接做重计算。下面是录音推理核心类的完整实现import sys import threading import numpy as np import pyaudio import torch from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QLabel, QTextEdit) class RecorderThread(QThread): 录音线程持续采集音频达到指定长度后发信号 finished_chunk pyqtSignal(np.ndarray) def __init__(self, sample_rate48000, chunk_duration1.0): super().__init__() self.sr sample_rate self.chunk_size int(sample_rate * chunk_duration) self.recording False self.stream None def run(self): p pyaudio.PyAudio() self.stream p.open( formatpyaudio.paInt16, channels1, rateself.sr, inputTrue, frames_per_buffer1024 ) buffer np.array([], dtypenp.int16) while self.recording: data np.frombuffer(self.stream.read(1024), dtypenp.int16) buffer np.concatenate([buffer, data]) if len(buffer) self.chunk_size: # 只发送最近一个 chunk避免内存无限增长 self.finished_chunk.emit(buffer[-self.chunk_size:].copy()) buffer np.array([], dtypenp.int16) self.stream.stop_stream() self.stream.close() p.terminate() class InferenceThread(QThread): 推理线程加载模型并计算异常分数 result_ready pyqtSignal(float) def __init__(self, model_path): super().__init__() self.audio None self.model_path model_path # 延迟加载线程启动后再初始化模型避免卡应用启动 self.model None self.center None self.ready False def load_model(self): checkpoint torch.load(self.model_path, map_locationcpu) # 特征提取网络与训练时代码共用 DeepSVDDNet self.model DeepSVDDNet(latent_dim32) self.model.load_state_dict(checkpoint[state_dict]) self.model.eval() self.center checkpoint[center] self.ready True def set_audio(self, audio): self.audio audio def run(self): if not self.ready: self.load_model() # 复用 2.1 的特征提取函数 features extract_log_mel_feature_from_raw(self.audio, sr48000) scores [] with torch.no_grad(): for feat in features: tensor torch.tensor(feat, dtypetorch.float32).unsqueeze(0).unsqueeze(0) out self.model(tensor) dist torch.sqrt(((out - self.center) ** 2).sum(dim1)).item() scores.append(dist) final_score float(np.mean(scores)) self.result_ready.emit(final_score)这段代码里有几个工程细节值得展开。首先finished_chunk发的是buffer[-self.chunk_size:].copy()只取最近 1 秒的数据而不是累积全部录音——连续推理时如果持续发送整段历史内存会被撑爆而且旧数据比重过大会稀释当下异常特征。其次推理线程用load_model()延迟加载而不是在构造时加载保证界面弹出来是快的模型加载放在后台用户看到的不是白屏而是“加载中”状态。extract_log_mel_feature_from_raw是从 2.1 节的函数改出来的版本唯一区别是输入不是文件路径而是 numpy 数组改法很简单把librosa.load换掉直接用原始数组传进librosa.feature.melspectrogram其他参数完全一致。4.2 界面布局与现场交互逻辑界面不需要复杂三个区域够了控制区开始/停止录音按钮、模型路径选择、实时状态区当前异常分数、判定结果、日志区历史判定记录带时间戳。判定逻辑里我建议加一个“连续确认”机制——单次分数超阈值先标记为“疑似”连续 3 次约 3 秒都超阈值才标记为“异常”。电机的瞬时冲击噪声比如旁边有人敲击管道会导致单次误判连续确认能把这类虚警压下去。主窗口的接法简洁干净class MainWindow(QMainWindow): def __init__(self): super().__init__() self.recorder RecorderThread(sample_rate48000, chunk_duration1.0) self.inferer InferenceThread(svdd_model.pth) self.inferer.load_model() # 录音线程完成一段采集 - 立刻交给推理线程不落盘 self.recorder.finished_chunk.connect(self.inferer.set_audio) self.recorder.finished_chunk.connect(self.inferer.start) # 推理结果回到主线程刷新界面 self.inferer.result_ready.connect(self.update_result) def update_result(self, score): threshold self.normal_baseline * 3.0 status 正常 if score threshold else 疑似异常 self.result_label.setText(f距离: {score:.3f} | {status})这里把录音线程和推理线程的接收都连到了同一个finished_chunk信号上顺序是先set_audio把数据准备好再start触发推理。要注意set_audio的槽函数必须是直接连接默认就是直连不能排队否则start运行时音频可能还没赋值上推理线程读到的是上一轮旧数据。5. 避坑与常见问题排查从数据到部署的六个典型翻车点这个方案我在三个电机噪声数据集上跑过也帮朋友在现场调过踩过的坑排名不分前后但每条都值得记下来。5.1 现象模型在验证集上 AUC 0.98现场却把正常电机判成异常原因几乎都是采集工况不一致。训练集是电机在车间稳定运转时录的现场测试时电机带了负载或者旁边有其他设备启动梅尔频谱的全局能量分布已经变了。这不是模型没学好是数据分布漂移。解决方法是重新审视正常样本的覆盖范围——把负载档位、转速、环境本底噪声都加进训练集。最实用的做法是部署前用目标电机的正常声音采集 20 分钟和训练集特征分布做一次余弦相似度检查低于阈值的先补数据再部署。5.2 现象训练 loss 降得很快但验证距离不降甚至反升这是过拟合到正常样本的个性噪声上。特征提取网络太深或者潜伏维度太高网络把每个样本的专属噪声模式都记住了泛化到新正常样本时映射距离反而更大。解决一是增大权重衰减系数二是降潜伏维度到 16 或 24三是把nu从 0.05 提到 0.1允许更多训练样本不参与紧致化。判断标准是训练 loss 与验证距离的差值——两者差距超过 30% 就基本可以断定过拟合了。5.3 现象PyQt5 界面点击“开始录音”后窗口未响应约 3 秒这是在槽函数里直接做了音频初始化。pyaudio.open()这台设备上的启动延迟有时到 1 秒以上放进 GUI 线程就表现为窗口卡死。解决把录音的初始化挪到RecorderThread.run()里线程启动本身不阻塞初始化完成后再开始采数。5.4 现象推理结果忽高忽低同一段正常声音两次判出不同结果大概率是推理用的是整段录音但没做稳态段截取。电机启动瞬间的电流冲击声、麦克风靠近时的风噪都会让特征图整体偏高。解决在特征提取前用短时能量检测找出稳态段——计算每个分帧的 RMS 能量把头部 10% 和尾部 10% 丢弃只保留中间能量稳定的 80%。这个逻辑我建议直接写进extract_log_mel_feature函数里而不是每次推理时手动处理。5.5 现象多个正常电机部署后阈值要各调各的没法统一根源是每台电机的基础噪声不同——功率等级、安装位置、传动方式都会影响绝对声压级和频率分布。硬性统一阈值是行不通的。我一般在部署流程里加一个“自校准”步骤对新到场的电机先录 30 秒正常声音计算这段声音的平均距离作为基线报警阈值设为该基线的 3 倍。这样每台电机用自己的基线做相对判断而不是拿统一绝对距离去套。5.6 现象训练时 GPU 显存溢出批量大小设为 32 时其实不至于但如果你把 64 帧窗口理解成序列用 RNN 或 Transformer 去跑显存确实会爆。deep-SVDD 用的是纯卷积显存占用和单张图片分类差不多。如果你的网络结构里加了 LSTM建议退回到卷积——电机声纹的时频局部特征本来就是平移不变的不需要序列模型去建模长程依赖。真要用序列建模把 batch size 降到 8 以下。6. 现场部署的验证闭环与阈值自校准技巧模型能不能用不是训练完看一眼 loss 就行的。我的验证流程分三步走每一步都在部署现场完成而不是留在开发机里。第一步是基线采集。设备安装后先用工具连续录 5 分钟正常运转声音按 2.1 节的特征提取方式切出约 200 个特征图全部过一遍模型记录距离分布的均值 ( \mu ) 和标准差 ( \sigma )。这一步是一切的基准——之后所有阈值判断都相对于这组统计量不直接用全局绝对值。第二步是人工注入验证。用工具敲击电机外壳模拟松动异响、用手电钻在旁边制造宽带噪声、用砂纸摩擦轴端模拟摩擦声每种异常录 10 秒同样切成特征图过模型看距离是否显著大于 ( \mu 3\sigma )。如果三种模拟异常里有两种距离不超标说明模型的敏感度方向错了需要复查特征提取里的频带范围是否覆盖了对应频段。第三步是阈值可视化校准。我用 matplotlib 把正常样本距离直方图和异常样本距离直方图叠加画在同一个坐标轴上直接看到两类分布的重叠区域。阈值选在重叠区域的右边缘保证正常样本误报率低于 1%同时异常召回率不低于 90%。这个过程不用写代码到工具里部署时临时跑一段 Python 就行。最后教你一个压误报的技巧双阈值判定。把 ( \mu 3\sigma ) 设为警告阈值( \mu 5\sigma ) 设为报警阈值。距离落在两者之间时只记录日志不触发联动落在 ( \mu 5\sigma ) 之上才真正报警。因为真实故障的冲击特征距离往往是正常的 6 到 10 倍和瞬时环境噪声有明显的幅度差双阈值能把虚警率再砍掉一半。从那以后我每次部署声纹检测工具都强制走一遍这三步闭环基线采集、人工注入验证、直方图定阈值。哪怕客户催得再急也不跳过——血泪经验告诉我跳过任何一步上线不出三天就会收到现场误报投诉。希望这个工具和这套流程能帮你少走一段弯路。本文还有配套的精品资源点击获取
