Sep, 2019

MIMII 数据集：用于故障工业机器调查和检查的声音数据集

PDF
TL;DR该研究介绍了一个名为 MIMII 的声音数据集，其中包括正常和异常操作下四种不同类型的工业机器声音，以协助机器学习和信号处理领域的自动化设备维护的发展。
machine monitoringsensorsacoustic detectionindustrial machinesdataset
发现论文，激发创造
  • MIMII DG：适用于故障工业机器调查和检查的声音数据集，用于域泛化任务

    本文介绍了一个机器声音数据集，旨在评估领域泛化技术用于异常声音检测。该数据集名为 MIMII DG，包含五种机器类型和三个领域移位情境，并根据参数和噪声的不同值引入领域移位，试验结果表明这个数据集可以复现领域移位情境，是评估领域泛化技术的有用工具。

    May, 2022

  • ToyADMOS：一份用于异常声音检测的小型机器操作声音数据集

    本文介绍了一个新的数据集，名为 “ToyADMOS”，用于机器操作声音（ADMOS）的异常检测。该数据集包括用于机器状态检查、几何固定任务的机器故障诊断和移动任务的机器故障诊断的三个子数据集，每个子数据集包括超过 180 个小时的正常机器操作声音，以及超过 4000 个异常声音样本。

    Aug, 2019

  • 工业机器故障诊断的深度神经网络声音信号分析

    设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

    Dec, 2023

  • 在未来的工厂平台上获得的模拟和多模态制造数据集

    本文介绍了两个工业级数据集，这些数据集是在 2023 年 12 月 11 日和 12 日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的，目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现有数据集中稀缺的真实制造数据以及带有异常和缺陷的数据的空白，并为研究人员提供建立和训练适用于制造业的人工智能模型的基础。

    Jan, 2024

  • 旋转机械可靠故障检测中声音与振动的探索

    用振动信号进行故障检测已成为各行业预测性维护的最终目标。本研究通过提供包含声音和振动数据的新基准 Quatar 大学双机轴承故障基准数据集 (QU-DMBF)，揭示了振动信号故障检测的局限性，并提出了第一种基于声音的故障检测深度学习方法并与振动进行了比较评估。实验结果表明，基于声音的故障检测方法比基于振动的方法更加稳健，并且完全不依赖传感器位置、具有成本效益，能够达到与基于振动的方法相同水平的最佳检测性能。

    Dec, 2023

  • DCASE2020 挑战赛任务 2: 无监督机器状态监测异声检测的描述与讨论

    本文介绍了 DCASE 2020 Challenge 任务 2 的任务描述和结果，并讨论了无监督检测机器异常声音方面的研究。通过介绍了大规模数据集、评价指标和基线系统来设计此挑战赛，共收到了 40 个团队的 117 份提交，基于该挑战的结果分析，本文进一步讨论和分析了两种新方法和存在的问题。

    Jun, 2020

  • 工业环境下声音事件分类：管道泄漏检测应用案例

    本文提出了一种多阶段机器学习（ML）管道泄漏检测流程，该流程通过特征选择和提取基于时间的特征等多个步骤处理复杂嘈杂环境数据，将结果送入适用于数据量大幅降低和复杂度较低的支持向量机（SVM），在包含噪声和泄漏的数据集上取得了 99％的准确率和 0.93 和 0.9 的 F1-score。

    May, 2022

  • 跨模态检索训练中的数据泄露：一项案例研究

    本文主要研究声音检索中，数据集的自动获取问题。作者通过分析 SoundDesc 数据集的问题，提出了新的训练、验证和测试集，避免了数据泄漏问题，该数据集的效果更具有挑战性。

    Feb, 2023

  • RealImpact: 真实物体冲击声场数据集

    研究团队构建了一个大规模的现实物体撞击声音数据集（RealImpact），并使用该数据集作为参照标准来校准仿真模型与真实模型之间的差距，同时还证明了该数据集的可用性来测试声学和视听学习。

    Jun, 2023

  • 分布式协作异常声音检测通过嵌入共享

    开发了一种机器声音监测系统，提出了一种检测异常声音的方法，探索了多个客户端在保持彼此原始数据私密的同时协同学习异常声音检测模型的方法。

    Mar, 2024