科研動(dòng)態(tài)
基于CEEMDAN-SVD-MEAE的抽油機(jī)電機(jī)聲音異常檢測(cè)
中文題目：基于CEEMDAN-SVD-MEAE的抽油機(jī)電機(jī)聲音異常檢測(cè)
論文題目：Abnormal Sound Detection of Pumping Unit Motor Based on CEEMDAN-SVD-MEAE
錄用期刊/會(huì)議：CPCC 2025 (CAA-A類(lèi) 會(huì)議論文)
錄用/見(jiàn)刊時(shí)間：2025年
作者列表：
1）詹汶鑫 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 碩士研究生
2）李 康 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
3）高小永 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
4）任桂山 中國(guó)石油天然氣大港油田分公司采油工藝研究院 企業(yè)專(zhuān)家
摘要:
本研究提出一種基于CEEMDAN-SVD-MEAE的聯(lián)合異常檢測(cè)方法。通過(guò)CEEMDAN-SVD算法對(duì)原始音頻信號(hào)進(jìn)行自適應(yīng)噪聲分解與奇異值篩選，有效抑制環(huán)境噪聲對(duì)聲學(xué)特征提取的干擾；設(shè)計(jì)具有記憶原型庫(kù)的增強(qiáng)型自編碼器（MEAE），通過(guò)稀疏機(jī)制約束重構(gòu)過(guò)程，改善模型在異常樣本上的表征偏差；利用重構(gòu)誤差分布差異實(shí)現(xiàn)異常檢測(cè)。實(shí)驗(yàn)采用油田現(xiàn)場(chǎng)音頻數(shù)據(jù)，結(jié)果表明：所提方法的準(zhǔn)確率、召回率及F1分?jǐn)?shù)都優(yōu)于傳統(tǒng)卷積自編碼器（CAE）與機(jī)器學(xué)習(xí)模型（CNN、LSTM、SVD），且異常樣本的重構(gòu)誤差較正常樣本明顯增加，驗(yàn)證了方法的魯棒性。
背景與動(dòng)機(jī):
電機(jī)作為抽油機(jī)系統(tǒng)的核心動(dòng)力單元，其運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)對(duì)保障油田生產(chǎn)安全具有十分重要的意義。當(dāng)前油田現(xiàn)場(chǎng)普遍采用的異常檢測(cè)方案主要依賴(lài)于巡檢人員通過(guò)對(duì)異常振動(dòng)或異常噪聲的特征進(jìn)行經(jīng)驗(yàn)性判斷，然而該模式存在明顯局限性：一方面，抽油機(jī)工作場(chǎng)景的環(huán)境噪聲對(duì)聲振信號(hào)具有強(qiáng)掩蔽效應(yīng)，導(dǎo)致人工辨識(shí)準(zhǔn)確率下降；另一方面，人工巡檢無(wú)法實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的連續(xù)監(jiān)控，不能保證及時(shí)發(fā)現(xiàn)電機(jī)的異常狀態(tài)。深度學(xué)習(xí)技術(shù)能夠深入學(xué)習(xí)設(shè)備在運(yùn)行過(guò)程中所產(chǎn)生的信號(hào)的內(nèi)在特征，進(jìn)而有效地表達(dá)數(shù)據(jù)中更為抽象的特征信息。但在抽油機(jī)電機(jī)戶(hù)外異常檢測(cè)中仍存在兩個(gè)關(guān)鍵性技術(shù)挑戰(zhàn)：首先，復(fù)雜工況下的環(huán)境噪聲（風(fēng)噪、雨噪、機(jī)械振動(dòng)噪聲等）與目標(biāo)聲源信號(hào)在時(shí)頻域存在混疊現(xiàn)象，導(dǎo)致有效聲學(xué)特征被部分掩蓋，直接影響后續(xù)特征提取的可靠性；其次，傳統(tǒng)自編碼器的潛在空間缺乏約束機(jī)制，易對(duì)異常樣本產(chǎn)生過(guò)度重構(gòu)現(xiàn)象，造成正常與異常工況的重構(gòu)誤差區(qū)分度不足，進(jìn)而導(dǎo)致漏檢概率升高。
設(shè)計(jì)與實(shí)現(xiàn):
如圖1所示，本文提出的CEEMDAN-SVD-MEAE模型由2部分構(gòu)成：數(shù)據(jù)處理層和異常檢測(cè)層。首先，數(shù)據(jù)處理層中，原始聲音信號(hào)先經(jīng)CEEMDAN - SVD算法降噪，得到更純凈的降噪聲音信號(hào)。再通過(guò)梅爾頻譜圖轉(zhuǎn)換，將時(shí)域信號(hào)映射到頻域特征空間。隨后，異常檢測(cè)層以訓(xùn)練數(shù)據(jù)投喂MEAE模型，依據(jù) “重構(gòu)損失足夠小或達(dá)最大迭代次數(shù)” 判定訓(xùn)練是否停止。最后，在測(cè)試階段，用訓(xùn)練好的模型計(jì)算重構(gòu)損失，對(duì)比閾值，超閾值則輸出異常檢測(cè)結(jié)果，實(shí)現(xiàn)聲音信號(hào)異常識(shí)別。圖2展示了MEAE模型的結(jié)構(gòu)，編碼器模塊負(fù)責(zé)將輸入數(shù)據(jù)映射至潛在特征空間并生成特征查詢(xún)向量；記憶模塊通過(guò)可學(xué)習(xí)參數(shù)矩陣存儲(chǔ)正常數(shù)據(jù)的本質(zhì)特征原型；解碼器模塊則基于記憶原型庫(kù)的加權(quán)組合進(jìn)行條件化信號(hào)重構(gòu)。這種基于正常模式約束的重建機(jī)制，從根本上抑制了模型對(duì)異常樣本的過(guò)擬合傾向，顯著提升了聲音信號(hào)異常檢測(cè)的判別魯棒性。
圖1 所提方法概述
圖2 記憶增強(qiáng)型自編碼器
實(shí)驗(yàn)結(jié)果及分析:
我們利用現(xiàn)場(chǎng)的抽油機(jī)電機(jī)運(yùn)行的真實(shí)聲音數(shù)據(jù)集進(jìn)行了對(duì)比實(shí)驗(yàn)。表1展示了各方法在測(cè)試集上的性能指標(biāo)對(duì)比。
表1 抽油機(jī)電機(jī)異常聲音檢測(cè)結(jié)果
在實(shí)驗(yàn)中，我們發(fā)現(xiàn)CAE對(duì)于正常數(shù)據(jù)樣本的重構(gòu)效果優(yōu)于本文所使用的方法（CAE重構(gòu)誤差為1429，Proposed Method重構(gòu)誤差為2576）。但是對(duì)于異常樣本的重構(gòu)誤差，本文所使用方法遠(yuǎn)大于CAE（CAE重構(gòu)誤差為5212，Proposed Method重構(gòu)誤差為35152）。圖3分別展示了兩種方法方法對(duì)于正常和異常樣本的重構(gòu)效果?？梢钥闯?，因?yàn)镃AE存在過(guò)擬合問(wèn)題，即使異常樣本也有較好的重構(gòu)效果，漏檢風(fēng)險(xiǎn)增加。而在本文所使用的方法中，異常樣本因只能匹配錯(cuò)誤的樣本原型，使得重構(gòu)誤差大大增加，能極好的區(qū)分正常與異常樣本。
圖3 重構(gòu)效果對(duì)比（a為CAE對(duì)正常樣本的重構(gòu)，左為原圖，右為重構(gòu)圖（下同）；b為CAE對(duì)異常樣本的重構(gòu)；c為Proposed Method對(duì)正常樣本的重構(gòu)；d為Proposed Method對(duì)異常樣本的重構(gòu)）
結(jié)論:
本文針對(duì)抽油機(jī)電機(jī)異常聲音檢測(cè)中的環(huán)境噪聲干擾與自編碼器漏檢問(wèn)題，創(chuàng)新性的提出了一種基于CEEMDAN-SVD-MEAE的異常檢測(cè)框架。首先，通過(guò)CEEMDAN-SVD算法對(duì)原始聲學(xué)信號(hào)進(jìn)行降噪處理，有效抑制了油田現(xiàn)場(chǎng)復(fù)雜環(huán)境噪聲對(duì)聲學(xué)信號(hào)的干擾，同時(shí)保留了正常與異常特征的關(guān)鍵信息。其次，設(shè)計(jì)MEAE模型，通過(guò)記憶原型庫(kù)匹配機(jī)制與稀疏約束，迫使模型僅基于正常樣本特征進(jìn)行重構(gòu)，大幅提升了正常樣本與異常樣本的重構(gòu)誤差差異，有效增強(qiáng)了異常判別的可分性。
作者簡(jiǎn)介:
李康，講師，博士，碩士生導(dǎo)師，IEEE Member, 中國(guó)自動(dòng)化學(xué)會(huì)會(huì)員，中國(guó)人工智能學(xué)會(huì)會(huì)員。長(zhǎng)期從事復(fù)雜流程工業(yè)系統(tǒng)安全監(jiān)測(cè)與故障診斷、智能制造及先進(jìn)機(jī)器人感知與交互技術(shù)等相關(guān)教學(xué)與科研工作。