我有一些从风力涡轮机录制的音频文件，我正在尝试进行异常检测。大意是如果一个叶片出现故障（比如开裂），这个叶片的声音会和其他两个叶片不同，所以我们基本上可以想办法提取每个叶片的声音信号，比较它们之间的相似度/距离，如果其中一个信号具有显着差异，我们可以说涡轮机将发生故障。 我只有一些有缺陷的样品，缺少标签。
然而，似乎没有人在做这种工作，我在尝试时遇到了很多麻烦。 我尝试使用 stft 将信号转换为功率谱，并且出现了一些尖峰。如何从原始数据中识别每个刀片？ （一些相关工作使用 AutoEncoders 来检测音频中的异常，但在这个任务中，我们希望使用一些基于相似性的方法。）
谁有好主意？有一些相关的工作/论文要推荐吗？
【问题讨论】：
标签： python machine-learning signal-processing
假设您获得的音频来自可以听到单个刀片经过的位置，则有两个子问题：
1) 估计每个刀片的位置，并提取每个刀片的音频。
2) 比较来自每个刀片的信号。确定其中一个是否足以被视为异常
可以使用直接检测旋转的传感器来估计刀片位置。例如基于发电机的磁场。理想情况下，至少在开发系统时，您将拥有这种已知良好的传感器数据。使用某种周期性检测可能只使用音频进行估计。自相关是一种常用的技术。
要检测刀片之间的差异，您可以尝试在标准特征描述上使用标准距离函数，例如 MFCC 上的欧几里得。您仍然需要为已知的错误示例和已知的良好/可接受的示例提供一些样本，以评估您的解决方案。 然而，这可能还不够好。然后尝试计算一些更好的特征作为距离计算的基础。也许使用自动编码器。您也可以尝试某种Similarity Learning。 如果你有大量好的和错误的数据，你可以使用三元组损失设置来学习相似度度量。为两个好的刀片输入数据，作为应该相似的对象，而将已知的坏刀片作为应该不同的对象。
【讨论】：
嗯……
如果您的轴以 1200 RPM 或 20 Hz 的速度旋转，那么该旋转产生的所有重要声音都应该是 20Hz 的谐波。
然而，如果涡轮机有 3 个完美的叶片，那么它每转 3 次都处于完全相同的配置，因此所有由旋转产生的声音都应限制在 60 Hz 的倍数内。
高于本底噪声的其他 20 Hz 谐波（20、40、80、100 等）的能量通常是由叶片之间的差异造成的。
这当然会忽略来自其他来源的噪音，这些噪音也与轴同步，这可能会扰乱分析。
【讨论】：