基于CEEMDAN-SVD-MEAE的抽油機電機聲音異常檢測
中文題目：基于CEEMDAN-SVD-MEAE的抽油機電機聲音異常檢測
論文題目：Abnormal Sound Detection of Pumping Unit Motor Based on CEEMDAN-SVD-MEAE
錄用期刊/會議：CPCC 2025 (CAA-A類 會議論文)
錄用/見刊時間：2025年
作者列表：
1）詹汶鑫 中國石油大學（北京）人工智能學院 碩士研究生
2）李 康 中國石油大學（北京）人工智能學院 自動化系教師
3）高小永 中國石油大學（北京）人工智能學院 自動化系教師
4）任桂山 中國石油天然氣大港油田分公司采油工藝研究院 企業專家
摘要:
本研究提出一種基于CEEMDAN-SVD-MEAE的聯合異常檢測方法。通過CEEMDAN-SVD算法對原始音頻信號進行自適應噪聲分解與奇異值篩選，有效抑制環境噪聲對聲學特征提取的干擾；設計具有記憶原型庫的增強型自編碼器（MEAE），通過稀疏機制約束重構過程，改善模型在異常樣本上的表征偏差；利用重構誤差分布差異實現異常檢測。實驗采用油田現場音頻數據，結果表明：所提方法的準確率、召回率及F1分數都優于傳統卷積自編碼器（CAE）與機器學習模型（CNN、LSTM、SVD），且異常樣本的重構誤差較正常樣本明顯增加，驗證了方法的魯棒性。
背景與動機:
電機作為抽油機系統的核心動力單元，其運行狀態的實時監測對保障油田生產安全具有十分重要的意義。當前油田現場普遍采用的異常檢測方案主要依賴于巡檢人員通過對異常振動或異常噪聲的特征進行經驗性判斷，然而該模式存在明顯局限性：一方面，抽油機工作場景的環境噪聲對聲振信號具有強掩蔽效應，導致人工辨識準確率下降；另一方面，人工巡檢無法實現對設備狀態的連續監控，不能保證及時發現電機的異常狀態。深度學習技術能夠深入學習設備在運行過程中所產生的信號的內在特征，進而有效地表達數據中更為抽象的特征信息。但在抽油機電機戶外異常檢測中仍存在兩個關鍵性技術挑戰：首先，復雜工況下的環境噪聲（風噪、雨噪、機械振動噪聲等）與目標聲源信號在時頻域存在混疊現象，導致有效聲學特征被部分掩蓋，直接影響后續特征提取的可靠性；其次，傳統自編碼器的潛在空間缺乏約束機制，易對異常樣本產生過度重構現象，造成正常與異常工況的重構誤差區分度不足，進而導致漏檢概率升高。
設計與實現:
如圖1所示，本文提出的CEEMDAN-SVD-MEAE模型由2部分構成：數據處理層和異常檢測層。首先，數據處理層中，原始聲音信號先經CEEMDAN - SVD算法降噪，得到更純凈的降噪聲音信號。再通過梅爾頻譜圖轉換，將時域信號映射到頻域特征空間。隨后，異常檢測層以訓練數據投喂MEAE模型，依據 “重構損失足夠小或達最大迭代次數” 判定訓練是否停止。最后，在測試階段，用訓練好的模型計算重構損失，對比閾值，超閾值則輸出異常檢測結果，實現聲音信號異常識別。圖2展示了MEAE模型的結構，編碼器模塊負責將輸入數據映射至潛在特征空間并生成特征查詢向量；記憶模塊通過可學習參數矩陣存儲正常數據的本質特征原型；解碼器模塊則基于記憶原型庫的加權組合進行條件化信號重構。這種基于正常模式約束的重建機制，從根本上抑制了模型對異常樣本的過擬合傾向，顯著提升了聲音信號異常檢測的判別魯棒性。
圖1 所提方法概述
圖2 記憶增強型自編碼器
實驗結果及分析:
我們利用現場的抽油機電機運行的真實聲音數據集進行了對比實驗。表1展示了各方法在測試集上的性能指標對比。
表1 抽油機電機異常聲音檢測結果
在實驗中，我們發現CAE對于正常數據樣本的重構效果優于本文所使用的方法（CAE重構誤差為1429，Proposed Method重構誤差為2576）。但是對于異常樣本的重構誤差，本文所使用方法遠大于CAE（CAE重構誤差為5212，Proposed Method重構誤差為35152）。圖3分別展示了兩種方法方法對于正常和異常樣本的重構效果。可以看出，因為CAE存在過擬合問題，即使異常樣本也有較好的重構效果，漏檢風險增加。而在本文所使用的方法中，異常樣本因只能匹配錯誤的樣本原型，使得重構誤差大大增加，能極好的區分正常與異常樣本。
圖3 重構效果對比（a為CAE對正常樣本的重構，左為原圖，右為重構圖（下同）；b為CAE對異常樣本的重構；c為Proposed Method對正常樣本的重構；d為Proposed Method對異常樣本的重構）
結論:
本文針對抽油機電機異常聲音檢測中的環境噪聲干擾與自編碼器漏檢問題，創新性的提出了一種基于CEEMDAN-SVD-MEAE的異常檢測框架。首先，通過CEEMDAN-SVD算法對原始聲學信號進行降噪處理，有效抑制了油田現場復雜環境噪聲對聲學信號的干擾，同時保留了正常與異常特征的關鍵信息。其次，設計MEAE模型，通過記憶原型庫匹配機制與稀疏約束，迫使模型僅基于正常樣本特征進行重構，大幅提升了正常樣本與異常樣本的重構誤差差異，有效增強了異常判別的可分性。
作者簡介:
李康，講師，博士，碩士生導師，IEEE Member, 中國自動化學會會員，中國人工智能學會會員。長期從事復雜流程工業系統安全監測與故障診斷、智能制造及先進機器人感知與交互技術等相關教學與科研工作。