[논문 리뷰] MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection

Harsh Purohit, Ryo Tanabe외 5명|arXiv (Cornell University)|2019. 09. 20.

Music and Audio Processing참고 문헌 24인용 수 42

한 줄 요약

MIMII 데이터셋은 네 가지 산업용 기계 유형에서 이상음 탐지를 다루며, 실제 환경의 소음 조건에서 비지도 이상 탐지의 벤치마킹Baseline으로 오토인코더를 제시합니다.

ABSTRACT

Factory machinery is prone to failure or breakdown, resulting in significant expenses for companies. Hence, there is a rising interest in machine monitoring using different sensors including microphones. In the scientific community, the emergence of public datasets has led to advancements in acoustic detection and classification of scenes and events, but there are no public datasets that focus on the sound of industrial machines under normal and anomalous operating conditions in real factory environments. In this paper, we present a new dataset of industrial machine sounds that we call a sound dataset for malfunctioning industrial machine investigation and inspection (MIMII dataset). Normal sounds were recorded for different types of industrial machines (i.e., valves, pumps, fans, and slide rails), and to resemble a real-life scenario, various anomalous sounds were recorded (e.g., contamination, leakage, rotating unbalance, and rail damage). The purpose of releasing the MIMII dataset is to assist the machine-learning and signal-processing community with their development of automated facility maintenance. The MIMII dataset is freely available for download at: https://zenodo.org/record/3384388

연구 동기 및 목표

• 공개되고 실제 환경의 산업용 기계 음원을 정상/이상 조건으로 수집하여 유지보수 맥락의 음향 이상 탐지 발전에 기여한다.
• 정상 음원만으로 학습하고 혼합된 정상/이상 음원에서 테스트하는 비지도 학습 벤치마크를 가능하게 한다.
• 여러 기계 유형과 잡음 수준에 걸친 기반 오토인코더 기반 이상 탐지 결과를 제공하여 향후 연구를 안내한다.

제안 방법

• 네 가지 기계 유형(밸브, 펌프, 팬, 슬라이드 레일)의 다채널(여덟 마이크 어레이) 음원을 실제 공장 환경에서 수집한다.
• 다 target 기계 음원을 배경 공장 소음과 혼합하여 다양한 SNR(6 dB, 0 dB, -6 dB)에서 실제 환경을 시뮬레이션한다.
• 로그-Mel 스펙트로그램 특징을 추출하고(프레임 크기 1024, 홉 512, 64 mel 필터; 5 프레임 -> 320-d 입력) 정상 소리를 재구성하도록 각 기계별 오토인코더를 학습한다.
• 완전히 연결된 계층으로 구성된 인코더–디코더 네트워크를 사용(인코더: 64-64-8; 디코더: 8-64-Output) 및 ReLU 활성화를 적용; Adam으로 50 에포크 최적화한다.
• 10초 구간에 대한 재구성 오차 임계값으로 이상 탐지를 평가하고 세 차례 실행의 AUC를 평균하여 보고한다.

실험 결과

연구 질문

• RQ1 정상 기계 음원만으로 학습된 비지도 오토인코더가 서로 다른 기계 유형에 걸쳐 이상 작동 조건을 탐지할 수 있는가?
• RQ2 배경 공장 소음과 기계 음원의 비정상성(비정상성)이 비지도 이상 음 탐지 성능에 어떤 영향을 미치는가?
• RQ3 다양한 SNR 조건에서 밸브, 펌프, 팬, 슬라이드 레일의 기본 탐지 능력(AUC)은 어느 정도인가?
• RQ4 데이터셋이 이상 탐지에서 도메인 적응 또는 교차 모델 일반화 평가에 적합한가?
• RQ5 다중 채널 녹음이 산업 소리환경에서의 이상 탐지에 단일 채널 접근법에 비해 어떤 차이가 있는가?

주요 결과

• 데이터셋은 4가지 기계 유형과 각 모델당 7개 모델에 걸쳐 26,092개의 정상 음원 구간과 6,065개의 이상 음원 구간을 포함합니다.
• 오토인코더 기반의 비지도 이상 탐지는 기계 유형과 모델에 따라 서로 다른 AUC를 산출하며, 팬에서 높은 성능, 밸브에서 낮은 경향을 보입니다.
• 소음이 낮은 SNR으로 갈수록 평균 AUC가 감소하여 노이즈가 이상 탐지 성능을 저하시킴; 비정상적이고 관측 불가능한 소리가 많은 밸브가 특히 낮은 AUC를 보였습니다.
• 기계 유형 간에 펌프와 팬이 일반적으로 밸브와 슬라이드 레일보다 높은 AUC를 달성하여 탐지에 대한 음향적 특성 차이를 시사합니다.
• 비정상성 및 배경 소음은 산업 환경에서 비지도 이상 음 탐지의 주요 도전 과제입니다.