[论文解读] Description and Discussion on DCASE2020 Challenge Task2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring

Yuma Koizumi, Yohei Kawaguchi+9 more|arXiv (Cornell University)|Jun 10, 2020

Anomaly Detection Techniques and Applications参考文献 29被引用 104

一句话总结

本论文描述了 DCASE 2020 Task 2 无监督异常声音检测（ASD）在机器状态监测中的基准，分析来自 40 3Team 的 117 份提交，并讨论两种新型 ASD 方法及其挑战。

ABSTRACT

In this paper, we present the task description and discuss the results of the DCASE 2020 Challenge Task 2: Unsupervised Detection of Anomalous Sounds for Machine Condition Monitoring. The goal of anomalous sound detection (ASD) is to identify whether the sound emitted from a target machine is normal or anomalous. The main challenge of this task is to detect unknown anomalous sounds under the condition that only normal sound samples have been provided as training data. We have designed this challenge as the first benchmark of ASD research, which includes a large-scale dataset, evaluation metrics, and a simple baseline system. We received 117 submissions from 40 teams, and several novel approaches have been developed as a result of this challenge. On the basis of the analysis of the evaluation results, we discuss two new approaches and their problems.

研究动机与目标

• 在仅有正常声音用于训练的情况下，推动工业机器监测的无监督 ASD。
• 提供统一的数据集和评估指标，以实现跨方法的公平比较。
• 提供基线系统并分析提交，确定当前方法的优点与局限。
• 讨论两种新型 ASD 策略并概述未来研究方向。

提出的方法

• 将 ASD 定义为在仅有正常训练数据下，从 10 秒、单通道的机器声音中检测异常。
• 使用带对数梅尔特征的自编码器（AE）及重构误差作为异常分数，提供一个简单的基线。
• 使用 AUC 和 pAUC 作为评估指标，以评估跨机器类型和 ID 的性能。
• 分析提交以确定跨 ID 数据共享和条件化方案的有效策略。

实验结果

研究问题

• RQ1 在仅有正常声音用于训练时，如何检测未知的异常声音？
• RQ2 跨 ID 样本共享或机器 ID 条件化是否能提升无监督 ASD 的性能？
• RQ3 当前无监督 ASD 方法在 ASD 基准测试中的实际限制与挑战是什么？
• RQ4 对于跨机器类型的鲁棒 ASD 排名，哪些评估指标（AUC 和 pAUC）最有效？
• RQ5 2020 年挑战结果为未来的 ASD 研究带来哪些方向？

主要发现

• DCASE 2020 Task 2 基准吸引了 117 份来自 40 支团队的提交，大多数参赛者的性能超过基线。
• 出现了两种有前景的方法：(1) 将其他机器 ID 视为异常来形成决策边界的基于分类的 ASD，以及 (2) 使用 Machine ID 作为条件输入以提高重构保真度的 ID 条件化 AE。
• 当不同 ID 的声音相似时，基于分类的方法在某些类型（如 Toy-conveyor）上可能增加误报。
• 对 AE 的 ID 条件化可以通过按 ID 区分正常声音来帮助分离，但当 ID 在声学上相似时，可能会面临重构挑战，提示需要平衡的训练策略。
• 将 AE 与分类策略结合的集成在一些顶级提交中表现稳健。