中文标题：融合预训练音频大模型与密度估计的水轮发电机组声学无监督异常检测

英文标题：Unsupervised Anomaly Detection of Hydro-Turbine Generator Acoustics by Integrating Pre-Trained Audio Large Model and Density Estimation

来源期刊：电子与信息学报

基金项目：中国长江电力股份有限公司——基于工业互联网平台的流域电站设备状态声学监测体系研究及示范应用(Z152302048)

作  者：武亭^{1, 2, 4} 闻疏琳^{3, 4} 阎兆立^{5, 1} 付高原^{3, 4} 李林峰^{3, 4} 刘绪都^{3, 4} 程晓斌^{1, 2} 杨军^{1, 2}

作者单位：1. 中国科学院声学研究所声学与海洋信息全国重点实验室 北京 100094
2. 中国科学院大学电子电气与通信工程学院 北京 100049
3. 中国长江电力股份有限公司 武汉 443000
4. 湖北省智慧水电技术创新中心 武汉 430000
5. 北京化工大学机电工程学院 北京 100029

摘  要：水轮发电机组作为水电站的核心动力设备，其安全稳定运行对于整个水电站具有重要意义。近年来，非接触式声学测量作为一种有效的检测手段受到广泛关注，然而水轮发电机组的实际运行的异常声信号难以采集，传统异常检测方法及基于监督学习的分类策略在该领域的应用受到限制。针对上述挑战，该文提出了一种预训练音频大模型与密度估计k近邻(k-NN)的水轮发电机声学无监督异常检测方法。首先验证了预训练音频模型提取的通用音频特征在异常检测中的有效性；随后设计了一种融合注意力统计池化与warm-up的参数微调策略，实现模型的迁移优化，在推理阶段设计了一种密度估计的k近邻实现鲁棒的距离度量。实验结果表明，该方法在风洞环境达到了98.7%的多指标调和平均数，在滑环室则高达99.9%，为水电站的声学异常检测提供了切实可行且性能优异的解决方案。项目开源地址：https://github.com/EthanWu99/Hydropower_generator_abnormality_detection

全文链接： https://jeit.ac.cn/cn/article/doi/10.11999/JEIT250934