企业官网建设流程全解析

做工业设备健康管理或者产线质量检测的朋友，对“异音检测”这四个字应该都不陌生。老师傅凭耳朵听轴承转得顺不顺、压缩机喘不喘气，一听一个准，但让自动化系统接盘就麻烦了：设备型号不一样、转速负载天天变、车间里环境噪声还特别大，传统阈值和规则根本扛不住。这几年大家开始把深度学习的模型往这个场景里搬，可一搬又卡在选型上——CNN、Transformer、AutoEncoder这三类模型到底用哪个？它们分别解决什么问题？有没有一套能直接套用的判断逻辑？

这篇内容就围绕这三个模型在异音检测里的原理、适用边界和实际选型过程展开，把我做过的对比实验、踩过的坑、还有最后沉淀下来的选型规则一起写出来。不管是刚入门的小白，还是已经写了几个月训练脚本的工程师，读完应该都能对自己的方案有个更清楚的判断。

1. 把“异音检测”这个任务先翻译成人话

1.1 异音从哪来、长什么样

异音检测不是简单的“声音大不大”或者“声音像不像”，它的核心是捕捉设备运行状态偏离正常模式的那些频谱结构。常见的故障源包括轴承磨损、转子不平衡、结构松动、润滑不良、气阀泄漏、齿轮点蚀等等。不同故障的声学表现差异很大：轴承内圈剥落通常会产生周期性的瞬态冲击，反映在时频图上是一串短促的竖直条纹；齿轮咬合不良会诱发调幅边带；气阀泄漏则往往表现为宽频带的噪声抬升，且在特定频段出现集中能量。这些形态上的差异，决定了不同模型各有所长。

采集端还要注意一个很容易被忽视的问题：采样率和传感器位置。工业现场一般用16kHz或48kHz采样率，但设备的主噪声往往集中在几千赫兹以下，而某些冲击信号的高频成分可以延伸到10kHz以上。麦克风离设备太远，高频细节会先衰减掉；离太近，又会吃进大量气流噪声。我通常建议先做一次现场声学摸底，记录设备在不同转速、负载下的频谱形态，再决定麦克风布点和采样率，而不是一上来就直接套公开数据集里的参数。

1.2 传统方法为什么不够用，深度学习能接什么盘

传统做法主要是频谱分析加包络解调，配合一组专家规则或阈值判断。这种方案在小批量、工况稳定的场景下能跑，但一旦设备的转速变化、负载波动，或者车间里还有其他机器在运行，特征的方差就会迅速增大，固定阈值根本没法同时做到低误报和低漏报。还有一个痛点是非平稳的瞬态异音，你在频谱图上看得到，但很难用手工特征把它稳定地提取出来。

深度学习解决的是“从数据里学习正常模式或故障模式”的问题。它不要求人预先定义异音长什么样，而是从足够多的样本中自己归纳出规律。具体到模型选型，CNN、Transformer、AutoEncoder其实就是三种不同思路的落地：CNN靠局部卷积滤波器抓取频谱图中的局部纹理；Transformer通过自注意力建立整张时频图的全局依赖；AutoEncoder则只学习正常样本的分布，用重建误差来判断“没见过的东西”。这三条路线没有绝对的优劣，关键看你的数据形态和业务约束。

2. 三个模型逐个拆：原理、直觉、适用边界

2.1 CNN：用“看图找病灶”的方式找异音

CNN处理异音检测，最自然的做法是把Log-Mel谱图当作单通道图像，然后像图像分类一样做卷积、池化、全连接。卷积核在时频图上滑动，每次只观察一个局部窗口，这样设计的好处和它在图像上成功的原因一样：局部特征往往是判断类别的最强信号。

在异音场景里，CNN的局部感受野刚好匹配那些短时冲击型特征。比如轴承故障产生的瞬态冲击，在时频图上就是一个局部的竖条纹，3×3或者5×5的卷积核就能覆盖住。连续多层的叠加能逐渐扩大感受野，让模型从局部纹理过渡到更大的结构模式。工程实现上，我一般用类似“小ResNet”的结构：首层一个较大的卷积核做粗特征提取，后续叠加3×3卷积块，每个块里配BatchNorm和ReLU，最后用全局平均池化替代全连接层，能显著减少参数量，也降低过拟合风险。

CNN的短板在于它的感受野始终是受限的，想看到跨频段、长周期的整体关系，就得堆很深，或者用膨胀卷积、大卷积核来弥补。而且在实际项目中，如果异音更多体现在一种“整体结构偏离”而不是“局部突变”上，CNN容易把注意力落在一些局部噪声伪影上，导致误报。

2.2 Transformer：把整张谱图连起来看

Transformer引入异音检测的逻辑是：频率轴和时间轴上距离很远的位置，状态未必独立。比如轴承保持架故障会产生低频的调制周期，它同时作用于多个频段，局部卷积想看全这些关系，需要足够深的网络，但Transformer可以直接让任意两个位置互相“看见”。

实际操作的时候，通常把Log-Mel谱图切成固定大小的patch，展平成一串token，加上位置编码后送入标准Encoder。如果按ViT的思路，再加一个class token用来聚合全局信息。这种设计的优点是天然建模长程依赖，能捕捉谐波族之间的联动、跨时间的弱周期性。我在某些压缩机异音数据上观察过，Transformer对“多频段同时抬升”这类模式确实比CNN更敏感。

但Transformer不是免费的午餐。它的自注意力矩阵复杂度是序列长度的平方，谱图patch一多，显存和推理时间都往上涨。更关键的制约是数据量：从头训练一个Transformer做二分类，在异音检测这种通常只有几百到几千条样本的任务里，很容易欠拟合甚至训不收敛。我自己的经验是，要么借用预训练音频模型做微调，要么先用小的patch和浅层结构做消融，不能一上来就套大模型。

2.3 AutoEncoder：不学“什么是异常”，只学“什么是正常”

AutoEncoder的思路完全另走一条路：它不关心异常样本长什么样，只学习正常样本的压缩-重建过程。训练阶段只用正常声音，让编码器把输入映射到低维瓶颈向量，再由解码器还原。推理阶段计算重建误差，正常样本误差小，没见过的异常样本误差大，设定阈值即可判断。

这个思路对异音检测有一个巨大的吸引力：故障样本永远是最难收集的。你不可能为了训练一台设备的故障检测模型，就真的把轴承跑坏很多次。很多时候项目启动时手里连一条真实的异常录音都没有，这时只有AE类方法能开工。具体实现上，卷积自编码器是主流，瓶颈维度一般在32到128之间，重建损失可以用L1或L2，也可以加入频谱梯度损失（spectral convergence loss）来约束重建出的时频图不仅数值接近，结构也更接近。

AE的坑也不少。它最大的毛病是误报容易集中在“正常样本覆盖不到的变化”上。比如设备刚开机、负载突变、环境温度变化，这些工况变更同样会让频谱整体偏移，AE很可能把这种变化当成异常。所以训练集必须尽可能覆盖所有正常的工况变化，这一点做不好，阈值怎么调都压不住误报。

2.4 一张表看清三者定位

选型的第一步不是比指标，而是先回答三个问题：我手上有没有正常样本之外的故障样本？如果有，标注到不到位？如果只有正常样本，就老老实实从AE开始。前两个问题的答案决定你是走有监督路线还是无监督路线，第三个问题决定具体模型结构。

3. 实操流水线：特征、实验设计、训练配置

3.1 先规范数据：采集、切样本、打标

数据规范度决定项目上限。我之前做过一个压缩机气阀项目，第一版模型指标看着还行，部署到另一条产线上直接崩了，原因是训练数据只录了同一车间同一工况的声音。后来重新采集时要求录音覆盖三台同型号设备、两个班次、不同负载率，还把周边产线的环境噪声一并录进去当作正常样本的背景，这才把跨线性能拉回来。

采集时长上有一个经验值：原始录音总时长至少是单个样本时长的十倍以上。如果你打算切成30秒一段做训练，至少要录超过300秒的连续音频，否则相邻片段高度重叠，训练集和验证集之间会有信息泄漏，指标虚高得厉害。打标环节也要注意，最好两个工程师独立标注同一批片段，如果两人的一致性低于90%，先别急着训模型，说明“正常”和“异常”的定义本身还有分歧，模型学出来的边界也没法用。

3.2 特征工程：Log-Mel谱还是要做的

虽然叫“端到端”，异音检测里直接拿原始波形训练的模型并不多，原因很简单：原始波形的采样数据量太大，且直接映射到故障状态的关联性太稀疏。常规做法是分帧加窗提取时频特征。我常用的参数是：预加重系数0.97，窗长25ms，帧移10ms，FFT点数1024，Mel滤波器组数量64或128，取对数。

市面上MFCC也用得不少，但MFCC做了倒谱截断，丢掉了很多异音检测需要的高频细节，所以我在做故障异音时很少用MFCC做主要特征，Log-Mel更稳妥。特判场景下可以考虑CQT（恒Q变换），它对旋转机械的谐波结构表征更自然，不过计算量偏大，一般先当备选。特征标准化要做在样本级，也就是每条样本自己做mean和std归一化，而不是对整个训练集做全局统计，否则部署时来了新开机状态的数据，统计量对不上，效果就漂移。

3.3 模型训练细节从哪抄作业

训练配置是耗时最少但影响最大的环节。优化器用AdamW，学习率1e-4到3e-4，weight_decay设置1e-4左右，这在PyTorch里对应优化器的weight_decay参数，本质上就是L2正则化。很多人低估了L2在AE训练中的作用，AE的瓶颈如果不够紧，模型会把噪声也“背”下来，正则化能强迫它只保留正常样本的共性结构。训练轮数设置50到100轮，加早停，早停的patience给10轮就够。

数据增强方面，SpecAugment是一类很实用的方法：在特征图上随机遮盖若干时间条带或频率条带，强制模型不依赖单一频段。相比之下在原始波形上加高斯噪声通常不是好选择，因为工业现场信噪比本来就低，再加噪声反而把弱故障特征淹没了。Mixup在异常检测这种任务上效果不太稳定，分类任务可以直接用，但AE训练时mixup会同时改变“正常样本”的分布定义，容易引入偏差，我一般不推荐。

关于深度学习环境配置，这里有句实在话：比起模型结构，项目卡在环境上的时间往往更长。尽量统一CUDA、PyTorch和显卡驱动的版本，跑对比实验时锁定同一个镜像环境，否则换了环境后指标波动可能比模型差异还大，造成选型误判。

3.4 一份可跑的对比实验清单

对比实验的表格设计要有固定的记录维度：模型变体、参数量、输入特征、训练数据规模、单条推理耗时、AUC/pAUC。我建议每次只改一个变量，比如固定Log-Mel特征和增强策略，先跑AE基线，再跑CNN，最后跑Transformer，避免“换模型的同时也换了特征”这种混变量操作。

阈值设置上有个常规做法：先用验证集里正常样本的重建误差分布取99%分位数作为初始阈值，再根据业务对漏报和误报的容忍度上下调整。有标注数据时，可以直接遍历阈值选最大化F1的那档；但是如果业务更看重低误报，就用pAUC这类指标来指导选型，它只统计低假正率区间下的性能，比AUC更贴合工业报警场景。

4. 选型决策：什么场景选什么模型（我的判断规则）

4.1 三个常规场景的选中逻辑

第一个场景：你有几百条带标签样本，其中明确包含故障样本，且故障类型相对单一。这种情况我通常先跑一个AE当基线，再上CNN做分类。CNN在这个体量下一般精度够用，推理速度也快，产线上用树莓派或者边缘盒子都能跑得动。实际经验里，CNN做好后AUC普遍能到0.9以上，变压器这类“重武器”未必有优势。

第二个场景：故障样本几乎没有，连一条真实的异常录音都拿不到。这个约束直接锁死了有监督路线，只能做AE/VAE。此时的重点不是换模型，而是尽量扩大正常样本的工况覆盖，并把阈值留足余地。VAE相比AE多了一个潜在分布的约束，重建误差分布会更平滑，误报概率略低，代价是训练稍不稳定，需要多跑几次种子的均值。

第三个场景：你需要同时区分多种故障类型，比如轴承磨损、齿轮点蚀、转子不平衡。在标注足够的情况下，先把AE当预筛器，把明显正常的数据过滤掉，再用CNN或Transformer做多分类。标注不够时用AE的潜向量特征做聚类或浅分类，比直接训练一个大模型稳妥得多，因为潜向量本身就是对正常分布的偏离度的压缩表征。

4.2 组合与级联才是实战王道

不少团队把选型理解为“选一个模型解决所有问题”，实际落地中我越来越倾向做一个两级分流：第一级AE总体打分，先判断“当前状态是否偏离正常”；只有偏离的片段才进第二级，由CNN/Transformer分类器决定是报警、警告还是忽略。这样做的原因有两个：一是便宜模型先过滤掉绝大多数正常样本，减少了后级高算力模型的调用次数；二是两级的错误模式不同，AE容易对工况变化误报，CNN对局部冲击更灵敏，级联在一起能互相兜底。

如果业务要求在边缘设备上实时推理，还要重新算一遍算力账。CNN量化后跑ONNX/TensorRT非常顺畅，参数量可以压到几百万以内；AE也不难部署；Transformer则要谨慎，先做小模型加剪枝，仍然达不到帧率约束的话，宁可维持“AE过滤+CNN细分”的组合方案。

4.3 部署侧的考虑：延迟、显存、可解释性

部署侧的三个硬指标是延迟、显存和可解释性。延迟不必多说，工业报警通常要求秒级内反馈，模型单条推理控制在几十毫秒级别才安全。显存在边缘盒子上经常只有1到2GB，大模型根本塞不进去。可解释性这个问题容易被技术团队忽略，但现场维护工程师很看重：你模型说这台设备异常，凭什么信你？

CNN可以用Grad-CAM输出热力图，指出时频图的哪个区域贡献了异常判断；Transformer能输出attention map，展示模型重点关联了哪些patch；AE反而给的是最直观的东西——重建误差热力图，差在哪、差多少一目了然。我习惯把AE的误差图和CNN的Grad-CAM叠加展示，如果两边的异常区域在时频图上高度重合，现场工程师也会更愿意信任这个报警。

5. 项目里真实踩过的坑（FAQ式避坑清单）

5.1 高频翻车现场速查表

第一个坑值得多解释一句：同样的设备型号，不同个体之间的频谱差异可能比故障状态之间的差异还大。你在一台设备上训出来的模型，迁移到另一台设备上，误报率升高是常态。实操经验是多台设备数据混合训练，再给每一台保留一个轻量微调的阶段，这样才能在“个性”和“共性”之间取得平衡。

第二个坑同样隐蔽：车间里不止有目标设备，还有风扇、行车、隔壁产线的冲压声。这些声音如果不出现在正常样本里，模型就会把它们当成“没见过的东西”，误报自然压不住。正确做法是采集时把典型干扰源录进来，加进正常样本，甚至可以做一点人声抑制的预处理，让模型关注设备本身的频段，而不是所有声音成分。

5.2 几条没有人写在算法文档里的经验

关于AE阈值设定，我在实际项目里的习惯是不要在训练集上选阈值，而是在部署现场采集一段没有异常报警记录的历史音频，标成“现场正常”，在这个集合上定报警线。训练集里录的“正常”和现场实际运行的“正常”永远有差异，用现场数据定阈值，误报率能降低一大截。

关于自然样本的划分：不要随机打乱划分训练集和验证集。异音检测的数据采集通常是同一时段连续录的，随机打乱会让同一条设备状态的一部分进训练集、一部分进验证集，指标虚高。我用的是按设备、按时间戳切分，验证集用另一台设备或另一天的数据，这样评估出来的才是模型在真实场景的泛化能力。

关于人工监听：深度学习也好，特征工程也好，最后模型给出的报警，我都会让现场经验最丰富的老师傅去听回来。不是为了验证算法，而是为了让阈值、误报率这些抽象指标变成老师傅口中“这个确实不对劲”还是“这声音平时也这样”的实感。模型的注意力热力图和老师傅的经验判断对齐几次之后，整个系统的调试速度和可信度都会明显变好。

我个人做了几个项目之后最大的体会是：模型选型这件事，85%的场景一个AE基线加一个CNN分类器就能打穿，Transformer在数据量不够时大概率比CNN和AE更差。与其纠结要不要上最新的架构，不如先把异音的形态定义清楚，把正常样本的工况覆盖做扎实。模型只是最后的两成工作量，前面八成在数据和特征这两件事上，做对了，模型跑起来只是时间问题。