ASD3DP

ASD3DP是一个用于异常声音检测和机器状态监测的真实世界四通道3D打印机操作声音数据集，包含正常操作、软异常和硬异常的同步录音，来自一个完全运行的未封闭Voron 0.2级打印机。数据集结合了四个空间麦克风通道，并包含会话和片段清单、条件标签、G代码对齐、打印机状态信息、遥测同步、相位窗口和故障时间线，适用于仅音频异常声音检测、多通道融合、音频加过程上下文建模、时间事件检测以及未来跨构建域泛化研究。ASD3DP is a real-world four-channel operational sound dataset for anomalous sound detection and machine condition monitoring targeting 3D printers. It contains synchronized recordings of normal operations, soft anomalies and hard anomalies, collected from a fully operational unenclosed Voron 0.2-class 3D printer. The dataset integrates four spatial microphone channels, and includes session and segment manifests, condition labels, G-code alignment, printer state information, telemetry synchronization data, phase windows and fault timelines. It is applicable to research including audio-only anomalous sound detection, multi-channel fusion, audio-augmented process context modeling, temporal event detection, as well as future cross-build domain generalization studies.

原始信息汇总

数据集概述

ASD3DP 是一个用于异常声音检测（ASD）和机器状态监测的真实世界四声道3D打印机运行声音数据集。该数据集基于熔丝制造（FFF）3D打印技术，记录了来自一台完全运行、无外壳的Voron 0.2类打印机的正常运行、软异常和硬异常声音。

核心特性

• 数据规模：包含41个录音会话，总运行时长为28.99小时（四声道合计115.97声道小时）。从中提取了9,067个10秒长的干净片段，总时长为25.19小时。
• 录音配置：使用四支Behringer C-2电容麦克风，分别放置在打印机的前、左、右、后四个方向，距离打印机对应侧面约5厘米，呈对角线角度朝向打印机。采样率为48 kHz，每个单声道WAV文件码率为768 kb/s。
• 同步数据：提供录音会话与片段的清单、状态标签、G代码对齐信息、打印机状态信息、遥测同步数据、阶段窗口以及故障时间线。

数据集构成

类别	会话数	总时长	10秒片段数	片段总时长
正常	19	14.01 小时	4,766	13.24 小时
异常	22	14.98 小时	4,301	11.95 小时
总计	41	28.99 小时	9,067	25.19 小时

异常类型分布

异常家族	会话数	总时长	10秒片段数	片段总时长
皮带张力异常	12	6.96 小时	2,352	6.53 小时
挤出机堵转或不出丝	6	3.06 小时	1,052	2.92 小时
打印头碰撞	4	4.97 小时	897	2.49 小时

标签体系

• 正常：当前工艺状态下预期的机器运行声音。
• 软异常：非灾难性的异常状况，可能导致性能下降、质量损失或故障风险升高。包括：A皮带松弛、B皮带松弛、A+B皮带松弛。
• 硬异常：灾难性或接近灾难性的事件，可能导致碰撞、打印中断、打印件失效或机械损坏。包括：挤出机堵转或不出丝、打印头碰撞。

数据组织

数据集包含三个主要目录：

• all/audio/files：完整的会话声道WAV文件。
• clipped/audio_event_clean：提取的10秒干净片段，按“正常”和“异常”分类。
• annotations：包含会话级和片段级的注释文件，包括G代码、遥测数据、时间对齐标签、事件注释等。

推荐任务

1. 纯音频异常检测：区分正常与异常操作。
2. 软/硬异常分类：区分正常、软异常和硬异常。
3. 多声道异常检测：使用四个麦克风进行早期或晚期融合。
4. 上下文感知异常检测：结合音频与G代码、遥测或阶段状态进行分析。
5. 时序事件检测：检测异常的开始和持续时间。
6. 跨条件测试：针对速度、负载或协议变化进行测试。
7. 未来跨机台泛化：使用不同组装配置的打印机进行泛化评估。

评估指导

• 必须按录音会话进行划分，而不是随机分配10秒片段。
• 推荐报告指标：ROC-AUC、部分AUC、精确率、召回率、F1值、软异常召回率、硬异常召回率、基于事件的F1、每小时误报数、检测延迟时间。

注意事项

• 数据集仅包含一台打印机和一种主麦克风布局。
• 部分候选间隔基于规则生成，应与人工验证的标签区分对待。
• 数据集中包含的G代码模拟指的是物理运动或故障诱导程序，所有音频均来自物理打印机录音。
• 该数据集为研究用途，不能用于安全关键的控制系统。

数据下载

数据集可通过临时Google Drive下载，地址为：https://drive.google.com/drive/folders/1KcSe3y6K33YjB2NMadTsnkD7ZXzqbcQv?usp=sharing

搜集汇总

数据集介绍

构建方式

ASD3DP数据集源自一台完全运行的未封闭式Voron 0.2类FFF 3D打印机，通过四只Behringer C-2麦克风（分别置于前、左、右、后四个方位，距打印机对应侧面约5厘米，并斜对角朝向设备）经Zoom AMS-44接口同步录制，采样率为48 kHz，音频比特率768 kb/s。数据集共包含41次录制会话，原始音频文件长达28.99小时，并从中提取了9,067段10秒的纯净事件片段（总计25.19小时）。异常条件通过物理诱导（如皮带松弛或挤出机卡顿）及基于G代码的受控协议实现，确保所有音频均源自真实物理环境。

特点

该数据集聚焦于FFF 3D打印机的异常声音检测，涵盖正常操作、软异常（如皮带松弛）和硬异常（如挤出机无挤出或工具头碰撞）三大类，异常类型基于操作后果严格区分。多通道空间音频设计支持声学融合研究，同时提供丰富的元数据，包括G代码对齐、遥测同步、阶段窗口、故障时间线及打印状态信息。会话和片段级别的详细标注（如条件标签、过程标签、事件注释）便于进行音频分析、上下文感知建模及跨域泛化评估。

使用方法

建议按录制会话分割数据，避免片段级别随机分配导致的环境与时间上下文泄露。该数据集适用于音频异常检测、软/硬异常分类、多通道融合、音频结合G代码或遥测的上下文感知模型、时间事件检测以及跨条件（如快慢速度、有无耗材）测试。评估时推荐报告ROC-AUC、精确率、召回率、F1分数、事件级F1及虚警率等指标。提供的基线方法包括DCASE风格的自编码器和冻结SSLAM最近邻系统，可作为对比基准。

背景与挑战

背景概述

ASD3DP（Anomalous Sound Detection for 3D Printing）数据集由JeongSik Kim及其团队于近年创建，聚焦于熔丝制造（FFF）3D打印过程中异常声音的检测与机器状态监测。该数据集基于一台Voron 0.2级开放式3D打印机，通过四个空间分布的麦克风通道同步采集了正常操作、软异常（如皮带松动）与硬异常（如挤出机卡顿或喷嘴碰撞）的声学信号，总时长近29小时，并附有详尽的G代码对齐、遥测同步、相位窗口及故障时间线等元数据。FFF 3D打印机作为一种耦合机电系统，其运动部件（步进电机、皮带、导轨、挤出机、冷却风扇等）产生的交叠声学模式随运动方向、速度、加速度、打印阶段及机械状态动态变化，为基于音频的异常检测提供了高度复杂且具有实际意义的测试场景。ASD3DP的发布填补了该领域公开数据集的空白，推动了音频异常检测、多通道融合、上下文感知建模及跨设备域泛化等研究方向的发展，对工业生产中的预测性维护与质量监控具有重要参考价值。

当前挑战

ASD3DP所应对的核心挑战源于FFF 3D打印过程的复杂声学环境与异常检测的多样化需求。领域挑战方面，如何从高度非平稳、多源交叠的声学信号中准确区分正常操作与异常状态，尤其是软异常（如皮带松动）这类仅引发性能退化而不导致立即中断的细微变化，成为关键难题；硬异常（如碰撞或挤出中断）则需在噪声背景下实现及时检测以避免机械损伤。构建过程中，数据集面临多重技术挑战：设计能够逼真模拟自然故障的受控协议（如G代码模拟工具头碰撞），同时确保所有音频均源自真实物理录制而非合成；在多台打印机的不同装配公差、组件来源及磨损状态下维持标注一致性；为4个麦克风通道提供亚厘米级距离的精确空间布置及同步记录；以及处理会话级别的速度描述与剪辑级别运动速度不恒定等问题。这些挑战共同要求ASD3DP在标注粒度、数据规模与泛化能力间寻求平衡，为后续跨构建域泛化研究奠定基础。

常用场景

经典使用场景

ASD3DP数据集专为增材制造领域的异常声音检测（ASD）而设计，其经典使用场景聚焦于熔融沉积成型（FFF）3D打印机的运行状态监测。通过采集四通道空间音频信号，该数据集支持研究人员在打印机正常运行与故障状态之间构建分类模型。典型任务包括区分正常操作与软性异常（如皮带松弛）及硬性异常（如喷嘴堵塞或碰撞），并利用多通道融合或结合G代码与遥测数据进行上下文感知检测。此外，该数据集还可用于跨工况泛化性评估，例如在不同打印速度或负载条件下验证模型的鲁棒性。

衍生相关工作

ASD3DP数据集业已催生多项具有代表性的衍生研究工作，包括基于自编码器与冻结特征提取器的基线系统，以及结合预处理语言模型进行声音特征迁移学习的故障检测框架。后续工作中，研究者利用该数据集的多通道特性探索了早期与晚期融合策略在异常检测中的有效性，并提出了结合G代码上下文与遥测信号的时空注意力模型。部分工作还针对跨构建领域泛化问题，设计了领域自适应与对抗训练方法以缓解不同打印机组装公差导致的声学域偏移。这些衍生研究共同推动了听觉状态监测从单一传感器向多模态与跨域泛化方向的演进。

数据集最近研究

最新研究方向

ASD3DP作为首个面向熔丝制造3D打印机的四通道实况声音数据集，正推动异常声音检测领域从实验室环境向真实工业场景转型。当前前沿研究聚焦于多模态融合技术，通过同步采集的G代码、遥测数据和相位窗口信息，构建音频与过程上下文联合建模框架，实现软异常（如皮带松弛）与硬异常（如撞车）的精准分类。同时，跨设备泛化能力成为研究热点，数据集规划的多台独立组装打印机评测将验证模型对机械公差与校准差异的鲁棒性，为智能制造中的预测性维护提供可复现的基准。