MIMII数据集|工业异常声音检测数据集|机器学习数据集

arXiv2019-09-20 更新2024-06-21 收录

工业异常声音检测

机器学习

下载链接：

https://zenodo.org/record/3384388

下载链接

链接失效反馈

资源简介：

MIMII数据集是由日立有限公司研究与开发集团创建的，专注于工业机器异常声音检测的数据集。该数据集包含26,092个正常操作条件下的声音文件，涵盖阀门、泵、风扇和滑轨四种机器类型。数据集的创建过程中，使用了TAMAGO-03麦克风阵列进行声音采集，并在多个真实工厂环境中混合背景噪声以模拟实际环境。MIMII数据集主要用于机器学习和信号处理社区开发自动化设施维护系统，特别是在无监督学习场景下检测机器异常声音。

提供机构：

日立有限公司研究与开发集团

创建时间：

2019-09-20

AI搜集汇总

数据集介绍

构建方式

MIMII数据集的构建基于真实工厂环境中的工业机器声音采集。研究团队使用了一种由八个独立麦克风组成的圆形麦克风阵列，距离机器50厘米（阀门为10厘米）进行录音。每个10秒的声音片段均以16位音频信号、16 kHz采样率在混响环境中录制。为了模拟真实环境，背景噪声在多个工厂中连续录制，并与目标机器声音混合。数据集涵盖了四种机器类型（阀门、泵、风扇和滑轨），每种机器包含七个不同型号，共记录了26,092个正常声音片段和6,065个异常声音片段。

使用方法

MIMII数据集主要用于无监督异常检测任务。研究人员可以使用正常声音片段进行模型训练，并在测试阶段区分正常与异常声音。数据集支持基于自动编码器的无监督学习方法，通过计算重构误差来检测异常。此外，数据集的多通道录音可用于评估不同噪声条件下的模型性能。研究团队已提供基于自动编码器的基准实验结果，为后续研究提供了参考。数据集还可用于跨模型和跨领域的适应性研究，进一步推动工业机器声音异常检测技术的发展。

背景与挑战

背景概述

MIMII数据集是由日立公司研发团队于2019年发布的一个专注于工业机器声音的公开数据集，旨在通过声音检测和分类技术来监控工业设备的运行状态。该数据集包含了四种类型的工业机器（阀门、泵、风扇和滑轨）在正常和异常操作条件下的声音记录，共计26,092个正常声音文件和6,065个异常声音文件。这些数据是在真实工厂环境中采集的，涵盖了多种异常情况，如污染、泄漏、旋转不平衡和轨道损坏等。MIMII数据集的发布填补了工业机器声音数据集的空白，为机器学习和信号处理领域的研究者提供了一个宝贵的资源，推动了自动化设备维护技术的发展。

当前挑战

MIMII数据集面临的挑战主要集中在两个方面。首先，工业机器声音的复杂性和多样性使得异常检测任务极具挑战性。不同机器的声音特征差异显著，且异常声音通常与背景噪声混合，增加了检测的难度。其次，数据集的构建过程中也面临诸多挑战。例如，如何在真实工厂环境中采集高质量的声音数据，如何模拟各种异常情况以覆盖实际应用中的多样化场景，以及如何处理和标注大量的声音数据以确保其准确性和可用性。这些挑战不仅考验了数据采集和处理的技术能力，也对后续的机器学习模型提出了更高的要求。

常用场景

经典使用场景

MIMII数据集在工业机器故障检测领域具有重要应用，尤其是在无监督学习场景中。该数据集通过记录工厂环境中不同类型工业机器（如阀门、泵、风扇和滑轨）在正常和异常状态下的声音，为研究人员提供了一个真实且多样化的声音样本库。其经典使用场景包括基于声音信号的异常检测和分类，特别是在无监督学习框架下，仅使用正常声音数据进行训练，以识别测试阶段的异常声音。

解决学术问题

MIMII数据集解决了工业机器故障检测中的关键学术问题，尤其是在无监督学习场景下的异常声音检测。传统方法依赖于专家经验，而该数据集通过提供大量真实工厂环境中的声音样本，使得基于机器学习的自动化检测成为可能。它不仅填补了工业机器声音数据集的空白，还为研究人员提供了基准测试平台，推动了无监督异常检测算法的发展。

实际应用

在实际应用中，MIMII数据集被广泛用于工业设备的预测性维护。通过分析机器运行时的声音信号，企业可以提前发现潜在的故障，从而减少停机时间和维修成本。例如，在制造工厂中，该数据集可用于实时监控泵、风扇等关键设备的声音变化，及时检测泄漏、污染或机械不平衡等异常情况，确保生产线的稳定运行。

数据集最近研究