中文题目：基于CEEMDAN-SVD-MEAE的抽油机电机声音异常检测

论文题目：Abnormal Sound Detection of Pumping Unit Motor Based on CEEMDAN-SVD-MEAE

录用期刊/会议：CPCC 2025 (CAA-A类 会议论文)

录用/见刊时间：2025年

作者列表：

1）詹汶鑫 中国天天色天天（北京）人工智能学院 硕士研究生

2）李   康 中国天天色天天（北京）人工智能学院 自动化系教师

3）高小永 中国天天色天天（北京）人工智能学院 自动化系教师

4）任桂山 中国石油天然气大港油田分公司采油工艺研究院 企业专家

摘要:

本研究提出一种基于CEEMDAN-SVD-MEAE的联合异常检测方法。通过CEEMDAN-SVD算法对原始音频信号进行自适应噪声分解与奇异值筛选，有效抑制环境噪声对声学特征提取的干扰；设计具有记忆原型库的增强型自编码器（MEAE），通过稀疏机制约束重构过程，改善模型在异常样本上的表征偏差；利用重构误差分布差异实现异常检测。实验采用油田现场音频数据，结果表明：所提方法的准确率、召回率及F1分数都优于传统卷积自编码器（CAE）与机器学习模型（CNN、LSTM、SVD），且异常样本的重构误差较正常样本明显增加，验证了方法的鲁棒性。

背景与动机:

电机作为抽油机系统的核心动力单元，其运行状态的实时监测对保障油田生产安全具有十分重要的意义。当前油田现场普遍采用的异常检测方案主要依赖于巡检人员通过对异常振动或异常噪声的特征进行经验性判断，然而该模式存在明显局限性：一方面，抽油机工作场景的环境噪声对声振信号具有强掩蔽效应，导致人工辨识准确率下降；另一方面，人工巡检无法实现对设备状态的连续监控，不能保证及时发现电机的异常状态。深度学习技术能够深入学习设备在运行过程中所产生的信号的内在特征，进而有效地表达数据中更为抽象的特征信息。但在抽油机电机户外异常检测中仍存在两个关键性技术挑战：首先，复杂工况下的环境噪声（风噪、雨噪、机械振动噪声等）与目标声源信号在时频域存在混叠现象，导致有效声学特征被部分掩盖，直接影响后续特征提取的可靠性；其次，传统自编码器的潜在空间缺乏约束机制，易对异常样本产生过度重构现象，造成正常与异常工况的重构误差区分度不足，进而导致漏检概率升高。

设计与实现:

如图1所示，本文提出的CEEMDAN-SVD-MEAE模型由2部分构成：数据处理层和异常检测层。首先，数据处理层中，原始声音信号先经CEEMDAN - SVD算法降噪，得到更纯净的降噪声音信号。再通过梅尔频谱图转换，将时域信号映射到频域特征空间。随后，异常检测层以训练数据投喂MEAE模型，依据 “重构损失足够小或达最大迭代次数” 判定训练是否停止。最后，在测试阶段，用训练好的模型计算重构损失，对比阈值，超阈值则输出异常检测结果，实现声音信号异常识别。图2展示了MEAE模型的结构，编码器模块负责将输入数据映射至潜在特征空间并生成特征查询向量；记忆模块通过可学习参数矩阵存储正常数据的本质特征原型；解码器模块则基于记忆原型库的加权组合进行条件化信号重构。这种基于正常模式约束的重建机制，从根本上抑制了模型对异常样本的过拟合倾向，显著提升了声音信号异常检测的判别鲁棒性。

 

图1  所提方法概述

 

图2  记忆增强型自编码器

 

实验结果及分析:

我们利用现场的抽油机电机运行的真实声音数据集进行了对比实验。表1展示了各方法在测试集上的性能指标对比。

表1  抽油机电机异常声音检测结果

 

在实验中，我们发现CAE对于正常数据样本的重构效果优于本文所使用的方法（CAE重构误差为1429，Proposed Method重构误差为2576）。但是对于异常样本的重构误差，本文所使用方法远大于CAE（CAE重构误差为5212，Proposed Method重构误差为35152）。图3分别展示了两种方法方法对于正常和异常样本的重构效果。可以看出，因为CAE存在过拟合问题，即使异常样本也有较好的重构效果，漏检风险增加。而在本文所使用的方法中，异常样本因只能匹配错误的样本原型，使得重构误差大大增加，能极好的区分正常与异常样本。

 

图3  重构效果对比（a为CAE对正常样本的重构，左为原图，右为重构图（下同）；b为CAE对异常样本的重构；c为Proposed Method对正常样本的重构；d为Proposed Method对异常样本的重构）

结论:

本文针对抽油机电机异常声音检测中的环境噪声干扰与自编码器漏检问题，创新性的提出了一种基于CEEMDAN-SVD-MEAE的异常检测框架。首先，通过CEEMDAN-SVD算法对原始声学信号进行降噪处理，有效抑制了油田现场复杂环境噪声对声学信号的干扰，同时保留了正常与异常特征的关键信息。其次，设计MEAE模型，通过记忆原型库匹配机制与稀疏约束，迫使模型仅基于正常样本特征进行重构，大幅提升了正常样本与异常样本的重构误差差异，有效增强了异常判别的可分性。

作者简介:

李康，讲师，博士，硕士生导师，IEEE Member, 中国自动化学会会员，中国人工智能学会会员。长期从事复杂流程工业系统安全监测与故障诊断、智能制造及先进机器人感知与交互技术等相关教学与科研工作。