整机传送链的故障听诊：七通道音频振动如何支撑跨速度检测与分类

英文题目：Toward Multimodal Industrial Fault Analysis: A Single-Speed Chain Conveyor Dataset with Audio and Vibration Signals

会议身份：conference:interspeech:2026:conference-paper-id:chen26f_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#工业应用 #数据集构建 #异常声音检测 #音频分类

评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Zhang Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Yucong Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Xiaoxiao Miao：机构信息未能从会议 PDF 纯文本可靠映射
• Ming Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理单速链式输送机（Single-Speed Chain Conveyor，SSCC）系统级故障分析，输入为同步多通道音频与振动波形，输出为正常与否判定或正常加四类故障的五分类标签，难点在于稳态周期成分掩盖微弱故障线索，且速度、负载与工厂结构噪声带来分布偏移。方法链分四步：按速度、负载、故障类型与噪声条件组织采集并切分为5秒样本；用冻结预训练音频编码器经SIREN工具包逐通道提取嵌入；以通道内标准化与经验累积分布函数（Empirical Cumulative Distribution Function，ECDF）分位数映射统一异常尺度；经晚期融合平均或加权投票得到样本级决策。相对聚焦电机轴承且多为单模态的CWRU、IIEE、IICA，以及仅单音频通道的MaFaulDa和HUSTmotor，关键差异是整机多传感布局加真实噪声回放与双任务跨速度划分，使通道分析与多模态互补可被统一检验。在目标速度为100的无监督故障检测任务下，FISHER音频视图的AUROC为0.954，高于FISHER融合视图的AUROC 0.882。结论仅适用于该输送机平台与所定义的lean、dry、loose、screwdrop四类故障及回放噪声，跨设备跨产线与开放集异常的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，本文交付了什么？

本文输入是单速链式输送机在稳态运行下的同步多通道波形，目标是支撑产线整机层面的故障分析。读者可以把任务想象成给输送线做听诊加触诊：麦克风听空气中的摩擦与抖动声，加速度计摸结构传导的振动。必须保留的关键信息是系统对象不是孤立轴承或电机，而是一条带工件单向运输的完整链式输送机；传感是 3 路音频加 4 路振动共 7 通道同步；工况覆盖速度、负载、正常与 4 种故障、干净与工厂噪声回放。

方法上不训练新网络，只用冻结音频编码器加通道级最近邻做统一探针。本文交付的是数据集加两套划分协议加一组可复述基线。本文面向刚进入语音与音频的研究生，因此先把学习依赖讲清：先理解工业故障检测与分类的区别，再看多设备多位置传感如何组织，再走通特征提取到打分投票的推理链，最后才能读懂跨速度划分与噪声回放的用意。后续各节按此依赖展开，例子会明确标为例子，所有数字回到原文核对。

资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码模型或数据已公开，只能按正文脚注转述作者声明的仓库与页面地址而不做可达性承诺。

已有数据集与路线解决了什么，还缺什么？

经典路线包括凯斯西储轴承数据、工业声音与压缩空气数据，它们多为单模态且聚焦轴承电机等孤立部件，在干净实验室条件下采集，对学习故障表示有奠基作用，但缺少整机耦合传播与强结构噪声。另一条路线是多模态尝试，文中点名的两套旋转机械数据集同时提供振动与单通道音频，其中一套在较干净环境采集而未显式建模环境噪声，另一套主要以后期信号级加噪引入噪声，而非在采集现场用真实工厂噪声做声学干扰。

本文要补的缺口有三点：一是对象从部件转向完整输送系统，多传感器分布在电机端与传动结构对端；二是通道多样性从单麦克风转向 3 种录音设备并行，包括手持录音机与两种手机，利用麦克风特性与录音链路差异形成自然通道差异；三是噪声从后期合成转向现场录制再经扬声器回放，干净与噪声两种设定在每种工况下成对采集。理解这三点才能明白后文为何强调通道级分析与融合，以及为何低速只采正常干净数据。

教学例子：这好比以前只在安静房间录单个轴承转动声，现在是整条流水线开动时多位置同时录音加测振，并在旁边用音箱播放车间实录噪声。

故障检测与故障分类在输入输出上有何不同？

本文处理 2 个任务，它们的输入都是 5 秒片段的 7 通道波形，输出与监督完全不同。故障检测是无监督异常检测：训练只见正常样本，测试要给每个样本一个异常分并用受试者工作特征曲线下面积评价，分数越高越异常，不输出具体故障名。故障分类是有监督多分类：训练见正常加 4 种故障标签，测试输出 5 个类别之一，用准确率、平衡准确率与宏平均分数评价。

两任务共享同一套传感，但划分故意制造泛化压力：检测训练只用非目标速度的正常样本，测试用目标速度正常加全部异常；分类把速度 80 全部留出不训练，并把速度 100 下的干与偏两类也从训练移除。这样的设计迫使模型不能靠记住速度或特定故障速度组合过关。4 种故障各有物理含义：干表示链条润滑不足，偏表示导轨不对中，松表示两侧链条过松，异物表示螺钉掉落类外物侵入导致局部阻塞。所有样本都有样本级标签，可同时服务两任务。

故障检测 × 故障分类： 故障检测分工是只用正常样本建模并判断测试样本是否异常，不需要知道具体故障名；故障分类分工是在已知异常类别标签下区分干、偏、松、异物等类别。搭配理由是工业先要报警再要维修决策，组合意义是同一套 7 通道表示要同时支撑无监督异常打分和有监督多类投票，本文因此设计两套不同划分与指标。

低速 20 与 40 只在正常干净条件下采集，原因是这类速度在真实工业运行中不常见，这一点决定了后续划分必须按条件级切分而不能按片段随机切分，否则会泄漏工况信息。

从一个五秒样本到异常分与类别标签要走哪几步？

沿一个样本走完全流程有助于建立全局图。第一步是同步采集：3 路立体声音频与 4 路振动被视为同一批样本的并行通道，音频经 3 种设备录制，振动经电机端单轴与对端三轴采集，采样率分别为 44.1 千赫、48 千赫与 100 千赫，手机视频只作为补充发布不进入建模。第二步是表示：波形送入冻结的预训练音频编码器得到嵌入，工具统一用开放接口提取，编码器包括 BEATs、CED、Dasheng、EAT、ECHO、FISHER 等 6 种，均以视觉变换器风格为骨干并在大规模音频上预训练，参数冻结不更新。

第三步是通道级最近邻推理：正常嵌入组成记忆库，测试嵌入按通道计算到记忆库的距离，检测用最近邻距离经分位数映射后平均得到异常分，分类用多近邻距离加权投票得到类别概率再跨通道融合取最大。第四步是评价：检测看曲线下面积，分类看准确率与宏平均。整条链无任务特定训练，因此比较的是表示本身的质量。下面先看物理台架，再看传感器布局，以确认通道含义。

冻结编码器 × k 近邻推理： 冻结编码器分工是提供不更新的音频预训练表示，避免任务特定训练带来偏差；k 近邻推理分工是用余弦或欧氏距离在记忆库中检索最近样本并打分或投票。搭配理由是要公平比较表示质量而非分类器调参能力，组合意义是所有编码器走同一通道级 k 近邻管线，差异只来自嵌入本身。

实验台是一条长直线型链式输送机，远端放置工件箱并用气动阻挡保证单向运输，避免工件回流形成闭环，这与真实产线长而直的物料流一致。导读本段后插入实物图，帮助把文字中的电机端、对端与工件区落到具体结构上。

看图路径： 1. 先看长条形链式输送机机身的朝向与支撑框架，确认是直线单向输送结构；2. 再看机身两端与地面线缆分布，理解传感器与供电走线依附于整机；3. 最后看顶端绿色工件箱位置，联系后文负载与工件单向运输设定

论文图 1。原论文 Figure 1：“Physical setup of the single-speed chain conveyer ex- perimental platform.”。

图中可见一条架高在室内的长直线输送机，铝型材支架支撑双链轨道，尾端上方放置绿色工件箱，地面有供电与采集线缆向两侧延伸，背景为室内墙面与三脚架。该图确认对象是整机系统而非桌面轴承台，也解释了为何故障会跨部件传播：链条、导轨、电机与工件负载通过同一传动结构耦合。下一步需要明确 7 通道在空间上如何分布，以及噪声扬声器放在哪里。 传感器布局图把俯视结构抽象为两条链条加中间工件块，上方布置两部手机与一台录音机，下方布置单通道与 3 通道加速度计，最下方是两个扬声器。导读本段后插入布局图，以便把三音频、四振动与噪声回放位置 1 次看清。

看图路径： 1. 先沿左右两条灰色链条找到单通道与三通道加速度计的安装端；2. 再看上方两部手机与右端录音机三个音频采集点的位置差异；3. 最后看下方两个扬声器位置，理解工厂噪声是现场播放而非后期叠加

论文图 2。原论文 Figure 2：“Overall system layout and sensor configuration.”。

该示意图报告了 3 个要点：一是音频三设备朝向链条系统固定安装，形成设备差异带来的通道多样性；二是振动一端在电机附近测局部振动，另一端用三轴测系统级三向响应；三是两个扬声器分置系统周围，用于播放实地录制的工厂噪声，实现采集级而非后期叠加的干扰。这种布局直接支撑后文通道级标准化与后期融合：通道既同步又异构，必须先各自处理再融合。

七通道如何各自处理又如何融合成一个判断？

组件层面要回答通道内计算与跨通道融合。通道内检测计算是：对每个通道，用训练正常样本拟合该通道专用标准化器，对测试嵌入标准化后计算到记忆库的欧氏距离，取到第 k 个近邻的距离作为异常度量，再经经验分布分位数映射压到 0 到 1 区间。通道内分类计算是：每通道检索 k 个近邻并按距离加权投票得到类别概率向量。跨通道融合都是后期融合：检测对 7 个通道的映射分取平均，分类对 7 个通道的概率向量聚合后取最大类别。

原文未给出可学习的融合权重，也未报告通道注意力或门控，因此复述时只能讲平均与聚合，不能脑补自适应加权。模态视角是把三音频通道归为音频视图，四振动通道归为振动视图，另有两者融合视图，评测时分别报告以观察互补。

音频信号 × 振动信号： 音频信号分工是捕捉链条摩擦、松动抖动和异物卡滞产生的空气传播声音变化；振动信号分工是捕捉电机端与传动结构端的固体机械响应与周期冲击。搭配理由是声音对细微摩擦敏感而振动对冲击和周期结构响应敏感，组合意义是后期融合可以互补，例如松动靠声音、异物冲击靠振动，本文用 7 通道并行 late fusion 来实现。

通道级标准化 × 经验分布分位数映射： 通道级标准化分工是消除不同设备与采样率带来的量纲差异，只用训练正常样本拟合均值方差；经验分布分位数映射分工是把各通道欧氏距离映射到 0 到 1 的可比异常分。搭配理由是 7 通道距离尺度本不可比，组合意义是先标准化再映射才能平均融合，本文检测分支明确先做通道标准化再做分位数映射后平均。

教学例子：这类似 7 位检查员各自按自己的尺子打分，先把各自分数换算成百分位再平均，避免嗓门大的检查员主导结果。原文明确标准化器只用训练正常样本拟合，这是防止测试异常泄漏的关键细节，复现时必须遵守。

本研究训练了什么，没有训练什么？

本研究没有训练任何编码器或分类器权重，这是必须先讲清的事实。6 种音频基础模型全部冻结，仅作为特征提取器调用；k 近邻没有参数学习，只有记忆库构建与距离计算；标准化器与分位数映射的参数来自训练正常样本的统计量，不是梯度下降产物。因此不存在优化器、学习率、梯度路径、早停或权重重置等训练要素，未报告时应指出缺项而非从模型名推定实现。

真实计算过程是构造与检索：按条件级划分把同条件的片段整体放入训练或测试，避免同条件片段分居两侧；用训练正常嵌入建记忆库；测试时逐通道检索并融合。条件定义为速度、负载、正常或故障类别、噪声设定的组合，每个条件对应一种运行场景。评估管线可概括为两步：先用不同冻结编码器提取特征，再按距离检索近邻得到异常分或多数投票标签。

导读本段后插入管线图，把冻结与检索直观化。

正常训练 × 跨速度评测： 正常训练分工是只记忆正常状态的嵌入分布，不见任何故障；跨速度评测分工是训练与测试速度域错开以检验泛化。搭配理由是产线速度会变而故障不能提前穷举，组合意义是记忆库只含非目标速度正常样本，测试却含目标速度正常加全速度故障，迫使表示真正区分异常而非速度。

看图路径： 1. 先看底部波形到音频与振动分支再到冻结编码器的向上箭头；2. 再看右侧特征空间中四个条件簇与中心测试点的四条虚线距离；3. 最后对照图例中方形测试点与三角训练点的含义区分检测与分类用法

论文图 3。原论文 Figure 3：“An evaluation pipeline on the SSCC dataset.”。

该图左侧显示波形分为音频与振动两支向上送入多个冻结编码器，雪花标记表示冻结；右侧显示特征空间中有多个条件簇，中心方形测试点用虚线连接到各簇并标注距离。检测时用最近距离作异常分，分类时用多近邻多数投票定标签。图中条件簇示意了按条件划分的记忆结构，复现时应把同条件片段整体入库或整体留测，不能打散随机分。

数据如何组织，划分与指标如何保证公平？

数据组织围绕条件展开。速度离散为 20、40、60、80 和 100 五档名义值，负载分为 heavy、medium 和 light 三档相对等级，故障为正常加 4 种，噪声为干净与工厂噪声回放。每条件在稳态下切分为 5-second 片段，全量共 6,669 个样本。低速 20 与 40 只采正常干净数据，因为低速在真实运行中不常见。每个样本含 seven 同步信号通道，音频 3 路立体声分别以 44.1 kHz 与 48 kHz 存储，振动 4 通道以 100 kHz 存为表格文件。

划分在条件级执行以防泄漏：检测训练只用非 100 速度的正常样本，测试用 100 速度正常加全部异常；分类留出速度 80 全部不训练，并额外移除速度 100 下的干与偏。推理超参数固定为检测 k 取 1、分类 k 取 11，不做数据集或模型特定调参。指标方向是越大越好：检测用曲线下面积，分类用准确率、平衡准确率与宏平均。特征提取统一接口保证编码器比较公平，通道标准化只用训练正常拟合。

下表把组织与协议的关键数字收拢，便于复现时逐项核对。

表前说明：下表要回答数据量、工况取值、片段时长与采样率是否与原文一致，共 5 列，数字与单位保留原文写法，裸值不擅自加单位。

表后解释：该表的主要收益是把复现必需的规模与采样 1 次对齐，代价是未展开每个速度负载故障格的具体计数，复现大数据训练时还需回查原文大表。低速故障与部分噪声组合在原文中标记为不可用，复现时不应自行补采或插值填补，手机视频也不进入当前建模管线。

主结果显示了什么，哪些编码器没有胜出？

主结果分两条线。检测线上音频视图在多数编码器下优于振动视图，振动仅在个别编码器下略高，融合一般优于纯振动且有时持平音频。原文解释是常见故障带来细微声音变化更易被音频表示捕捉，而振动常被稳态强周期成分主导。分类线上整体准确率较高，音频与振动呈现互补：振动对异物类更优，可能因冲击性机械响应，音频对松动类更优，可能因摩擦与抖动声，融合在多数情况下高于单模态，但 ECHO 与 FISHER 是例外。

这表明模态贡献与任务及故障特性联合相关，不能简单断言一模态全面胜出。下表收拢分类在音频视图下的可运行基线数字，便于比较表示质量，融合与振动细节见原文大表。 表前说明：下表比较同一分类划分下 4 种冻结编码器音频视图的总体与细分类表现，共 5 列，指标越大越好，条件一致且 k 固定为 11，不用搜索最优代替可部署收益。

表后解释：该表显示 ECHO 与 FISHER 在音频视图下总体最强，但结合原文可知它们在融合后并未继续提升，这是重要反例，说明简单平均融合不总是增益。代价是振动视图单看时 ECHO 明显偏低，融合反而拖累，复现时若只看总体准确率会掩盖模态短板。未胜出项包括 CED 与 EAT 等在音频与融合上均低于上述两者，复现比较时不应删除这些不利基线。

所有数字为原文报告值，百分点差异不换算为相对百分比，不同指标差值不混入模型列。

换视角与换任务时结论还成立吗？

把视角从音频换到振动再到融合，可以做有限的消融式解读。检测任务下换视角结论较稳：音频优于振动是主流，融合介于其间或持平音频，说明异常发现更依赖声音细微变化。分类任务下换视角结论反转：单看总体时融合多胜，但分故障看则振动在异物上胜、音频在松动上胜，表明总体增益来自互补而非单模态全面强。换编码器时结论不完全一致：BEATs 与 CED 在振动上相对不弱，而 ECHO 在振动上明显弱，导致其融合低于纯音频，这是否定简单融合万能论的反证。

换任务时模态有效性任务相关，这是原文明确的判断，支持用任务来选择视图而非固定一模态。未评测边界包括未尝试可学习融合权重、未做通道缺失或设备缺失消融、未报告噪声干净分开的细粒度对比，因此不能断言融合在所有噪声下都增益。下表把模态互补的定性判断结构化，便于对照复现。 表前说明：下表整理原文对两类典型故障的模态偏好与融合表现，共 5 列，基于原文文字判断而非新算分数，不混放不同指标。

表后解释：该表收益是把何时用音频、何时加振动讲成可操作规则，代价是定性总结不能代替逐编码器数字，复现时仍需回查原文大表。

负结果是简单后期平均对强音频编码器可能无效，未来应检验加权或门控融合，但本文未验证，不能承诺必然提升。

哪些结论不能推广，缺了哪些验证？

先划定可推广范围：结论限于单速链式输送机整机、5 秒稳态片段、原文速度负载噪声组合与冻结编码器加 k 近邻管线，不能直接推广到变速启停、非稳态过渡或其它产线设备。缺失证据不是技术错误，但必须明示。第一，噪声是实地录制再经扬声器回放，虽比后期叠加更真实，但仍非产线原位运行噪声，扬声器摆位与房间混响会引入差异。第二，低速故障缺失与部分条件不可用意味着跨速度结论主要来自高速目标，低速泛化待验证。

第三，融合只用平均与概率聚合，未比较可学习融合，ECHO 与 FISHER 的融合反例恰说明简单融合有上限。第四，未测量误判率分布、延迟、算力与存储开销，100 千赫振动与多设备音频的推理成本未报告，不能承诺实时性改善。第五，相关性不是因果：振动对异物好、音频对松动好的解释是原文用可能表述的有限解释，支持但未做机理验证。复现时若改 k 值、改标准化拟合数据或打散条件划分，公平性即被破坏，结果不可比。

要复现数据集划分与基线先做什么？

复现先做三件事。第一，按条件重建划分：把速度、负载、类别、噪声四元组作为条件键，同键片段整体入训练或测试；检测训练只取非 100 速度正常，测试取 100 速度正常加全部异常；分类留出速度 80 全部，再移除速度 100 下干与偏的训练样本。第二，重建 7 通道管线：三音频只取音频轨并按各自采样率送编码器，四振动按 100 千赫表格读取，手机视频不进入打分。

每通道用训练正常拟合标准化器，检测按欧氏距离取 k 为 1，分类按距离加权投票取 k 为 11，再做分位数映射与后期平均融合。第三，核对指标与聚合：检测用曲线下面积，分类用准确率、平衡准确率与宏平均，通道与条件聚合口径与原文一致，不把自动分数当人评。关键超参数与信息条件是 k 取值、不调参与条件级切分，缺一即不可比。代码与数据可达性方面，本次未发现完成验证的资源，不得声称已公开或当前可用。

只能记录正文声明的仓库与数据集演示页面由读者自行核验，权重下载与系统可运行状态以实际拉取为准。训练资源方面本文无训练开销，但特征提取与最近邻检索的耗时内存未报告，复现大表时需自测预算。

何时值得尝试这套数据与方法，还需补哪项验证？

当你的场景是整机产线而非孤立轴承、当现场有强结构噪声且设备多样、当你想公平比较音频表示而不想被分类器调参干扰时，这套 7 通道数据加冻结编码器加通道级 k 近邻值得尝试。先用音频视图跑检测基线，再加振动看异物类是否提升，最后才试融合，避免一开始就用融合掩盖单模态短板。若你的故障以摩擦松动为主，可优先音频；若以冲击阻塞为主，应保留振动。还需补的验证有四项：一是分噪声干净与回放噪声的细粒度对比，确认增益在噪声下是否保持。

二是设备缺失与通道缺失鲁棒性，模拟产线掉线；三是可学习融合与通道加权是否能解决 ECHO 类融合不增益问题；四是延迟与存储实测，评估 100 千赫振动在边缘端的代价。常见误解是把总体准确率高误读为每类都好，或把末步融合最优推广为全程最优，或把冻结参数误读为输出确定；实际上标准化统计与检索库仍随划分变化，复现必须固定条件键。

回到中心矛盾：整机故障信号弱而工况变化大，本文用多通道互补与跨速度划分把问题显式化，简单基线已给出合理起点，但更优的表示学习与融合仍有实质空间。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总