只用正常声音训练：deep-SVDD电机声纹异常检测与PyQt5部署

简介：这是一份基于声纹Deep-SVDD深度学习的电机异常检测工具，采用PyQt5构建图形交互界面，面向工业设备维护、声音异常识别及深度学习项目开发场景，使用户无需深入底层算法也能通过声音信号实时判断电机是否异常。压缩包共十个文件，内容包括Python主程序与核心算法模块、已训练好的h5模型、特征标定与阈值保存数据、界面运行截图、打包配置、参数配置、编译模块及训练参数说明等，整体大小4.83MB，文件组织清晰，可直接运行或二次开发。目前已有两千一百七十二人下载学习，具有一定的工程参考价值。资源内提供音频采集、单次检测、连续检测和结果保存的完整流程，同时围绕Deep-SVDD的一分类超球面原理，演示了如何利用正常声音样本训练模型并计算偏离程度，帮助使用者同时掌握界面开发与异常检测算法设计，适合作为声音异常检测项目的实用起点。

1. 用声纹给电机“听诊”：一个只靠正常声音就能训练出来的异常检测工具

车间里的电机异响，过去靠老师傅耳朵听，听得出轴承缺油、听得出转子扫膛，但人总会退休，噪音车间里也听不准。这个标题给了一条更稳的路：把电机运行声音当成“声纹”，用深度学习里的 deep-SVDD 只学“正常声音长什么样”，再交给 PyQt5 做的桌面工具去判断新一段音频是否越界。反直觉的地方在于，训练时你不需要任何故障音频，这一条就让它比普通分类模型更适合工业现场。适合正在做设备状态监测、预测性维护，或者想用 python 快速搭一个内部检测工具的人。

2. 为什么是deep-SVDD：异常检测的选型逻辑与运行原理

2.1 电机异常检测为什么要绕开“分类”这个常规思路

很多初学者拿到“检测电机异常”第一反应是做一个分类模型：正常一类、轴承故障一类、不对中一类、断条一类。看起来合理，到了真实车间就卡住：故障样本根本凑不齐。轴承从轻微磨损到严重损坏是一个渐变过程，你很难采集到“标准故障音”；就算凑齐了三五种故障类型，电机下一次坏的可能是一种没见过的方式。

分类模型的本质是学决策边界，它需要在所有类别上见过足够多样本才能划清边界。没见过的新故障，会被硬生生分到某个已知类里，大概率是“正常”。这就是为什么工业异常检测很少走分类路线，多数走“单类学习”：只建立正常的分布，凡是偏离这个分布的都算异常。这也是 deep-SVDD 这类方法比 CNN 分类更契合电机声纹检测的原因。

2.2 deep-SVDD在做什么：把正常样本缩进一个球

deep-SVDD 的全称是 Deep Support Vector Data Description，可以理解成“深度版本的超球面描述”。它的思路不复杂：训练一个神经网络，把原始声纹特征映射到一个低维空间，在这个空间里让所有正常样本尽量靠近一个中心点 c，也就是用一个球把所有正常数据包住。检测时把新样本也映射进去，算它到球心 c 的距离，距离超过预设半径就判异常。

关键在“让正常样本缩成一个球”这个目标。网络不是为了分类，而是为了学习一种表示：什么样的声音特征在嵌入空间里是“正常”的。训练时只输入正常样本，优化目标是让这些样本到球心 c 的平均距离最小化。球心 c 用初始网络对正常样本的输出均值来定，训练过程中固定不动。半径 R 是在训练结束后，取训练集样本到球心距离的分位数，比如 0.95 或 0.99 分位，算出一个阈值。

2.3 和常见替代方案的对比：AE重建误差、分类CNN、deep-SVDD

AE 的思路是让网络学会“重建正常声音的特征”，重建误差越大越异常。它的问题是网络可能把“能重建”学得太泛，某些异常特征也能被重建出来，漏报就出现了。deep-SVDD 不要求重建，只要求“靠近球心”，表示学习的目标更贴近异常检测本身。

3. 从声纹到训练数据：MFCC特征管线怎么搭

3.1 电机不用采样率那么高：16 kHz足够，关键是窗长和重叠

电机运转时的声学信息主要集中在中低频段，几百赫兹到几千赫兹，轴承故障的特征频率往往也在 2k~6kHz 附近。用手机或麦克风录出来的 44.1kHz 或 48kHz 音频，统一重采样到 16kHz 就足够，还能顺带减少计算量。librosa 的librosa.load(path, sr=16000)会自动完成重采样。

分帧参数我一般用n_fft=1024, hop_length=512。在 16kHz 采样率下，窗长约 64ms，步长约 32ms，频率分辨率约 15.6Hz，时间分辨率足够捕捉电机转动的周期特征。MFCC 是对每一帧做的，一个 2 秒窗口大概能算出 63 帧左右，再用这 63 帧做时间维上的统计聚合，得到一条固定维度的特征向量。这样做的好处是，输入音频长短不影响特征维度。

3.2 MFCC特征提取：一个可以直接跑的模板

下面这段是特征提取的最小模板，输入一段音频波形，输出一个固定长度的特征向量，用 MFCC 的均值、标准差和百分位做聚合。

import numpy as np import librosa def extract_feature_from_wave(y, sr=16000, n_mfcc=40): # y: 一维音频波形, sr: 采样率 mfcc = librosa.feature.mfcc( y=y, sr=sr, n_mfcc=n_mfcc, n_fft=1024, hop_length=512 ) feats = [] for coef in mfcc: # 每一行是一个MFCC系数随时间的变化 feats.append(np.mean(coef)) feats.append(np.std(coef)) feats.append(np.percentile(coef, 5)) feats.append(np.percentile(coef, 95)) return np.asarray(feats, dtype=np.float32)

代码逻辑是：先计算 40 维 MFCC 系数，每一维都是一条随时间变化的曲线；然后对每条曲线取均值、标准差、5% 和 95% 分位，把时间维压成 4 个统计值。这样每个 2 秒窗口最终得到 160 维向量。均值描述总体能量分布，标准差描述波动程度，5% 和 95% 分位能抓住瞬时冲击。轴承故障往往表现为周期性冲击，冲击会在 MFCC 系数的百分位上留下痕迹，只用均值会把这个痕迹平均掉。

3.3 训练集怎么组织：目录、文件命名与归一化三件事

数据组织直接影响后续模型泛化。我习惯的目录结构是：每个电机一台设备一个文件夹，文件名包含设备编号、日期和转速段，例如motor01_20240115_1500rpm.wav。这样做有两个好处：一是能按工况分组训练，1500 转和 3000 转的声纹分布差异很大，混在一起模型会失真；二是将来排查误报时，能直接定位到是哪台设备哪个工况的样本出了问题。

采集到的音频不一定都是 2 秒整段。训练时先把长音频按 2 秒窗口滑动切分，窗口之间重叠 0.5 秒，能扩充样本量，也能让模型对起始位置不敏感。正常样本我建议至少凑 20 分钟以上的有效音频，按 2 秒窗口切，能出 600 多个训练样本，中心 c 和半径 R 才会稳定。

归一化是特征管线里最容易翻车的一步。对 MFCC 统计特征做 z-score 标准化时，均值、标准差必须只用训练集计算，保存成 json 文件，推理时加载同一份。有些做法是拿全部数据一起标准化，相当于把测试集信息泄漏进训练过程，部署时还会因为测试集不同导致统计量漂移。这个细节直接影响 deep-SVDD 阈值是否有效。

4. 训练deep-SVDD：网络结构、预训练与三个关键参数

4.1 encoder网络：bias=False为什么是硬性要求

deep-SVDD 的网络结构不需要很复杂。输入 160 维特征向量，经过两个全连接层压到 32 维嵌入空间。有一点必须写进代码里：全连接层的bias必须设置为False。

import torch import torch.nn as nn class Encoder(nn.Module): def __init__(self, in_dim=160, hidden=128, out_dim=32): super().__init__() self.net = nn.Sequential( nn.Linear(in_dim, hidden, bias=False), nn.ReLU(), nn.Linear(hidden, hidden, bias=False), nn.ReLU(), nn.Linear(hidden, out_dim, bias=False), ) def forward(self, x): return self.net(x)

为什么 bias 是硬性要求？如果网络带偏置项，模型存在一个“平凡解”：把所有输入都映射到同一个常数点，所有正常样本到球心 c 的距离都变成 0，损失函数直接降到最低。表面上看训练很成功，实际网络什么都没学会，推理时任何样本都贴着球心，全判正常。去掉 bias 后，网络被迫依赖输入特征本身，这个平凡解被堵死了。

4.2 先用autoencoder预训练：联合训练为什么会“退化”

直接拿 SVDD 目标从头训练 encoder，即使没有 bias，也容易在早期坍缩：特征空间被压得过紧，所有正常样本挤在一个小区域里，半径失去区分度。常见做法是先训练一个自动编码器，用重建损失让网络先学到能描述正常数据分布的特征表示，再用这个 encoder 作为 deep-SVDD 的初始化。

class AE(nn.Module): def __init__(self, in_dim=160, hidden=128, out_dim=32): super().__init__() self.encoder = Encoder(in_dim, hidden, out_dim) self.decoder = nn.Sequential( nn.Linear(out_dim, hidden, bias=False), nn.ReLU(), nn.Linear(hidden, in_dim, bias=False), ) def forward(self, x): return self.decoder(self.encoder(x)) # 预训练阶段 ae = AE() opt_ae = torch.optim.Adam(ae.parameters(), lr=1e-3, weight_decay=1e-5) loss_fn = nn.MSELoss() for epoch in range(100): for x_batch in train_loader: # x_batch: 标准化后的160维特征 recon = ae(x_batch) loss = loss_fn(recon, x_batch) opt_ae.zero_grad() loss.backward() opt_ae.step() # 预训练结束后，把encoder拿出来做deep-SVDD训练 encoder = ae.encoder

预训练阶段的目标是“重建”，它让 encoder 输出的嵌入特征保留足够多的输入信息，不会一开始就坍缩。之后切换到 SVDD 目标时，网络在这个基础上微调，效果比直接训练稳定得多。权重衰减用1e-5是为了防止嵌入空间被拉得过大，也算个保险。

4.3 三个关键参数：c怎么定、学习率、阈值分位

球心 c 必须在训练前固定住，由初始化后的 encoder 对训练集特征输出的均值决定。训练过程中 c 不参与梯度更新，用detach()让 PyTorch 知道它是常数。

with torch.no_grad(): c = torch.zeros(32) n_samples = 0 for x_batch in train_loader: z_batch = encoder(x_batch) c += z_batch.sum(dim=0) n_samples += x_batch.size(0) c /= n_samples # deep-SVDD微调阶段 opt_svdd = torch.optim.Adam(encoder.parameters(), lr=1e-4) c = c.detach() for epoch in range(100): for x_batch in train_loader: z = encoder(x_batch) dist = torch.sum((z - c) ** 2, dim=1) loss = torch.mean(dist) opt_svdd.zero_grad() loss.backward() opt_svdd.step()

学习率：预训练用1e-3，SVDD 微调降到1e-4，两个阶段都建议用 Adam。微调阶段学习率太大，很容易一步就把预训练好的表示打散。

阈值确定：训练结束后，把所有训练样本到球心的距离算出来，取 0.95 或 0.99 分位作为半径。实际落地时不要默认 0.99，0.99 会把故障拒得干脆，但早期轻微异常也可能被漏掉。先把距离分布直方图画出来，看正常距离和异常候选样本距离的重叠程度再定。轴承早期磨损阶段的异常距离往往和正常距离有交叠，阈值定得太严会漏报。

5. 避坑记录与排查路径：五个“看上去正常”却翻车的场景

5.1 坏样本混进“正常”训练集

现象：训练过程很顺利，loss 一路下降，但部署第一天就把正常电机报成异常，而真正异响的电机分数反而偏低。原因：采集“正常”音频时不够严格，把启停瞬间、试机空转、旁边设备串音甚至工人说话的声音都录进去了。deep-SVDD 只会学习训练集里的“正常”，这些坏样本直接把球心拽偏了，球也比真实正常分布大了一圈。解决：采集时写清楚设备状态，训练前按每帧能量剔除异常尖峰段，再人工抽听每台电机的样本。宁可样本量少一点，也别混进坏样本。

5.2 loss降到很低却全判正常：平凡解

现象：SVDD 微调 loss 很快收敛到很小，但拿一段明显异响的音频测试，分数也贴着中心。原因：网络没有设bias=False，或者预训练环节被跳过了，模型找到了把所有样本映射到同一个点的捷径。解决：检查所有Linear层是不是都设了bias=False；确认训练代码里初始化 c 后做了detach()；确认微调时用的是预训练好的 encoder，而不是随机初始化的网络。这三步是 deep-SVDD 的经典翻车点，每踩一轮都要花不少时间查。

5.3 换台电机就“阈值失效”

现象：在 A 电机上调好的阈值，拿到 B 电机上频繁误报。原因：不同电机、不同转速、不同负载下声纹分布差异很大，A 电机的正常半径在 B 电机身上根本不适用。解决：按转速和负载分组建模，训练时在文件名里记录转速段和负载条件，推理时先识别该段音频的工况，再选择对应的模型和阈值。这个做法比试图做一个“万能阈值”靠谱得多。

5.4 PyQt5一推理界面就假死

现象：点击“开始检测”按钮后，窗口立刻变成“未响应”白屏，隔几秒或几十秒才恢复。原因：模型推理和音频解码都在 GUI 主线程里跑，主线程被阻塞，界面就假死。解决：把推理放到QThread里，用信号把结果传回主线程，主线程只负责刷新界面。这个坑在第四、五章避坑里最值得提前写，因为 PyQt5 初学者几乎都会在这里卡一次。

5.5 特征管线前后不一致

现象：训练时模型分数合理，部署到另一台电脑后所有分数都偏高。原因：训练和推理用的音频采样率不一致，或者归一化统计量被重新计算了。解决：训练时把特征提取函数和归一化的均值和标准差一起打包，部署端统一调用同一套函数；音频加载统一用librosa.load(path, sr=16000)，并锁住 librosa 和 numpy 的版本。特征管线前后不一致，模型权重再准也白搭。

6. PyQt5部署的最后一公里：用QThread包住推理，界面保持流畅

PyQt5 界面部署要解决的核心问题是把耗时的模型推理从主线程挪走。做法是写一个DetectThread，把音频路径传进去，线程内逐窗口提取特征、算异常分数，通过信号把分数发回主线程更新曲线。

from PyQt5.QtCore import QThread, pyqtSignal class DetectThread(QThread): score_ready = pyqtSignal(float, float) # 时间点, 异常分数 def __init__(self, detector, audio_path, parent=None): super().__init__(parent) self.detector = detector self.audio_path = audio_path def run(self): y, _ = librosa.load(self.audio_path, sr=16000) step = int(0.5 * 16000) for start in range(0, len(y) - 32000 + 1, step): seg = y[start:start + 32000] vec = extract_feature_from_wave(seg) vec = (vec - self.detector["mean"]) / self.detector["std"] score = torch.sum((encoder(torch.tensor(vec)) - c) ** 2).item() self.score_ready.emit(start / 16000, score)

主界面里只需要连接信号，在槽函数里更新曲线。运行新检测前先停掉旧线程，避免多个线程同时读写界面导致混乱。一个实用习惯是：启动时先让模型“空跑”一个 batch 做 warmup，把 PyTorch 的初始化和显存分配耗时提前吃掉，否则第一次点击按钮会明显卡顿。模型参数、特征归一化的均值和标准差、阈值我习惯打包成一个 zip 目录统一分发，部署时不会漏文件。这个习惯帮我在现场少踩了好几次坑，也希望帮到你。

本文还有配套的精品资源，点击获取