比较音频频谱以找出差异
Compare audio spectra to find differences
我有一些旋转机器的录音，一个是机器工作正常时的录音，另一个是出现问题时的录音。通过耳朵，我们可以听到差异，但是当我计算两个记录的 FFT 频谱时，频谱看起来几乎相同（即使是最小的 bin）。所以我想知道是否有 FFT 的替代方案，或者我是否做得不对。我的目标是自动发现我们所听到的差异，以便每次机器无法正常工作时我都能收到通知。
谢谢
我建议检查信号的时间差异而不是频率差异。将两个信号的能量归一化，找到最大化它们之间相关性的最佳偏移，然后查看信号之间的算术差异，看看这是否说明了您的耳朵听到的内容。
希望对您有所帮助。
如果在时频域（频谱图）中查看此数据，则差异清晰可见。在这张图片中，我在 Audacity 中打开了音频剪辑，并切换到频谱图视图（使用轨道名称下拉菜单）。
在正常操作（顶行）中，可以看到 <400 Hz 的非常清晰的音调内容，并且在 2000kHz 附近有非常清晰的分量。
在异常情况下（底行），可以看到覆盖整个频率范围的周期性能量爆发。
使用机器学习模型（给定足够的数据）应该可以轻松区分这两种模式。例如，频谱图上的小型卷积神经网络或递归神经网络。这种用例通常通过异常检测设置来处理，其中仅在正常数据上训练模型。然而，标记的异常数据对于验证非常有用。
作为参考，我在 Audacity 中使用的设置如下：
此致，Jon Nordby，CTO @ Soundsensing AS，机器听觉专家
我有一些旋转机器的录音，一个是机器工作正常时的录音，另一个是出现问题时的录音。通过耳朵，我们可以听到差异，但是当我计算两个记录的 FFT 频谱时，频谱看起来几乎相同（即使是最小的 bin）。所以我想知道是否有 FFT 的替代方案，或者我是否做得不对。我的目标是自动发现我们所听到的差异，以便每次机器无法正常工作时我都能收到通知。
谢谢
我建议检查信号的时间差异而不是频率差异。将两个信号的能量归一化，找到最大化它们之间相关性的最佳偏移，然后查看信号之间的算术差异，看看这是否说明了您的耳朵听到的内容。
希望对您有所帮助。
如果在时频域（频谱图）中查看此数据，则差异清晰可见。在这张图片中，我在 Audacity 中打开了音频剪辑，并切换到频谱图视图（使用轨道名称下拉菜单）。
使用机器学习模型（给定足够的数据）应该可以轻松区分这两种模式。例如，频谱图上的小型卷积神经网络或递归神经网络。这种用例通常通过异常检测设置来处理，其中仅在正常数据上训练模型。然而，标记的异常数据对于验证非常有用。
作为参考，我在 Audacity 中使用的设置如下：
此致，Jon Nordby，CTO @ Soundsensing AS，机器听觉专家