基于TinyCRNN-GMM网络的无监督工业异常声音检测方法

提出一种结合自监督学习与高斯混合模型（GMM）的无监督工业异常声音检测法，应对智能工业设备监测挑战。传统诊断依赖人工或规则，难处理多样故障与数据不均。此方法用TinyCRNN和GMM，经Librosa处理音频为梅尔频谱图，自监督学提取正常声特征，再由GMM聚类分析识别异常，以AUC等评估性能。它减少对标注数据依赖，解决数据稀缺问题，提升检测准确性与鲁棒性，在工业故障检测应用潜力大，尤其对未知故障优势显著。