A deep learning based approach to anomalous sound detection for industrial machine monitoring

Automatic detection of machine failure is an essential technology in the fourth industrial revolution, because it allows industries to ensure high productivity by reducing the unplanned downtimes and promptly organize maintenance interventions, avoiding bigger damages. Most of the time, sound represents one of the most common and evident indicators of an ongoing anomalous behaviour and can be used as a parameter for Machine Condition Monitoring. For this reason, different solutions have been proposed in the literature to solve the problem of Anomalous Sound Detection, both using classical Machine Learning methods and more recently Deep Learning methods. One downside of Deep Learning methods is that the used models are normally characterized by a high number of parameters, which makes them unsuitable to be deployed on devices with limited resources. In this thesis, after giving an overview of the methods proposed in the literature, we adopt an hybrid one that leverages the power of Convolutional Neural Networks in extracting meaningful high level features combined with the high capabilities of Gaussian Mixture Models in density estimation to model the normal behaviour of the machine and detect anomalies by measuring the likelihood with respect to the learned distribution. Moreover, we are able to reduce by a large margin the number of parameters of the Deep Learning network thanks to the use of Depthwise Separable Convolution, making it more suitable to future implementations on embedded devices. The method is evaluated on data coming from a real world factory and the results confirm its effectiveness also in less controlled environments, showing performances comparable to the one obtained on public datasets. Furthermore, we evaluate the lightened system on both public datasets and real world data and show that the performance drop is negligible compared to the achieved reduction of parameters.

Il rilevamento automatico di guasti ai macchinari è una tecnologia essenziale nella quarta rivoluzione industriale, perché consente alle industrie di garantire un'elevata produttività riducendo i tempi di fermo non pianificati e di organizzare tempestivamente gli interventi di manutenzione, evitando danni maggiori. Il suono rappresenta il più delle volte uno degli indicatori più comuni ed evidenti di un comportamento anomalo e può dunque essere utilizzato come parametro per il monitoraggio delle condizioni di un macchinario. Per questo motivo, in letteratura sono state proposte diverse soluzioni per risolvere il problema del Rilevamento di Suoni Anomali, sia utilizzando metodi classici di Machine Learning che più recentemente metodi di Deep Learning. Uno svantaggio dei metodi di Deep Learning è che i modelli utilizzati sono normalmente caratterizzati da un elevato numero di parametri, che li rende inadatti all'implementazione su dispositivi con risorse limitate. In questa tesi, dopo aver fornito una panoramica dei metodi proposti in letteratura, ne adottiamo uno ibrido che sfrutta la potenza delle Reti Neurali Convoluzionali nell'estrazione di caratteristiche significative di alto livello combinato con le elevate capacità dei Gaussian Mixture Models nella stima della densità per modellare il comportamento normale della macchina e rilevare le anomalie misurando la probabilità di appartenenza alla distribuzione appresa. Inoltre, siamo in grado di ridurre di un ampio margine il numero di parametri della rete di Deep Learning grazie all'uso delle Convoluzioni Separabili in Profondità, rendendola più adatta a future implementazioni su dispositivi integrati. Il metodo viene validato su dati reali provenienti da una fabbrica e i risultati ne confermano l'efficacia anche in ambienti meno controllati, mostrando prestazioni comparabili a quelle ottenute su dataset pubblici. Inoltre, valutiamo il sistema alleggerito sia sui datatset pubblici che sui dati di fabbrica e mostriamo che il calo delle prestazioni è trascurabile rispetto alla riduzione dei parametri ottenuta.