Abstract This paper proposes a novel method to detect and localize disturbances in dynamical systems using non-collocated acoustic arrays by processing their data such that established artificial intelligence techniques can be used. Methods are proposed to compress time-domain based separate microphone data into frequency-domain based images. Furthermore, a data augmentation solution is given to significantly reduce the amount of required training data by using augmentation in the time domain. The use of artificial intelligence in the field of condition monitoring and diagnostics is becoming increasingly popular. However, the vast majority of work is based on sensors collocated in the machines. Therefore, the possibility of using acoustic arrays as a non-intrusive contactless sensor is emerging. The goal of this work is to develop data processing methods that allow for analysis of acoustic array images of vibration patterns. These methods have been demonstrated on a newly created experimental dataset where the a vibrating plate is measured using a 32 by 32 microphone array. On this plate, a disturbance mass placed in different positions to modify the dynamic properties of the system. The experimental results show that the proposed methods are able to determine the position of the disturbance mass even with low amounts of training data. They show to be promising for applications where space-frequency information is of essence.

中文翻译：

---

用机器学习进行故障检测的声学阵列信号的数据处理和增强

摘要 本文提出了一种使用非并置声学阵列通过处理数据来检测和定位动态系统中的扰动的新方法，以便可以使用已建立的人工智能技术。提出了将基于时域的单独麦克风数据压缩为基于频域的图像的方法。此外，给出了数据增强解决方案，通过在时域中使用增强来显着减少所需的训练数据量。人工智能在状态监测和诊断领域的应用正变得越来越流行。然而，绝大多数工作都是基于机器中配置的传感器。因此，使用声学阵列作为非侵入式非接触式传感器的可能性正在出现。这项工作的目标是开发数据处理方法，以分析振动模式的声学阵列图像。这些方法已在新创建的实验数据集上进行了演示，其中使用 32 x 32 麦克风阵列测量振动板。在这个板上，一个扰动质量放置在不同的位置，以修改系统的动态特性。实验结果表明，即使在训练数据量较少的情况下，所提出的方法也能够确定干扰质量的位置。它们显示出对于空间频率信息至关重要的应用很有希望。这些方法已在新创建的实验数据集上进行了演示，其中使用 32 x 32 麦克风阵列测量振动板。在这个板上，一个扰动质量放置在不同的位置，以修改系统的动态特性。实验结果表明，即使在训练数据量较少的情况下，所提出的方法也能够确定干扰质量的位置。它们显示出对于空间频率信息至关重要的应用很有希望。这些方法已在新创建的实验数据集上进行了演示，其中使用 32 x 32 麦克风阵列测量振动板。在这个板上，一个扰动质量放置在不同的位置，以修改系统的动态特性。实验结果表明，即使在训练数据量较少的情况下，所提出的方法也能够确定干扰质量的位置。它们显示出对于空间频率信息至关重要的应用很有希望。