随着工业技术的发展进步,越来越多类型的机器用于生产制造和人们的日常生活中,机器与我们生活息息相关,因此对机器设备定期维护检测,提前检测出异常并修复,确保机器设备的正常运行成为了一项有必要的任务。机器运作时往往会有规律的声音,但在发生异常时声音就会产生变化,因此声音可以用来当作判别机器是否正常运作的一个标准。基于机器运作声音的特点,本文设计并实现了一个无监督机器异常声音检测系统,主要的研究和工作内容如下:（1）机器异常的发生是不可预知的,故意损坏机器只能获得有限的异常声音种类,并且代价很高,因此异常声音难以收集。针对这个问题本文提出使用基于无监督学习的网络模型对声音特征进行训练,训练过程只使用机器正常运转的声音,从而避免缺少异常声音的问题。MFCC特征提取中使用一个滤波器组从一个角度来模拟听觉特征,而调制频谱特征的提取方法中使用gammatone滤波器组和8通道的调制滤波器组分别模拟耳蜗结构和人的听觉系统中的滤波结构,从两个角度提取声学特征从而使声学特征更明显,神经网络的训练目标更加明确。通过实验对比确认使用调制频谱特征来表示声音的特征。（2）机器声音的类型多种多样,对多种声音特点归类并训练的网络模型不会比针对一种声音训练的模型表现优良,因此异常声音检测系统对每种类型的声音训练一个模型。也同样因为机器的声音类型很多,声音收集困难,提前训练一个语音模型不现实,对于不同类别的机器声音要训练不同的模型,并且随着音频数据的增多,模型要及时更新,系统的模型要进行扩展,基于上述需求设计一个基于B/S（浏览器/服务器）架构的异常声音检测系统,系统的主要功能是针对不同类的声音分别训练模型来检测声音是否异常。为了使系统应用更加便捷,设计了一个小程序在手机端使用,小程序可以录音并将语音文件保存到目录或者录音并及时检测。目前主流的神经网络框架使用Python编写,并且使用Python编写神经网络比Java更加便捷,因此使用Python编写网络模型并完成对声音数据的处理、训练和预测。使用Socket通信来实现Web端系统和Python语言编写的网络训练和语音预测模块之间的通信。这样的系统设计可以满足对工作车间内的机器、部署在公共场所中的机器以及企业或者私人定制机器等各种机器的维护检查,除此之外也可以提供给语音实验室,方便对模型的整理、训练和使用。综上所述,本文设计并完成了一个无监督异常声音检测系统,可以训练神经网络模型对机器运转的声音进行检测从而判断机器是否正常运作,满足定期对机器维护检查的需求,预防机器运转故障。本系统提供了用于网络模型训练和异常声音检测的接口,并完成了一个基础的异常声音检测系统,能够快速部署和应用。