Spotify是一家雄心勃勃地要把机器学习应用到音频信号上的公司。 虽然Spotify仍然依赖于其他数据堆，但他们的推荐特征里也包括了歌曲本身的信号。

　　音乐推荐传统上依赖于协同过滤（collaborative filtering）的启发。（译者注：协同过滤是机器学习中基于对其他相似顾客对哪些产品感兴趣的分析来推荐给某位特定顾客他可能感兴趣的东西的一种模型。）这些基本模型推荐给你与你有相似喜好的用户所播放的歌曲。

　　上图，根据Spotify，滤波器以不同频率的红色和蓝色波带来表示声音的内容。倾斜表示上升和下降的音调。

　　在可控的音乐环境之外，工程师提出了大致两类解决方案。第一个我把它称作“定制解决方案”模型，公司从客户端收集数据，唯一目的是识别预设的声音范围。实施这个方案如同“建造一只熊”，成本昂贵，通常为工业应用。

　　第二种方法是一种“捕捉”可以标记任何声学异常的深度学习模型。这些模型通常需要专业人士手动分类声音，然后进一步训练模型去寻找什么。随着时间的推移，这些系统需要越来越少的人为干预。

　　一家名为“3D信号”的公司正在结合这两种方法进行创业。该公司在旋转设备的声学异常检测方面拥有专利。这些设备包括电动机、泵、涡轮机、齿轮箱和发电机等。

　　3D信号公司的首席执行官Amnon Shenfeld说：“我们构建了一个非常庞大的架构，将大量分布式机器连接到我们的监控平台，当这些机器发生故障时，我们的算法会检测到这些故障。

　　上图，MAN B＆W12S90ME-C Mark 9.2型柴油发动机

　　他们也利用现有工程师对特别重要的问题进行分类。如果技术人员识别到问题，他们可以标记为声学异常，这有助于训练学习算法以便在未来区分这些类型的声音。

　　另一家公司OtoSense则在其网站上提供了一个“设计实验室”。 客户可以查找他们想要的识别特定声音事件的样板，公司将提供一个可以满足他们特定需要的软件平台。

　　预测性维护不仅是可实现的，而且将随时可以使用。像3DSignals和OtoSense这样的公司都瞄准了这个领域：利用商品化的物联网传感器来帮助用户准确无误地替换刚出问题的部件，从而避免了代价高昂的停机时间。

　　明天的机器

　　在未来的几年内，我们将为广泛的声音检测问题提供解决方案。新的声学分析系统将跟踪机器的生命周期成本，并帮助企业估计未来的预算。

　　ATS咨询公司（该公司从事噪声和振动分析工作）的工程师ShannonMcKenna表示：“美国联邦运输管理局（FederalTransit Administration）强烈推动交通资产管理（Transit Asset Management）的状态评估。我们认为这是一种帮助运输机构为其铁路系统提供状态评估指标的方法。“

　　除了像轮哨声这样的短路指示器，铁路监控工程师开始陷入如同在干草堆里寻找一个漂亮的粗糙的针头这样的问题。 McKenna解释说，普通声信号只代表大约50％的复杂铁路系统可能面临的问题。与规范性检查的框架相反，真正的风险管理需要一个通用系统 ––没有人希望遇到由于罕见情况而导致的灾难。

　　但我们要想实现可以识别任何声音的广义分类器仍有很长的路要走。除非在算法上取得突破，我们将不得不分段解决问题。我们将需要研究人员建造出用于地下地铁系统、人类呼吸系统和关键能源基础设施的声音分类器，以帮助监控可能发生的事故。