DCASE 2026 기계 이상음 탐지, 올해 과제는 현장 소음
수정일
기계 소리로 이상 징후를 탐지하는 연구 챌린지 DCASE Task 2는 2026년 과제의 초점을 현장 소음에 두었습니다. 올해 달라진 점은 두 가지입니다. 대상 기계의 근거리와 원거리에서 동시에 녹음한 2채널 소리를 제공했고, 정상음만으로 학습한 시스템이 소음 속에서도 이상을 구분하도록 했습니다.
이 글은 2026년 9월 12일 현재 공개된 DCASE 2026 과제 페이지와 공식 결과표, 과제 개요 논문(arXiv 2606.01578 v1)을 기준으로 작성했습니다.
기계 이상음 탐지 연구를 설명하기 위한 연출 이미지입니다. 실제 DCASE 데이터 녹음 현장이나 특정 제품을 나타내지 않습니다.
소음 인지형 비지도 이상음 탐지 과제
2026년 Task 2의 공식 과제명은 Noise-aware Unsupervised Anomalous Sound Detection for Machine Condition Monitoring입니다. 주최 측은 과제 설명을 2월 1일에, 세부 과제를 4월 1일에 공개했습니다(DCASE 2026 과제 페이지). 비지도 설정이므로 학습 데이터는 정상 기계 소리로만 구성됩니다. 참가 시스템은 이상음을 한 번도 학습하지 않은 상태에서 이상을 탐지해야 합니다.
주최 측은 개요 논문에서 기존 설정은 환경 소음 정보가 제한적이어서 소음이 큰 환경에서 성능이 저하될 수 있었다고 설명합니다. 실제 현장에는 소음원이 여럿 있으므로 소음이 큰 조건에서 이상음을 탐지하는 일이 중요하다는 것이 올해 과제의 문제의식입니다(arXiv 2606.01578). 과제는 Hitachi, NTT, SB Intuitions, 교토대 연구자들이 주최했습니다.
근거리 및 원거리 마이크
근거리 마이크와 원거리 마이크의 배치를 설명하기 위한 연출 이미지입니다. 실제 DCASE 녹음 배치와는 다릅니다.
올해 데이터는 대상 기계의 근거리(채널 1)와 원거리(채널 2)에서 동시에 녹음한 2채널 오디오입니다. 원거리 마이크에는 환경 소음이 상대적으로 강하게, 기계 직접음은 약하게 녹음됩니다. 두 채널을 비교하면 환경 소음과 기계 소리를 구분하는 단서를 얻을 수 있습니다.
주최 측은 일부 데이터를 에뮬레이션(Emu)으로 생성했습니다. 기계 위치와 스피커 위치에서 두 마이크까지의 임펄스 응답을 측정하고, 미리 녹음한 기계 소리와 환경 소음을 이 응답과 합성해 2채널 오디오를 만드는 방식입니다. 주최 측은 MIMII, ToyADMOS, MIMII DG, ToyADMOS2 등 이전 DCASE 데이터셋을 참조해 데이터를 구성했습니다.
개발 세트에는 fan, gearbox(Emu), bearing(Emu), slide rail(Emu), ToyCar(Emu), ToyCar, valve(Emu) 7종이 포함되어 있습니다. 평가용 기계는 5월 15일에 별도로 공개되었으며 ToyDrone, ToothBrush, SewingMachine, Sander, BlowerDustCollector 등이 포함되었습니다. 클립 길이는 10-12초입니다. 기계별 학습용 정상음은 소스 도메인 990개와 운전 조건이 변경된 타깃 도메인 10개입니다.
과제 페이지가 제시한 요구사항은 다섯 가지입니다.
- 정상음만으로 학습합니다.
- 운전 조건이 변경되는 도메인 이동에 대응합니다.
- 처음 보는 기계 종류에도 일반화합니다.
- 기계 속성 정보의 유무와 관계없이 동작합니다.
- 2채널 녹음을 사용합니다.
2020년 이후 과제의 변천
Task 2는 현장 조건을 단계적으로 과제에 추가해 왔습니다. 운전 조건 변화와 새로운 기계 종류에 이어 올해는 주변 소음이 추가되었습니다.
| 연도 | 과제 초점 |
|---|---|
| 2020 | 비지도 이상음 탐지 도입 |
| 2021 | 도메인 이동(운전 조건 변화) |
| 2022 | 도메인 일반화 |
| 2023-2025 | first-shot(처음 보는 기계 종류, 테스트 데이터 기반 튜닝 금지) |
| 2026 | 소음 인지(근거리 및 원거리 마이크 2채널) |
자료: DCASE 2026 Task 2 개요 논문(arXiv 2606.01578, 2026년 6월 1일)
50여 개 팀의 170여 개 시스템 평가 결과
음향 시험실을 연출한 이미지입니다. 화면의 그래프는 장식이며 실제 결과가 아닙니다.
평가 데이터는 6월 1일에 공개되었습니다. 제출은 6월 15일에 마감되었고 결과는 6월 30일에 발표되었습니다. 공식 결과표에는 50여 개 팀이 제출한 170여 개 시스템이 수록되었습니다(공식 결과 페이지).
공식 점수는 전체 도메인의 AUC와 오경보율 0-0.1 구간의 pAUC를 모든 기계 종류에 걸쳐 조화평균한 값입니다. 베이스라인은 두 가지입니다. 로그 멜 스펙트로그램을 입력으로 받는 오토인코더의 재구성 오차(MSE) 방식과 마할라노비스 거리 방식이며, 점수는 각각 59.80과 54.76입니다. 최고 점수는 MERL의 시스템(Fujimura_MERL_task2_3)이 기록한 70.24입니다.
MSE 베이스라인의 시스템 순위는 68위였습니다. 이는 베이스라인보다 낮은 점수를 받은 시스템도 많았다는 뜻입니다. 이 점수는 벤치마크 데이터로 계산한 순위용 지표이며 실제 현장의 검출률이 아닙니다.
사전학습 오디오 모델 중심의 방법론 동향
결과 페이지의 시스템 특성표는 참가 팀이 스스로 기재한 정보입니다. 이 표에 따르면 1위 시스템은 사전학습 오디오 모델(BEATs) 임베딩과 mixup 증강을 사용했습니다. 다른 참가 시스템에서도 BEATs, EAT, CED 같은 사전학습 모델 임베딩에 kNN 등 거리 기반 판정을 조합한 경우가 많습니다.
자가 기재 정보이므로 정확한 비율을 산정하기는 어렵습니다. 다만 대규모 오디오로 사전학습한 모델을 특징 추출기로 사용하는 경향은 확인할 수 있습니다. 개요 논문 v1에는 결과가 수록되어 있지 않으며, 결과와 분석은 제출 마감 후에 추가할 예정이라고 명시되어 있습니다. 주최 측의 공식 해석은 개정판이나 워크숍 발표에서 확인해야 합니다.
소리 기반 설비 모니터링의 검토 항목
챌린지의 과제 설계는 현장 도입을 검토할 때 확인할 사항과 겹칩니다.
- 정상음을 어떤 운전 조건에서 수집했는지 기록하고, 조건이 변경되면 다시 확인할 계획을 수립합니다.
- 운전 조건이 변경된 뒤 확보할 수 있는 정상 데이터가 적을 때의 대응 방안을 마련합니다.
- 마이크 위치와 주변 소음원을 함께 기록합니다. 기계 근거리와 원거리의 소리 차이도 확인합니다.
- 평가 지표가 오경보가 적은 구간의 성능을 별도로 반영하는지 확인합니다.
- 설비 종류가 늘어날 때 같은 방식을 그대로 적용할 수 있는지, 설비별 조정이 필요한지 검토합니다.
- 벤치마크 점수를 현장 검출률로 해석하지 않고 해당 설비의 데이터로 다시 검증합니다.
결론
2026년 Task 2는 비지도 기계 이상음 탐지 연구가 현장 소음을 직접 다루기 시작했음을 보여 줍니다. 10월 27일에는 MIT에서 응용 및 산업 연구 워크숍(AIR)이, 10월 28-29일에는 Tufts University에서 본 워크숍이 미국 보스턴에서 열릴 예정입니다(DCASE 2026 워크숍). 결과 해석은 워크숍 발표와 향후 공개될 수 있는 개요 논문 개정판까지 함께 확인하는 편이 정확합니다. 과제 규칙과 점수는 DCASE 2026 공식 페이지에 공개되어 있습니다.
연구 과제가 소음을 다루듯 현장 모니터링도 주변 소음과 운전 조건 변화를 전제로 설계해야 합니다. XyloZero처럼 소리, 진동, 환경 신호로 설비 상태를 상시 모니터링하는 도구도 같은 조건에서 검토해야 합니다.
운영 노트 3편 음향 진단과 진동 모니터링, 설비 신호 선택 기준에서 소리와 진동 신호의 기초를 다루었습니다.
