02.07.2022
Наш канал в Telegram: https://t.me/berzaru

Искусственный интеллект научился определять поломку машины по звуку

Поломку техники по звуку определяет ИИ

Звуки предоставляют важную информацию о том, насколько хорошо работает машина. Будь то железнодорожные колёса, генераторы на электростанции, насосы или клапаны — все они издают звуки. Для натренированного слуха эти шумы даже имеют смысл: устройства, машины, оборудование или подвижной состав звучат иначе, когда они исправно функционируют, чем когда они неисправны.

Таким образом, звуки, которые они издают, дают профессионалам полезную подсказку о том, находится ли машина в хорошем состоянии, или же ей скоро потребуется техническое обслуживание или срочный ремонт. Те, кто вовремя распознаёт, что машина звучит неисправно, могут предотвратить дорогостоящий дефект и вмешаться до того, как машина сломается. Следовательно, мониторинг и анализ звуков приобретают всё большее значение в эксплуатации и обслуживании технической инфраструктуры, особенно с учётом того, что запись тонов, шумов и акустических сигналов стала сравнительно рентабельной с помощью современных микрофонов.

Для извлечения необходимой информации из таких звуков были созданы проверенные методы обработки сигналов и анализа данных. Одним из них является так называемое вейвлет-преобразование. Математически тоны, звуки или шум можно представить в виде волн. Вейвлет-преобразование разлагает функцию на набор вейвлетов, которые представляют собой волнообразные колебания, локализованные во времени. Основная идея состоит в том, чтобы определить, какая часть вейвлета находится в сигнале для определённого масштаба и местоположения.

Исследователи Высшей технической школы Цюриха разработали метод машинного обучения, который делает вейвлет-преобразование полностью обучаемым. Этот новый подход особенно подходит для высокочастотных сигналов, таких как звуковые и вибрационные сигналы. Это позволяет автоматически определять, звучит ли машина «здорово» или нет. Подход, разработанный Габриэлем Мишо, Гаэтаном Фруске и Ольгой Финк, опубликован в журнале PNAS. Он позволяет интеллектуальному алгоритму автоматически выполнять акустический мониторинг и анализ звука. Благодаря своему сходству с хорошо зарекомендовавшим себя вейвлет-преобразованием предлагаемый подход к машинному обучению обеспечивает хорошую интерпретируемость результатов.

Цель исследователей состоит в том, чтобы в ближайшем будущем профессионалы, работающие с машинами в промышленности, могли использовать инструмент, который автоматически контролирует оборудование и вовремя предупреждает их о заметных, ненормальных или «нездоровых» звуках, которые возникают в оборудовании. Новый процесс машинного обучения применим не только к различным типам машин, но и к различным типам сигналов, звуков или вибраций. Например, он также распознаёт звуковые частоты, которые люди не могут слышать по своей природе. Например, высокочастотные сигналы или ультразвук.

Однако процесс обучения не просто понимает все типы сигналов. Скорее, исследователи разработали его для обнаружения тонких различий в различных типах звука и получения результатов, специфичных для машины. Это не тривиально, поскольку нет ошибочных образцов, на которых можно было бы учиться. В реальных промышленных приложениях обычно невозможно собрать много репрезентативных звуковых примеров неисправных машин, потому что дефекты возникают редко. Следовательно, невозможно научить алгоритм тому, как могут звучать данные о шуме от неисправностей и чем они отличаются от здоровых звуков. Поэтому исследователи обучили алгоритмы таким образом, чтобы алгоритм машинного обучения узнал, как обычно звучит машина, когда она работает правильно, а затем распознал, когда звук отклоняется от нормального.

Для этого учёные использовали различные звуковые данные от насосов, вентиляторов, клапанов и выбрали подход «обучения без учителя». Таким образом, Ольга Финк и её команда позволили в процессе обучения распознавать родственные звуки в машинах определённого типа и на этой основе различать определённые типы неисправностей. Даже если бы был доступен набор данных с ошибочными образцами, и авторы могли бы обучать свои алгоритмы как на здоровых, так и на дефектных звуковых образцах, они никогда не были бы уверены, что такой размеченный набор данных содержит все варианты звуков и ошибок. Образец мог быть неполным, и их метод обучения мог пропустить важные звуки неисправности. Более того, один и тот же тип машины может издавать очень разные звуки в зависимости от интенсивности использования или условий окружающей среды, так что даже технически почти идентичные дефекты могут звучать очень по-разному.