Звуки предоставляют важную информацию о том, насколько хорошо работает машина. Исследователи ETH разработали новый метод машинного обучения, который автоматически определяет, является ли машина «исправной» или требует обслуживания.

Будь то железнодорожные колеса или генераторы на электростанции, будь то 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 или неисправны.

Таким образом, звуки, которые они издают, дают профессионалам полезную подсказку о том, находится ли машина в хорошем — или «здоровом» — состоянии, или же ей скоро потребуется техническое обслуживание или срочный ремонт. Те, кто вовремя распознает, что машина звучит неисправно, могут, в зависимости от случая, предотвратить дорогостоящий дефект и вмешаться до того, как машина сломается. Следовательно, мониторинг и анализ звуков приобретают все большее значение в эксплуатации и обслуживании технической инфраструктуры, особенно с учетом 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 определенного масштаба и местоположения. Хотя такие фреймворки оказались весьма успешными, они по-прежнему могут занимать много времени.

Выявление дефектов на ранней стадии

Теперь исследователи ETH 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 докторантами Габриэлем Мишо, Гаэтаном Фруске и Ольгой Финк, профессором интеллектуальных систем технического обслуживания, опубликован в журнале PNAS ., по-новому сочетает в себе обработку сигналов и машинное обучение. Он позволяет интеллектуальному алгоритму, т. е. правилу расчета, 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, не требуя каких-либо специальных предварительных знаний, о заметных, ненормальных или «нездоровых». «звуки 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 распознает звуковые частоты, которые люди, такие как высокочастотные сигналы или ультразвук, не могут слышать по своей природе.

Однако процесс обучения не просто бьет все типы сигналов по планке. 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.

Сосредоточены на «здоровых» звуках

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 они использовали различные звуковые данные от насосов, вентиляторов, клапанов и направляющих и выбрали подход «обучения без учителя», когда не они «указывали» алгоритму, что изучать, а компьютер. самостоятельно выучил соответствующие модели. Таким образом, Ольга Финк и ее команда позволили в процессе обучения распознавать родственные звуки в машинах определенного типа и на этой основе различать определенные 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 в зависимости от данной машины.

Учимся по песням птиц

Однако алгоритм применим не только к звукам, издаваемым машинами. Исследователи также проверили свои алгоритмы, чтобы различать песни разных птиц. При этом они использовали записи орнитологов. Алгоритмы должны были научиться различать разные песни птиц определенного вида, гарантируя также, что тип микрофона, который использовали орнитологи, не имел значения: «Предполагается, что машинное обучение распознает песни птиц, а не оценивает технику записи». говорит Габриэль Мишо. Этот эффект обучения также важен для технической инфраструктуры: даже с машинами алгоритмы должны быть независимы от простого фонового шума и влияния техники записи при попытке обнаружить соответствующие звуки.

Для будущего промышленного применения важно, чтобы машинное обучение могло обнаруживать тонкие различия между звуками: чтобы быть полезным и заслуживающим доверия профессионалам в этой области, оно не должно ни предупреждать слишком часто, ни пропускать важные звуки. «С помощью нашего исследования мы смогли продемонстрировать, что наш подход к машинному обучению выявляет аномалии среди звуков и что он достаточно гибок, чтобы его можно было применять к разным типам сигналов и разным задачам», — заключает Ольга Финк. Важной характеристикой их метода обучения является то, что он также может отслеживать эволюцию звука, чтобы обнаруживать признаки возможных дефектов по тому, как звуки развиваются с течением времени. Это открывает несколько интересных приложений.