تشخیص و ضعیت ماشین ها از روی صدای آنها توسط هوش مصنوعی

25 فوریه 2022 -توسط فلوریان مایر، ETH زوریخ

نمونه هایی از سیگنال های غیر طبیعی داده‌های خام، log-spectrogram، و توزیع ضریب به‌دست‌آمده در هر سطح برای دو اندازه‌گیری غیرعادی ریل لغزنده 0 در SNR 0 dB نشان داده شده است. اعتبار: DOI: 10.1073/pnas.2106598119

صداها اطلاعات مهمی در مورد نحوه عملکرد یک دستگاه ارائه می دهند. محققان ETH اکنون یک روش یادگیری ماشینی جدید ایجاد کرده اند که به طور خودکار تشخیص می دهد که آیا یک ماشین “سالم” است یا نیاز به تعمیر و نگهداری دارد.

چه چرخ‌های راه‌آهن یا ژنراتورهای نیروگاه، چه پمپ‌ها و چه دریچه‌ها، همگی صدا تولید می‌کنند. برای گوش‌های آموزش‌دیده، این صداها معنایی دارند: دستگاه‌ها، ماشین‌ها، تجهیزات یا وسایل نورد وقتی درست کار می‌کنند در مقایسه با زمانی که نقص یا ایراد دارند، صدای متفاوتی دارند.

بنابراین، صداهایی که تولید می‌کنند، سرنخ‌های مفیدی را به متخصصان می‌دهد در مورد اینکه آیا یک دستگاه در وضعیت خوب یا «سالم» است یا به زودی نیاز به تعمیر و نگهداری یا تعمیر فوری دارد. کسانی که به موقع تشخیص می‌دهند که دستگاهی معیوب به نظر می‌رسد، بسته به مورد، می‌توانند از یک نقص پرهزینه جلوگیری کرده و قبل از خراب شدن آن مداخله کنند. در نتیجه، نظارت و تجزیه و تحلیل صداها در بهره برداری و نگهداری زیرساخت های فنی اهمیت پیدا کرده است – به ویژه از آنجایی که ضبط صداها، نویزها و سیگنال های صوتی نسبتاً مقرون به صرفه با میکروفون های مدرن است.

برای استخراج اطلاعات مورد نیاز از چنین صداهایی، روش های اثبات شده پردازش سیگنال و تجزیه و تحلیل داده ها ایجاد شده است. یکی از آنها به اصطلاح تبدیل موجک است. از نظر ریاضی، تن ها، صداها یا نویز را می توان به صورت امواج نشان داد. تبدیل موجک یک تابع را به مجموعه ای از موجک ها تجزیه می کند که نوسانات موج مانندی هستند که در زمان واقعی هستند. ایده اصلی این است که تعیین کنیم چه مقدار از یک موجک در یک سیگنال برای یک مقیاس و مکان تعریف شده است. اگرچه چنین چارچوب‌هایی کاملاً موفق بوده‌اند، اما همچنان می‌توانند کاری زمان‌بر باشند.

تشخیص عیوب در مراحل اولیه

اکنون محققان ETH یک روش یادگیری ماشینی ایجاد کرده اند که تبدیل موجک را کاملاً قابل یادگیری می کند. این رویکرد جدید به ویژه برای سیگنال های فرکانس بالا، مانند سیگنال های صدا و ارتعاش مناسب است. به طور خودکار تشخیص می دهد که آیا دستگاه “سالم” به نظر می رسد یا خیر. رویکردی که توسط محققان پسادکتری گابریل میچائو، گائتان فروسک و اولگا فینک، پروفسور سیستم‌های نگهداری هوشمند توسعه یافته و اکنون در مجله PNAS منتشر شده است، پردازش سیگنال و یادگیری ماشین را به روشی جدید ترکیب می‌کند. این یک الگوریتم هوشمند، یعنی یک قانون محاسباتی را قادر می سازد تا نظارت صوتی و تجزیه و تحلیل صدا را به صورت خودکار انجام دهد. با توجه به شباهت آن به تبدیل موجک به خوبی تثبیت شده، رویکرد یادگیری ماشین پیشنهادی تفسیرپذیری خوبی از نتایج ارائه می‌کند.

هدف محققان این است که در آینده نزدیک، متخصصانی که با ماشین‌ها در صنعت کار می‌کنند، بتوانند از ابزاری استفاده کنند که به‌طور خودکار تجهیزات را کنترل می‌کند و به موقع به آنها هشدار می‌دهد – بدون نیاز به دانش قبلی خاص – در صورت آشکار، غیرعادی یا “ناسالم” “صداها در تجهیزات رخ می دهد. فرآیند جدید یادگیری ماشین نه تنها برای انواع مختلف ماشین‌ها، بلکه برای انواع سیگنال‌ها، صداها یا ارتعاشات نیز کاربرد دارد. به عنوان مثال، فرکانس‌های صوتی را که انسان‌ها – مانند سیگنال‌های با فرکانس بالا یا اولتراسوند – به‌طور طبیعی نمی‌توانند بشنود را نیز تشخیص می‌دهد.

با این حال، فرآیند یادگیری به سادگی همه انواع سیگنال ها را از طریق یک نوار شکست نمی دهد. در عوض، محققان آن را برای تشخیص تفاوت های ظریف در انواع مختلف صدا و تولید یافته های خاص ماشین طراحی کرده اند. این بی اهمیت نیست زیرا هیچ نمونه معیوبی برای یادگیری وجود ندارد.

تمرکز بر صداهای “سالم”.

در کاربردهای صنعتی واقعی، معمولاً نمی‌توان نمونه‌های صدای معیوب زیادی را جمع‌آوری کرد، زیرا نقص به ندرت اتفاق می‌افتد. بنابراین، نمی توان به الگوریتم آموزش داد که داده های نویز ناشی از خطاها چگونه ممکن است به نظر برسند و چگونه با صداهای سالم تفاوت دارند. بنابراین، محققان الگوریتم‌ها را به‌گونه‌ای آموزش دادند که الگوریتم یادگیری ماشینی یاد گرفت که یک ماشین در حالت عادی چگونه صدا می‌دهد وقتی درست کار می‌کند و سپس تشخیص می‌دهد که یک صدا از حالت عادی منحرف می‌شود.

برای انجام این کار، آنها از انواع داده های صوتی از پمپ ها، فن ها، دریچه ها و ریل های کشویی استفاده کردند و رویکرد “یادگیری بدون نظارت” را انتخاب کردند، و به یک الگوریتم “گفتند” چه چیزی یاد بگیرند، که کار کامپیوتر بود. الگوهای مربوطه را بطور مستقل یاد گرفت. به این ترتیب، اولگا فینک و تیم او فرآیند یادگیری را قادر ساختند تا صداهای مرتبط را در یک نوع ماشین مشخص تشخیص دهد و بین انواع خاصی از خطاها بر این اساس تمایز قائل شود.

حتی اگر مجموعه داده ای با نمونه های معیوب در دسترس بود و نویسندگان می توانستند الگوریتم های خود را با صدای سالم و ناقص آموزش دهند. https://techxplore.com