ИИ научили определять неисправность машины по звуку
Звуки дают важную информацию о том, насколько хорошо работает механизм. Исследователи Высшей технической школы (ВТШ) Цюриха разработали новый метод машинного обучения, который автоматически определяет, является ли машина исправной или требует ремонта. Научная статья опубликована в Proceedings of the National Academy of Sciences PNAS, кратко о результатах сообщили в ВТШ.
Звуки, которые издают разные механизмы, дают профессионалам полезную подсказку о том, находится ли машина в хорошем состоянии или же ей скоро потребуется техническое обслуживание либо срочный ремонт. Так можно устранить дорогостоящий дефект заранее и вмешаться до того, как машина совсем сломается.
Новый подход позволяет автоматически определять, звучит ли машина «здорово» или нет. 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.
Новый процесс машинного обучения применим не только к различным типам машин, но и к разным типам сигналов, звуков или вибраций. Например, он различает частоты, такие как ультразвук, которые люди не могут слышать по своей природе. Исследователи разработали эту нейросеть для обнаружения тонких различий в типах звука, специфичных для конкретной машины. Это необычно, поскольку образцов ошибок, на которых можно было бы учиться, нет.
В реальных промышленных условиях обычно невозможно собрать много репрезентативных примеров звуков неисправных машин, потому что дефекты возникают редко. Даже если бы был доступен набор данных с образцами ошибок, авторы не могли бы быть уверены, что такой набор данных содержит все варианты. Метод обучения мог пропустить важные звуки неисправности. Более того, одна и та же машина может издавать очень разные звуки в зависимости от интенсивности использования или условий окружающей среды, и даже технически идентичные дефекты могут звучать по-разному.
Так что исследователи обучили нейросеть таким образом, чтобы ИИ знал, 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. Метод также может отслеживать изменения звука, чтобы обнаруживать признаки возможных дефектов по тому, как звуки развиваются с течением времени.
Алгоритм применим не только к звукам, издаваемым машинами. Исследователи также проверили свою нейросеть на распознавание пения птиц. При этом они использовали записи орнитологов. Алгоритмы должны были научиться различать разные песни птиц определенного вида, игнорируя различия в типах микрофона, которые использовались при записи. То есть машинное обучение распознавало песни птиц независимо от качества записи. Этот эффект также важен для технической инфраструктуры: алгоритмы должны быть независимы от простого фонового шума.
«С помощью 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, один из руководителей исследования.
