|
|
发表于 2022-3-16
|
|阅读模式
声音提供有关计算机运行情况的重要信息。ETH研究人员现在已经开发出一种新的机器学习方法，可以自动检测机器是否“健康”或是否需要维护。
无论是铁路车轮还是发电厂的发电机，无论是泵还是阀门都会发出声音。对于训练有素的耳朵来说，这些噪声有不同的意义：设备、机器、设备或机车车辆在正常运行时的声音与有缺陷或故障时不同。
因此，它们发出的声音为专业人士提供了有用的线索，说明机器是否处于良好或“健康”的状态，或者它是否很快需要维护或紧急维修。那些及时认识到机器听起来有故障的人，根据具体情况，可以防止代价高昂的缺陷，并在故障发生之前进行干预。因此，声音的监测和分析在技术基础设施的运营和维护中变得越来越重要。
为了从这些声音中提取所需的信息，已经建立了经过验证的信号处理和数据分析方法。其中之一就是所谓的小波变换。从数学上讲，音调、声音或噪声可以表示为波。小波变换将函数分解为一组小波，这些小波是随时间定位的波状振荡。基本的想法是确定定义的比例和位置的信号中有多少小波。尽管这些框架已经相当成功，但它们仍然是一项耗时的任务。
在早期阶段检测故障
现在ETH研究人员已经开发出一种机器学习方法，使小波变换完全可学。这种新方法特别适用于高频信号，如声音和振动信号。它能够自动检测机器听起来是否“健康”。由博士后研究人员Gabriel Michau，Gaëtan Frusque和智能维护系统教授Olga Fink开发的方法，现在发表在PNAS杂志上，以一种新颖的方式结合了信号处理和机器学习。它使智能算法（即计算规则）能够自动执行声学监测和声音分析。由于其与成熟的小波变换的相似性，所提出的机器学习方法为结果提供了良好的可解释性。
研究人员的目标是，在不久的将来，在工业中操作机器的专业人员将能够使用一种工具，该工具可以自动监控设备并及时警告他们——当设备中出现明显，异常或“不健康”的声音时，不需要任何特殊的先验知识。新的机器学习过程不仅适用于不同类型的机器，还适用于不同类型的信号、声音或振动。例如，它还可以识别人类天生无法听到的声音频率，例如高频信号或超声波。
然而，学习过程并不是简单地推敲所有类型的信号。相反，研究人员设计它来检测不同类型声音的细微差别，并产生机器特有的结果。这并不是微不足道的，因为没有错误的样本可供学习。
专注于“健康”的声音
在实际的工业应用中，通常不可能收集到许多有故障的机器的代表性声音示例，因为故障并不经常发生，无法告诉算法来自故障的噪声数据可能听起来像什么，以及它们与健康声音有何不同。因此，研究人员以这样的方式训练算法，即机器学习算法学习机器在正常运行时通常如何发出声音，然后识别声音何时偏离正常。
为此，他们使用了来自泵、风扇、阀门和滑轨的各种声音数据，并选择了一种“无监督学习”的方法，不是他们告诉算法要学习什么，而是计算机自主学习相关模式。通过这种方式，Olga Fink和她的团队使学习过程能够识别给定类型机器中的相关声音，并在此基础上区分某些类型的故障。
即使有一个包含错误样本的数据集可用，并且作者能够使用正常和故障声音样本来训练他们的算法，他们也永远无法确定这种标记的数据收集是否包含所有声音和故障变体。样本可能不完整，他们的学习方法可能错过了重要的故障声音。根据使用强度或环境条件，同一类型的机器可以产生非常不同的声音，因此，即使技术上几乎相同的缺陷也可能听起来非常不同，具体取决于给定的机器。
从鸟鸣中学习
但是，该算法不仅适用于机器发出的声音。研究人员还测试了他们的算法，以区分不同的鸟鸣声。在这样做的过程中，他们使用了观鸟者的录音。算法必须学会区分特定物种的不同鸟鸣声——还要确保不受观鸟者使用的麦克风类型影响：“机器学习应该识别鸟鸣，而不是评估记录技术。”Gabriel Michau说。这种学习效果对于技术基础设施也很重要：即使使用机器，算法也必须与纯粹的背景噪声和录音技术的影响无关，以检测相关声音。
对于未来的工业应用，重要的是机器学习将能够检测到声音之间的细微差异：为了对该领域的专业人士有用且值得信赖，它既不能太频繁地发出警报，也不能错过相关声音。“通过我们的研究，我们能够证明我们的机器学习方法可以检测声音中的异常，并且它足够灵活，可以应用于不同类型的信号和不同的任务。”Olga Fink总结道。他们的学习方法的一个重要特征是，它还能够监测声音的演变，以便它可以从声音随时间演变的方式中检测到可能的缺陷迹象。 |
|
