Audioman 24 окт 2019 в 21:27

«Послушай, чтобы найти поломку»: опубликованы аудиозаписи неисправных индустриальных машин

3 мин

5.4K

Блог компании АудиоманияЗвукМашинное обучение*Промышленное программирование*Старое железо

Инженеры из Hitachi подготовили тысячи аудиозаписей, на которых запечатлена работа промышленного оборудования в боевых условиях. С помощью такой библиотеки машинные алгоритмы смогут выявлять нештатную работу систем и прогнозировать потенциальные поломки.

Рассказываем, что вошло в дата-сет и кто еще трудится над аналогичными проектами.

^{Фото abi ismail / Unsplash}

Зачем это нужно

Врачи используют стетоскопы, чтобы диагностировать некоторые заболевания. Но точность, с которой таким образом можно выявить патологию, составляет 20–40%. Поэтому сегодня на помощь приходят электронные стетоскопы с системами искусственного интеллекта. Например, такой прибор делают специалисты из Северо-западной мемориальной больницы Чикаго. Умные алгоритмы помогают увеличить точность постановки диагноза до 97%.

Аналогичный подход набирает обороты в сфере производства — модели машинного обучения выявляют неисправности индустриальных станков: неестественные шумы в работе трансмиссий, помп, вентиляторов или клапанов. Чтобы повысить точность и качество машинного обучения, в Hitachi подготовили и выложили в открытый доступ набор аудиозаписей промышленных машин. Работа проделана в реальных фабричных условиях.

По утверждениям авторов, это первый в мире дата-сет такого рода. Он получил название MIMII Dataset — Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection.

Что внутри

Подборка содержит звуки клапанов, помп, вентиляторов и рельсовых направляющих. Все они — от разных производителей. В архиве собрано более 26 тысяч десятисекундных семплов со звуками машин, работающих в нормальных условиях. Также там лежат 6 тыс. аудиофайлов со записями работы неисправных аппаратов и машин, пребывающих в «неидеальном состоянии».

Среди таких условий: повреждение направляющих и отсутствие на них смазки, дисбаланс при вращении лопастей и их заклинивание, утечки масла и скачки напряжения.

^{Фото Sergei Akulich / Unsplash}

Продолжительность аудиосемплов составляет 10 секунд, все они записаны в формате WAV с частотой дискретизации 16 кГц. Запись велась сразу на нескольких производственных фабриках. Использовали восемь микрофонов, собранных в круговой массив и установленных на расстоянии 10–50 см от станков и оборудования (схему можно найти в whitepaper на стр.3).

Набор распространяют по лицензии CC BY-SA 4.0. Архивы лежат на площадке Zenodo, но их общий вес превышает 150 Гбайт. Несколько аудиозаписей можно послушать по ссылке.

Планы авторов

Для каждой модели промышленной машины — так как все они обладают своими акустическими характеристиками — инженеры разработали детекторы аномалий. Тестовые запуски показали, что обученные интеллектуальные системы лучше выявляют сбои в работе вентиляторов и рельсовых направляющих. Но детекторы испытали сложности, анализируя работу клапанов.

Инженеры объяснили это тем, что звук открытия и закрытия клапана непродолжителен и происходит редко. Так, определить неисправности оказывается труднее, чем в случае со статическими и продолжительными звуками других механизмов. Разработкой эффективных алгоритмов для выявления аномалий в работе клапанов, специалисты Hitachi займутся в будущем.

Похожие проекты

В первом подразделе мы отметили, что системы искусственного интеллекта проникают в сферу здравоохранения. Поэтому в этой области также появляется большое количество дата-сетов для обучения алгоритмов, диагностирующих заболевания внутренних органов. Например, инженер из Стэнфордского университета выложил в открытый доступ классификацию аномалий сердцебиения.

Его используют для разработки умных стетоскопов — дата-сет скачали более 7 тыс. раз специалисты из Индии, США, Канады, Франции, Германии и других стран.

^{Фото Marcelo Leal / Unsplash}

Еще пример — из мира автомобилей. Израильская компания 3dsignals разрабатывает интеллектуальную систему диагностики. Благодаря ей автовладельцы смогут получать своевременную информацию о неисправностях. Авторы заявляют, что система способна предсказать временной интервал, в течение которого произойдёт поломка.

Точность такой диагностики, согласно результатам испытаний, составляет 98%. К сожалению, дата-сет, на котором тренировали нейросеть, в 3dsignals не раскрывают. Решение компании также подходит для мониторинга крупных промышленных установок. Например, его уже применяют в корпорации Enel Green Power для оценки состояния энергетических турбин.

Дополнительное чтение из нашего блога: