聲音提供了有關機器運行情況的重要信息。ETH 研究人員現(xiàn)在開發(fā)了一種新的機器學習方法，可以自動檢測機器是否“健康”或需要維護。無論是鐵路車輪還是發(fā)電廠的發(fā)電機，無論是泵還是閥門——它們都會發(fā)出聲音。對于訓練有素的耳朵來說，這些噪音甚至具有一定的意義：設備、機器、設備或機車車輛在正常運行時與出現(xiàn)缺陷或故障時發(fā)出的聲音不同。

因此，他們發(fā)出的聲音可以為專業(yè)人士提供有用的線索，幫助他們判斷機器是否處于良好或“健康”的狀態(tài)，或者它是否很快需要維護或緊急維修。那些及時發(fā)現(xiàn)機器聽起來有故障的人可以根據(jù)具體情況防止代價高昂的缺陷并在它發(fā)生故障之前進行干預。

因此，聲音的監(jiān)測和分析在技術基礎設施的運行和維護中變得越來越重要——尤其是因為使用現(xiàn)代麥克風記錄音調、噪音和聲學信號相對具有成本效益。

為了從這些聲音中提取所需的信息，已經(jīng)建立了經(jīng)過驗證的信號處理和數(shù)據(jù)分析方法。其中之一就是所謂的小波變換。在數(shù)學上，音調、聲音或噪音可以表示為波。小波變換將函數(shù)分解為一組小波，這些小波是時間局部化的波狀振蕩。其基本思想是確定一個信號中有多少小波在一個定義的尺度和位置上。盡管此類框架非常成功，但它們仍然可能是一項耗時的任務。

及早發(fā)現(xiàn)缺陷

現(xiàn)在 ETH 研究人員開發(fā)了一種機器學習方法，可以使小波變換完全可學習。這種新方法特別適用于高頻信號，例如聲音和振動信號。它可以自動檢測機器聽起來是否“健康”。

該方法由博士后研究人員 Gabriel Michau、Gaëtan Frusque 和智能維護系統(tǒng)教授 Olga Fink 開發(fā)，現(xiàn)已發(fā)表在 PNAS 期刊上，以一種新穎的方式結合了信號處理和機器學習。它使智能算法(即計算規(guī)則)能夠自動執(zhí)行聲學監(jiān)測和聲音分析。由于與成熟的小波變換相似，所提出的機器學習方法對結果提供了良好的可解釋性。

研究人員的目標是，在不久的將來，在工業(yè)中操作機器的專業(yè)人員將能夠使用一種工具來自動監(jiān)控設備并及時警告它們——不需要任何特殊的先驗知識——當顯眼、異?；?ldquo;不健康”時” 設備中出現(xiàn)聲音。新的機器學習過程不僅適用于不同類型的機器，還適用于不同類型的信號、聲音或振動。例如，它還可以識別人類無法聽到的聲音頻率，例如高頻信號或超聲波。

然而，學習過程并不是簡單地擊敗所有類型的信號。相反，研究人員將其設計為檢測各種聲音的細微差異并產(chǎn)生特定于機器的發(fā)現(xiàn)。這不是微不足道的，因為沒有錯誤的樣本可供學習。

專注于“健康”的聲音

在實際的工業(yè)應用中，通常不可能收集到許多有代表性的缺陷機器的聲音示例，因為缺陷很少發(fā)生。因此，不可能教算法來自故障的噪聲數(shù)據(jù)聽起來像什么以及它們與健康聲音有何不同。因此，研究人員對算法進行了訓練，使機器學習算法能夠學習機器正常運行時的正常聲音，然后識別聲音何時偏離正常。

為此，他們使用了來自泵、風扇、閥門和滑軌的各種聲音數(shù)據(jù)，并選擇了一種“無監(jiān)督學習”的方法，在這種方法中，不是他們“告訴”算法要學習什么，而是計算機自主學習相關模式。通過這種方式，Olga Fink 和她的團隊使學習過程能夠識別給定類型機器中的相關聲音，并在此基礎上區(qū)分某些類型的故障。

即使可以使用帶有錯誤樣本的數(shù)據(jù)集，并且作者可以使用健康和有缺陷的聲音樣本來訓練他們的算法，他們也永遠無法確定這樣的標記數(shù)據(jù)集合包含所有聲音和錯誤變體. 樣本可能不完整，他們的學習方法可能遺漏了重要的故障聲音。

此外，同一類型的機器會根據(jù)使用強度或環(huán)境條件產(chǎn)生非常不同的聲音，因此即使技術上幾乎相同的缺陷也可能因給定機器而產(chǎn)生非常不同的聲音。

然而，該算法不僅適用于機器發(fā)出的聲音。研究人員還測試了他們的算法以區(qū)分不同的鳥鳴。在此過程中，他們使用了鳥類觀察者的錄音。

算法必須學會區(qū)分特定物種的不同鳥鳴——同時確保觀鳥者使用的麥克風類型無關緊要：“機器學習應該識別鳥鳴，而不是評估錄音技術，”加布里埃爾·米肖說。這種學習效果對于技術基礎設施也很重要：即使使用機器，在旨在檢測相關聲音時，算法也必須與單純的背景噪聲和錄音技術的影響無關。

對于未來的工業(yè)應用，重要的是機器學習將能夠檢測聲音之間的細微差別：為了對該領域的專業(yè)人士有用和值得信賴，它不能過于頻繁地發(fā)出警報，也不能錯過相關的聲音。

“通過我們的研究，我們能夠證明我們的機器學習方法可以檢測到聲音中的異常情況，并且它足夠靈活，可以應用于不同類型的信號和不同的任務，”Olga Fink 總結道。他們的學習方法的一個重要特征是它還能夠監(jiān)控聲音的演變，以便它可以從聲音隨時間演變的方式中檢測到可能存在的缺陷的跡象。這會打開幾個有趣的應用程序。