Los ingenieros de Hitachi han producido miles de grabaciones de audio que representan el funcionamiento de equipos industriales en combate. Con la ayuda de dicha biblioteca, los algoritmos de máquina pueden detectar el funcionamiento anormal de los sistemas y predecir posibles fallas.
Le contamos qué incluyó el conjunto de datos y quién sigue trabajando en proyectos similares.
Foto abi ismail / UnsplashPorque es necesario
Los médicos usan estetoscopios para diagnosticar ciertas enfermedades. Pero la precisión con la que se puede detectar la patología de esta manera
es del 20 al 40%. Por lo tanto, hoy los estetoscopios electrónicos con sistemas de inteligencia artificial vienen al rescate. Por ejemplo, dicho dispositivo está
hecho por especialistas del Northwest Memorial Hospital de Chicago. Los algoritmos inteligentes ayudan a aumentar la precisión del diagnóstico hasta en un 97%.
Un enfoque similar está ganando impulso en el campo de la producción: los modelos de aprendizaje automático revelan el mal funcionamiento de las máquinas industriales: ruidos no naturales en el funcionamiento de transmisiones, bombas, ventiladores o válvulas. Para mejorar la precisión y la calidad del aprendizaje automático, Hitachi preparó y puso a disposición del público un conjunto de grabaciones de audio de máquinas industriales. El trabajo se ha realizado en condiciones reales de fábrica.
Según los autores, este es el
primer conjunto de datos de este tipo en el mundo . Se llama MIMII Dataset: conjunto de datos de sonido para el mal funcionamiento de la investigación e inspección de máquinas industriales.
Que hay dentro
La selección contiene los sonidos de válvulas, bombas, ventiladores y guías de riel. Todos ellos son de diferentes fabricantes. El archivo contiene más de 26 mil muestras de diez segundos con los sonidos de máquinas que funcionan en condiciones normales. Además, hay 6 mil archivos de audio con grabaciones del trabajo de dispositivos y máquinas defectuosos que se encuentran en un "estado imperfecto".
Entre estas condiciones: daños en las guías y la falta de lubricación en ellas, desequilibrio durante la rotación de las cuchillas y sus atascos, fugas de aceite y sobretensiones.
Foto Sergei Akulich / UnsplashLa duración de las muestras de audio es de 10 segundos, todas ellas se graban en formato WAV con una frecuencia de muestreo de 16 kHz. La grabación se realizó de inmediato en varias fábricas de producción. Se utilizaron ocho micrófonos, montados en una matriz circular e instalados a una distancia de 10-50 cm de las máquinas herramienta y el equipo (el diagrama se puede encontrar
en el documento técnico en la página 3 ).
El kit está licenciado bajo CC BY-SA 4.0 . Los archivos están en el sitio de Zenodo, pero su peso total supera los 150 GB . Puede escuchar varias grabaciones de audio aquí .
Planes de autor
Para cada modelo de máquina industrial, dado que todos tienen sus propias características acústicas, los ingenieros desarrollaron detectores de anomalías. Los lanzamientos de prueba han demostrado que los sistemas inteligentes capacitados detectan mejor el mal funcionamiento de los ventiladores y las guías de rieles. Pero los detectores experimentaron dificultades para analizar el funcionamiento de las válvulas.
Los ingenieros explicaron esto por el hecho de que el sonido de abrir y cerrar la válvula es corto y rara vez ocurre. Por lo tanto, es más difícil identificar el mal funcionamiento que en el caso de sonidos estáticos y continuos de otros mecanismos. El desarrollo de algoritmos efectivos para detectar anomalías en el funcionamiento de las válvulas, los especialistas de Hitachi se ocuparán en el futuro.
Proyectos similares
En la primera subsección, notamos que los sistemas de inteligencia artificial penetran en el sector de la salud. Por lo tanto, una gran cantidad de conjuntos de datos para algoritmos de entrenamiento que diagnostican enfermedades de los órganos internos también aparecen en esta área. Por ejemplo, un ingeniero de la Universidad de Stanford ha publicado
públicamente una clasificación de anomalías de los latidos cardíacos.
Se utiliza para desarrollar estetoscopios inteligentes: el conjunto de datos ha sido
descargado más de 7 mil veces por especialistas de India, Estados Unidos, Canadá, Francia, Alemania y otros países.
Foto Marcelo Leal / UnsplashOtro ejemplo es del mundo de los automóviles. La compañía israelí 3dsignals está
desarrollando un sistema de diagnóstico inteligente. Gracias a ello, los propietarios de automóviles podrán recibir información oportuna sobre el mal funcionamiento. Los autores afirman que el sistema puede predecir el intervalo de tiempo durante el cual se producirá una falla.
La precisión de tales diagnósticos, según los resultados de la prueba,
es del 98%. Desafortunadamente, el conjunto de datos en el que se entrenó la red neuronal no se divulga en 3dsignals. La solución de la compañía también es adecuada para monitorear grandes instalaciones industriales. Por ejemplo, ya se está
utilizando en Enel Green Power Corporation para evaluar el estado de las turbinas de energía.
Lectura adicional de nuestro blog:
Bitchy Betty: ¿Por qué las interfaces de audio hablan con una voz femenina? "Machine Sound": sintetizadores basados en redes neuronales Bibliotecas con una variedad de sonidos de la naturaleza. Sonidos para la interfaz de usuario: una compilación de recursos temáticos Dónde obtener muestras de audio para proyectos: una selección de nueve recursos temáticos Música para tus proyectos: 12 recursos temáticos con pistas de Creative Commons Cómo visualizar el sonido en la web: una selección de materiales temáticos y video conferencias.