Ingenieure aus Hitachi haben Tausende von Audioaufnahmen produziert, die den Betrieb von Industrieanlagen unter Kampfbedingungen zeigen. Mithilfe einer solchen Bibliothek können Maschinenalgorithmen einen abnormalen Betrieb von Systemen erkennen und mögliche Ausfälle vorhersagen.
Wir erzählen, was in den Datensatz aufgenommen wurde und wer noch an ähnlichen Projekten arbeitet.
Foto abi ismail / UnsplashWarum ist es notwendig?
Ă„rzte verwenden Stethoskope, um bestimmte Krankheiten zu diagnostizieren. Die Genauigkeit, mit der Pathologie auf diese Weise erkannt werden kann,
beträgt jedoch 20–40%. Daher kommen heute elektronische Stethoskope mit künstlichen Intelligenzsystemen zur Rettung. Ein solches Gerät wird beispielsweise
von Spezialisten des Northwest Memorial Hospital in Chicago hergestellt. Intelligente Algorithmen erhöhen die Genauigkeit der Diagnose um bis zu 97%.
Ein ähnlicher Ansatz gewinnt im Bereich der Produktion zunehmend an Bedeutung - Modelle für maschinelles Lernen zeigen Fehlfunktionen von Industriemaschinen: unnatürliche Geräusche beim Betrieb von Getrieben, Pumpen, Lüftern oder Ventilen. Um die Genauigkeit und Qualität des maschinellen Lernens zu verbessern, hat Hitachi eine Reihe von Audioaufnahmen von Industriemaschinen vorbereitet und öffentlich zugänglich gemacht. Die Arbeiten wurden unter realen Fabrikbedingungen durchgeführt.
Laut den Autoren ist dies der
erste derartige Datensatz der Welt . Es heiĂźt MIMII-Datensatz - Sound-Datensatz fĂĽr die Untersuchung und Inspektion fehlerhafter Industriemaschinen.
Was ist drin?
Die Auswahl enthält die Geräusche von Ventilen, Pumpen, Lüftern und Schienenführungen. Alle von ihnen sind von verschiedenen Herstellern. Das Archiv enthält mehr als 26.000 Zehn-Sekunden-Samples mit den Geräuschen von Maschinen, die unter normalen Bedingungen arbeiten. Außerdem gibt es 6.000 Audiodateien mit Aufzeichnungen der Arbeit fehlerhafter Geräte und Maschinen, die sich in einem „unvollständigen Zustand“ befinden.
Unter diesen Bedingungen: Beschädigung der Führungen und mangelnde Schmierung, Ungleichgewicht während der Drehung der Klingen und deren Blockierung, Ölleckage und Spannungsspitzen.
Foto Sergei Akulich / UnsplashDie Dauer der Audio-Samples beträgt 10 Sekunden. Alle werden im WAV-Format mit einer Sampling-Frequenz von 16 kHz aufgezeichnet. Die Aufnahme wurde sofort in mehreren Produktionsstätten durchgeführt. Es wurden acht Mikrofone verwendet, die in einer kreisförmigen Anordnung zusammengebaut und in einem Abstand von 10 bis 50 cm von Werkzeugmaschinen und Geräten installiert wurden (das Diagramm finden Sie
im Whitepaper auf Seite 3 ).
Das Kit ist unter CC BY-SA 4.0 lizenziert. Die Archive befinden sich auf der Zenodo- Website , ihr Gesamtgewicht beträgt jedoch mehr als 150 GB . Hier können Sie mehrere Audioaufnahmen anhören .
Autorenpläne
FĂĽr jedes Modell einer Industriemaschine entwickelten die Ingenieure Anomaliedetektoren, da sie alle ihre eigenen akustischen Eigenschaften haben. Teststarts haben gezeigt, dass geschulte intelligente Systeme Fehlfunktionen in LĂĽftern und SchienenfĂĽhrungen besser erkennen. Die Detektoren hatten jedoch Schwierigkeiten, den Betrieb der Ventile zu analysieren.
Die Ingenieure erklärten dies damit, dass das Geräusch beim Öffnen und Schließen des Ventils kurz ist und selten auftritt. Daher ist es schwieriger, Fehlfunktionen zu identifizieren als bei statischen und kontinuierlichen Geräuschen anderer Mechanismen. Hitachi-Spezialisten werden sich in Zukunft mit der Entwicklung effektiver Algorithmen zur Erkennung von Anomalien beim Betrieb von Ventilen befassen.
Ă„hnliche Projekte
Im ersten Unterabschnitt haben wir festgestellt, dass Systeme der künstlichen Intelligenz den Gesundheitssektor durchdringen. Daher erscheint in diesem Bereich auch eine Vielzahl von Datensätzen für Trainingsalgorithmen, die Erkrankungen innerer Organe diagnostizieren. Beispielsweise hat ein Ingenieur der Stanford University
öffentlich eine Klassifizierung von Herzschlaganomalien veröffentlicht.
Es wird zur Entwicklung intelligenter Stethoskope verwendet - der Datensatz wurde mehr als siebentausend Mal von Experten aus Indien, den USA, Kanada, Frankreich, Deutschland und anderen Ländern
heruntergeladen .
Foto Marcelo Leal / UnsplashEin weiteres Beispiel stammt aus der Welt der Autos. Das israelische Unternehmen 3dsignals
entwickelt ein intelligentes Diagnosesystem. Dank dessen können Autobesitzer rechtzeitig Informationen über Störungen erhalten. Die Autoren behaupten, dass das System das Zeitintervall vorhersagen kann, in dem eine Störung auftreten wird.
Die Genauigkeit einer solchen Diagnose
beträgt gemäß den Testergebnissen 98%. Leider wird der Datensatz, auf dem das neuronale Netzwerk trainiert wurde, nicht in 3dsignals offenbart. Die Lösung des Unternehmens eignet sich auch zur Überwachung großer Industrieanlagen. Beispielsweise wird es bereits bei der Enel Green Power Corporation verwendet, um den Zustand von Energieturbinen zu bewerten.
Zusätzliche Lektüre aus unserem Blog:
Bitchy Betty: Warum Audio-Interfaces mit weiblicher Stimme sprechen "Machine Sound": Synthesizer basierend auf neuronalen Netzen Bibliotheken mit einer Vielzahl von Naturgeräuschen Sounds für die Benutzeroberfläche: Eine Zusammenstellung thematischer Ressourcen Wo Sie Audio-Samples für Projekte erhalten: eine Auswahl von neun thematischen Ressourcen Musik für Ihre Projekte: 12 thematische Ressourcen mit Creative Commons-Titeln So visualisieren Sie Sound im Web: eine Auswahl thematischer Materialien und Videovorträge