Les ingénieurs d'Hitachi ont produit des milliers d'enregistrements audio illustrant le fonctionnement d'équipements industriels dans des conditions de combat. Avec l'aide d'une telle bibliothèque, les algorithmes de la machine peuvent détecter le fonctionnement anormal des systèmes et prédire les pannes potentielles.
Nous expliquons ce qui est entré dans l'ensemble de données et qui travaille toujours sur des projets similaires.
Photo abi ismail / UnsplashPourquoi est-ce nécessaire
Les médecins utilisent des stéthoscopes pour diagnostiquer certaines maladies. Mais la précision avec laquelle la pathologie peut être détectée de cette manière
est de 20 à 40%. C'est pourquoi, aujourd'hui, les stéthoscopes électroniques avec des systèmes d'intelligence artificielle viennent à la rescousse. Par exemple, un tel appareil est
fabriqué par des spécialistes du Northwest Memorial Hospital de Chicago. Les algorithmes intelligents permettent d'augmenter la précision du diagnostic jusqu'à 97%.
Une approche similaire prend de l'ampleur dans le domaine de la production - les modèles d'apprentissage automatique révèlent des dysfonctionnements des machines industrielles: des bruits artificiels dans le fonctionnement des transmissions, des pompes, des ventilateurs ou des vannes. Pour améliorer la précision et la qualité de l'apprentissage automatique, Hitachi a préparé et rendu public un ensemble d'enregistrements audio de machines industrielles. Le travail a été effectué dans des conditions réelles d'usine.
Selon les auteurs, il s'agit du
premier ensemble de données de ce type au monde . Il s'appelle MIMII Dataset - Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection.
À l'intérieur
La sélection contient les sons des vannes, des pompes, des ventilateurs et des guides de rail. Tous sont de fabricants différents. L'archive contient plus de 26 mille échantillons de dix secondes avec les sons de machines fonctionnant dans des conditions normales. En outre, il existe 6 000 fichiers audio contenant des enregistrements du travail d'appareils et de machines défectueux qui sont dans un «état imparfait».
Parmi ces conditions: endommagement des guides et manque de lubrification sur ceux-ci, déséquilibre lors de la rotation des lames et de leur coincement, fuite d'huile et surtensions.
Photo Sergei Akulich / UnsplashLa durée des échantillons audio est de 10 secondes, tous sont enregistrés au format WAV avec une fréquence d'échantillonnage de 16 kHz. L'enregistrement a été effectué en même temps dans plusieurs usines de production. Huit microphones ont été utilisés, assemblés en réseau circulaire et installés à une distance de 10 à 50 cm des machines-outils et de l'équipement (le schéma se trouve
dans le livre blanc à la page 3 ).
Le kit est sous licence CC BY-SA 4.0 . Les archives sont sur le site Zenodo, mais leur poids total dépasse 150 Go . Vous pouvez écouter plusieurs enregistrements audio ici .
Plans d'auteur
Pour chaque modèle de machine industrielle - puisqu'ils ont tous leurs propres caractéristiques acoustiques - les ingénieurs ont développé des détecteurs d'anomalies. Les lancements de tests ont montré que les systèmes intelligents formés détectent mieux les dysfonctionnements des ventilateurs et des guides de rail. Mais les détecteurs ont eu du mal à analyser le fonctionnement des vannes.
Les ingénieurs ont expliqué cela par le fait que le bruit d'ouverture et de fermeture de la vanne est court et se produit rarement. Ainsi, il est plus difficile d'identifier les dysfonctionnements que dans le cas de sons statiques et continus d'autres mécanismes. Le développement d'algorithmes efficaces pour détecter les anomalies dans le fonctionnement des vannes, les spécialistes Hitachi traiteront à l'avenir.
Projets similaires
Dans la première sous-section, nous avons noté que les systèmes d'intelligence artificielle pénètrent dans le secteur des soins de santé. Par conséquent, un grand nombre d'ensembles de données pour les algorithmes de formation qui diagnostiquent les maladies des organes internes apparaissent également dans ce domaine. Par exemple, un ingénieur de l'Université de Stanford a publié
publiquement une classification des anomalies du rythme cardiaque.
Il est utilisé pour développer des stéthoscopes intelligents - l'ensemble de données a été
téléchargé plus de 7 mille fois par des spécialistes d'Inde, des États-Unis, du Canada, de France, d'Allemagne et d'autres pays.
Photo Marcelo Leal / UnsplashUn autre exemple vient du monde des voitures. La société israélienne 3dsignals
développe un système de diagnostic intelligent. Grâce à cela, les propriétaires de voitures pourront recevoir en temps opportun des informations sur les dysfonctionnements. Les auteurs affirment que le système est capable de prédire l'intervalle de temps pendant lequel une panne se produira.
La précision de ces diagnostics, selon les résultats des tests,
est de 98%. Malheureusement, l'ensemble de données sur lequel le réseau neuronal a été formé n'est pas divulgué dans 3dsignals. La solution de l'entreprise convient également pour la surveillance de grandes installations industrielles. Par exemple, il est déjà
utilisé chez Enel Green Power Corporation pour évaluer l'état des turbines à énergie.
Lecture supplémentaire de notre blog:
Bitchy Betty: Pourquoi les interfaces audio parlent d'une voix féminine "Machine Sound": synthétiseurs basés sur des réseaux de neurones Bibliothèques avec une variété de sons de la nature Sons pour l'interface utilisateur: une sélection de ressources thématiques Où obtenir des échantillons audio pour les projets: une sélection de neuf ressources thématiques Musique pour vos projets: 12 ressources thématiques avec pistes Creative Commons Comment visualiser le son sur le web: une sélection de supports thématiques et de conférences vidéo