日立的工程师已经制作了成千上万的录音，描绘了工业设备在战斗条件下的运行情况。 借助这样的库，机器算法可以检测系统的异常运行并预测潜在的故障。
我们告诉数据集中包含哪些内容，以及谁仍在从事类似项目。
照片abi ismail /未启动为什么有必要
医生用听诊器诊断某些疾病。 但是，以这种方式检测病理的准确性
为 20％至40％。 因此，如今具有人工智能系统的电子听诊器得以抢救。 例如，这种设备是
由芝加哥西北纪念医院的专家
制造的 。 智能算法有助于将诊断准确性提高多达97％。
一种类似的方法正在生产领域中获得发展势头-机器学习模型揭示了工业机械的故障：变速箱，泵，风扇或阀门的运转中出现不自然的噪声。 为了提高机器学习的准确性和质量，日立制作并公开了一系列工业机器的录音。 该工作已在实际工厂条件下完成。
根据作者的说法，这是世界
上第一个这样的数据集 。 它被称为MIMII数据集-用于工业机械故障调查和检查的声音数据集。
里面有什么
选择包含阀门，泵，风扇和导轨的声音。 它们都来自不同的制造商。 存档中包含超过2.6万个十秒采样，以及正常情况下运行的机器声音。 此外，还有六千个音频文件，其中记录了处于“非理想状态”的故障设备和机器的工作情况。
这些情况包括：导板损坏和润滑不足，叶片旋转过程中的不平衡及其卡死，漏油和电涌。
照片谢尔盖·阿库利奇 （ Sergei Akulich） /不飞溅音频采样的持续时间为10秒，所有音频采样均以WAV格式记录，采样频率为16 kHz。 在几个生产工厂立即进行了记录。 使用了八个麦克风，将它们组装成圆形阵列，并安装在距机床和设备10至50 cm的距离处（该图可
在第3页的白皮书中找到）。
该工具包根据CC BY-SA 4.0许可。 这些档案位于 Zenodo 网站上 ，但总重量超过150 GB 。 您可以在此处收听几张录音。
作者计划
对于工业机械的每种型号-由于它们都有自己的声学特性-工程师开发了异常检测器。 测试发布表明，训练有素的智能系统可以更好地检测风扇和导轨的故障。 但是检测器在分析阀门的操作时遇到困难。
工程师通过以下事实解释了这一点，即打开和关闭阀门的声音很短而且很少发生。 因此，与其他机构发出的静态和连续声音相比，识别故障更加困难。 日立专家将开发有效的算法来检测阀门操作中的异常情况，将来会对此进行处理。
类似项目
在第一小节中，我们注意到人工智能系统渗透到医疗保健领域。 因此，用于诊断内部器官疾病的训练算法的大量数据集也出现在该区域中。 例如，斯坦福大学的一名工程师
公开发布了心跳异常的分类。
它用于开发智能听诊器-来自印度，美国，加拿大，法国，德国和其他国家的专家已
下载了7,000多次数据集。
照片Marcelo Leal / Unsplash另一个例子是汽车世界。 以色列公司3dsignals正在
开发一种智能诊断系统。 有了它，车主将能够及时收到有关故障的信息。 作者声称，该系统能够预测发生故障的时间间隔。
根据测试结果，此类诊断的准确性
为 98％。 不幸的是，在3dsignals中没有公开训练神经网络的数据集。 该公司的解决方案还适用于监视大型工业设备。 例如，它已被Enel Green Power Corporation用来评估能源涡轮机的状况。
来自我们博客的其他阅读：
Bitchy Betty：为什么音频接口以女性声音说话 “机器声音”：基于神经网络的合成器 具有各种自然声音的图书馆 UI的声音：主题资源的汇编 从何处获得项目的音频样本：九种主题资源的选择 专为您的项目设计的音乐：带有知识共享轨道的12种主题资源 如何在网络上可视化声音：精选主题材料和视频讲座