人工智能聆听健康机器的声音

声音提供了有关机器运行情况的重要信息。ETH 研究人员现在开发了一种新的机器学习方法，可以自动检测机器是否“健康”或需要维护。无论是铁路车轮还是发电厂的发电机，无论是泵还是阀门——它们都会发出声音。对于训练有素的耳朵来说，这些噪音甚至具有一定的意义：设备、机器、设备或机车车辆在正常运行时与出现缺陷或故障时发出的声音不同。

因此，他们发出的声音可以为专业人士提供有用的线索，帮助他们判断机器是否处于良好或“健康”的状态，或者它是否很快需要维护或紧急维修。那些及时发现机器听起来有故障的人可以根据具体情况防止代价高昂的缺陷并在它发生故障之前进行干预。

因此，声音的监测和分析在技术基础设施的运行和维护中变得越来越重要——尤其是因为使用现代麦克风记录音调、噪音和声学信号相对具有成本效益。

为了从这些声音中提取所需的信息，已经建立了经过验证的信号处理和数据分析方法。其中之一就是所谓的小波变换。在数学上，音调、声音或噪音可以表示为波。小波变换将函数分解为一组小波，这些小波是时间局部化的波状振荡。其基本思想是确定一个信号中有多少小波在一个定义的尺度和位置上。尽管此类框架非常成功，但它们仍然可能是一项耗时的任务。

及早发现缺陷

现在 ETH 研究人员开发了一种机器学习方法，可以使小波变换完全可学习。这种新方法特别适用于高频信号，例如声音和振动信号。它可以自动检测机器听起来是否“健康”。

该方法由博士后研究人员 Gabriel Michau、Gaëtan Frusque 和智能维护系统教授 Olga Fink 开发，现已发表在 PNAS 期刊上，以一种新颖的方式结合了信号处理和机器学习。它使智能算法(即计算规则)能够自动执行声学监测和声音分析。由于与成熟的小波变换相似，所提出的机器学习方法对结果提供了良好的可解释性。

研究人员的目标是，在不久的将来，在工业中操作机器的专业人员将能够使用一种工具来自动监控设备并及时警告它们——不需要任何特殊的先验知识——当显眼、异常或“不健康”时” 设备中出现声音。新的机器学习过程不仅适用于不同类型的机器，还适用于不同类型的信号、声音或振动。例如，它还可以识别人类无法听到的声音频率，例如高频信号或超声波。

然而，学习过程并不是简单地击败所有类型的信号。相反，研究人员将其设计为检测各种声音的细微差异并产生特定于机器的发现。这不是微不足道的，因为没有错误的样本可供学习。

专注于“健康”的声音

在实际的工业应用中，通常不可能收集到许多有代表性的缺陷机器的声音示例，因为缺陷很少发生。因此，不可能教算法来自故障的噪声数据听起来像什么以及它们与健康声音有何不同。因此，研究人员对算法进行了训练，使机器学习算法能够学习机器正常运行时的正常声音，然后识别声音何时偏离正常。

为此，他们使用了来自泵、风扇、阀门和滑轨的各种声音数据，并选择了一种“无监督学习”的方法，在这种方法中，不是他们“告诉”算法要学习什么，而是计算机自主学习相关模式。通过这种方式，Olga Fink 和她的团队使学习过程能够识别给定类型机器中的相关声音，并在此基础上区分某些类型的故障。

即使可以使用带有错误样本的数据集，并且作者可以使用健康和有缺陷的声音样本来训练他们的算法，他们也永远无法确定这样的标记数据集合包含所有声音和错误变体. 样本可能不完整，他们的学习方法可能遗漏了重要的故障声音。

此外，同一类型的机器会根据使用强度或环境条件产生非常不同的声音，因此即使技术上几乎相同的缺陷也可能因给定机器而产生非常不同的声音。

然而，该算法不仅适用于机器发出的声音。研究人员还测试了他们的算法以区分不同的鸟鸣。在此过程中，他们使用了鸟类观察者的录音。

算法必须学会区分特定物种的不同鸟鸣——同时确保观鸟者使用的麦克风类型无关紧要：“机器学习应该识别鸟鸣，而不是评估录音技术，”加布里埃尔·米肖说。这种学习效果对于技术基础设施也很重要：即使使用机器，在旨在检测相关声音时，算法也必须与单纯的背景噪声和录音技术的影响无关。

对于未来的工业应用，重要的是机器学习将能够检测声音之间的细微差别：为了对该领域的专业人士有用和值得信赖，它不能过于频繁地发出警报，也不能错过相关的声音。

“通过我们的研究，我们能够证明我们的机器学习方法可以检测到声音中的异常情况，并且它足够灵活，可以应用于不同类型的信号和不同的任务，”Olga Fink 总结道。他们的学习方法的一个重要特征是它还能够监控声音的演变，以便它可以从声音随时间演变的方式中检测到可能存在的缺陷的迹象。这会打开几个有趣的应用程序。