Инженеры Hitachi подготовили тысячи аудиозаписей, на которых запечатлена работа промышленного оборудования в боевых условиях.
С помощью такой библиотеки машинные алгоритмы смогут выявлять ненормальную работу систем и прогнозировать потенциальные поломки.
Рассказываем, что вошло в набор данных и кто еще работает над подобными проектами.
Фото Аби Исмаил /Unsplash
Почему это необходимо?
Врачи используют стетоскопы для диагностики некоторых заболеваний.Но точность, с которой можно обнаружить патологию таким способом, составляет 20–40%.
Поэтому сегодня на помощь приходят электронные стетоскопы с системами искусственного интеллекта.
Например, такое устройство делать специалисты Северо-западной мемориальной больницы в Чикаго.
Умные алгоритмы помогают повысить точность диагностики до 97%.
Похожий подход набирает обороты в производственном секторе — модели машинного обучения выявляют неисправности промышленных машин: неестественный шум при работе трансмиссий, насосов, вентиляторов или клапанов.По мнению авторов, это первый в мире набор данных такого рода .Чтобы повысить точность и качество машинного обучения, Hitachi готовый и выпустил в общественное достояние набор аудиозаписей промышленных машин.
Работа выполнялась в реальных заводских условиях.
Он назывался MIMII Dataset — набор достоверных данных для исследования и проверки неисправностей промышленных машин.
То, что находится внутри
В подборке присутствуют звуки клапанов, насосов, вентиляторов и направляющих.Все они от разных производителей.
В архиве содержится более 26 тысяч десятисекундных семплов со звуками машин, работающих в нормальных условиях.
Также имеется 6 тысяч аудиофайлов с записями работы неисправных устройств и машин, находящихся в «неидеальном состоянии».
К таким состояниям относятся: повреждение направляющих и отсутствие смазки на них, дисбаланс вращения лопастей и их заклинивание, утечки масла и скачки напряжения.
Фото Сергей Акулич /Unsplash Аудиосэмплы длиной 10 секунд записаны в формате WAV с частотой дискретизации 16 кГц.
Запись велась сразу на нескольких фабриках-производителях.
Мы использовали восемь микрофонов, собранных в круговую решетку и установленных на расстоянии 10–50 см от машин и оборудования (схему можно найти здесь).
в техническом документе на странице 3 ).
Набор распространяется по лицензии.Архивы лежа на платформе Зенодо, но их общий вес превышает 150 ГБ .
Можно использовать несколько аудиозаписей.
Планы авторов
Для каждой модели промышленной машины – поскольку все они имеют свои акустические характеристики – инженеры разработали детекторы аномалий.Тестовые запуски показали, что обученные интеллектуальные системы лучше обнаруживают неисправности вентиляторов и направляющих.
Но у детекторов возникли трудности с анализом работы клапанов.
Инженеры объяснили это тем, что звук открытия и закрытия клапана кратковременный и возникает редко.
Таким образом, определить неисправности сложнее, чем в случае статических и непрерывных звуков других механизмов.
В будущем специалисты Hitachi разработают эффективные алгоритмы выявления аномалий в работе клапанов.
Похожие проекты
В первом подразделе мы отметили, что системы искусственного интеллекта проникают в сферу здравоохранения.Поэтому в этой области также появляется большое количество наборов данных для обучения алгоритмов диагностики заболеваний внутренних органов.
Например, инженер из Стэнфордского университета разместил сообщение на открыть классификация нарушений сердечного ритма.
Он используется для разработки умных стетоскопов - набор данных скачал более 7 тысяч раз специалистами из Индии, США, Канады, Франции, Германии и других стран.
Фото Марсело Леаль /Unsplash
Другой пример из мира автомобилей.
Израильская компания 3dsignals. развивается интеллектуальная диагностическая система.
Благодаря этому автовладельцы смогут получать своевременную информацию о неисправностях.
Авторы утверждают, что система способна предсказать интервал времени, в течение которого произойдет поломка.
Точность такой диагностики, по результатам испытаний, составляет 98%.
К сожалению, 3dsignals не раскрывает набор данных, на которых обучалась нейросеть.
Решение компании также подходит для мониторинга крупных промышленных объектов.
Например, это уже применять в Enel Green Power Corporation для оценки состояния энергетических турбин.
Дополнительное чтение из нашего блога:
«Стерва Бетти»: почему аудиоинтерфейсы говорят женским голосом
«Машинный звук»: синтезаторы на основе нейронных сетей
Библиотеки с разнообразными звуками природы
Звуки для UI: подборка тематических ресурсов
Где взять образцы аудио для проектов: подборка из девяти тематических ресурсов
Музыка для ваших проектов: 12 тематических ресурсов с треками Creative Commons
Как визуализировать звук в сети: подборка тематических материалов и видеолекций
Теги: #Машинное обучение #аудиомания #Звук #Промышленное программирование #Старое оборудование #неисправность #диагностика оборудования
-
Как Разблокировать Сканер На Принтере Canon
19 Oct, 24 -
Банах, Стефан
19 Oct, 24 -
Как Работает Faceswap?
19 Oct, 24 -
10 Лет С Правом Переписки...
19 Oct, 24 -
Очередной Массовый Взлом Icq-Uin
19 Oct, 24
