异常信号示例。显示的是原始数据、对数谱图和在SNR为0 dB时对滑块轨道0的两次异常测量所获得的每级系数分布。credit:DOI:10.1073/PNAS . 2106598119声音提供了有关机器运行状况的重要信息。ETH的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。无论是火车车轮还是发电厂的发电机，无论是水泵还是阀门，它们都会发出声音。对于受过训练的耳朵来说，这些噪音甚至有一个含义:设备、机器、装备或机车车辆在正常运行时的声音与它们有缺陷或故障时的声音不同。
因此，它们发出的声音给专业人员提供了有用的线索，让他们知道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修理。那些及时意识到机器听起来有故障的人，可以根据具体情况，防止代价高昂的故障，并在故障发生前进行干预。因此，在技术基础设施的运营和维护中，声音的监控和分析变得越来越重要，尤其是因为现代麦克风使得音调、噪声和声音信号的记录相对更具成本效益。
为了从这些声音中提取所需的信息，已经建立了信号处理和数据分析的成熟方法。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。小波变换将一个函数分解成一组小波，这些小波是在时间上局部化的波状振荡。潜在的想法是确定对于定义的尺度和位置，信号中有多少小波。尽管这样的框架已经相当成功，但它们仍然是一项耗时的任务。
在早期阶段检测缺陷
现在，ETH的研究人员开发了一种机器学习方法，使小波变换完全可以学习。这种新方法特别适用于高频信号，如声音和振动信号。它能够自动检测机器听起来是否“健康”。这种方法是由博士后研究员Gabriel Michau，gatan Frusque和智能维护系统教授Olga Fink开发的，现在发表在《PNAS》杂志上，它以一种新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。由于其与成熟的小波变换的相似性，所提出的机器学习方法提供了对结果的良好解释能力。
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，并在设备出现明显、异常或“不健康”的声音时及时发出警告，而无需任何特殊的先验知识。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，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，研究人员设计它是为了检测各种声音的细微差异，并产生特定于机器的结果。这不是三瓶，因为没有错误的样本可以借鉴。
信用:苏黎世联邦理工学院关注“健康”的声音
在实际工业应用中，通常不可能收集到许多有缺陷机器的代表性声音实例，因为缺陷很少发生。因此，不可能教导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什么不同。因此，研究人员以这样一种方式训练算法，即机器学习算法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，即不是他们“告诉”算法学习什么，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。
即使具有故障样本的数据集是可用的，并且作者能够用健康和故障声音样本训练他们的算法，他们也永远不会确定这样的标记数据集合包含所有声音和故障变体。样本可能不完整，他们的学习方法可能遗漏了重要的故障音。此外，根据使用强度或环境条件的不同，同一类型的机器可能会产生非常不同的声音，因此，即使是技术上几乎相同的缺陷，根据给定的机器，听起来也可能非常不同。
从鸟鸣中学习
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，以区分不同的鸟类叫声。在此过程中，他们使用了鸟类观察者的记录。算法必须学会区分某一物种的不同鸟鸣声——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声，而不是评估记录技术，”Gabriel Michau说。这种学习效应对技术基础设施也很重要:即使有了机器，算法也必须不知道仅仅是背景噪音，也不知道在检测相关声音时录音技术的影响。
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异:为了对该领域的专业人员有用和可信，它既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，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点是，它还能够监测声音的演变，以便能够从声音随时间演变的方式中发现可能的缺陷。这打开了几个有趣的应用程序。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
