世界上最大的制造商每年因机器故障损失1万亿美元。许多问题在于工厂环境的噪音，工作的设备和过程产生高的声音，因此，机械故障往往是听不到或发现太晚。考纳斯理工大学(KTU)的研究人员提出了一种基于人工智能的方法，用于在嘈杂环境中检测不同的机械故障。新的解决方案不仅是可持续的——设备可以很容易地数字化，无需重新改造——而且成本相对较低。
工业机器的异常检测是一种依赖于不同数据的方法——温度、压力、电流、振动和声音——所有这些数据都来自安装在机器内部的传感器。尽管传感器在获取基本诊断信息方面至关重要，但由于机器非常“机械”且“非数字化”，因此在老一代工厂生产线上很难安装传感器。
“对于自动化水平较低的工厂，其中许多仍然比自主生产线大得多，不为每台工业机器使用新的传感器的故障检测是极其重要的。该发明的共同作者、全教工研究人员Rytis Maskeliūnas解释说:“由于在现有设施中安装非接触麦克风的成本相对较低，因此声音数据很容易收集，因此基于声音数据的方法备受关注。”
然而，在高度嘈杂的工厂环境中，声音数据被污染和中断，导致对声音的误解和错误地指示机械故障。KTU的多媒体和软件工程师团队提出了深度机器学习(ML)方法，该方法依赖于工作中的工业机器的真实声音数据，可以用于机器诊断，而无需安装不必要的新传感器。根据Maskeliūnas，故障检测是基于训练算法与真实的工业机械声音信息中的真实声音数据。
“新的软件解决方案既便宜又容易使用——唯一需要的设备是麦克风池和处理设备。人工智能可以在不需要额外传感器的情况下进行声学异常检测，”Maskeliūnas教授解释道。
一个可持续的解决方案，帮助行业数字化
目的是提高机械运动领域异常检测的鲁棒性。这是一个有前景的领域，因为可持续发展以及在不淘汰旧设备的情况下实现工业数字化的机会，因为新工厂安装需要大量资源，而且在许多较贫穷的国家短期内不会发生”Maskeliūnas说。
实验在工业机器检测和故障调查与检测(MIMII)上进行，这是一个工业机器声音的声音数据集。根据Maskeliūnas，该数据集包括四种不同类型的机械:阀门、泵、风扇和滑轨。采用波形音频文件(.wav)格式存储包含机器声音和噪声的数据。
“这些噪音是真正的制造环境声音，特意与纯机器声音混合在一起，有三种不同的信噪比-信噪比级别:6db、0db和6db。机器的声音记录了正常和不正常的情况。因此，我们提出了一个异常检测系统，用于分析现实生活中的工业机械故障声音，”Maskeliūnas说。
机器故障与时间有关
他表示，结合深度学习方法的声学新传感器技术可以避免不必要的设备更换，降低维护成本，提高工作安全性，增加设备的可用性，并保持可接受的性能水平。
通过基于声故障识别的预测维修系统可以获得预警。探测微弱信号的能力可能具有强大的战略影响。他们的主要好处是实时管理和计划，这有助于减少生产停机成本，”Maskeliūnas说。
全教工研究小组计划发现更多类型的故障:“和大多数人工智能研究人员一样，我们受到现有数据量的限制。与制造公司合作将使我们能够收集不同的场景，并将这种方法应用得更广泛。我们的解决方案尤其适用于数字化程度低的国家，这些国家的公司没有资源购买新设备。”
这种用于声学异常检测的新方法已经收到了在工业环境中实施的询问。Maskeliūnas指出，它最大的优点是成本低，不需要安装，只需要录音。
