L'intelligence artificielle comprend le son des machines en bonne santé
Les bruits permettent de savoir si une machine fonctionne bien. Des chercheurs de l'ETH ont développé une nouvelle méthode d'apprentissage automatique qui détermine automatiquement si une machine est "saine" ou si elle a besoin d'un entretien.
![](/bin/ethz/components/previewImage/youtube/RT7wdG0YD0c.jpg)
Qu'il s'agisse de roues de chemin de fer ou de générateurs dans une centrale électrique, de pompes ou de vannes, tous font du bruit. Pour les oreilles exercées, ces bruits ont même une signification : les composants, les machines, les installations ou le matériel roulant émettent en effet un son différent lorsqu'ils fonctionnent parfaitement que lorsqu'ils présentent un défaut ou une erreur.
Les bruits qu'ils produisent donnent ainsi aux spécialistes des indications utiles pour savoir si une machine se trouve en bon état - ou en "bonne santé" - ou si elle aura bient?t besoin d'une maintenance ou d'une réparation urgente. Celui qui reconna?t à temps qu'une machine sonne mal peut anticiper un défaut co?teux et intervenir avant qu'elle ne tombe en panne. En conséquence, la surveillance et l'étude des bruits gagnent en importance pour l'exploitation et la maintenance de l'infrastructure technique - d'autant plus que l'enregistrement de sons, de bruits et de signaux acoustiques à l'aide de microphones modernes est relativement bon marché.
Pour extraire les informations nécessaires de tels bruits, des méthodes éprouvées de traitement des signaux et d'analyse des données se sont établies. La transformation en ondelettes en fait partie. Les mathématiques permettent de représenter les sons, les tonalités et les bruits par des ondes. Lors de la transformation en ondelettes, une fonction est décomposée en un ensemble d'ondelettes. Il s'agit d'oscillations en forme de vagues qui sont situées dans le temps. L'idée sous-jacente est de déterminer la quantité d'ondelettes contenue dans un signal. Bien que ces méthodes soient assez efficaces, elles nécessitent souvent beaucoup d'expérience et un réglage manuel des paramètres.
Détecter les défauts à un stade précoce
Des chercheurs de l'ETH ont maintenant développé une méthode d'apprentissage automatique capable d'apprendre entièrement la transformation en ondelettes. Cette nouvelle approche est particulièrement adaptée aux signaux à haute fréquence tels que les signaux sonores et vibratoires. Elle permet de reconna?tre automatiquement si une machine a un son "sain" ou non.
L'approche développée par les post-doctorants Gabriel Michau, Ga?tan Frusque, et Olga Fink, professeure en systèmes de maintenance intelligents, et qui vient d'être publiée dans la revue PNAS, combine de manière inédite des approches de traitement du signal et d'apprentissage automatique. Gr?ce à cette nouvelle approche, un algorithme intelligent, c'est-à-dire une règle de calcul, peut effectuer automatiquement la surveillance acoustique et l'analyse sonore des machines. En raison de sa similitude avec la transformation en ondelettes, qui a fait ses preuves, les résultats de l'approche d'apprentissage automatique proposée peuvent également être très facilement interprétés.
L'objectif des chercheurs est de permettre aux spécialistes qui utilisent des machines dans l'industrie d'utiliser, dans un avenir proche, un outil qui surveille automatiquement les appareils et les avertit à temps - sans qu'il soit nécessaire de disposer de connaissances préalables particulières - lorsque des bruits remarquables, anormaux ou "malsains" se produisent dans les appareils. La nouvelle méthode d'apprentissage automatique peut être appliquée non seulement à différents types de machines, mais aussi à différents types de signaux, de bruits ou de vibrations. Par exemple, il reconna?t également des fréquences sonores que les humains - comme les signaux à haute fréquence ou les ultrasons - ne peuvent pas entendre naturellement.
Le processus d'apprentissage ne permet toutefois pas d'associer tous les types de signaux. Les chercheurs l'ont plut?t con?u de manière à ce qu'il puisse déterminer les différences subtiles entre les différents bruits et établir des constats spécifiques aux machines. Ce n'est pas trivial, car l'algorithme n'a pas d'exemples de signaux défectueux à apprendre.
Focalisé sur les sons "sains"
En effet, dans les applications industrielles réelles, il n'est généralement pas possible de collecter autant d'exemples sonores significatifs de machines défectueuses, car les défauts ne se produisent que rarement. Il n'est donc pas possible d'apprendre à l'algorithme comment sonnent les données sonores des défauts et comment elles se distinguent des bruits sains. Les chercheurs de l'ETH ont donc entra?né les algorithmes de manière à ce que l'algorithme d'apprentissage automatique apprenne comment une machine sonne normalement lorsqu'elle fonctionne correctement, puis reconnaisse lorsqu'un bruit s'écarte de la normale.
Pour ce faire, ils ont utilisé un grand nombre de données sonores provenant de pompes, de ventilateurs, de vannes et de glissières et ont choisi une approche d'"apprentissage non supervisé", dans laquelle ce ne sont pas eux qui "disent" à un algorithme ce qu'il doit apprendre, mais l'ordinateur qui apprend les modèles pertinents sans instructions et de manière autonome. De cette manière, Olga Fink et son équipe ont permis au processus d'apprentissage de reconna?tre des bruits apparentés au sein d'un certain type de machine et de faire la distinction entre certains types d'erreurs sur cette base.
Même si les chercheurs avaient disposé d'un ensemble de données contenant des bruits de défauts et qu'ils avaient ainsi été en mesure d'entra?ner leurs algorithmes avec des échantillons sains et défectueux, ils n'auraient jamais pu être s?rs qu'un ensemble de données ainsi étiqueté contenait effectivement toutes les variantes saines et défectueuses. Leur échantillon aurait pu être incomplet et leur processus d'apprentissage aurait pu ne pas reconna?tre certains bruits d'erreur importants. En outre, le même type de machine peut produire des bruits très différents selon l'intensité d'utilisation ou le climat du site, de sorte que même des défauts techniquement presque identiques peuvent avoir des sons très différents selon la machine.
Apprendre les chants d'oiseaux
L'algorithme ne s'applique pas uniquement aux bruits des machines, loin s'en faut. Les chercheurs ont également testé leurs algorithmes pour faire la distinction entre différents chants d'oiseaux. Pour ce faire, ils ont utilisé des enregistrements d'amateurs d'oiseaux. Les algorithmes ont d? apprendre à distinguer différents chants d'oiseaux d'une espèce donnée - et ce, de manière à ce que le type de microphone utilisé ne joue aucun r?le : "L'apprentissage automatique doit reconna?tre les chants d'oiseaux et non évaluer la technique d'enregistrement", explique Gabriel Michau.
Cet effet d'apprentissage est également important pour l'infrastructure technique : même pour les machines, les algorithmes doivent exclure les simples bruits de fond ainsi que les influences de la technique d'enregistrement afin de saisir les bruits pertinents. Pour une application dans l'industrie, il est important que l'apprentissage automatique puisse reconna?tre les différences subtiles entre les bruits. Pour qu'il soit utile et digne de confiance pour les professionnels dans la pratique, il ne doit ni sonner l'alarme trop souvent, ni ne pas entendre les bruits pertinents.
"Gr?ce à nos recherches, nous avons pu montrer que notre approche de l'apprentissage automatique détecte les anomalies parmi les sons et qu'elle est si flexible qu'on peut l'appliquer à différents signaux et à différentes t?ches", conclut Olga Fink. Une caractéristique importante de sa méthode d'apprentissage est qu'elle est également capable de surveiller l'évolution des sons, ce qui lui permet d'identifier des indices d'éventuelles erreurs à partir de la manière dont les sons évoluent au fil du temps. Cela ouvre plusieurs possibilités d'application intéressantes.
Référence bibliographique
Michau G, Frusque, G, Fink, O. Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series. Proceedings of the National Academy of Sciences PNAS, Feb 2022, 119 (8) e2106598119 ; DOI : page externe10.1073/pnas.2106598119.