L'intelligenza artificiale comprende il suono delle macchine in salute
I suoni possono essere utilizzati per riconoscere il funzionamento di una macchina. I ricercatori dell'ETH hanno sviluppato un nuovo metodo di apprendimento automatico che determina automaticamente se una macchina è "sana" o ha bisogno di manutenzione.
![](/bin/ethz/components/previewImage/youtube/RT7wdG0YD0c.jpg)
Che si tratti di ruote ferroviarie o di generatori in una centrale elettrica, di pompe o valvole, tutti producono rumori. Per le orecchie allenate, questi rumori hanno persino un significato: i componenti, le macchine, i sistemi o il materiale rotabile hanno un suono diverso quando funzionano correttamente rispetto a quando presentano un difetto o un'anomalia.
I suoni che emettono forniscono agli esperti utili indizi per capire se una macchina è in buone condizioni (o "sana") o se avrà presto bisogno di manutenzione o di riparazioni urgenti. Se si riconosce per tempo che una macchina sta suonando male, si può prevenire un difetto costoso e intervenire prima che si rompa. Di conseguenza, il monitoraggio e l'analisi dei suoni sta diventando sempre più importante per il funzionamento e la manutenzione delle infrastrutture tecniche, soprattutto perché la registrazione di suoni, rumori e segnali acustici con i moderni microfoni è relativamente poco costosa.
Per estrarre le informazioni necessarie da questi rumori sono stati messi a punto metodi collaudati di elaborazione dei segnali e di analisi dei dati. Questi includono la cosiddetta trasformazione wavelet. Matematicamente, toni, suoni e rumori possono essere rappresentati come onde. Nella trasformazione wavelet, una funzione viene scomposta in una serie di wavelet. Si tratta di oscillazioni simili a onde localizzate nel tempo. L'idea di fondo è quella di determinare la quantità di wavelet contenuta in un segnale. Sebbene questi metodi abbiano un buon successo, spesso richiedono molta esperienza e la regolazione manuale dei parametri.
Riconoscere i difetti in fase iniziale
Ora i ricercatori dell'ETH hanno sviluppato un metodo di apprendimento automatico in grado di imparare completamente la trasformazione wavelet. Il nuovo approccio è particolarmente adatto ai segnali ad alta frequenza, come quelli sonori e vibrazionali. Permette di riconoscere automaticamente se una macchina suona "sana" o meno.
L'approccio sviluppato dai post-dottorandi Gabriel Michau, Ga?tan Frusque e Olga Fink, professoressa di Sistemi di manutenzione intelligente, e ora pubblicato sulla rivista PNAS, combina in modo nuovo gli approcci dell'elaborazione dei segnali e dell'apprendimento automatico. Con il nuovo approccio, un algoritmo intelligente, cioè una regola computazionale, può eseguire automaticamente il monitoraggio acustico e l'analisi del suono delle macchine. Grazie alla sua somiglianza con la collaudata trasformata wavelet, i risultati dell'approccio di apprendimento automatico proposto possono essere interpretati molto bene.
L'obiettivo dei ricercatori è quello di consentire agli specialisti che operano sulle macchine dell'industria di utilizzare in un prossimo futuro uno strumento che monitorizzi automaticamente le apparecchiature e li avvisi tempestivamente - senza bisogno di particolari conoscenze preliminari - se nei dispositivi si verificano rumori vistosi, anomali o "malsani". Il nuovo processo di apprendimento automatico può essere applicato non solo a diversi tipi di macchine, ma anche a diversi tipi di segnali, rumori o vibrazioni. Ad esempio, riconosce anche le frequenze sonore che l'uomo non può sentire naturalmente, come i segnali ad alta frequenza o gli ultrasuoni.
Tuttavia, il processo di apprendimento non batte tutti i tipi di segnali con una sola battuta. Piuttosto, i ricercatori lo hanno progettato in modo tale da poter riconoscere le sottili differenze tra i vari suoni e generare risultati specifici per la macchina. Non si tratta di un'operazione banale, poiché l'algoritmo non ha esempi di segnali difettosi da cui imparare.
Focalizzato sui suoni "sani
Nelle applicazioni industriali reali, di solito non è possibile raccogliere così tanti esempi sonori significativi di macchine difettose, poiché i difetti si verificano solo di rado. Pertanto, non è nemmeno possibile insegnare all'algoritmo come suonano i rumori provenienti dai guasti e come si differenziano dai rumori sani. I ricercatori dell'ETH hanno quindi addestrato gli algoritmi in modo che l'algoritmo di apprendimento automatico impari il suono normale di una macchina quando funziona correttamente e riconosca quando un rumore si discosta dal caso normale.
I ricercatori hanno utilizzato una serie di dati sul rumore provenienti da pompe, ventilatori, valvole e guide di scorrimento e hanno scelto un approccio di "apprendimento non supervisionato", in cui non hanno "detto" a un algoritmo cosa imparare, ma il computer ha appreso i modelli rilevanti in modo indipendente e senza guida. In questo modo, Olga Fink e il suo team hanno permesso al processo di apprendimento di riconoscere i rumori correlati all'interno di un certo tipo di macchina e di distinguere tra alcuni tipi di guasti su questa base.
Anche se i ricercatori avessero avuto a disposizione un set di dati sul rumore dei guasti, consentendo loro di addestrare i loro algoritmi con campioni sia sani che difettosi, non avrebbero mai potuto essere sicuri che tale set di dati etichettati contenesse effettivamente tutte le varianti sane e difettose. Il loro campione potrebbe essere incompleto e la loro procedura di apprendimento potrebbe non riconoscere importanti rumori di errore. Inoltre, lo stesso tipo di macchina può produrre rumori molto diversi a seconda dell'intensità di utilizzo o del clima del luogo, per cui anche difetti tecnicamente quasi identici possono avere un suono molto diverso a seconda della macchina.
Imparare i richiami degli uccelli
L'algoritmo non può essere applicato solo ai suoni delle macchine. I ricercatori hanno anche testato i loro algoritmi per distinguere i diversi richiami degli uccelli. Hanno utilizzato registrazioni effettuate da birdwatcher. Gli algoritmi dovevano imparare a distinguere tra i diversi richiami di una determinata specie di uccelli, senza che il tipo di microfono utilizzato giocasse alcun ruolo: "L'apprendimento automatico deve riconoscere i richiami degli uccelli, non valutare la tecnica di registrazione", afferma Gabriel Michau.
Questo effetto di apprendimento è importante anche per le infrastrutture tecniche: anche con le macchine, gli algoritmi devono escludere il rumore di fondo e le influenze della tecnologia di registrazione per riconoscere i rumori rilevanti. Per un'applicazione nell'industria, è importante che l'apprendimento automatico sia in grado di riconoscere le sottili differenze tra i rumori. Affinché sia utile e affidabile per i professionisti del settore, non deve né suonare l'allarme troppo spesso né ignorare i suoni rilevanti.
"Con la nostra ricerca siamo riusciti a dimostrare che il nostro approccio di apprendimento automatico riconosce le anomalie tra i suoni e che è abbastanza flessibile da poter essere applicato a diversi segnali e a diversi compiti", conclude Olga Fink. Una caratteristica importante del suo metodo di apprendimento è che è anche in grado di monitorare l'evoluzione dei suoni, in modo da riconoscere indicazioni di possibili errori dal modo in cui i suoni si sviluppano nel tempo. Questo apre diverse interessanti possibilità di applicazione.
Letteratura di riferimento
Michau G, Frusque, G, Fink, O. Trasformazione wavelet profonda completamente apprendibile per il monitoraggio non supervisionato di serie temporali ad alta frequenza. Proceedings of the National Academy of Sciences PNAS, Feb 2022, 119 (8) e2106598119; DOI: pagina esterna10.1073/pnas.2106598119.