[心得] 入門:使用聲音進行預測性維護

作者: wafdawg (wafdawg)   2020-11-11 18:28:08
隱藏在眾目睽睽之下,電動機(motors)是人類文明的組成部分。可以在筆記本電腦,汽
車,房屋,學校和手錶中找到電動機。沒有電動機,就無法生產您鍾愛的產品。根據美國
能源部的數據,工業用電機佔全國用電量的25%。
類似於電動機,聲音無處不在,類似於電動機,某些聲音無法聽到。借助傳感器,可以分
析聲音以檢測故障,從而在重大故障發生之前防止重大故障。
傳統的預測性維護方法可分為三個部分:
1)在機器開始出現故障之前,使用常規的硬件工具(如超聲波麥克風)識別異常聲音。
2)使用紅外熱像儀檢測放電或洩漏檢測
3)使用可識別壓力,溫度或振動變化的傳感器。人工智能(AI)的最新進展已經改變瞭
如何優化預測性維護的格局。
在此博客中,我們將設計深度學習架構,例如卷積遞歸神經網絡(CRNN),以處理高頻數
據,這些數據將通過頻譜圖進行處理。 CRNN模型可同時從數據的空間結構和循環結構中學習。
使用傳感器收集數據
借助成千上萬的高頻聲音片段,機器學習可用於預測電動機何時會發生故障。然後將結合
信號處理技術創建一個CRNN模型,以使我們能夠從高頻數據中提取值。我們首先使用傳感
器收集數據,然後將聲音分為四類:最佳壓力,輕微降低的壓力,劇烈降低的壓力,接近
完全故障)。
使用頻譜圖處理數據
我們通過將原始數據分為固定且相等的標記序列來處理原始數據。我們採用頻譜圖對這些
信號片段進行預處理,並將這些信號饋送到CRNN模型中。頻譜圖是信號的時頻圖。它們基
本上是隨時間推移信號頻率強度的曲線圖。換句話說,我們正在建立一個AI授權的時間序
列模型,該模型可以映射高頻域中的數據行為。為了使序列標準化,我們需要減小序列的
大小;簡單的區分,再加上適當的片段以限制極端變化。
以下是由6個不同壓力信號組成的原始序列和標準化序列的示例圖:
要在Python中計算頻譜圖,我們使用稱為Librosa的庫。 我們可以為每個壓力序列進行轉
換,因此我們以每個樣品6個頻譜圖的序列結束,而不是原始信號序列。
AI CRNN模型
CNN(卷積神經網絡)和RNN(遞歸神經網絡)可以一起使用,並且不能互斥,因為它們都
可以對圖像和文本輸入進行分類,從而為組合兩種網絡類型提供了提高效率的機會。 在
CNN無法處理具有附加時間特徵的視覺複雜的地方,RNN會進入並解決處理問題。
以下是CRNN的體系結構:
CNN和RNN的組合有時稱為CRNN。 輸入首先由CNN層處理,然後將其輸出饋送到RNN層。 光
學字符識別和/或音頻分類通常使用這種類型的混合模型。
在本練習中,我們向CRNN提供以前生成的頻譜圖,以檢測電動機的工作狀態。 現在,對
電動機的每個觀測都由堆疊的頻譜圖組成(總共6個頻譜圖,每個壓力信號一個)。 在
Keras中顯示了執行此操作的腳本:
def get_model(data):
inp = Input(shape=(data.shape[1], data.shape[2], data.shape[3]))
x = Conv2D(filters=64, kernel_size=(2, 2), padding='same')(inp)
x = BatchNormalization(axis=1)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 1))(x)
x = Dropout(0.2)(x)
x = Permute((2, 3, 1))(x)
x = Reshape((data.shape[2], -1))(x) x = Bidirectional(GRU(64,
activation='relu',
return_sequences=False))(x)
x = Dense(32, activation='relu')(x)
x = Dropout(0.2)(x)
out = Dense(y_train.shape[1], activation='softmax')(x)
model = Model(inputs=inp, outputs=out)
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
return model
在第一階段,網絡從頻譜圖中提取卷積特徵,即結構,頻率x時間x n_features。 要遍歷
循環部分,我們需要以x n_features:time的格式重整數據。 新的n_features是對卷積
n_features和頻率進行奉承操作計算的結果。 因此,我們的模型的準確度達到了約86%

在此博客中,我們了解了預測性維護的傳統方法,並略微涉及了該領域的AI應用程序。
隨著AI的發展,未來對硬件傳感器的依賴將越來越少。
想要了解有關預測性維護的更多信息,請發送訊息給Growthbotics!
original article
https://growthbotics.pixnet.net/blog/post/22345853-%E5%85%A5%E9%96%80%EF%BC%9A%E4%BD%BF%E7%94%A8%E8%81%B2%E9%9F%B3%E9%80%B2%E8%A1%8C%E9%A0%90%E6%B8%AC%E6%80%A7%E7%B6%AD%E8%AD%B7
作者: ddavid (謊言接線生)   2020-11-11 23:15:00
《登入次數》3 次 (同天內只計一次) 《有效文章》2複製文章也完全沒有自己補充,單純的灌文章
作者: panex0845 (胖克思)   2020-11-12 11:54:00
板主不用處理嗎?
作者: zebracoco (公子吃丙)   2020-11-12 13:37:00
故意跑到這人煙稀少的板灌文章數,這id很可能用在發錢帶風向……

Links booklink

Contact Us: admin [ a t ] ucptt.com