В промышленном производстве очень важно, чтобы машины работали и чтобы продукт не имел дефектов. Таким образом, производственный процесс находится под постоянным контролем. Люди, но также и все больше и больше датчиков, камер, программного и аппаратного обеспечения. В большинстве случаев машинное автоматизированное тестирование основано на визуальных или физических критериях.
Только люди естественно используют свои уши: если что-то звучит необычно, человек в целях безопасности выключает машину. Проблема в следующем: все воспринимают шумы по-разному. Таким образом, если что-то пойдет не так, это скорее субъективное ощущение и повышенная подверженность ошибкам.
Обучение с миллионами записей данных
Институт цифровых медиа-технологий им. Фраунгофера IDMT разрабатывает когнитивные системы, которые точно определяют неисправности на основе акустических сигналов. Технологический подход сочетает в себе интеллектуальную технологию акустических измерений и анализ сигналов, машинное обучение, а также безопасное и гибкое хранение данных. «Мы интегрируем интеллект прослушивания в промышленный контроль состояния машин и автоматизированные системы тестирования продуктов», — объясняет Штеффен Холли из бизнес-подразделения IDMT «Промышленные медиа-приложения». После обучения когнитивные системы могут слышать более объективно, чем человеческий слух: вместо двух ушей в их распоряжении, так сказать, многие тысячи из них в виде миллионов записей нейтральных данных.
Первые пилотные проекты с промышленностью уже реализуются. Исследователям удалось обнаружить до 99 процентов дефектов чисто акустически.
Четкое назначение звуков
Ученые выявляют возможные источники шума и анализируют их причины, создают шумовую модель окружающей среды и фокусируют на ней свои микрофоны. «Идеально для имитации человеческого уха: оно воспринимает звуки через воздух», — говорит Холли.
По общему сигналу система рассчитывает фоновые звуки, например голоса или звук проезжающего вилочного погрузчика. Затем он многократно сравнивается с ранее определенным эталонным шумом лабораторной чистоты.
С помощью искусственных нейронных сетей ученые постепенно разрабатывают алгоритмы, способные обнаруживать шумы, возникающие из-за ошибок. «Чем чище акустический сигнал, тем лучше когнитивная система распознает отклонения», — объясняет Холли. Технология настолько чувствительна, что также отображает нюансы интенсивности ошибок и справляется со сложными задачами. Пример из области автомобильного производства: в современных автокреслах установлено большое количество индивидуальных двигателей, с помощью которых водитель может индивидуально регулировать свое сиденье. Конструкция двигателей не одинакова, у них разные шумы и они установлены в разных местах. «В пилотном проекте с поставщиком автомобильной продукции наша система акустического мониторинга смогла безупречно обнаружить все источники ошибок», — сообщает Холли.
Гибкое и безопасное хранение данных в облаке
Исследователи Fraunhofer могут обеспечить безопасность данных собранных акустических сигналов посредством авторизации пользователей, а также управления правами и идентификацией. Примером может служить разделение реальной и виртуальной личности, чтобы не нарушать права пользователя при оценке данных разными людьми.
Машины и испытательные системы обычно устанавливаются на производственной линии. Исследователи хранят записи акустических данных в безопасном облаке. «Мы можем очень гибко реагировать на изменения в производственном процессе и соответствующим образом корректировать нашу когнитивную систему», — отмечает Холли в качестве дополнительного преимущества.