[心得] 入門：使用聲音進行預測性維護

[wafdawg (wafdawg)]

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

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.160.5.36 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Python/M.1605090490.A.A81.html
噓 ddavid: 《登入次數》3 次 (同天內只計一次)       《有效文章》2
→ ddavid: 複製文章也完全沒有自己補充，單純的灌文章
噓 panex0845: 板主不用處理嗎?
噓 zebracoco: 故意跑到這人煙稀少的板灌文章數，這id很可能用在發錢
→ zebracoco: 帶風向……
噓 ToastBen: .