世界上最大的制造商每年因机器故障损失 1 万亿美元。许多问题都存在于嘈杂的工厂环境中——工作设备和过程会产生很大的声音，因此，机器故障通常是闻所未闻的，或者因此检测得太晚。考纳斯理工大学(KTU)的研究人员提出了一种基于人工智能的方法，用于在嘈杂的环境中检测不同的机械故障。新解决方案不仅具有可持续性——设备可以轻松实现数字化，无需改造——而且成本相对较低。

工业机器的异常检测是一种依赖于不同数据(温度、压力、电流、振动和声音)的方法，所有数据都来自安装在机器内部的传感器。尽管传感器在捕获基本诊断方面必不可少，但由于机器非常“机械”且“非数字化”，因此很难在老一代的工厂生产线中设置它们。

“对于自动化水平较低的工厂，其中许多工厂仍然比自主生产线大得多，无需为每台工业机器使用新传感器的故障检测极为重要。由于非接触式安装成本相对较低，因此易于收集声音数据KTU 研究员 Rytis Maskeliūnas 解释说，他是本发明的合著者。

然而，在嘈杂的工厂环境中，声音数据会受到污染和中断，从而导致对声音的误解并错误地指示机械故障。来自 KTU的多媒体和软件工程师团队提出了深度机器学习 (ML) 方法，该方法依赖于工作中的工业机器的真实声音数据，可用于机器诊断，而无需安装不必要的新传感器。根据 Maskeliūnas 的说法，故障检测是基于在真实工业机械声音信息中使用真实声音数据的训练算法。

“新的软件解决方案既便宜又易于使用——唯一需要的设备是麦克风池和处理设备。人工智能允许在没有额外传感器的情况下进行声学异常检测，”Maskeliūnas 教授解释说。

帮助行业数字化的可持续解决方案

“目的是提高机械运动领域异常检测的鲁棒性。这是一个有前景的领域，因为可持续性和数字化行业的机会，而无需摆脱旧设备，因为新工厂安装需要大量资源和在许多较贫穷的国家，不会很快发生。”Maskeliūnas 说。

实验是在工业机器检查和检查故障调查和检查 (MIMII) 上进行的——工业机器声音的声音数据集。根据 Maskeliūnas 的说法，该数据集包含四种不同类型的机械：阀门、泵、风扇和滑轨。波形音频文件(.wav)格式用于存储包含机器声音和噪声的数据。

“噪音是真实的制造环境声音，在三个不同的 SNR(信噪比)级别下有意与纯机器声音混合：6 dB、0 dB 和 6 dB。机器声音在正常和异常情况下都被记录下来因此，我们提出了一种异常检测系统，用于分析现实生活中的工业机械故障声音，”Maskeliūnas 说。

机器故障与时间有关

据他介绍，将声学新传感器技术与深度学习方法相结合，可以避免不必要的设备更换，降低维护成本，提高工作安全性，提高设备的可用性，并保持可接受的性能水平。

“通过基于声学故障识别的预测性维护系统可以获得早期预警。检测微弱信号的能力可能具有很强的战略影响。它们的主要好处是实时管理和规划，有助于降低成本生产停机时间，”Maskeliūnas 说。

KTU 研究人员团队计划检测更多类型的故障：“像大多数人工智能研究人员一样，我们受到数据量的限制。与制造公司的合作将使我们能够收集不同的场景并更广泛地应用该方法. 我们的解决方案在数字化程度低的国家尤其重要，因为这些国家的公司没有新设备的资源。”

声学异常检测的新方法已经收到了在工业环境中实施的询问。Maskeliūnas 指出，它的最大优势是成本低且无需安装——只需要进行录音。