Нейросеть распознает поломки станков по звуку

Ученые из России, Ирака и Австралии разработали и испытали модель искусственного интеллекта, которая распознает неисправности промышленного оборудования по звуку. Новая методика, опубликованная в Journal of Electronic Science and Technology, позволяет не только повысить точность диагностики в шумной заводской среде, но и сокращает время обучения нейросети почти на 80%, сообщили в пресс-службе Южно-Уральского госуниверситета.

В основе работы международной группы исследователей из ЮУрГУ, Университета Аль-Кадисии (Ирак) и Университета Виктории (Австралия) лежит использование сверточной нейросети для анализа акустических сигналов. Как отмечают авторы, каждая работающая машина издает уникальный звук, и любое отклонение от нормы (износ, утечка или дисбаланс ротора) меняет эту «акустическую подпись». Задача состояла в том, чтобы научить модель отличать нормальный рабочий гул от аварийного состояния, даже если сигнал сопровождается сильным фоновым шумом.

Исследование проводилось на базе открытого набора данных MIMII, который содержит реальные записи работы насосов, вентиляторов, клапанов и направляющих. Эти данные специально собраны на действующих заводах и включают три уровня шума. Сложность заключалась в том, что в реальности исправных звуков значительно больше, чем дефектных, что создаёт так называемый дисбаланс классов.

«Чтобы решить проблему дисбаланса, мы применили технику SMOTE: синтетическое достраивание редких образцов, — отметил доцент кафедры системного программирования ЮУрГУ Алаасам Амир Басим Абдуламир. — Главным нововведением стал „справедливый“ протокол разделения данных: мы не делили записи просто по классам, а учли иерархию — каждый уровень шума, тип машины, конкретный экземпляр оборудования и его состояние. Такой подход гарантирует, что в обучающую, проверочную и тестовую выборки попадают пропорционально одинаковые данные от каждого станка. Это исключает ситуацию, когда нейросеть „запоминает“ звук конкретного устройства, а не учится находить общую закономерность поломки».

Кроме того, в модель встроен механизм динамического контроля обучения. Он включает раннюю остановку и автоматическое снижение скорости обучения. Простыми словами, если нейросеть перестает улучшать результаты, тренировка останавливается, а если прогресс замедлился — скорость обучения корректируется. Это существенно экономит вычислительные ресурсы.

Новая модель показала отличные результаты. Когда фоновый шум был слабым (6 дБ), она безошибочно распознавала неисправности у всех механизмов. В более сложных условиях, когда шум становился громче (0 дБ и –6 дБ), точность немного снизилась, но все равно осталась очень высокой. Например, насосы модель определяла правильно в 94,8% случаев при шуме 0 дБ и в 93,4% — при шуме –6 дБ. Самым сложным для диагностики оказался вентилятор при самом сильном шуме, но даже его модель смогла распознать с точностью выше 91%.

Особенно важным авторы считают сравнение с существующими аналогами. Предложенная модель превзошла предыдущие решения по большинству метрик, причем разрыв увеличивался именно в условиях сильного шума. Помимо точности, новшество позволяет радикально сократить затраты на обучение. Если без динамического контроля тренировка насоса занимала около 56 минут, то с ним всего 11 минут. Экономия времени составила более 80%, а энергозатраты и требования к инфраструктуре снизились пропорционально.

«Наша работа показывает, что для надежной диагностики не всегда нужны суперкомпьютеры и сложные методы шумоподавления, — добавил доктор Алаасам Амир Басим Абдуламир. — Достаточно грамотно подготовить данные и научить модель вовремя останавливаться. Это делает технологию доступной для небольших производств и периферийных устройств».

Ученые подчеркивают, что предложенный метод не требует специальной обработки сигналов для подавления шума. Модель учится выделять полезные признаки сама. В будущем исследователи планируют проверить ее на других промышленных датасетах, а также испытать в условиях потоковой передачи данных с конвейера в реальном времени.

Новая методика опубликована в Journal of Electronic Science and Technology.